http://147.102.106.44/rs/wiki/index.php?feed=atom&target=George_Floros&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%2FGeorge_Floros 2026-04-18T09:21:09Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CE%BF_%CF%83%CF%85%CE%B3%CE%BA%CE%BF%CE%BC%CE%B9%CE%B4%CE%AE%CF%82_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%91%CE%B9%CF%8C%CE%B2%CE%B1_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%B5%CE%B8%CF%8C%CE%B4%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BC%CE%AD%CF%84%CF%81%CF%89%CE%BD_%CE%B5%CF%80%CE%B9%CF%86%CE%AC%CE%BD%CE%B5%CE%B9%CE%B1%CF%82 2017-02-14T01:19:14Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap1_p1.png|thumb|right|'''Eικόνα 1:''' Χάρτης των Η.Π.Α που δείχνει την περιοχή των καλλιεργειών στην Αιόβα από την οποία προέκυψε το μοντέλο]]<br /> [[εικόνα: GF_pap1_p2.png|thumb|right|'''Eικόνα 2:''' Σοδειά καλαμποκιού και σόγιας από το 1982 μέχρι το 2001]]<br /> [[εικόνα: GF_pap1_p3.png|thumb|right|'''Εικόνα 3:''' Δείκτες NDVI]]<br /> [[εικόνα: GF_pap1_p4.png|thumb|right|'''Εικόνα 4:''' Δείκτες Βροχοπτώσεων]]<br /> [[εικόνα: GF_pap1_p5.png|thumb|right|'''Εικόνα 5:''' Δείκτες Θερμοκρασίας]]<br /> [[εικόνα: GF_pap1_p6.png|thumb|right|'''Εικόνα 6:''' Δείκτες υγρασίας]]<br /> [[εικόνα: GF_pap1_p7.png|thumb|right|'''Εικόνα 7:''' Μέθοδος Quasi-Newton]]<br /> [[εικόνα: GF_pap1_p8.png|thumb|right|'''Εικόνα 8:''' Καταγεγραμμένες και Εκτιμημένες σοδειές Καλαμποκιού (α) και Σόγιας (β) για την Αιόβα. Οι τιμές R2 είναι 0.78 για το Καλαμπόκι και 0.86 για τη Σόγια]]<br /> <br /> International Journal of Applied Earth Observation and Geoinformation 8 (2006) 26–33<br /> <br /> Anup K. Prasad , Lim Chai , Ramesh P. Singh*, Menas Kafatos <br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0303243405000553]<br /> <br /> '''Λέξεις-Κλειδιά:''' Μοντέλο εκτίμησης απόδοσης καλλιεργειών, NDVI, Αιόβα, Σόγια, Καλαμπόκι<br /> <br /> '''1.ΕΙΣΑΓΩΓΗ'''<br /> <br /> H συστηματική παρακολούθησητης κατάστασης των καλλιεργειών είναι σημαντική για την οικονομική ανάπτυξη κάθε έθνους. Η χρήση της τηλεπισκόπησης έχει αποδειχτεί πολύ σημαντική για την παρακολούθηση της εξέλιξης των αγροτικών καλλιεργειώνκαι τον βέλτιστο προγραμματισμό άρδευσής τους. Έχουν γίνει προσπάθειες για την ανάπτυξη διάφορων τηλεπισκοπικώνδεικτών για διαφορετικά είδη καλλιεργειών σε παγκόσμιο επίπεδο. Η παραγωγή των καλλιεργειών και η πρόβλεψη για τη σοδειά τους έχουν άμεση επίπτωση στην εθνική οικονομία κάθε χώρας και έχουν σημαντικό ρόλο στη διαχείριση της τροφής(HayesandDecker, 1996). Με τη χρήση τηλεπισκοπικών δεδομένων, έχουν αναπτυχθεί διάφοροι δείκτες όπως: ο κανονικοποιημένος δείκτης βλάστησης(NDVI), ο δείκτης κατάστασης της βλάστησης (VCI) και ο δείκτης κατάστασης θερμοκρασίας(TCI). Οι παραπάνω δείκτες χρησιμοποιούνται συνήθως για την ανίχνευση ξηρασίας, για την παρακολούθησηυπερβολικήςυγρασίας του εδάφους, για την καταγραφή των καιρικών επιπτώσεων στη βλάστηση και στην αξιολόγηση της υγείας της βλάστησης και παραγωγικότητας(UnganaiandKogan, 1998;Kogan, 2001, 2002;Koganetal.,2003; Singhetal.,2003). Tα δεδομένα του δείκτη NDVI χρησιμοποιούνται εκτενώς στην παρακολούθηση της βλάστησης και στην καταγραφή των σοδειών των καλλιεργειών(Hayesetal., 1982; BenedettiandRossinni, 1993; Quarmbyetal., 1993). Η ζώνη καλαμποκιού στις Η.Π.Α παρέχει περίπου το 80% της συνολικής παραγωγής για τις ανάγκες των Η.Π.Α και αναλογεί στο 36% της παγκόσμιας παραγωγής(USDA, 1987). Το Υπουργείο Αγροτικής Ανάπτυξης των Η.Π.Απροβλέπει την παροχή σοδειάς και τις ανάγκες της ζήτησης για κάθε μήνα κατά τη διάρκεια της εποχής των καλλιεργειών, ξεκινώντας από τις αρχές του Ιανουαρίου. Ο δείκτης NDVI θεωρείται ένας χρήσιμος δείκτης για την αξιολόγηση μοντέλων καλλιεργειών χρησιμοποιώντας διαφορετικές προσεγγίσεις. Ο δείκτης NDVIανακλά το πράσινο επομένως παρουσιάζει το επίπεδο υγείας της βλάστησης. Παρόλο το γεγονός πως η ανάπτυξη των καλλιεργειών καλαμποκιού μπορεί να διαφέρει από τη φυσιολογική βλάστηση, λόγω ανθρώπινων παρεμβάσεων, ο δείκτης NDVI θεωρείται ως μία σημαντική πηγή πληροφορίας για την κατάσταση των καλλιεργειών. Οι επίγειες και δορυφορικές (NOAAA, Meteosat, etc.) μετρήσεις χρησιμοποιούνται συνήθως για την ανίχνευση διάφορων παραμέτρων, όπως ο τύπος του εδάφους, το φως, το διοξείδιο του άνθρακα, τη θερμοκρασία, το νερό και τον λόγο εξέλιξης και ανάπτυξης των καλλιεργειών. Οι τωρινές πρακτικές εκτίμησης απόδοσης των καλλιεργειών βασίζονται σε διάφορες μεθόδους και πηγές δεδομένων, όπως τοπογραφικές μελέτες, τεχνολογικές γνώσεις, στατιστικά μοντέλα, χωρική ανάλυση και μοντέλα προσομοίωσης ανάπτυξης καλλιεργειών. Στο συγκεκριμένο άρθρο, αναπτύσσεται ένα μοντέλο εκτίμησης συγκομιδής καλλιεργειών και πιο συγκεκριμένα για το καλαμπόκι και τη σόγια στην πολιτεία της Αιόβα στις Η.Π.Α. με τη χρήση του δείκτη NDVI, τη θερμοκρασία της επιφάνειας, καθώς και τις κατακρημνίσεις και την υγρασία του εδάφους.<br /> <br /> '''2. ΜΕΘΟΔΟΙ'''<br /> <br /> '''2.1 ΕΠΙΛΟΓΗ ΤΗΣ ΠΕΡΙΟΧΗΣ ΜΕΛΕΤΗΣ'''<br /> <br /> Η πολιτεία της Aιόβα ανήκει στη «ζώνη καλαμποκιού» των Η.Π.Α (USCornBelt). Για την εφαρμογή χρησιμοποιήθηκαν 10 επιλεγμένες ποικιλίες καλαμποκιού και σόγιας. Η πολιτεία της Αιόβα παράγει το 17,9% του συνολικού καλαμποκιού για τις Η.Π.Α. καθιστώντας την τη μεγαλύτερη παραγωγή (USDA, 1997) και η καλλιέργεια της σόγιας είναι η δεύτερη μεγαλύτερη καλλιέργεια μετά το καλαμπόκι και περίπου 10.920.000 εκτάρια θερίστηκαν το έτος 2001.<br /> <br /> '''2.2 ΔΕΔΟΜΕΝΑ'''<br /> <br /> Χρησιμοποιήθηκαν τηλεπισκοπικάδεδομένα για τις αποδόσεις καλλιεργειών για το καλαμπόκι και τη σόγια στην πολιτεία της Αιόβα, όπου το καλαμπόκι καλλιεργείται στις αρχές Μαίουκαι η ανάπτυξη στη βιομάζα του συμβαίνει από Ιούνιο μέχρι Σεπτέμβριο και είναι έτοιμο προς συγκομιδή το Σεπτέμβριο. Επομένως, ένας προσωρινός μέσος ετήσιος δείκτης NDVI, η υγρασία του εδάφους, η θερμοκρασία της επιφάνειας και τα δεδομένα βροχοπτώσεων για την περίοδο Μαίου-Σεπτεμβρίου για τα έτη 1982 έως 2001 έχουν χρησιμοποιηθεί(εξαιρείται το έτος 1994). Η εποχή καλλιέργειας της σόγιας ξεκινάει από τα μέσα Μαίου μέχρι τις αρχές Ιουνίου. Η ανάπτυξη των καλλιεργειών συμβαίνει μεταξύ του Ιουνίου και του Σεπτεμβρίου και η συγκομιδή γίνεται κυρίως τον Οκτώβριο. Για τη σόγια, ένας προσωρινός μέσος ετήσιος δείκτης NDVI, η υγρασία του εδάφους, η θερμοκρασία της επιφάνειας και δεδομένα βροχοπτώσεων για την περίοδο από 1982 έως 2001 χρησιμοποιήθηκαν(εξαιρείται το έτος 1994).<br /> <br /> '''2.2.1 NDVI'''<br /> <br /> Χρησιμοποιήθηκαν σύνθετα, ηπειρωτικά δεδομένα(datasets) του δείκτη NDVI διαστάσεων 8kmX 8kmπου προέκυψαν από τον δορυφόρο AVHRR και συλλέγονται από την Εθνική Ωκεανική και Ατμοσφαιρική Υπηρεσία (NationalOceanicandAtmosphericAdministration) για την περίοδο 1982-2001. [http://noaasis.noaa.gov/NOAASIS/ml/avhrr.html]. Tα δεδομένα του δείκτη NDVI προκύπτουν από το κανάλι 1 (ορατό) και το Κανάλι 2(εγγύς υπέρυθρο). H οπτική εξασθένιση του μήκου κύματος που παρατηρείται στο δορυφόρο AVHRR δεν παρουσιάζει σημαντικές διαφορές από τον πολυφασματικό δορυφόρο LandsatMSS και τον Θεματικό Χαρτογράφο(ThematicMapper-TM) ή τον γαλλικό δορυφόρο SPOT. H εξασθένιση του μήκου κύματος είναι σημαντικά πιο ευαίσθητη στην εξάτμιση του νερού στο εγγύς υπέρυθρο απότι στους άλλους δορυφόρους(Gowardetal., 1991). Ο δείκτης που προκύπτει από τα δεδομένα NOAA11 δείχνει τιμές υψηλότερες κατά 0.05 από προηγούμενες αποστολές του NOAA για την Αφρικανική έρημο. Επίσης παρατηρήθηκε σφάλμα στην ηλιακή ζενίθια γωνία. Παρόλα αυτά, ο δείκτης NDVI που προκύπτει από τα δεδομένα του δορυφόρου AVHRR είναι λιγότερο επηρεασμένος από λάθη στην ηλιακή ζενίθια γωνία.<br /> <br /> '''2.2.2 KATAΚΡΗΜΝΙΣΕΙΣ'''<br /> <br /> Τα δεδομένα βροχοπτώσεων είναι διαθέσιμα ως ο μηνιαίος μέσος σε μία κλιματική κατηγορία η οποία ορίζεται χρησιμοποιώντας ίσα βάρη σε σταθμούς που καταγράφουν και τη θερμοκρασία και τις κατακρημνίσεις στην κατηγορία αυτή.<br /> <br /> '''2.2.3 ΘΕΡΜΟΚΡΑΣΙΑ'''<br /> <br /> Τα δεδομένα για την μηνιαία θερμοκρασία επιφάνειας είναι διαθέσιμα από το Εθνικό Κέντρο Ωκεανογραφίας και Ατμόσφαιρας των Η.Π.Α.<br /> <br /> '''2.2.4 ΥΓΡΑΣΙΑ ΕΔΑΦΟΥΣ'''<br /> <br /> Τα δεδομένα για την υγρασία εδάφους είναι διαθέσιμα από το Εθνικό Κέντρο Ωκεανογραφίας και Ατμόσφαιρας των Η.Π.Α. Η υγρασία εδάφους βασίζεται στην ισορροπία του νερού στο έδαφος.<br /> <br /> '''2.3 ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> Η απόδοση των καλλιεργειών θεωρείται ως μία εξαρτημένη μεταβλητή που μεταβάλλεται διαφορετικά με ανεξάρτητες μεταβλητές όπως ο δείκτης NDVI, η θερμοκρασία επιφάνειας κ.ά. Οι διαφορετικές τιμές των δεικτών αυτών δεν ακολουθούν έναν συγκεκριμένο γραμμικό συνδυασμό, επομένως η μοντελοποίηση μίας τέτοιας δυναμικής σχέσης με συμβατικές γραμμικές μεθόδους καθίσταται ιδιαίτερα δύσκολη. Μία μη γραμμική προσέγγιση ακολουθήθηκε για να υπολογιστεί η σχέση μεταξύ μίας ομάδας ανεξάρτητων μεταβλητών και μίας εξαρτημένης μεταβλητής. Η μη γραμμική μέθοδος Quasi-Newton επιλέχθηκε για την αντιμετώπιση του συγκεκριμένου προβλήματος. Με τη χρήση του σημείου καμπής(breakpoint) δημιουργείται το μοντέλο για την εκτίμηση απόδοσης της καλλιέργειας.<br /> <br /> '''2.4 ΜΟΝΤΕΛΟ'''<br /> <br /> Το σημείο καμπής που χρησιμοποιήθηκε είναι ο μέσος της απόδοσης των καλλιεργειών καλαμποκιού ή σόγιας για τα 19 χρόνια. Οι εμπειρικές εξισώσεις σύμφωνα με τη μέθοδο Quasi-Newton παρουσιάζονται στην εικόνα 7, όπου SM: Υγρασία εδάφους, ST:Θερμοκρασία επιφάνειας, RF:Βροχόπτωση,m= μέσος καλαμποκιού ή σόγιας, c1,c2,ai,bi, όπου i= 1-4συντελεστές Quasi-Newton.Η μέθοδος Quasi-Newton χρησιμοποιεί την συνάρτηση Lf=(παρατηρούμενα-προβλεπόμενα)^2 για να καταλήξει σε ένα αποτέλεσμα όσο το δυνατόν πιο κοντινό στα παρατηρούμενα δεδομένα, όπως διαπιστώνεται από την εικόνα 8.<br /> <br /> Η συγκεκριμένη μεθοδολογία παρέχει αποτελέσματα που είναι κοντά στις πραγματικές τιμές. Δεδομένα μικρότερου όγκου (7-10 χρόνια) δίνουν καλύτερα αποτελέσματα από δεδομένα μεγαλύτερου όγκου ( 19 χρόνια) λόγω μικρότερης διασποράς των μεταβλητών.<br /> <br /> '''3. ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Το μοντέλο έρχεται σε συμφωνία με την καταγεγραμμένη καλλιέργεια σόγιας. Οι τιμές ανά το χρόνο βρίσκονται εντός αποδεκτών ορίων από την παρατηρούμενη απόδοση των καλλιεργειών. Επίσης, οι καλλιέργειες καλαμποκιού παρουσιάζουν μία παρόμοια κατανομή με εξαίρεση το έτος 1993. Ο συντελεστής R2που είναι σχετικά υψηλός δηλώνει πως τα περισσότερα χρόνια, οι αποδόσεις των καλλιεργειών εξαρτώνται από τις μεταβλητές που εισάχθηκαν στο μοντέλο.Παρόλα αυτά, άλλοι παράγοντες όπως τα φυτοφάρμακα, οι αρρώστιες και οι ανθρώπινες παρεμβάσεις μπορούν να προκαλέσουν διαφοροποιήσεις στην απόδοση μίας καλλιέργειας. Αυτό αποτελεί ένα σημαντικό περιορισμό για οποιαδήποτε μεθοδολογία πρόβλεψης των αποδόσεων. Όμως, η συμπερίληψη του δείκτη NDVI, φροντίζει να αντιμετωπίσει τις ασθένειες ή τα φυτοφάρμακα που αφορούν τη βλάστηση. Η βελτίωση του μοντέλου μπορεί να επιτευχθεί με τη χρήση δεδομένων υψηλής ανάλυσης τα οποία παρέχονται σε βάθος αρκετών ετών.<br /> <br /> '''4. EΠΙΛΟΓΟΣ'''<br /> <br /> To μοντέλο που αναλύεται στο συγκεκριμένο άρθρο ελαχιστοποιεί την αστάθεια και τα λάθη στην εκτίμηση της σοδειάς δίνοντας υψηλό συντελεστή R2, χρησιμοποιώντας όσο το δυνατόν περισσότερους συντελεστές στο μοντέλο. Η μέθοδος αυτή μπορεί να εφαρμοστεί για την πρόβλεψη απόδοσης καλλιεργειών και για άλλες σοδειές εκτός από σόγια και καλαμπόκι. Η μέθοδος Quasi-Newton που χρησιμοποιήθηκε μπορεί να εφαρμοστεί και σε άλλες χώρες όπου η παραγωγή των καλλιεργειών επηρεάζεται κυρίως από καιρικές και κλιματικές συνθήκες. <br /> <br /> '''5. ΣΥΝΕΙΣΦΟΡΑ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ'''<br /> <br /> Στη συγκεκριμένη μελέτη αναδεικνύεται η τηλεπισκόπηση ως ένα πολύ σημαντικό εργαλείο για την παρακολούθηση και την εκτίμηση της συγκομιδής των καλλιεργειών. Ο δείκτης NDVI αποτελεί έχει εξαιρετική χρησιμότητα στον προσδιορισμό των παραπάνω στοιχείων και σε συνδυασμό με παραμέτρους όπως η υγρασία του εδάφους, η θερμοκρασία και οι κατακρημνίσεις παρουσιάζουν αξιόπιστα αποτέλεσματα για τον επιτυχή σχεδιασμό της αγροτικής πολιτικής μίας χώρας.<br /> <br /> [[category:Γεωργία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%B9%CF%82_%CF%87%CF%81%CE%AE%CF%83%CE%B5%CE%B9%CF%82/%CE%BA%CE%B1%CE%BB%CF%8D%CF%88%CE%B5%CE%B9%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CF%84%CE%BF_%CE%B4%CF%85%CF%84%CE%B9%CE%BA%CF%8C_%CE%94%CE%AD%CE%BB%CF%84%CE%B1_%CF%84%CE%BF%CF%85_%CE%9D%CE%B5%CE%AF%CE%BB%CE%BF%CF%85_%CF%83%CF%84%CE%B7%CE%BD_%CE%91%CE%AF%CE%B3%CF%85%CF%80%CF%84%CE%BF_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD 2017-02-14T01:17:40Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap6_p1.png|thumb|right|'''Εικόνα 1:''' Τοποθεσία της περιοχής μελέτης στο δυτικό Δέλτα του Νείλου, Αίγυπτος.]]<br /> [[εικόνα: GF_pap6_p2.png|thumb|right|'''Εικόνα 2:''' Ψευδοχρωματικά σύνθετα των επιλεγμένων εικόνων Landsat με συνδυασμό καναλιών 4,3,2.]]<br /> [[εικόνα: GF_pap6_p3.png|thumb|right|'''Εικόνα 3:''' Κατηγορίες χρήσεων και καλύψεων γης που ερμηνεύτηκαν από τις οπτικά ενισχυμένες εικόνες. Τα κυκλικά σχήματα απεικονίζουν αγροτεμάχια καλλιεργειών.]]<br /> [[εικόνα: GF_pap6_p4.png|thumb|right|'''Εικόνα 4:''' Χάρτες καλύψεων/χρήσεων γης ως αποτέλεσμα συνδυασμού της επιβλεπόμενης ταξινόμησης και της οπτικής ερμηνείας.]]<br /> [[εικόνα: GF_pap6_p5.png|thumb|right|'''Εικόνα 5:''' Ποσοστό επιφάνειας των κατηγοριών agriculture και barren land για τα έτη 1984, 1999, 2005 και 2009.]]<br /> [[εικόνα: GF_pap6_p6.png|thumb|right|'''Εικόνα 6:''' Ποσοστό επιφάνειας των κατηγοριών urban, quarries και free water bodies and sabkhas για τα έτη 1984, 1999, 2005 και 2009.]]<br /> [[εικόνα: GF_pap6_p7.png|thumb|right|'''Εικόνα 7:''' Γεωχωρική κατανομή των αλλαγών χρήσεων/καλύψεων γης μεταξύ 1984 και 1999.]]<br /> [[εικόνα: GF_pap6_p8.png|thumb|right|'''Εικόνα 8:''' Γεωχωρική κατανομή των αλλαγών χρήσεων/καλύψεων γης μεταξύ 1999 και 2005.]]<br /> [[εικόνα: GF_pap6_p9.png|thumb|right|'''Εικόνα 9:''' Γεωχωρική κατανομή των αλλαγών χρήσεων/καλύψεων γης μεταξύ 2005 και 2009.]]<br /> <br /> Applied Geography Volume 31, Issue 2, April 2011, Pages 483–494<br /> <br /> O.R. Abd El-Kawy*, J.K. Rød , H.A. Ismail , A.S. Suliman<br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0143622810001451]<br /> <br /> '''Λέξεις-Κλειδιά:''' Εντοπισμός αλλαγών, Χρήση γης, Κάλυψη γης, Σύγκριση μετά την ταξινόμηση, Δυτικό Δέλτα του Νείλου<br /> <br /> '''1. Eισαγωγή'''<br /> <br /> Ο εντοπισμός των αλλαγών (change detection) είναι η διαδικασία του εντοπισμού των διαφορών στην κατάσταση μίας οντότητας ή ενός φαινομένου παρατηρώντας το σε διαφορετικές χρονικές περιόδους (Singh, 1989). Ο εντοπισμός των αλλαγών είναι χρήσιμος σε πολλές εφαρμογές που έχουν σχέση με τις χρήσεις/καλύψεις γης. Η συνεχόμενη και ακριβής παροχή πληροφοριών για τις αλλάγές στις χρήσεις/καλύψεις γης είναι πολύ σημαντική για οποιοδήποτε πρόγραμμα ανάπτυξης. Η δορυφορική τηλεπισκόπηση αποτελεί την πιο συνηθισμένη πηγή δεδομένων για τον εντοπισμό, την ποσοτικοποίηση και την χαρτογράφηση μοτίβων καλύψεων/χρήσεων γης και αλλαγών τους, λόγω της συνεχούς συγκομιδής δεδομένων, την ψηφιακή μορφή τους που είναι κατάλληλη για υπολογιστική επεξεργασία και οι ακριβείς διαδικασίες γεωαναφοράς τους (Chen, Vierling, &amp; Deering, 2005; Jensen, 1996; Lu et al., 2004). Σήμερα, υπάρχουν πολλά δορυφορικά προγράμματα σε λειτουργία. Για την μελέτη του εντοπισμού των αλλαγών, το πρόγραμμα Landsat είναι μοναδικό διότι παρέχει μία ιστορική και συνεχόμενη ροή μέσω των δορυφορικών εικόνων. Οι εικόνες Landsat μπορούν να επεξεργαστούν για να αποτυπώσουν τις καλύψεις γης μεγάλων επιφανειών σε βάθος χρόνου, το οποίο είναι μοναδικό και πάρα πολύ σημαντικό για τον εντοπισμό, τη χαρτογράφηση και την διαχείριση των χρήσεων/καλύψεων γης (Wulder et al., 2008). Για την συγκεκριμένη μελέτη, τέθηκαν πέντε ζητήματα προς υλοποίηση, τα οποία αφορούν τις χρήσες/καλύψεις γης στην δυτική περιοχή του Δέλτα του Νείλου.<br /> * Η παροχή πρόσφατων και με ιστορική πληροφορία χαρτών χρήσεων/καλύψεων γης μέσω της διαλειτουργικότητας μεταξύ της επιβλεπόμενης ταξινόμησης μέγιστης πιθανοφάνειας και την οπτική αντίληψη τηλεπισκοπικών δεδομένων.<br /> * Ο εντοπισμός ενός μοτίβου αλλαγών στις χρήσεις/καλύψεις γης μέσω διαφορετικών δορυφορικών εικόνων Landsat χρησιμοποιώντας σύγκριση μετά την ταξινόμηση*. Η επεξήγηση των αιτιών για τις αλλαγές αυτές μέσω της χωρικής σύγκρισης που παρέχουν οι παραγόμενοι χάρτες καλύψεων/χρήσεων γης.<br /> * Η παροχή προτεινόμενων πολιτικών για την καλύτερη διαχείριση των χρήσεων/καλύψεων γης.<br /> * Ο εντοπισμός περιοχών που χρησιμοποιούν στο βέλτιστο βαθμό το νερό άρδευσης.<br /> <br /> '''2. Περιοχή μελέτης'''<br /> <br /> Η περιοχή μελέτης βρίσκεται σε μία πρόσφατα χαρακτηριζόμενη ερημική περιοχή του δυτικού τμήματος του Δέλτα του Νείλου. Χαρακτηρίζεται από μεσογειακό «μέτρια-ξηρό» κλίμα. Σύντομα διαστήματα βροχόπτωσης εκδηλώνονται συνήθως το χειμώνα, ενώ οι καλοκαιρινοί μήνες χαρακτηρίζονται συνήθως από ξηρασία. Aπό τις αρχές του 1980, η ανάπτυξη της περιοχής μελέτης ήταν στα πλαίσια της στρατηγικής αποκατάστασης περιοχών της Αιγυπτιακής κυβέρνησης. Το σχέδιο αυτό επεκτείνεται στη συγκεκριμένη μελέτη, περιλαμβάνοντας το σχεδιασμό και την ανάπτυξη βιώσιμων οικισμών στις νέες περιοχές.<br /> <br /> '''3. Δεδομένα και μεθοδολογία'''<br /> <br /> Τα δεδομένα που χρησιμοπιήθηκαν στη συγκεκριμένη μελέτη περιλαμβάνουν τέσσερις δορυφορικές εικόνες Landsat, που περιέχουν εικόνα Themmatic Mapper(TM) που λήφθηκε στις 11 Σεπτεμβρίου του 1984 και τρεις ενισχυμένες εικόνες Thematic Mapper Plus( ETM+), που λήφθηκαν στις 2 Δεκεμβρίου του 1999, το 2005 (μωσαικό από δύο εικόνες από τις 28 Μαρτίου και 12 Αυγούστου) και στις 13 Δεκεμβίου του 2009. Όλες οι παραπάνω εικόνες είναι διαθέσιμες από την υπηρεσία USGS των Η.Π.Α.Στη συγκεκριμένη μελέτη, συμπεριλήφθηκαν όλα τα ορατά και υπέρυθρα κανάλια, εκτός από το θερμικό. Ψηφιοποιήθηκαν πέντε τοπογραφικοί χάρτες (Κλίμακα 1:50.000) και χρησιμοποιήθηκαν για αναγνώριση του εδάφους μετά την γεωμετρική διόρθωση των δορυφορικών εικόνων. Επίσης χρησιμοποιήθηκαν δεδομένα αρχείου και παλιοί χάρτες. Τέλος, το Νοέμβριο του 2009, συλλέχθηκε ένας συνολικός αριθμός 300 σημείων ελέγχου από την περιοχή μελέτης. Τα δεδομένα αρχείου, οι παλιοί χάρτες και τα σημεία ελέγχου χρησιμοποιήθηκαν κυρίως σαν δεδομένα αναφοράς για την ταξινόμηση των εικόνων και την εκτίμηση της ακρίβειας της.<br /> <br /> ''Προεπεξεργασία εικόνας''<br /> <br /> Η προεπεξεργασία δορυφορικών εικόνων πριν τον εντοπισμό των αλλαγών είναι απαραίτητη και έχει σαν αποκλειστικό στόχο την δημιουργία μίας πιο άμεσης σχέσης μεταξύ των δεδομένων και των βιοφυσικών φαινομένων (Coppin et al., 2004). Η συγκεκριμένη μεθοδολογία έλαβε υπόψιν πολλαπλές λειτουργία προεπεξεργασίας εικόνων συμπεριλαμβανομένης της γεωμετρικής διόρθωσης, την συμπλήρωση κενών ETM+, και την ενίσχυση και ερμηνεία των εικόνων.<br /> <br /> ''Συμπλήρωση κενών ETM+ και γεωμετρική διόρθωση''<br /> <br /> Όλα τα δεδομένα Landsat που χρησιμοποιήθηκαν σε αυτήν την μελέτη συλλέχθηκαν κάτω από καθαρές ατμοσφαιρικές συνθήκες, όπως φαίνεται στην εικόνα 2.<br /> Οι εικόνες των ετών 1984, 1999 και 2005 έχουν διορθωθεί γεωμετρικά με βάση την εικόνα του 2009. Η εικόνα του 2009 έχει γεωαναφερθεί προηγουμένως χρησιμοποιώντας και επίγεια σημεία ελέγχου και τοπογραφικούς χάρτες. Επίσης, στη συγκεκριμένη μελέτη, η συμπλήρωση των κενών ήταν επιτυχής και για τις δύο ETM+ εικόνες του 2005 και του 2009. Για την εικόνα του 2005, η περιοχή μελέτης καλύφθηκε από ένα μωσαικό δύο ETM+ σκηνών που ληφθηκαν στα 28 Μαρτίου και 12 Αυγούστου. Για την εικόνα του 2009, μία ETM+ σκηνή λήφθηκε για την ίδια περιοχή στις 27 Νοεμβρίου και χρησιμοποιήθηκε για την συμπλήρωση κενών της εικόνας ETM+ που έιχε ληφθεί στις 13 Δεκεμβρίου.<br /> <br /> ''Ενίσχυση εικόνας και οπτική ερμηνεία''<br /> <br /> Η ενίσχυση εικόνας είναι η τροποποίηση τιμών της εικόνας για να αναδεικνύουν πληροφορίες που βρίσκονται εντός της και να βελτιώσουν την οπτική κατανόηση μίας εικόνας αυξάνοντας τις αντιθέσεις μεταξύ των χαρακτηριστικών της. Στη συγκεκριμένη μελέτη εφαρμόζεται η ενίσχυση «Contrast stretching» για τις τέσσερις επιλεγμένες εικόνες προκειμένου να ερμηνευτούν οπτικά. Πριν την ταξινόμηση, τα χαρακτηριστικά των χρήσεων/καλύψεων γης διαχωρίστηκαν σε πέντε ευρύτερες θεματικές κατηγορίες: «barren land, agricultural lands, urban lands, quarries, and free water bodies and Sabkhas». Οι πέντε αυτές κατηγορίες ορίστηκαν βάση της οπτικής ερμηνείας των δορυφορικών εικόνων και επιβεβαιώθηκαν από επίγειες παρατηρήσεις. Όπως αναφέρθηκε, έγινε οπτική ερμηνεία των ενισχυμένων εικόνων και παράχθηκαν τέσσερις χάρτες που απεικονίζονται στην εικόνα 3, με σκοπό να συνδυαστούν αργότερα με τα αποτελέσματα της επιβλεπόμενης ταξινόμησης.<br /> <br /> ''Επιβλεπόμενη ταξινόμηση''<br /> <br /> Χρησιμοποιήθηκε το λογισμικό «ERDAS IMAGINE 9.2» για την ψηφιακή επεξεργασία των εικόνων Landsat. Τα δείγματα εκπαίδευσης (training samples) επιλέχθηκαν για κάθε κατηγορία χρήσεων/καλύψεων γης με τη δημιουργία πολυγώνων στις αντιπροσωπευτικές περιοχές. Με τη χρήση των εικονοστοιχείων(pixels) εντός των πολυγώνων λήφθηκαν οι φασματικές υπογραφές για τις αντίστοιχες κατηγορίες καλύψεων γης. Όταν η κάθε φασματική υπογραφή θεωρήθηκε ικανοποιητική, εισάχθηκε στην διαδικασία της ταξινόμησης. Η ταξινόμηση που χρησιμοποιήθηκε είναι η ταξινόμηση μέγιστης πιθανοφάνειας και παράγει ένα θεματικό ψηφιδωτό επίπεδο (την ταξινομημένη εικόνα) και ένα αρχείο αποστάσεων. Και τα δύο παραγόμενα προιόντα χρησιμοποιήθηκαν στην επεξεργασία μετά την ταξινόμηση. Παράχθηκαν τέσσερις χάρτες καλύψεων/χρήσεων γης.<br /> <br /> ''Βελτίωση της ταξινόμησης''<br /> <br /> Μερικές κατηγορίες χρήσεων/καλύψεων γης ήταν φασματικά μπερδεμένες και δεν μπορούσαν να διαχωριστούν ικανοποιητικά από την επιβλεπόμενη ταξινόμηση. Ένα παράδειγμα είναι τα τοπία πρασίνου εντός αστικών ζωνών που ταξινομήθηκαν λανθασμένα ως αγροτικές καλλιέργειες. Για την βελτίωση της ακρίβειας της ταξινόμησης και των περιορισμό των λανθασμένων υπολογισμών έγινε συνένωση των αρχικών χαρτών καλύψεων/χρήσεων γης που προέκυψαν από την ταξινόμηση με τους χάρτες που προέκυψαν από την οπτική ερμηνεία. Η οπτική ερμηνεία ήταν πολύ σημαντική για την αύξηση της ακρίβειας της ταξινόμησης και σαν αποτέλεσμα είχε και την βελτίωση της ποιότητας των παραγόμενων χαρτών. Η συνένωση έγινε με τη βοήθεια του λογισμικού ArcGIS 9.3. Tέλος, παράχθηκαν ακριβείς χάρτες καλύψεων/χρήσεων γης που παρουσιάζονται στην εικόνα 4, και συγκρίθηκαν με τα δεδομένα αναφοράς (δεδομένα αρχείου, παλιοί χάρτες, χαρακτηριστικά σημεία) για να εκτιμηθεί η ακρίβεια της ταξινόμησης.<br /> <br /> ''Εκτίμηση ακρίβειας της ταξινόμησης''<br /> <br /> Είναι σημαντικό να είναι δυνατή η εκτίμηση της ακρίβειας για την ταξινόμηση εφόσον τα παραγόμενα δεδομένα θα χρησιμοποιηθούν για την ανάλυση εντοπισμού αλλαγών σε μία περιοχή (Owojori &amp; Xie, 2005). Η εκτίμηση πραγματοποιήθηκε βάση 280 τυχαίων σημείων που εντοπίστηκαν μέσω τυχαίας επιλογής με τη βοήθεια του λογισμικού ERDAS και αντιστοιχούν στις διαφορετικές χρήσεις/καλύψεις γης της περιοχής.<br /> <br /> '''4.Αποτελέσματα και συζήτηση'''<br /> <br /> Πριν τη χρήση των αποτελεσμάτων της ταξινόμησης ήταν αναγκαία η επιβεβαίωση της ορθότητάς τους. Η συνδυασμένη διαδικασία της ταξινόμησης και της οπτικής ερμηνείας αύξησε την ακρίβεια της ταξινόμησης για τα έτη 1984, 1999, 2005 και 2009 κατά ένα πολύ σημαντικό ποσοστό. Οι εικόνες 5 και 6 απεικονίζουν την συνολική επιφάνεια κάθε κατηγορίας χρήσεων/καλύψεων γης για κάθε χρόνο.<br /> Τα αποτελέσματα της οπτικής ερμηνείας σε συνδυασμό με την ταξινόμηση που φαίνονται στις εικόνες 7,8 και 9, μαζί με τις επίγειες μετρήσεις, δείχνουν πως ένα εντατικό πρόγραμμα ανάπτυξης έχει εφαρμοστεί στην περιοχή μελέτης εδώ και τρεις δεκαετίες.<br /> <br /> '''5.Κατακλείδα και προτάσεις'''<br /> <br /> Συνολικά, η ακρίβεια της χαρτογραφικής αποτύπωσης των χρήσεων/καλύψεων γης ανέρχεται σε ένα ποσοστό περίπου 96% και δείχνει πως ο συνδυασμός της οπτικής ερμηνείας με την επιβλεπόμενη ταξινόμηση αποτελούν μία αποτελεσματική μέθοδο για τον εντοπισμό αλλαγών στις χρήσεις/καλύψεις γης μίας περιοχής σε βάθος χρόνου. Η οπτική ερμηνεία δεν ήταν μόνο χρήσιμη στην αύξηση της ακρίβειας της ταξινόμησης των δορυφορικών εικόνων Landsat αλλά βοήθησε και στον εντοπισμό περιοχών που δείχνουν αποτελεσματική χρήση του αρδευτικού νερού μέσω της χαρτογράφησης των καλλιεργειών.<br /> <br /> '''6.Συμβολή της τηλεπισκόπησης'''<br /> <br /> Από τη συγκεκριμένη μελέτη προκύπτουν συμπεράσματα που αφορούν τον σχεδιασμό και την ανάπτυξη μίας περιοχής αποκλειστικά με τη χρήση της τηλεπισκόπησης. Για άλλη μία φορά, η δυνατότητα ανέυρεσης ελεύθερων δεδομένων σε βάθος χρόνου, σε συνδυασμό με τις μεθόδους ψηφιακής τηλεπισκόπησης παράγουν χάρτες που αναλύουν λεπτομερώς τις καλύψεις/χρήσεις γης μίας περιοχής με σκοπό την αντιμετώπιση των φυσικών και τεχνητών προβλημάτων της.<br /> <br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%B3%CE%BA%CF%81%CE%B9%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CE%BC%CE%B5%CE%B8%CF%8C%CE%B4%CF%89%CE%BD_%CE%B1%CF%85%CF%84%CF%8C%CE%BC%CE%B1%CF%84%CE%BF%CF%85_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%BD%CE%B5%CF%81%CE%BF%CF%8D_%CE%B2%CE%B1%CF%83%CE%B9%CF%83%CE%BC%CE%AD%CE%BD%CE%B7_%CF%83%CF%84%CE%B7%CE%BD_%CF%80%CE%BF%CE%BB%CF%85%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%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 2017-02-14T01:17:08Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap8_t1.png|thumb|right|'''Πίνακας 1:''' Χαρακτηριστικά περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap8_t2.png|thumb|right|'''Πίνακας 2:''' Δεδομένα περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap8_t3.png|thumb|right|'''Πίνακας 3:''' Αποτελέσματα ακρίβειας.]]<br /> [[εικόνα: GF_pap8_p1.png|thumb|right|'''Εικόνα 1:''' Aπό αριστερά προς τα δεξιά για την κάθε περιοχή εφαρμόστηκαν οι πέντε μέθοδοι: εικόνα πέντε καναλιών, δείκτης βλάστησης, δείκτης νερού, βελτιωμένος δείκτης νερού, Πολυκαναλική φασματική σχέση.]]<br /> <br /> Procedia Environmental Sciences 11 (2011) 1482 – 1487<br /> <br /> ZHANG Fang-fang, ZHANG Bing, LI Jun-sheng,SHEN Qian,Wu Yuan- feng,SONG Yang<br /> <br /> ''' Link:''' [http://www.sciencedirect.com/science/article/pii/S1878029611010462]<br /> <br /> '''Λέξεις-Κλειδιά:''' Πολυφασματικό, Τηλεπισκόπηση, Νερό, Landsat<br /> <br /> '''1. Eισαγωγή'''<br /> <br /> Για τον εντοπισμό των υδάτινων μαζών υπάρχουν επτά βασικές μέθοδοι: το κατώφλι του ενός καναλιού, ο δείκτης βλάστησης, ο δείκτης νερού, ο βελτιωμένος δείκτης νερού, η πολυκαναλική φασματική σχέση, και η επιβλεπόμενη μέθοδος ταξινόμησης. Παρόλα αυτά, οι περισσότερες μελέτες αναδεικνύουν την ανωτερότητα μία μεθόδου ή συνδυασμού μεθόδων μέσω μίας εφαρμογής σε συγκεκριμένη περιοχή. Το συγκεκριμένο άρθρο έχει ως σκοπό μία ολοκληρωμένη ανάλυση των πληροφοριών του νερού σε μία ποικιλία τηλεπισκοπικών μεθόδων για την αυτόματη αναγνώριση, η οποία επιβεβαιώνεται από την πειραματική ανάλυση των πλεονεκτημάτων των διαφορετικών μεθόδων για την εξερεύνηση της καταλληλότερης μεθόδου σε διαφορετικές περιοχές μελέτης.<br /> <br /> '''2. Μέθοδοι και Θεωρία Αναγνώρισης για το νερό'''<br /> <br /> ''2.1 Χαρακτηριστικά φασματικών ανακλαστικοτήτων''<br /> <br /> * Φασματική ανακλαστικότητα του νερού: Tα βασικά τηλεπισκοπικά κανάλια για την ανάδειξη του νερού, είναι τα ορατά, το εγγύς υπέρυθρο και το μέσο υπέρυθρο, όπου σε αυτά το νερό έχει τις δικές του ιδιότητες ανάκλασης σε σχέση με την βλάστηση, τις πόλεις κλπ.<br /> * Φασματικά χαρακτηριστικά TM/ETM+: Οι εικόνες Landsat TM έχουν επτά κανάλια και συνηθισμένα κανάλια που αναδεικνύουν το νερό βρίσκονται από τη θέση 2 ως τη θέση 5.<br /> <br /> ''2.2. Μέθοδοι και Αλγόριθμοι''<br /> <br /> * ''Κατώφλι ενός καναλιού:'' Η συγκεκριμένη μέθοδος χρησιμοποιείται για να ξεχωρίσει τις διαφορετικές επιφάνειες μέσω ενός συγκεκριμένου κατωφλιού. Το κανάλι 5 των εικόνων TM είναι το καλύτερο κανάλι για τον εντοπισμό του νερού.<br /> * ''Δείκτης Βλάστησης:'' O Kανονικοποιημένος Δείκτης Βλάστησης NDVI = (NIR - RED) / (NIR + RED), ο οποίος παρόλο που χρησιμοποιείται για την ανάδειξη της βλάστησης μπορεί να ανδείξει και τις υδάτινες επιφάνειες.<br /> * ''Δείκτης νερού:'' Ο Κανονικοποιημένος Δείκτης Νερού NDWI = (GREEN – NIR) / (GREEN + NIR), ο οποιός ανδεικνύει έντονα τις υδάτινες επιφάνειες.<br /> * ''Ο βελτιωμένος Δείκτης νερού:'' MNDWI = (GREEN - MIR) / (GREEN + MIR), o oποίος αναδεικνύει επίσης έντονα τις υδάτινες επιφάνειας λόγω της χαμηλής ανακλαστικότητας του νερού στο κανάλι 5.<br /> * ''Πολυκαναλική φασματική σχέση:'' Mε βάση τον κανόνα πως η ανακλαστικότητα του νερού μειώνεται από το κανάλι 2 προς το κανάλι 5, σχεδιάστηκε ο αλγόριθμος: ΤΜ2 + ΤΜ3 &gt; ΤΜ4 + ΤΜ5.<br /> <br /> '''3. Παράδειγμα αναγνώρισης νερού'''<br /> <br /> ''3.1. Περιοχή μελέτης και δεδομένα''<br /> <br /> * Περιοχή μελέτης: Η έρευνα διάλεξε πέντε τυπικά παραδείγματα περιοχών με υδάτινες μάζες για να επιβεβαιώσει τα πλεονεκτήματα και τα μειονεκτήματα των μεθόδων σε διαφορετικές συνθήκες και παρουσιάζονται στον πίνακα 1.<br /> * Δεδομένα: Στη συγκεκριμένη μελέτη, η πηγή των δεδομένων είναι εικόνες Landsat TM/ETM+, όπως φαίνεται στον πίνακα 2.<br /> <br /> ''3.2 Μεθοδολογία''<br /> <br /> Η διεργασία για την αναγνώριση του νερού εκτελέστηκε σε τρία μέρη: αρχικά είναι η επεξεργασία των δεδομένων, δηλάδη η γεωμετρική διόρθωση, η ατμοσφαιρική διόρθωση και οι τιμές ανάκλασης και μετά είναι ο εντοπισμός των υδάτινων μαζών με την χρήση καναλιών και τέλος η οπτική ερμηνεία των μεθόδων για την αυτόματη αναγνώριση των υδάτινων μαζών.<br /> <br /> ''3.3. Πείραμα αναγνώρισης του νερού στην περιοχή μελέτης''<br /> <br /> Με βάση την παραπάνω περιγραφή, εντοπίστηκαν πέντε περιοχές ενδιαφέροντος για τις πέντε μεθόδους, όπως φαίνεται στην εικόνα 1.<br /> <br /> '''4. Ακρίβεια και ανάλυση'''<br /> <br /> ''4.1 Ακρίβεια''<br /> <br /> Για την ακριβή εκτίμηση των πλεονεκτημάτων της κάθε μεθόδου σχεδιάστηκε ένας αλγόριθμος:<br /> * επιλέχθηκε μία περιοχή για να υπολογιστεί η συνολική ακρίβεια, η μεταβλητή Kappa, η ακρίβεια της χαρτογράφησης και η ακρίβεια του χρήστη για κάθε μέθοδο στην περιοχή μελέτης<br /> * τέσσερις δείκτες εκτίμησης ακρίβειας για τις πέντε μεθόδους ταξινομήθηκαν αριθμητικά από επίπεδα 1 μέχρι 5<br /> * χρησιμοποιήθηκε η αντίστροφη μέθοδος για τον υπολογισμό του βάρους του κάθε επιπέδου 1, ½, 1/3, ¼, 1/5<br /> * υπολογίστηκε η ακρίβεια των τεσσάρων δεικτών με τα βάρη τους<br /> * ανάλογα με τα βάρη εκτελέστηκε μία συνάρτηση για το τελικό αποτέλεσμα.<br /> <br /> ''4.2. Ανάλυση για την εφαρμογή των μεθόδων αναγνώρισης νερού''<br /> <br /> * Mountain areas: ;όπως φαίνεται από τον πίνακα 3, η καλύτερη με΄θοδος απομάκρυνσης των σκιών των βουνών για τον εντοπισμό του νερού είναι η πολυκαναλική φασματική σχέση.<br /> * Dense Vegetation Areas: με βάση τον πίνακα 3, η καλύτερη μέθοδος μετά την πολυκαναλική φασματική σχέση είναι ο δείκτης NDVI.<br /> * City areas: Ο βελτιωμένος δείκτης νερού παρουσιάζει ικανοποιητικά τις υδάτινες επιφάνειες σε αστικές περιοχές.<br /> * River sand areas: Και σε αυτήν την κατηγορία ο βελτιωμένος δείκτης νερού είναι ο καλύτερος για τον εντοπισμό των υδάτινων επιφανειών.<br /> * Plains and lake areas: Στη συγκεκριμένη κατηγορία, οποιαδήποτε μέθοδος χρησιμοποιηθεί παρουσιάζει ακριβή αποτελέσματα, παρόλα αυτά λόγω κόστους και ταχύτητας, η μέθοδος του κατωφλιού ενός καναλιού προτιμάται.<br /> <br /> '''5. Κατακλείδα και συζήτηση'''<br /> <br /> Συμπερασματικά, την υψηλότερη ακρίβεια παρουσιάζει ο βελτιωμένος δείκτης νερού και η πολυκαναλική φασματική σχέση μεταξύ των πέντε μεθόδων που εξετάστηκαν σε αυτήν την μελέτη. Παρόλα αυτά, ένα μειονέκτημα της συγκεκριμένης μελέτης είναι πως το δείγμα των πέντε περιοχών είναι μικρό και δεν καλύπτει όλες τις πιθανές ιδιομορφίες του εδάφους, επομένως πρέπει να ερευνηθεί περισσότερο.<br /> <br /> '''6. Συνεισφορά της τηλεπισκόπησης'''<br /> <br /> Από τη μελέτη αυτή γίνεται μία σύγκριση για τις μεθόδους αναγνώρισης νερού μέσω της τηλεπισκόπησης και αναδεικνύεται η βέλτιστη, με σκοπό την χρήση της σε πολύπλοκες πιθανές εφαρμογές που αφορούν το χώρο, την ανάπτυξη και την διαχείριση των υδάτινων μαζών.<br /> [[category:Υδατικοί Πόροι]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%9F_%CF%81%CF%8C%CE%BB%CE%BF%CF%82_%CF%84%CE%BF%CF%85_Landsat_%CF%83%CF%84%CE%B9%CF%82_%CE%BF%CE%B9%CE%BA%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%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 2017-02-14T01:16:36Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap10_p1.png|thumb|right|'''Εικόνα 1:''' Χάρτες κάλυψης γης/δασών 7χλμ.*7χλμ. στον Καναδά (αριστερά) και ένα ανάμεικτο δάσος στην Μασαχουσέτη (δεξιά), που έχουν προκύψει από τον Landsat ETM+.]]<br /> [[εικόνα: GF_pap10_p2.png|thumb|right|'''Εικόνα 2:''' Χάρτες δεικτών φυλλωμάτων βλάστησης 7χλμ.*7χλμ. στο Κάνσας (αριστερά) και αγροτική γη στο Ιλινόις (δεξιά), που έχουν προκύψει από τον Landsat ETM+.]]<br /> [[εικόνα: GF_pap10_p3.png|thumb|right|'''Εικόνα 3:''' Τα δεδομένα του Landsat TM απεικονίζουν για τρία διαφορετικά ετη μία μικρή ( 3χλμ. * 5 χλμ.) περιοχή στο Όρεγκον και έναν χάρτη συγκομιδής των δασών που προκύπτει από αυτά τα δεδομένα.]]<br /> <br /> BioScience 54(6):535-545. 2004 <br /> <br /> Warren B. Cohen &amp; Samuel N. Goward<br /> <br /> '''Link:''' [http://www.bioone.org/doi/abs/10.1641/0006-3568%282004%29054%5B0535%3ALRIEAO%5D2.0.CO%3B2?journalCode=bisi]<br /> <br /> '''Λέξεις-Κλειδιά:''' Τηλεπισκόπηση, Landsat, Φασματικοί Δείκτες Βλάστησης, Χαρτογράφηση βλάστησης, Εντοπισμός αλλαγών<br /> <br /> '''Ο τομέας της οικολογίας έχει γνωρίσει τρομακτική ανάπτυξη τον τελευταίο αιώνα.''' Αυτή η ανάπτυξη οφείλεται σε ένα σύνολο από κοινωνικές, πολιτικές, περιβαλλοντικές και τεχνολογικές παραμέτρους, καθώς και νέες εφαρμογές. Το δημόσιο ενδιαφέρον για την κατάσταση του περιβάλλοντος οδήγησε στην θέσπιση ολοένα και περισσότερων μέτρων προστασίας του. Η κετο΄ξευση του δορυφόρου Sputnik το 1957 και στη συνέχεια κατά την διάρκεια των επανδρωμένων προγραμμάτων Gemini και Apollo, από το 1965 ως το 1972, λήφθηκαν πολλές φωτογραφίες της Γης από το διάστημα, κάτι που σηματοδότησε την γέννηση της τηλεπισκόπησης. Με την εκτόξευση του πρώτου δορυφόρου Landsat το 1972, οι επιστήμονες ήταν σε θέση να δουν τις επιπτώσεις από τις ανθρώπινες παρεμβάσεις πάνω στη Γη. Ο δορυφόρος Landsat έχει πολλά πλεονεκτήματα. Αρχικά, προσφέρει εικόνες σε βάθος τριάντα χρόνων, που είναι και το μεγαλύτερο διάστημα παροχής πληροφοριών σε σχέση με οποιονδήποτε άλλο δορυφόρο. Επίσης, η χωρική του ανάλυση βελτιστοποιεί την κατηγοριοποίηση των χρήσεων/καλύψεων γης για την καλύτερη διαχείριση του χώρου και τρίτον, είναι σε θέση να λάβει φασματικές μετρήσεις σε όλα τα μήκη κύματος του ηλιακού ηλεκτρομαγνητικού φάσματος.<br /> <br /> '''Σημασία της μέσης υπέρυθρης ανακλαστικότητας'''<br /> Ο δορυφόρος Landsat ήταν το πρώτο δορυφορικό σύστημα που συμπεριλάμβανε το κανάλι του μέσου υπέρυθρου. Σε αυτό το σημείο, αναδεικνύεται η σημασία των εικόνων Landsat στις οικολογικές εφαρμογές εξαιτίας της ύπαρξης του συγκεκριμένου καναλιού. Αρχικά, οι Horler και Ahern (1986) εκτέλεσαν την πρώτη αναλυτική εξέταση για τη συλλογή δασικών πληροφοριών. Ανακάλυψαν πως το κανάλι του μέσου υπέρυθρου περιείχε περισσότερες πληροφορίες για τα κωνοφόρα δέντρα απότι τα άλλα κανάλια. Αργότερα, ανακαλύφθηκε πως το μέσο υπέρυθρο ήταν σε θέση να εκτιμήσει τον όγκο των κωνοφόρων δασών. Επίσης, οι Lymburner και συνεργάτες (2000) ανέφεραν πως το μέσο υπέρυθρο ήταν το πιο σημαντικό κανάλι για τον χαρακτηρισμό των διαφορετικών φυλλωμάτων ενός δάσους. Τέλος, ο Steininger (2000) ανακάλυψε πως το μέσο υπέρυθρο κανάλι είναι το πιο σημαντικό για την χαρτογράφηση της ηλικίας και της βιομάζας. Με βάση την σημασία του μέσου υπέρυθρου για τον χαρακτηρισμό της κατάστασης ενός δάσους, είναι αναμενόμενο πως το συγκεκριμένο κανάλι είναι απαραίτητο για την καταγραφή αλλαγών στα δάση. Οι Williams και Nelson (1986) ανακάλυψαν πως το κανάλι του μέσου υπέρυθρου απέδιδε πιο ακριβείς και λεπτομερείς χαρακτηρισμούς της βλάβης στα κωνοφόρα δέντρα από τα έντομα. Η σημασία του μέσου υπέρυθρου σημειώνεται επίσης και σε μη δασικές εφαρμογές. Ο Lee kαι οι συνεργάτες (1988) ανέφεραν πως το μέσο υπέρυθρο κανάλι είναι το καλύτερο κανάλι για τηνν ευρεία ταξινόμηση του εδάφους λόγω της ευαισθησίας του στην υφή των επιφανειών , στο περιεχόμενο της οργανικής ύλης και στην υγρασία.<br /> <br /> '''Οικολογικές εφαρμογές δεδομένων Landsat'''<br /> <br /> Τα δεδομένα Landsat έχουν μεταφραστεί ως χρήσιμες οικολογικές πληροφορίες για πάνω από τριάντα χρόνια. Στη συγκεκριμένη ενότητα γίνεται μία περίληψη των εφαρμογών του Landsat στην οικολογία και τονίζεται: α) η ποικίλια των χρήσεων των δεδομένων και β) η αυξανόμενη πολυπλοκότητα της διαλειτουργικότητας μεταξύ του Landsat και των οικολογικών μοντέλων.<br /> <br /> '''Κατάσταση και δυναμική των οικοσυστημάτων.'''<br /> <br /> Τα οικοσυστήματα μπορούν να περιγραφούν από την κατάστασή τους και από τον τρόπο που μεταβάλλονται. Μετά την διάθεση των δεδομένων Landsat, έχουν χρησιμοποιηθεί με σκοπό την ικανοποίηση και των δύο περιγραφικών τους χαρακτηριστικών.<br /> <br /> ''Θεματική ταξινόμηση.''<br /> Η ταξινόμηση των δασών (εικόνα 1) είναι ιδιαίτερα δημοφιλής χρήση των δεδομένων του Landsat . Σε άλλα οικοσυστήματα, οι ταξινομήσεις που έχουν προκύψει έχουν χρησιμοποιηθεί για να απεικονίσουν την παραγωγικότητα των ψαριών, τις μεταναστεύσεις των πτηνών, την εκτίμηση κατολισθήσεων και κινδύνων πυρκαγιάς κλπ.<br /> <br /> ''Βιοφυσική.'' <br /> <br /> Η χρήση των δεδομένων Landsat για την συλλογή πληροφοριών σε σχέση με τα βιοφυσικά χαρακτηριστικά της βλάστησης είναι εξίσου σημαντική (εικόνα 2).<br /> Φασματικά μοντέλα για την αναγνώριση χρακτηριστικών της βλάστησης, όπως είναι το είδος των φυλλωμάτων, η βιομάζα, και η περιεχόμενη υγρασία έχουν χρησιμοποιηθεί σε ποικίλες εφαρμογές βλάστησης. Επίσης, οι ιδιότητες των επιφανειών που δεν σχετίζονται άμεσα με την βλάστηση έχουν ερευνηθεί μέσω του Landsat. Πιο συγκεκριμένα, το θερμικό κανάλι χρησιμοποιείται για τον χαρακτηρισμό της θερμοκρασίας μίας επιφάνειας (Holifield et al. 2003) και των ιδιοτήτων του εδάφους, όπως είναι η συγκέντρωση του φωσφόρου και η τιμή του pH.<br /> <br /> ''Δυναμική οικοσυστημάτων.''<br /> <br /> Ο εντοπισμός των αλλαγών ενός οικοσυστήματος με τη χρήση τηλεπισκοπικών μεθόδων είναι πολύ συνηθισμένος. Τα δεδομένα Landsat χρησιμοποιούνται για τον εντοπισμό αλλαγών σε μία ποικιλία τύπων οικοσυστημάτων, όπως φαίνεται στην εικόνα 3. Στα δάση, έχει υπάρξει επιτυχής εντοπισμός των αλλαγών που έχουν σχέση με την υλοτόμησή τους, τις βλάβες από έντομα, την όξινη βροχή κ.ά.<br /> <br /> ''Χωρικά μοτίβα.'' <br /> <br /> Tα δεδομένα Landsat έχουν χρησιμοποιηθεί για να εκτιμήσουν τα μοτίβα ανάπτυξης της βλάστησης σε σχέση με την οικολογία και την διαχείριση. Ο χαρακτηρισμός των τοπίων με μετρητικά χαρακτηριστικά μέσω των εικόνων Landsat είναι επίσης συνηθισμένος. Oι Gluck και Rempel (1996) χρησιμοποίησαν δεδομένα TM για να χαρακτηρίσουν το μέγεθος, το σχήμα και άλλα μετρητικά στοιχεία για δάση στον Καναδά.<br /> <br /> ''Χαρτογράφηση μεγάλων περιοχών.'' <br /> <br /> Η ωρίμανση του προγράμματος Landsat, η αύξηση της υπολογιστικής ισχύος λόγω της τεχνολογικής ανάπτυξης και η γνώση για το πώς πρέπει να επεξεργαστούν τα δεδομένα έχουν οδηγήσει στο σημείο όπου η χρήση των εικόνων Landsat μπορεί να καταστήσει δυνατή τη χαρτογράφηση μεγάλων περιοχών.<br /> <br /> '''Διαλειτουργικότητα με οικολογικά μοντέλα.'''Τα τελευταία τριάντα χρόνια, ο αριθμός και η πολυπλοκότητα των μοντέλων που χρησιμοποιούν τα δεδομένα Landsat έχει αυξηθεί σημαντικά.<br /> <br /> ''Φυσιολογικά μοντέλα.''<br /> <br /> Τα φυσιολογικά μοντέλα είναι μία σημαντική κατηγορία που χρησιμοποιεί δεδομένα Landsat. Οι Kaneko και Hino (1996) εκτίμησαν την ισορροπία ενέργειας σε μία επιφάνεια μίας δασικής περιοχής με τη χρήση παραμέτρων που προέκυψαν από δεδομένα Landsat.<br /> <br /> ''Υπολογιστικά μοντέλα.''<br /> <br /> Ο Cairns και οι συνεργάτες (2000) ακολούθησαν μία σχετικά απλή προσέγγιση για να αντιστοιχήσουν τιμές της βιομάζας σε κατηγορίες κάλυψης γης που προέκυψαν από έναν υπάρχοντα χάρτη ο οποίος αναβαθμίστηκε με δεδομένα TM.<br /> <br /> ''Πανίδα και βιοποικιλότητα.'' <br /> <br /> Οι μελέτες για την πανίδα και τη βιοποικιλότητα χρησιμοποιούν εκτενώς δεδομένα Landsat. Οι πιο απλές προσεγγίσεις περιλαμβάνουν την χαρτογράφηση και τον χαρακτηρισμό της πανίδας.<br /> <br /> ''Κοινωνικοοικονομικές μελέτες.'' <br /> <br /> Οι κοινωνικοοικονομικές μελέτες βασίζονται ολοένα και περισσότερο στην τηλεπισκόπηση για τη συλλογή πληροφοριών όσον αφορά τις καλύψεις/χρήσεις γης και τις αλλαγές τους διαμέσου του χρόνου.<br /> <br /> '''Η αυξανόμενη αξία του Landsat'''<br /> <br /> Στο πέρας των δεκαετιών, οι οικολογικές επιστήμες έχουν επηρεαστεί σημαντικά από τις κοινωνικοπολιτικές αλλαγές. Επίσης, η τεχνολογική ανάπτυξη επιτρέπει στους οικολόγους να αντιμετωπίσουν ολοένα και πολυπλοκότερα επιστημονικά ερωτήματα. Μαζί με την εξέλιξη των υπολογιστικών συστημάτων και σε συνεργασία με τα Γεωγραφικά Συστήματα Πληροφοριών η τηλεπισκόπηση είναι σε θέση να αντιμετωπίζει τέτοιου είδους ερωτήματα και ο πρεσβευτής της είναι το δορυφορικό σύστημα Landsat. Ο Landsat εκπροσωπεί το μακρύτερο σε διάρκεια πρόγραμμα για την παρατήρηση της επιφάνειας της Γης από το διάστημα. Το μέλλον του στην οικολογία και τις εφαρμογές της αναμένεται πολλά υποσχόμενο. Η ανάπτυξη χαρτογραφικών προγραμμάτων που θα χρησιμοποιούν μεγάλο όγκο δεδομένων Landsat σε εθνική κλίμακα θα έχει ως αποτέλεσμα την βελτίωση των οικολογικών μοντέλων και την αύξηση των εφαρμογών τους. Τέλος, η διαλειτουργικότητα μεταξύ των δεομένων Landsat με δεδομένα άλλων δορυφόρων, θα αποτελέσει το κλειδί για τη βελτίωση των αποδιδόμενων πληροφοριών από τηλεπισκοπικά δεδομένα.<br /> <br /> <br /> [[category:Οικολογία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%B3%CE%B5%CF%89%CE%BC%CE%BF%CF%81%CF%86%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CF%8E%CE%BD_%CF%87%CE%B1%CF%81%CE%B1%CE%BA%CF%84%CE%B7%CF%81%CE%B9%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%93%CE%A3%CE%A0 2017-02-14T01:15:54Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap4_p1.png|thumb|right|Eικόνα 1: Χάρτης εντοπισμού της περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap4_p2.png|thumb|right|Eικόνα 2: Bασικές γεωμορφολογικές περιοχές.]]<br /> [[εικόνα: GF_pap4_t1.png|thumb|right|Πίνακας 1: Βασικοί τύποι γεωμορφών με εμφανή αναφορά αναγλύφου.]]<br /> [[εικόνα: GF_pap4_t2.png|thumb|right|Πίνακας 2: Βασικοί τύποι γεωμορφών χωρίς εμφανή αναφορά αναγλύφου.]]<br /> [[εικόνα: GF_pap4_t3.png|thumb|right|Πίνακας 3: Ποσοτική κατανομή των βασικών γεωμορφών και της κυρίαρχης κάλυψης.]]<br /> <br /> Geomorphology 39 (2001) 211-219<br /> <br /> G. Bocco, M. Mendoza, A. Velazquez<br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0169555X01000277]<br /> <br /> '''Λέξεις-Κλειδιά:''' Γεωμορφολογική χαρτογράφηση, Σχεδιασμός χρήσεων γης, Τηλεπισκόπηση, Γ.Σ.Π., Μεξικό<br /> <br /> '''1. Eισαγωγή'''<br /> <br /> Ο σχεδιασμός των χρήσεων γης είναι αποτέλεσμα συμβιβασμών μεταξύ του περιβαλλοντικού δυναμικού και των κοινωνικών αναγκών. Η πολεοδομία και η χωροταξία είναι χρήσιμα εργαλεία στις χώρες υπό ανάπτυξη που βρίσκονται συνήθως υπό καθεστώς σοβαρών περιβαλλοντικών και δημογραφικών περιορισμών. Οι χώρες του τρίτου κόσμου συναντούν δυσκολίες στο να μπορέσουν να ανταποκριθούν στα υψηλά κόστη προκειμένου να ελέγξουν τις φυσικές καταστροφές μέσω τεχνικών έργων και λογικής σχεδίασης των χρήσεων γης(ŽGuzzetti et al., 1999). Στο Μεξικό για παράδειγμα, ένα σημαντικό ποσοστό του πληθυσμού ζει σε συνθήκες φτώχειας, ειδικά στις αγροτικές περιοχές. Το γεγονός αυτό έχει σημαντικές περιβαλλοντικές επιπλοκές, διότι το 80% των υπόλοιπων δασικών περιοχών του Μεξικού το διαχειρίζονται άνθρωποι από τις αγροτικές κοινότητες χωρίς το απαραίτητο επιστημονικό υπόβαθρο (Thoms and Betters, 1998). Συνήθως, τα δεδομένα που αφορούν τα φυσικά διαθέσιμα είναι ή ελλειπή ή δεν ανανεώνονται συστηματικά. Στο Μεξικό και σε πολλές χώρες της Λατινικής Αμερικής, τα βασικά γεωγραφικά δεδομένα είναι διαθέσιμα σε διαφορετικές κλίμακες (βλ., e.g. Lugo and Cordova, 1996). Η παρακολούθηση και η ανάλυση των φυσικών διαθεσίμων συχνά είναι ελειπής. Για το λόγο αυτό, οι γεωμορφολογικοί χάρτες θεωρούνται ακόμα σαν ένα πολύτιμο εργαλείο έρευνας. Για πρακτικούς σκοπούς όμως, μία εφαρμοσμένη προσέγγιση είναι απαραίτητη, ειδικά όταν είναι απαραίτητη η καταγραφή μεγάλων εκτάσεων. Στο συγκεκριμένο άρθρο, περιγράφεται μία μέθοδος για την γρήγορη χαρτογράφηση του αναγλύφου σε μεγάλες επιφάνειες και γίνεται μία παρουσίαση για το πως μπορεί να χρησιμοποιηθεί σαν μελλοντικό εργαλείο για την εκτίμηση της γης και τον σχεδιασμό των χρήσεών της.<br /> <br /> '''2. Περιοχή μελέτης'''<br /> <br /> Η περιοχή μελέτης είναι η πολιτεία Michoacan, στο Μεξικό (Εικ. 1). Η συγκεκριμένη περιοχή έχει υποστεί σημαντικές γεωμορφολογικές αλλαγές: καταγράφεται το υψηλότερο ποσοστό καταστροφής των δασών , το κατά κεφαλήν εισόδημα είναι πολύ χαμηλό και οι κάτοικοι των αγροτικών περιοχών επηρεάζουν σημαντικά τα φυσικά διαθέσιμα. Ανάλογα με το υψόμετρο, το κλίμα διαφέρει από τροπικό μέχρι ξηρό.<br /> <br /> '''3. Μεθοδολογία'''<br /> <br /> Η περιοχή που χαρτογραφήθηκε, απεικονίζεται σε πέντε 1:250.000 χάρτες, όπου ο κάθε ένας αποτελείται από είκοσι τέσσερις 1:50.000 χάρτες. Για την ανάλυση, χρησιμοποιήθηκαν τοπογραφικοί χάρτες και επιτόπια έρευνα . Σε αυτή την κλίμακα, τα κριτήρια ήταν η μορφομετρία (κλίσεις του εδάφους) και η μορφολιθομετρία, που προέκυψαν από ψηφιακά μοντέλα εδάφους. Δόθηκε έμφαση σε μία πιο φυσιογνωμική προσέγγιση, η οποία διευκολύνει τη χαρτογράφηση, παρόλο που χρησιμοποιούνται ποσοτικά κριτήρια. Ο τελικός σκοπός είναι ένας χάρτης συγκεκριμένος και σαφής χωρίς να υστερεί σε γεωμορφολογική ποιότητα.<br /> Όλη η περιοχή διαχωρίστηκε σε δύο κατηγορίες βασικών γεωμορφών, με και χωρίς σημαντική διαφοροποίηση στο ανάγλυφο. Για την πρώτη κατηγορία, διακρίνονται τέσσερα είδη γεωμορφών:very low hills, low hills, high hills, και sierras. Η δεύτερη κατηγορία ορίζεται από τέσσερα άλλα είδη: valleys, plains, highplains, και piedmonts. Τα κατώφλια για τον διαχωρισμό των κριτηρίων δίνονται στους πίνακες 1 και 2 αντίστοιχα, και για τις δύο κατηγορίες γεωμορφών. Τα βασικά έιδη βλάστησης και χρήσεων γης εκτιμήθηκαν οπτικά από ενισχυμένες δορυφορικές εικόνες Landsat, γεωμετρικά διορθωμένες και εκτυπωμένες σε κλίμακα 1:250.000. Οικατηγορίεςχαρτογράφησηείναι tropical dry forest, temperate forest, shrubs–grasslands, crops, και human-induced features. Τα φασματικά κριτήρια που απεικονίζονται στις δορυφορικές εικόνες χρησιμοποιήθηκαν ως θεματικά επίπεδα: ύψος και κλίση από το ψηφιακό μοντέλο εδάφους, κλίμα, τύπος βραχών και ανάγλυφο. Οι πληροφορίες που αποκομίσθηκαν ψηφιοποιήθηκαν σε GIS. Για την ημι-λεπτομε΄ρη ανάλυση δόθηκε έμφαση σε μία ηφαιστειογενή περιοχή κοντά στην περιοχή Morelia. Χρησιμοποιήθηκαν παγχρωματικές αεροφωτογραφίες κλίμακας 1:50.000 και 1:80.000.<br /> <br /> '''4. Συμπεράσματα'''<br /> <br /> Τα αποτελέσματα της χαρτογράφησης παρουσιάζονται σε έναν γενικευμένο χάρτη(Εικ. 2 και 3). Τα ποσοτικά δεδομένα παρουσιάζονται στον πίνακα 4. <br /> Όσον αφορά τα συμπεράσματα για την πολιτεία Michoacan, η σύγκριση της γεωμορφολογίας με τις καλύψεις γης δείχνει πως σημαντική αποψίλωση των δασών συμβαίνει σε απότομο ανάγλυφο(steepterrain) το οποίο θα έπρεπε να χρησιμοποιηθεί για αναδάσωση λόγω της ακαταλληλότητάς του για άλλες χρήσεις. Η συγκεκριμένη μέθοδος χρησιμοποιείται από το Υπουργείο Περιβάλλοντος για να εκτιμήσει την αλλαγή των καλύψεων γης σε εθνικό επίπεδο. Οι στατιστικές που προκύπτουν δείχνουν σημαντικά κρούσματα αποψίλωσης των δασών σε ξηρά δάση.<br /> <br /> '''5. Συνεισφορά της τηλεπισκόπησης'''<br /> <br /> Στη συγκεκριμένη μελέτη αναδεικνύεται η αξία της τηλεπισκόπησης για τη χαρτογράφηση γεωμορφολογικών χαρακτηριστικών. Πιο συγκεκριμένα, μέσω των δορυφορικών εικόνων δίνεται μία σχετικά ακριβής εκτίμηση για την κατανομή των ειδών βλάστησης και των χρήσεων γης ώστε να είναι δυνατή η κατηγοριοποίηση των διαφορετικών τύπων εδαφών για να δημιουργηθεί ο τελικός γεωμορφολογικός χάρτης της περιοχής.<br /> <br /> <br /> [[category:Γεωλογία – Εδαφολογία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%9F_%CF%81%CF%8C%CE%BB%CE%BF%CF%82_%CF%84%CE%BF%CF%85_Landsat_%CF%83%CF%84%CE%B9%CF%82_%CE%BF%CE%B9%CE%BA%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%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 2017-02-14T01:06:53Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap10_p1.png|thumb|right|'''Εικόνα 1:''' Χάρτες κάλυψης γης/δασών 7χλμ.*7χλμ. στον Καναδά (αριστερά) και ένα ανάμεικτο δάσος στην Μασαχουσέτη (δεξιά), που έχουν προκύψει από τον Landsat ETM+.]]<br /> [[εικόνα: GF_pap10_p2.png|thumb|right|'''Εικόνα 2:''' Χάρτες δεικτών φυλλωμάτων βλάστησης 7χλμ.*7χλμ. στο Κάνσας (αριστερά) και αγροτική γη στο Ιλινόις (δεξιά), που έχουν προκύψει από τον Landsat ETM+.]]<br /> [[εικόνα: GF_pap10_p3.png|thumb|right|'''Εικόνα 3:''' Τα δεδομένα του Landsat TM απεικονίζουν για τρία διαφορετικά ετη μία μικρή ( 3χλμ. * 5 χλμ.) περιοχή στο Όρεγκον και έναν χάρτη συγκομιδής των δασών που προκύπτει από αυτά τα δεδομένα.]]<br /> <br /> BioScience 54(6):535-545. 2004 <br /> <br /> Warren B. Cohen &amp; Samuel N. Goward<br /> <br /> '''Link:''' [http://www.bioone.org/doi/abs/10.1641/0006-3568%282004%29054%5B0535%3ALRIEAO%5D2.0.CO%3B2?journalCode=bisi]<br /> <br /> '''Λέξεις-Κλειδιά:''' Τηλεπισκόπηση, Landsat, Φασματικοί Δείκτες Βλάστησης, Χαρτογράφηση βλάστησης, Εντοπισμός αλλαγών.<br /> <br /> '''Ο τομέας της οικολογίας έχει γνωρίσει τρομακτική ανάπτυξη τον τελευταίο αιώνα.''' Αυτή η ανάπτυξη οφείλεται σε ένα σύνολο από κοινωνικές, πολιτικές, περιβαλλοντικές και τεχνολογικές παραμέτρους, καθώς και νέες εφαρμογές. Το δημόσιο ενδιαφέρον για την κατάσταση του περιβάλλοντος οδήγησε στην θέσπιση ολοένα και περισσότερων μέτρων προστασίας του. Η κετο΄ξευση του δορυφόρου Sputnik το 1957 και στη συνέχεια κατά την διάρκεια των επανδρωμένων προγραμμάτων Gemini και Apollo, από το 1965 ως το 1972, λήφθηκαν πολλές φωτογραφίες της Γης από το διάστημα, κάτι που σηματοδότησε την γέννηση της τηλεπισκόπησης. Με την εκτόξευση του πρώτου δορυφόρου Landsat το 1972, οι επιστήμονες ήταν σε θέση να δουν τις επιπτώσεις από τις ανθρώπινες παρεμβάσεις πάνω στη Γη. Ο δορυφόρος Landsat έχει πολλά πλεονεκτήματα. Αρχικά, προσφέρει εικόνες σε βάθος τριάντα χρόνων, που είναι και το μεγαλύτερο διάστημα παροχής πληροφοριών σε σχέση με οποιονδήποτε άλλο δορυφόρο. Επίσης, η χωρική του ανάλυση βελτιστοποιεί την κατηγοριοποίηση των χρήσεων/καλύψεων γης για την καλύτερη διαχείριση του χώρου και τρίτον, είναι σε θέση να λάβει φασματικές μετρήσεις σε όλα τα μήκη κύματος του ηλιακού ηλεκτρομαγνητικού φάσματος.<br /> <br /> '''Σημασία της μέσης υπέρυθρης ανακλαστικότητας'''<br /> Ο δορυφόρος Landsat ήταν το πρώτο δορυφορικό σύστημα που συμπεριλάμβανε το κανάλι του μέσου υπέρυθρου. Σε αυτό το σημείο, αναδεικνύεται η σημασία των εικόνων Landsat στις οικολογικές εφαρμογές εξαιτίας της ύπαρξης του συγκεκριμένου καναλιού. Αρχικά, οι Horler και Ahern (1986) εκτέλεσαν την πρώτη αναλυτική εξέταση για τη συλλογή δασικών πληροφοριών. Ανακάλυψαν πως το κανάλι του μέσου υπέρυθρου περιείχε περισσότερες πληροφορίες για τα κωνοφόρα δέντρα απότι τα άλλα κανάλια. Αργότερα, ανακαλύφθηκε πως το μέσο υπέρυθρο ήταν σε θέση να εκτιμήσει τον όγκο των κωνοφόρων δασών. Επίσης, οι Lymburner και συνεργάτες (2000) ανέφεραν πως το μέσο υπέρυθρο ήταν το πιο σημαντικό κανάλι για τον χαρακτηρισμό των διαφορετικών φυλλωμάτων ενός δάσους. Τέλος, ο Steininger (2000) ανακάλυψε πως το μέσο υπέρυθρο κανάλι είναι το πιο σημαντικό για την χαρτογράφηση της ηλικίας και της βιομάζας. Με βάση την σημασία του μέσου υπέρυθρου για τον χαρακτηρισμό της κατάστασης ενός δάσους, είναι αναμενόμενο πως το συγκεκριμένο κανάλι είναι απαραίτητο για την καταγραφή αλλαγών στα δάση. Οι Williams και Nelson (1986) ανακάλυψαν πως το κανάλι του μέσου υπέρυθρου απέδιδε πιο ακριβείς και λεπτομερείς χαρακτηρισμούς της βλάβης στα κωνοφόρα δέντρα από τα έντομα. Η σημασία του μέσου υπέρυθρου σημειώνεται επίσης και σε μη δασικές εφαρμογές. Ο Lee kαι οι συνεργάτες (1988) ανέφεραν πως το μέσο υπέρυθρο κανάλι είναι το καλύτερο κανάλι για τηνν ευρεία ταξινόμηση του εδάφους λόγω της ευαισθησίας του στην υφή των επιφανειών , στο περιεχόμενο της οργανικής ύλης και στην υγρασία.<br /> <br /> '''Οικολογικές εφαρμογές δεδομένων Landsat'''<br /> <br /> Τα δεδομένα Landsat έχουν μεταφραστεί ως χρήσιμες οικολογικές πληροφορίες για πάνω από τριάντα χρόνια. Στη συγκεκριμένη ενότητα γίνεται μία περίληψη των εφαρμογών του Landsat στην οικολογία και τονίζεται: α) η ποικίλια των χρήσεων των δεδομένων και β) η αυξανόμενη πολυπλοκότητα της διαλειτουργικότητας μεταξύ του Landsat και των οικολογικών μοντέλων.<br /> <br /> '''Κατάσταση και δυναμική των οικοσυστημάτων.'''<br /> <br /> Τα οικοσυστήματα μπορούν να περιγραφούν από την κατάστασή τους και από τον τρόπο που μεταβάλλονται. Μετά την διάθεση των δεδομένων Landsat, έχουν χρησιμοποιηθεί με σκοπό την ικανοποίηση και των δύο περιγραφικών τους χαρακτηριστικών.<br /> <br /> ''Θεματική ταξινόμηση.''<br /> Η ταξινόμηση των δασών (εικόνα 1) είναι ιδιαίτερα δημοφιλής χρήση των δεδομένων του Landsat . Σε άλλα οικοσυστήματα, οι ταξινομήσεις που έχουν προκύψει έχουν χρησιμοποιηθεί για να απεικονίσουν την παραγωγικότητα των ψαριών, τις μεταναστεύσεις των πτηνών, την εκτίμηση κατολισθήσεων και κινδύνων πυρκαγιάς κλπ.<br /> <br /> ''Βιοφυσική.'' <br /> <br /> Η χρήση των δεδομένων Landsat για την συλλογή πληροφοριών σε σχέση με τα βιοφυσικά χαρακτηριστικά της βλάστησης είναι εξίσου σημαντική (εικόνα 2).<br /> Φασματικά μοντέλα για την αναγνώριση χρακτηριστικών της βλάστησης, όπως είναι το είδος των φυλλωμάτων, η βιομάζα, και η περιεχόμενη υγρασία έχουν χρησιμοποιηθεί σε ποικίλες εφαρμογές βλάστησης. Επίσης, οι ιδιότητες των επιφανειών που δεν σχετίζονται άμεσα με την βλάστηση έχουν ερευνηθεί μέσω του Landsat. Πιο συγκεκριμένα, το θερμικό κανάλι χρησιμοποιείται για τον χαρακτηρισμό της θερμοκρασίας μίας επιφάνειας (Holifield et al. 2003) και των ιδιοτήτων του εδάφους, όπως είναι η συγκέντρωση του φωσφόρου και η τιμή του pH.<br /> <br /> ''Δυναμική οικοσυστημάτων.''<br /> <br /> Ο εντοπισμός των αλλαγών ενός οικοσυστήματος με τη χρήση τηλεπισκοπικών μεθόδων είναι πολύ συνηθισμένος. Τα δεδομένα Landsat χρησιμοποιούνται για τον εντοπισμό αλλαγών σε μία ποικιλία τύπων οικοσυστημάτων, όπως φαίνεται στην εικόνα 3. Στα δάση, έχει υπάρξει επιτυχής εντοπισμός των αλλαγών που έχουν σχέση με την υλοτόμησή τους, τις βλάβες από έντομα, την όξινη βροχή κ.ά.<br /> <br /> ''Χωρικά μοτίβα.'' <br /> <br /> Tα δεδομένα Landsat έχουν χρησιμοποιηθεί για να εκτιμήσουν τα μοτίβα ανάπτυξης της βλάστησης σε σχέση με την οικολογία και την διαχείριση. Ο χαρακτηρισμός των τοπίων με μετρητικά χαρακτηριστικά μέσω των εικόνων Landsat είναι επίσης συνηθισμένος. Oι Gluck και Rempel (1996) χρησιμοποίησαν δεδομένα TM για να χαρακτηρίσουν το μέγεθος, το σχήμα και άλλα μετρητικά στοιχεία για δάση στον Καναδά.<br /> <br /> ''Χαρτογράφηση μεγάλων περιοχών.'' <br /> <br /> Η ωρίμανση του προγράμματος Landsat, η αύξηση της υπολογιστικής ισχύος λόγω της τεχνολογικής ανάπτυξης και η γνώση για το πώς πρέπει να επεξεργαστούν τα δεδομένα έχουν οδηγήσει στο σημείο όπου η χρήση των εικόνων Landsat μπορεί να καταστήσει δυνατή τη χαρτογράφηση μεγάλων περιοχών.<br /> <br /> '''Διαλειτουργικότητα με οικολογικά μοντέλα.'''Τα τελευταία τριάντα χρόνια, ο αριθμός και η πολυπλοκότητα των μοντέλων που χρησιμοποιούν τα δεδομένα Landsat έχει αυξηθεί σημαντικά.<br /> <br /> ''Φυσιολογικά μοντέλα.''<br /> <br /> Τα φυσιολογικά μοντέλα είναι μία σημαντική κατηγορία που χρησιμοποιεί δεδομένα Landsat. Οι Kaneko και Hino (1996) εκτίμησαν την ισορροπία ενέργειας σε μία επιφάνεια μίας δασικής περιοχής με τη χρήση παραμέτρων που προέκυψαν από δεδομένα Landsat.<br /> <br /> ''Υπολογιστικά μοντέλα.''<br /> <br /> Ο Cairns και οι συνεργάτες (2000) ακολούθησαν μία σχετικά απλή προσέγγιση για να αντιστοιχήσουν τιμές της βιομάζας σε κατηγορίες κάλυψης γης που προέκυψαν από έναν υπάρχοντα χάρτη ο οποίος αναβαθμίστηκε με δεδομένα TM.<br /> <br /> ''Πανίδα και βιοποικιλότητα.'' <br /> <br /> Οι μελέτες για την πανίδα και τη βιοποικιλότητα χρησιμοποιούν εκτενώς δεδομένα Landsat. Οι πιο απλές προσεγγίσεις περιλαμβάνουν την χαρτογράφηση και τον χαρακτηρισμό της πανίδας.<br /> <br /> ''Κοινωνικοοικονομικές μελέτες.'' <br /> <br /> Οι κοινωνικοοικονομικές μελέτες βασίζονται ολοένα και περισσότερο στην τηλεπισκόπηση για τη συλλογή πληροφοριών όσον αφορά τις καλύψεις/χρήσεις γης και τις αλλαγές τους διαμέσου του χρόνου.<br /> <br /> '''Η αυξανόμενη αξία του Landsat'''<br /> <br /> Στο πέρας των δεκαετιών, οι οικολογικές επιστήμες έχουν επηρεαστεί σημαντικά από τις κοινωνικοπολιτικές αλλαγές. Επίσης, η τεχνολογική ανάπτυξη επιτρέπει στους οικολόγους να αντιμετωπίσουν ολοένα και πολυπλοκότερα επιστημονικά ερωτήματα. Μαζί με την εξέλιξη των υπολογιστικών συστημάτων και σε συνεργασία με τα Γεωγραφικά Συστήματα Πληροφοριών η τηλεπισκόπηση είναι σε θέση να αντιμετωπίζει τέτοιου είδους ερωτήματα και ο πρεσβευτής της είναι το δορυφορικό σύστημα Landsat. Ο Landsat εκπροσωπεί το μακρύτερο σε διάρκεια πρόγραμμα για την παρατήρηση της επιφάνειας της Γης από το διάστημα. Το μέλλον του στην οικολογία και τις εφαρμογές της αναμένεται πολλά υποσχόμενο. Η ανάπτυξη χαρτογραφικών προγραμμάτων που θα χρησιμοποιούν μεγάλο όγκο δεδομένων Landsat σε εθνική κλίμακα θα έχει ως αποτέλεσμα την βελτίωση των οικολογικών μοντέλων και την αύξηση των εφαρμογών τους. Τέλος, η διαλειτουργικότητα μεταξύ των δεομένων Landsat με δεδομένα άλλων δορυφόρων, θα αποτελέσει το κλειδί για τη βελτίωση των αποδιδόμενων πληροφοριών από τηλεπισκοπικά δεδομένα.<br /> <br /> <br /> [[category:Οικολογία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%B3%CE%BA%CF%81%CE%B9%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CE%BC%CE%B5%CE%B8%CF%8C%CE%B4%CF%89%CE%BD_%CE%B1%CF%85%CF%84%CF%8C%CE%BC%CE%B1%CF%84%CE%BF%CF%85_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%BD%CE%B5%CF%81%CE%BF%CF%8D_%CE%B2%CE%B1%CF%83%CE%B9%CF%83%CE%BC%CE%AD%CE%BD%CE%B7_%CF%83%CF%84%CE%B7%CE%BD_%CF%80%CE%BF%CE%BB%CF%85%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%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 2017-02-14T01:03:21Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap8_t1.png|thumb|right|'''Πίνακας 1:''' Χαρακτηριστικά περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap8_t2.png|thumb|right|'''Πίνακας 2:''' Δεδομένα περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap8_t3.png|thumb|right|'''Πίνακας 3:''' Αποτελέσματα ακρίβειας.]]<br /> [[εικόνα: GF_pap8_p1.png|thumb|right|'''Εικόνα 1:''' Aπό αριστερά προς τα δεξιά για την κάθε περιοχή εφαρμόστηκαν οι πέντε μέθοδοι: εικόνα πέντε καναλιών, δείκτης βλάστησης, δείκτης νερού, βελτιωμένος δείκτης νερού, Πολυκαναλική φασματική σχέση.]]<br /> <br /> Procedia Environmental Sciences 11 (2011) 1482 – 1487<br /> <br /> ZHANG Fang-fang, ZHANG Bing, LI Jun-sheng,SHEN Qian,Wu Yuan- feng,SONG Yang. <br /> <br /> ''' Link:''' [http://www.sciencedirect.com/science/article/pii/S1878029611010462]<br /> <br /> '''Λέξεις-Κλειδιά:''' Πολυφασματικό, Τηλεπισκόπηση, Νερό, Landsat<br /> <br /> '''1. Eισαγωγή'''<br /> <br /> Για τον εντοπισμό των υδάτινων μαζών υπάρχουν επτά βασικές μέθοδοι: το κατώφλι του ενός καναλιού, ο δείκτης βλάστησης, ο δείκτης νερού, ο βελτιωμένος δείκτης νερού, η πολυκαναλική φασματική σχέση, και η επιβλεπόμενη μέθοδος ταξινόμησης. Παρόλα αυτά, οι περισσότερες μελέτες αναδεικνύουν την ανωτερότητα μία μεθόδου ή συνδυασμού μεθόδων μέσω μίας εφαρμογής σε συγκεκριμένη περιοχή. Το συγκεκριμένο άρθρο έχει ως σκοπό μία ολοκληρωμένη ανάλυση των πληροφοριών του νερού σε μία ποικιλία τηλεπισκοπικών μεθόδων για την αυτόματη αναγνώριση, η οποία επιβεβαιώνεται από την πειραματική ανάλυση των πλεονεκτημάτων των διαφορετικών μεθόδων για την εξερεύνηση της καταλληλότερης μεθόδου σε διαφορετικές περιοχές μελέτης.<br /> <br /> '''2. Μέθοδοι και Θεωρία Αναγνώρισης για το νερό'''<br /> <br /> ''2.1 Χαρακτηριστικά φασματικών ανακλαστικοτήτων''<br /> <br /> * Φασματική ανακλαστικότητα του νερού: Tα βασικά τηλεπισκοπικά κανάλια για την ανάδειξη του νερού, είναι τα ορατά, το εγγύς υπέρυθρο και το μέσο υπέρυθρο, όπου σε αυτά το νερό έχει τις δικές του ιδιότητες ανάκλασης σε σχέση με την βλάστηση, τις πόλεις κλπ.<br /> * Φασματικά χαρακτηριστικά TM/ETM+: Οι εικόνες Landsat TM έχουν επτά κανάλια και συνηθισμένα κανάλια που αναδεικνύουν το νερό βρίσκονται από τη θέση 2 ως τη θέση 5.<br /> <br /> ''2.2. Μέθοδοι και Αλγόριθμοι''<br /> <br /> * ''Κατώφλι ενός καναλιού:'' Η συγκεκριμένη μέθοδος χρησιμοποιείται για να ξεχωρίσει τις διαφορετικές επιφάνειες μέσω ενός συγκεκριμένου κατωφλιού. Το κανάλι 5 των εικόνων TM είναι το καλύτερο κανάλι για τον εντοπισμό του νερού.<br /> * ''Δείκτης Βλάστησης:'' O Kανονικοποιημένος Δείκτης Βλάστησης NDVI = (NIR - RED) / (NIR + RED), ο οποίος παρόλο που χρησιμοποιείται για την ανάδειξη της βλάστησης μπορεί να ανδείξει και τις υδάτινες επιφάνειες.<br /> * ''Δείκτης νερού:'' Ο Κανονικοποιημένος Δείκτης Νερού NDWI = (GREEN – NIR) / (GREEN + NIR), ο οποιός ανδεικνύει έντονα τις υδάτινες επιφάνειες.<br /> * ''Ο βελτιωμένος Δείκτης νερού:'' MNDWI = (GREEN - MIR) / (GREEN + MIR), o oποίος αναδεικνύει επίσης έντονα τις υδάτινες επιφάνειας λόγω της χαμηλής ανακλαστικότητας του νερού στο κανάλι 5.<br /> * ''Πολυκαναλική φασματική σχέση:'' Mε βάση τον κανόνα πως η ανακλαστικότητα του νερού μειώνεται από το κανάλι 2 προς το κανάλι 5, σχεδιάστηκε ο αλγόριθμος: ΤΜ2 + ΤΜ3 &gt; ΤΜ4 + ΤΜ5.<br /> <br /> '''3. Παράδειγμα αναγνώρισης νερού'''<br /> <br /> ''3.1. Περιοχή μελέτης και δεδομένα''<br /> <br /> * Περιοχή μελέτης: Η έρευνα διάλεξε πέντε τυπικά παραδείγματα περιοχών με υδάτινες μάζες για να επιβεβαιώσει τα πλεονεκτήματα και τα μειονεκτήματα των μεθόδων σε διαφορετικές συνθήκες και παρουσιάζονται στον πίνακα 1.<br /> * Δεδομένα: Στη συγκεκριμένη μελέτη, η πηγή των δεδομένων είναι εικόνες Landsat TM/ETM+, όπως φαίνεται στον πίνακα 2.<br /> <br /> ''3.2 Μεθοδολογία''<br /> <br /> Η διεργασία για την αναγνώριση του νερού εκτελέστηκε σε τρία μέρη: αρχικά είναι η επεξεργασία των δεδομένων, δηλάδη η γεωμετρική διόρθωση, η ατμοσφαιρική διόρθωση και οι τιμές ανάκλασης και μετά είναι ο εντοπισμός των υδάτινων μαζών με την χρήση καναλιών και τέλος η οπτική ερμηνεία των μεθόδων για την αυτόματη αναγνώριση των υδάτινων μαζών.<br /> <br /> ''3.3. Πείραμα αναγνώρισης του νερού στην περιοχή μελέτης''<br /> <br /> Με βάση την παραπάνω περιγραφή, εντοπίστηκαν πέντε περιοχές ενδιαφέροντος για τις πέντε μεθόδους, όπως φαίνεται στην εικόνα 1.<br /> <br /> '''4. Ακρίβεια και ανάλυση'''<br /> <br /> ''4.1 Ακρίβεια''<br /> <br /> Για την ακριβή εκτίμηση των πλεονεκτημάτων της κάθε μεθόδου σχεδιάστηκε ένας αλγόριθμος:<br /> * επιλέχθηκε μία περιοχή για να υπολογιστεί η συνολική ακρίβεια, η μεταβλητή Kappa, η ακρίβεια της χαρτογράφησης και η ακρίβεια του χρήστη για κάθε μέθοδο στην περιοχή μελέτης<br /> * τέσσερις δείκτες εκτίμησης ακρίβειας για τις πέντε μεθόδους ταξινομήθηκαν αριθμητικά από επίπεδα 1 μέχρι 5<br /> * χρησιμοποιήθηκε η αντίστροφη μέθοδος για τον υπολογισμό του βάρους του κάθε επιπέδου 1, ½, 1/3, ¼, 1/5<br /> * υπολογίστηκε η ακρίβεια των τεσσάρων δεικτών με τα βάρη τους<br /> * ανάλογα με τα βάρη εκτελέστηκε μία συνάρτηση για το τελικό αποτέλεσμα.<br /> <br /> ''4.2. Ανάλυση για την εφαρμογή των μεθόδων αναγνώρισης νερού''<br /> <br /> * Mountain areas: ;όπως φαίνεται από τον πίνακα 3, η καλύτερη με΄θοδος απομάκρυνσης των σκιών των βουνών για τον εντοπισμό του νερού είναι η πολυκαναλική φασματική σχέση.<br /> * Dense Vegetation Areas: με βάση τον πίνακα 3, η καλύτερη μέθοδος μετά την πολυκαναλική φασματική σχέση είναι ο δείκτης NDVI.<br /> * City areas: Ο βελτιωμένος δείκτης νερού παρουσιάζει ικανοποιητικά τις υδάτινες επιφάνειες σε αστικές περιοχές.<br /> * River sand areas: Και σε αυτήν την κατηγορία ο βελτιωμένος δείκτης νερού είναι ο καλύτερος για τον εντοπισμό των υδάτινων επιφανειών.<br /> * Plains and lake areas: Στη συγκεκριμένη κατηγορία, οποιαδήποτε μέθοδος χρησιμοποιηθεί παρουσιάζει ακριβή αποτελέσματα, παρόλα αυτά λόγω κόστους και ταχύτητας, η μέθοδος του κατωφλιού ενός καναλιού προτιμάται.<br /> <br /> '''5. Κατακλείδα και συζήτηση'''<br /> <br /> Συμπερασματικά, την υψηλότερη ακρίβεια παρουσιάζει ο βελτιωμένος δείκτης νερού και η πολυκαναλική φασματική σχέση μεταξύ των πέντε μεθόδων που εξετάστηκαν σε αυτήν την μελέτη. Παρόλα αυτά, ένα μειονέκτημα της συγκεκριμένης μελέτης είναι πως το δείγμα των πέντε περιοχών είναι μικρό και δεν καλύπτει όλες τις πιθανές ιδιομορφίες του εδάφους, επομένως πρέπει να ερευνηθεί περισσότερο.<br /> <br /> '''6. Συνεισφορά της τηλεπισκόπησης'''<br /> <br /> Από τη μελέτη αυτή γίνεται μία σύγκριση για τις μεθόδους αναγνώρισης νερού μέσω της τηλεπισκόπησης και αναδεικνύεται η βέλτιστη, με σκοπό την χρήση της σε πολύπλοκες πιθανές εφαρμογές που αφορούν το χώρο, την ανάπτυξη και την διαχείριση των υδάτινων μαζών.<br /> [[category:Υδατικοί Πόροι]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%B9%CF%82_%CF%87%CF%81%CE%AE%CF%83%CE%B5%CE%B9%CF%82/%CE%BA%CE%B1%CE%BB%CF%8D%CF%88%CE%B5%CE%B9%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CF%84%CE%BF_%CE%B4%CF%85%CF%84%CE%B9%CE%BA%CF%8C_%CE%94%CE%AD%CE%BB%CF%84%CE%B1_%CF%84%CE%BF%CF%85_%CE%9D%CE%B5%CE%AF%CE%BB%CE%BF%CF%85_%CF%83%CF%84%CE%B7%CE%BD_%CE%91%CE%AF%CE%B3%CF%85%CF%80%CF%84%CE%BF_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD 2017-02-14T01:00:50Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap6_p1.png|thumb|right|'''Εικόνα 1:''' Τοποθεσία της περιοχής μελέτης στο δυτικό Δέλτα του Νείλου, Αίγυπτος.]]<br /> [[εικόνα: GF_pap6_p2.png|thumb|right|'''Εικόνα 2:''' Ψευδοχρωματικά σύνθετα των επιλεγμένων εικόνων Landsat με συνδυασμό καναλιών 4,3,2.]]<br /> [[εικόνα: GF_pap6_p3.png|thumb|right|'''Εικόνα 3:''' Κατηγορίες χρήσεων και καλύψεων γης που ερμηνεύτηκαν από τις οπτικά ενισχυμένες εικόνες. Τα κυκλικά σχήματα απεικονίζουν αγροτεμάχια καλλιεργειών.]]<br /> [[εικόνα: GF_pap6_p4.png|thumb|right|'''Εικόνα 4:''' Χάρτες καλύψεων/χρήσεων γης ως αποτέλεσμα συνδυασμού της επιβλεπόμενης ταξινόμησης και της οπτικής ερμηνείας.]]<br /> [[εικόνα: GF_pap6_p5.png|thumb|right|'''Εικόνα 5:''' Ποσοστό επιφάνειας των κατηγοριών agriculture και barren land για τα έτη 1984, 1999, 2005 και 2009.]]<br /> [[εικόνα: GF_pap6_p6.png|thumb|right|'''Εικόνα 6:''' Ποσοστό επιφάνειας των κατηγοριών urban, quarries και free water bodies and sabkhas για τα έτη 1984, 1999, 2005 και 2009.]]<br /> [[εικόνα: GF_pap6_p7.png|thumb|right|'''Εικόνα 7:''' Γεωχωρική κατανομή των αλλαγών χρήσεων/καλύψεων γης μεταξύ 1984 και 1999.]]<br /> [[εικόνα: GF_pap6_p8.png|thumb|right|'''Εικόνα 8:''' Γεωχωρική κατανομή των αλλαγών χρήσεων/καλύψεων γης μεταξύ 1999 και 2005.]]<br /> [[εικόνα: GF_pap6_p9.png|thumb|right|'''Εικόνα 9:''' Γεωχωρική κατανομή των αλλαγών χρήσεων/καλύψεων γης μεταξύ 2005 και 2009.]]<br /> <br /> Applied Geography Volume 31, Issue 2, April 2011, Pages 483–494<br /> <br /> O.R. Abd El-Kawy*, J.K. Rød , H.A. Ismail , A.S. Suliman.<br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0143622810001451]<br /> <br /> '''Λέξεις-Κλειδιά:''' Εντοπισμός αλλαγών, Χρήση γης, Κάλυψη γης, Σύγκριση μετά την ταξινόμηση, Δυτικό Δέλτα του Νείλου.<br /> <br /> '''1. Eισαγωγή'''<br /> <br /> Ο εντοπισμός των αλλαγών (change detection) είναι η διαδικασία του εντοπισμού των διαφορών στην κατάσταση μίας οντότητας ή ενός φαινομένου παρατηρώντας το σε διαφορετικές χρονικές περιόδους (Singh, 1989). Ο εντοπισμός των αλλαγών είναι χρήσιμος σε πολλές εφαρμογές που έχουν σχέση με τις χρήσεις/καλύψεις γης. Η συνεχόμενη και ακριβής παροχή πληροφοριών για τις αλλάγές στις χρήσεις/καλύψεις γης είναι πολύ σημαντική για οποιοδήποτε πρόγραμμα ανάπτυξης. Η δορυφορική τηλεπισκόπηση αποτελεί την πιο συνηθισμένη πηγή δεδομένων για τον εντοπισμό, την ποσοτικοποίηση και την χαρτογράφηση μοτίβων καλύψεων/χρήσεων γης και αλλαγών τους, λόγω της συνεχούς συγκομιδής δεδομένων, την ψηφιακή μορφή τους που είναι κατάλληλη για υπολογιστική επεξεργασία και οι ακριβείς διαδικασίες γεωαναφοράς τους (Chen, Vierling, &amp; Deering, 2005; Jensen, 1996; Lu et al., 2004). Σήμερα, υπάρχουν πολλά δορυφορικά προγράμματα σε λειτουργία. Για την μελέτη του εντοπισμού των αλλαγών, το πρόγραμμα Landsat είναι μοναδικό διότι παρέχει μία ιστορική και συνεχόμενη ροή μέσω των δορυφορικών εικόνων. Οι εικόνες Landsat μπορούν να επεξεργαστούν για να αποτυπώσουν τις καλύψεις γης μεγάλων επιφανειών σε βάθος χρόνου, το οποίο είναι μοναδικό και πάρα πολύ σημαντικό για τον εντοπισμό, τη χαρτογράφηση και την διαχείριση των χρήσεων/καλύψεων γης (Wulder et al., 2008). Για την συγκεκριμένη μελέτη, τέθηκαν πέντε ζητήματα προς υλοποίηση, τα οποία αφορούν τις χρήσες/καλύψεις γης στην δυτική περιοχή του Δέλτα του Νείλου.<br /> * Η παροχή πρόσφατων και με ιστορική πληροφορία χαρτών χρήσεων/καλύψεων γης μέσω της διαλειτουργικότητας μεταξύ της επιβλεπόμενης ταξινόμησης μέγιστης πιθανοφάνειας και την οπτική αντίληψη τηλεπισκοπικών δεδομένων.<br /> * Ο εντοπισμός ενός μοτίβου αλλαγών στις χρήσεις/καλύψεις γης μέσω διαφορετικών δορυφορικών εικόνων Landsat χρησιμοποιώντας σύγκριση μετά την ταξινόμηση*. Η επεξήγηση των αιτιών για τις αλλαγές αυτές μέσω της χωρικής σύγκρισης που παρέχουν οι παραγόμενοι χάρτες καλύψεων/χρήσεων γης.<br /> * Η παροχή προτεινόμενων πολιτικών για την καλύτερη διαχείριση των χρήσεων/καλύψεων γης.<br /> * Ο εντοπισμός περιοχών που χρησιμοποιούν στο βέλτιστο βαθμό το νερό άρδευσης.<br /> <br /> '''2. Περιοχή μελέτης'''<br /> <br /> Η περιοχή μελέτης βρίσκεται σε μία πρόσφατα χαρακτηριζόμενη ερημική περιοχή του δυτικού τμήματος του Δέλτα του Νείλου. Χαρακτηρίζεται από μεσογειακό «μέτρια-ξηρό» κλίμα. Σύντομα διαστήματα βροχόπτωσης εκδηλώνονται συνήθως το χειμώνα, ενώ οι καλοκαιρινοί μήνες χαρακτηρίζονται συνήθως από ξηρασία. Aπό τις αρχές του 1980, η ανάπτυξη της περιοχής μελέτης ήταν στα πλαίσια της στρατηγικής αποκατάστασης περιοχών της Αιγυπτιακής κυβέρνησης. Το σχέδιο αυτό επεκτείνεται στη συγκεκριμένη μελέτη, περιλαμβάνοντας το σχεδιασμό και την ανάπτυξη βιώσιμων οικισμών στις νέες περιοχές.<br /> <br /> '''3. Δεδομένα και μεθοδολογία'''<br /> <br /> Τα δεδομένα που χρησιμοπιήθηκαν στη συγκεκριμένη μελέτη περιλαμβάνουν τέσσερις δορυφορικές εικόνες Landsat, που περιέχουν εικόνα Themmatic Mapper(TM) που λήφθηκε στις 11 Σεπτεμβρίου του 1984 και τρεις ενισχυμένες εικόνες Thematic Mapper Plus( ETM+), που λήφθηκαν στις 2 Δεκεμβρίου του 1999, το 2005 (μωσαικό από δύο εικόνες από τις 28 Μαρτίου και 12 Αυγούστου) και στις 13 Δεκεμβίου του 2009. Όλες οι παραπάνω εικόνες είναι διαθέσιμες από την υπηρεσία USGS των Η.Π.Α.Στη συγκεκριμένη μελέτη, συμπεριλήφθηκαν όλα τα ορατά και υπέρυθρα κανάλια, εκτός από το θερμικό. Ψηφιοποιήθηκαν πέντε τοπογραφικοί χάρτες (Κλίμακα 1:50.000) και χρησιμοποιήθηκαν για αναγνώριση του εδάφους μετά την γεωμετρική διόρθωση των δορυφορικών εικόνων. Επίσης χρησιμοποιήθηκαν δεδομένα αρχείου και παλιοί χάρτες. Τέλος, το Νοέμβριο του 2009, συλλέχθηκε ένας συνολικός αριθμός 300 σημείων ελέγχου από την περιοχή μελέτης. Τα δεδομένα αρχείου, οι παλιοί χάρτες και τα σημεία ελέγχου χρησιμοποιήθηκαν κυρίως σαν δεδομένα αναφοράς για την ταξινόμηση των εικόνων και την εκτίμηση της ακρίβειας της.<br /> <br /> ''Προεπεξεργασία εικόνας''<br /> <br /> Η προεπεξεργασία δορυφορικών εικόνων πριν τον εντοπισμό των αλλαγών είναι απαραίτητη και έχει σαν αποκλειστικό στόχο την δημιουργία μίας πιο άμεσης σχέσης μεταξύ των δεδομένων και των βιοφυσικών φαινομένων (Coppin et al., 2004). Η συγκεκριμένη μεθοδολογία έλαβε υπόψιν πολλαπλές λειτουργία προεπεξεργασίας εικόνων συμπεριλαμβανομένης της γεωμετρικής διόρθωσης, την συμπλήρωση κενών ETM+, και την ενίσχυση και ερμηνεία των εικόνων.<br /> <br /> ''Συμπλήρωση κενών ETM+ και γεωμετρική διόρθωση''<br /> <br /> Όλα τα δεδομένα Landsat που χρησιμοποιήθηκαν σε αυτήν την μελέτη συλλέχθηκαν κάτω από καθαρές ατμοσφαιρικές συνθήκες, όπως φαίνεται στην εικόνα 2.<br /> Οι εικόνες των ετών 1984, 1999 και 2005 έχουν διορθωθεί γεωμετρικά με βάση την εικόνα του 2009. Η εικόνα του 2009 έχει γεωαναφερθεί προηγουμένως χρησιμοποιώντας και επίγεια σημεία ελέγχου και τοπογραφικούς χάρτες. Επίσης, στη συγκεκριμένη μελέτη, η συμπλήρωση των κενών ήταν επιτυχής και για τις δύο ETM+ εικόνες του 2005 και του 2009. Για την εικόνα του 2005, η περιοχή μελέτης καλύφθηκε από ένα μωσαικό δύο ETM+ σκηνών που ληφθηκαν στα 28 Μαρτίου και 12 Αυγούστου. Για την εικόνα του 2009, μία ETM+ σκηνή λήφθηκε για την ίδια περιοχή στις 27 Νοεμβρίου και χρησιμοποιήθηκε για την συμπλήρωση κενών της εικόνας ETM+ που έιχε ληφθεί στις 13 Δεκεμβρίου.<br /> <br /> ''Ενίσχυση εικόνας και οπτική ερμηνεία''<br /> <br /> Η ενίσχυση εικόνας είναι η τροποποίηση τιμών της εικόνας για να αναδεικνύουν πληροφορίες που βρίσκονται εντός της και να βελτιώσουν την οπτική κατανόηση μίας εικόνας αυξάνοντας τις αντιθέσεις μεταξύ των χαρακτηριστικών της. Στη συγκεκριμένη μελέτη εφαρμόζεται η ενίσχυση «Contrast stretching» για τις τέσσερις επιλεγμένες εικόνες προκειμένου να ερμηνευτούν οπτικά. Πριν την ταξινόμηση, τα χαρακτηριστικά των χρήσεων/καλύψεων γης διαχωρίστηκαν σε πέντε ευρύτερες θεματικές κατηγορίες: «barren land, agricultural lands, urban lands, quarries, and free water bodies and Sabkhas». Οι πέντε αυτές κατηγορίες ορίστηκαν βάση της οπτικής ερμηνείας των δορυφορικών εικόνων και επιβεβαιώθηκαν από επίγειες παρατηρήσεις. Όπως αναφέρθηκε, έγινε οπτική ερμηνεία των ενισχυμένων εικόνων και παράχθηκαν τέσσερις χάρτες που απεικονίζονται στην εικόνα 3, με σκοπό να συνδυαστούν αργότερα με τα αποτελέσματα της επιβλεπόμενης ταξινόμησης.<br /> <br /> ''Επιβλεπόμενη ταξινόμηση''<br /> <br /> Χρησιμοποιήθηκε το λογισμικό «ERDAS IMAGINE 9.2» για την ψηφιακή επεξεργασία των εικόνων Landsat. Τα δείγματα εκπαίδευσης (training samples) επιλέχθηκαν για κάθε κατηγορία χρήσεων/καλύψεων γης με τη δημιουργία πολυγώνων στις αντιπροσωπευτικές περιοχές. Με τη χρήση των εικονοστοιχείων(pixels) εντός των πολυγώνων λήφθηκαν οι φασματικές υπογραφές για τις αντίστοιχες κατηγορίες καλύψεων γης. Όταν η κάθε φασματική υπογραφή θεωρήθηκε ικανοποιητική, εισάχθηκε στην διαδικασία της ταξινόμησης. Η ταξινόμηση που χρησιμοποιήθηκε είναι η ταξινόμηση μέγιστης πιθανοφάνειας και παράγει ένα θεματικό ψηφιδωτό επίπεδο (την ταξινομημένη εικόνα) και ένα αρχείο αποστάσεων. Και τα δύο παραγόμενα προιόντα χρησιμοποιήθηκαν στην επεξεργασία μετά την ταξινόμηση. Παράχθηκαν τέσσερις χάρτες καλύψεων/χρήσεων γης.<br /> <br /> ''Βελτίωση της ταξινόμησης''<br /> <br /> Μερικές κατηγορίες χρήσεων/καλύψεων γης ήταν φασματικά μπερδεμένες και δεν μπορούσαν να διαχωριστούν ικανοποιητικά από την επιβλεπόμενη ταξινόμηση. Ένα παράδειγμα είναι τα τοπία πρασίνου εντός αστικών ζωνών που ταξινομήθηκαν λανθασμένα ως αγροτικές καλλιέργειες. Για την βελτίωση της ακρίβειας της ταξινόμησης και των περιορισμό των λανθασμένων υπολογισμών έγινε συνένωση των αρχικών χαρτών καλύψεων/χρήσεων γης που προέκυψαν από την ταξινόμηση με τους χάρτες που προέκυψαν από την οπτική ερμηνεία. Η οπτική ερμηνεία ήταν πολύ σημαντική για την αύξηση της ακρίβειας της ταξινόμησης και σαν αποτέλεσμα είχε και την βελτίωση της ποιότητας των παραγόμενων χαρτών. Η συνένωση έγινε με τη βοήθεια του λογισμικού ArcGIS 9.3. Tέλος, παράχθηκαν ακριβείς χάρτες καλύψεων/χρήσεων γης που παρουσιάζονται στην εικόνα 4, και συγκρίθηκαν με τα δεδομένα αναφοράς (δεδομένα αρχείου, παλιοί χάρτες, χαρακτηριστικά σημεία) για να εκτιμηθεί η ακρίβεια της ταξινόμησης.<br /> <br /> ''Εκτίμηση ακρίβειας της ταξινόμησης''<br /> <br /> Είναι σημαντικό να είναι δυνατή η εκτίμηση της ακρίβειας για την ταξινόμηση εφόσον τα παραγόμενα δεδομένα θα χρησιμοποιηθούν για την ανάλυση εντοπισμού αλλαγών σε μία περιοχή (Owojori &amp; Xie, 2005). Η εκτίμηση πραγματοποιήθηκε βάση 280 τυχαίων σημείων που εντοπίστηκαν μέσω τυχαίας επιλογής με τη βοήθεια του λογισμικού ERDAS και αντιστοιχούν στις διαφορετικές χρήσεις/καλύψεις γης της περιοχής.<br /> <br /> '''4.Αποτελέσματα και συζήτηση'''<br /> <br /> Πριν τη χρήση των αποτελεσμάτων της ταξινόμησης ήταν αναγκαία η επιβεβαίωση της ορθότητάς τους. Η συνδυασμένη διαδικασία της ταξινόμησης και της οπτικής ερμηνείας αύξησε την ακρίβεια της ταξινόμησης για τα έτη 1984, 1999, 2005 και 2009 κατά ένα πολύ σημαντικό ποσοστό. Οι εικόνες 5 και 6 απεικονίζουν την συνολική επιφάνεια κάθε κατηγορίας χρήσεων/καλύψεων γης για κάθε χρόνο.<br /> Τα αποτελέσματα της οπτικής ερμηνείας σε συνδυασμό με την ταξινόμηση που φαίνονται στις εικόνες 7,8 και 9, μαζί με τις επίγειες μετρήσεις, δείχνουν πως ένα εντατικό πρόγραμμα ανάπτυξης έχει εφαρμοστεί στην περιοχή μελέτης εδώ και τρεις δεκαετίες.<br /> <br /> '''5.Κατακλείδα και προτάσεις'''<br /> <br /> Συνολικά, η ακρίβεια της χαρτογραφικής αποτύπωσης των χρήσεων/καλύψεων γης ανέρχεται σε ένα ποσοστό περίπου 96% και δείχνει πως ο συνδυασμός της οπτικής ερμηνείας με την επιβλεπόμενη ταξινόμηση αποτελούν μία αποτελεσματική μέθοδο για τον εντοπισμό αλλαγών στις χρήσεις/καλύψεις γης μίας περιοχής σε βάθος χρόνου. Η οπτική ερμηνεία δεν ήταν μόνο χρήσιμη στην αύξηση της ακρίβειας της ταξινόμησης των δορυφορικών εικόνων Landsat αλλά βοήθησε και στον εντοπισμό περιοχών που δείχνουν αποτελεσματική χρήση του αρδευτικού νερού μέσω της χαρτογράφησης των καλλιεργειών.<br /> <br /> '''6.Συμβολή της τηλεπισκόπησης'''<br /> <br /> Από τη συγκεκριμένη μελέτη προκύπτουν συμπεράσματα που αφορούν τον σχεδιασμό και την ανάπτυξη μίας περιοχής αποκλειστικά με τη χρήση της τηλεπισκόπησης. Για άλλη μία φορά, η δυνατότητα ανέυρεσης ελεύθερων δεδομένων σε βάθος χρόνου, σε συνδυασμό με τις μεθόδους ψηφιακής τηλεπισκόπησης παράγουν χάρτες που αναλύουν λεπτομερώς τις καλύψεις/χρήσεις γης μίας περιοχής με σκοπό την αντιμετώπιση των φυσικών και τεχνητών προβλημάτων της.<br /> <br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%91%CE%9E%CE%99%CE%9D%CE%9F%CE%9C%CE%97%CE%A3%CE%97_%CE%95%CE%99%CE%94%CE%A9%CE%9D_%CE%9A%CE%91%CE%9B%CE%9B%CE%99%CE%95%CE%A1%CE%93%CE%95%CE%99%CE%91%CE%A3_%CE%9C%CE%95_%CE%A4%CE%97_%CE%A7%CE%A1%CE%97%CE%A3%CE%97_%CE%94%CE%95%CE%99%CE%9A%CE%A4%CE%A9%CE%9D_%CE%92%CE%9B%CE%91%CE%A3%CE%A4%CE%97%CE%A3%CE%97%CE%A3_%CE%A4%CE%9F%CE%A5_%CE%94%CE%9F%CE%A1%CE%A5%CE%A6%CE%9F%CE%A1%CE%9F%CE%A5_RAPIDEYE 2017-02-14T00:49:31Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap2_p1.png|thumb|right|'''Εικόνα 1:''' Περιοχή μελέτης]]<br /> [[εικόνα: GF_pap2_p2.png|thumb|right|'''Εικόνα 2:''' Προδιαγραφές των δεδομένων]]<br /> [[εικόνα: GF_pap2_p3.png|thumb|right|'''Εικόνα 3:''' Δείκτες βλάστησης]]<br /> [[εικόνα: GF_pap2_t1.png|thumb|right|'''Πίνακας 1:''' Ομάδες φασματικών χαρακτηριστικών]]<br /> [[εικόνα: GF_pap2_p4.png|thumb|right|'''Εικόνα 4:''' Ακρίβεια ταξινόμησης ανάλυσης]]<br /> [[εικόνα: GF_pap2_p5.png|thumb|right|'''Εικόνα 5:''' Ακρίβεια ταξινόμησης εικόνων από ένα κανάλι]]<br /> [[εικόνα: GF_pap2_p6.png|thumb|right|'''Εικόνα 6:''' Ταξινομημένες εικόνες (Ανάλυση A,B,C,D)]]<br /> [[εικόνα: GF_pap2_p7.png|thumb|right|'''Εικόνα 7:''' Ταξινόμηση εικόνων από ένα κανάλι]]<br /> <br /> The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XL-7, 2014 ISPRS Technical Commission VII Symposium, 29 September – 2 October 2014, Istanbul, Turkey<br /> <br /> M. Ustunera, *, F.B.Sanlia, S.Abdikanb, M.T.Esetlilic, Y.Kurucuc<br /> <br /> '''Link:''' [http://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XL-7/195/2014/]<br /> <br /> '''Λέξεις-Κλειδιά:''' Δείκτες βλάστησης, RapidEye, NDVI, NDRE, GNDVI, SVM<br /> <br /> '''1. ΕΙΣΑΓΩΓΗ'''<br /> <br /> H βιώσιμη διαχείριση των αγροτικών περιοχών είναι σημαντική για τις τοπικές αρχές και τις αγροτικές υπηρεσίες, μιας και η γεωργία κατέχει σημαντικό ρόλο, στην οικονομία πολλών αναπτυσσόμενων χωρών (Branca, 2011). Hχαρτογράφηση και αναγνώριση των καλλιεργειών αποτελούν μία σημαντική βάση για πολλές γεωργικές εφαρμογές με διαφορετικούς σκοπούς όπως η εκτίμηση σοδειάς και η παραγωγικότητα του εδάφους(Löwetal. 2013, FundamentalofRemoteSensing).Στο σημείο αυτό, η επιστήμη της τηλεπισκόπησης βοηθάει στην αποκόμιση αξιόπιστων πληροφοριών για τους διαφορετικούς τύπους καλλιέργειας σε διαφορετικά χωρικά πεδία. Εικόνες τηλεπισκόπησης σε διαφορετικά επίπεδα ανάλυσης από διαφορετικά είδη δορυφόρων έχουν εκτενώς και επιτυχώς χρησιμοποιηθεί για την χαρτογράφηση και αναγνώριση καλλιεργειών από τον πρώτο δορυφόρο παρατήρησης τονLandsat-1 το 1972(BauerandCipra 1973, Jewell 1989, Mulla 2013). Hεπιτακτική ανάγκη για τη γρήγορη συλλογή αξιόπιστων, σύγχρονων και χαμηλού κόστους πληροφοριών για τo έδαφος, ώθησε τις χώρες να εκτοξεύσουν νέους δορυφόρους παρατήρησης όπως οι:RapidEye(2008), GeoEye-1(2008), WorldView-2(2009), Landsat8(2013), SPOT-7(2014). Το κοινό χαρακτηριστικό των δορυφόρων που τέθηκαν σε τροχιά με σκοπό την παρακολούθηση των καλλιεργειών είναι πως διαθέτουν το εγγύς υπέρυθρο κανάλι. Ο δορυφόρος RapidEye στο άρθρο χρησιμοποιείται για την ταξινόμηση ειδών καλλιέργειας και αποτελεί το πρώτο υψηλής ανάλυσης πολυφασματικό δορυφορικό σύστημα που διαθέτει το εγγύς υπέρυθρο κανάλι το οποίο είναι ευαίσθητο στη χλωροφύλλη της βλάστησης (Schusteretal. 2012). Οι δορυφορικές εικόνες έχουν χρησιμοποιηθεί επιτυχώς για την κατηγοριοποίηση της βλάστησης, δασικών εκτάσεων και γεωργικών εκτάσεων προσφάτως (Eiteletal. 2011, Schusteretal. 2012,Tigges 2013, Löwetal. 2013). Στη συγκεκριμένη μελέτη, η πιθανή χρήση τριών διαφορετικών δεικτών βλάστησης για την ταξινόμηση των καλλιεργειών, αλλά και για τις επιπτώσεις του κάθε δείκτη στην ακρίβεια της ταξινόμησης ερευνώνται. Οι δείκτες είναι:ο κανονικοποιημένος δείκτης βλάστης NDVI, oκανονικοποιημένος δείκτηςRedEdgeNDREκαι ο πράσινος κανονικοποιημένος δείκτης βλάστησης GNDVI. Η μέθοδος ταξινόμησης SVMεφαρμόζεται λόγω της απόδοσής της στην ταξινόμηση καλλιεργειών και εδάφους σε σύγκριση με συμβατικούς αλγορίθμους ταξινόμησης(FoodyandMathur, 2004; MathurandFoody, 2008; WaskeandBenediktsson, 2007). Τα κλασσικά κανάλια του δορυφόρου RapidEye έχουν αφαιρεθεί και η ταξινόμηση πραγματοποιήθηκε μόνο με τους τρεις δείκτες βλάστησης.<br /> <br /> '''2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ'''<br /> <br /> Η περιοχή μελέτης της εικόνας 1 βρίσκεται στην περιοχή Αιγαίο της Τουρκίας και αποτελείται περίπου από 17.3km2 γεωργικών εκτάσεων. Καλύπτει εννέα κατηγορίες καλλιεργειών που είναι καλαμπόκι(πρώτη σοδειά, δεύτερη σοδειά), βαμβάκι(καλώς ανεπτυγμένο, μέτρια ανεπτυγμένο, αδύναμα ανεπτυγμένο), έδαφος(ξηρό, βρεγμένο, με υγρασία) και επιφάνεια του νερού. <br /> <br /> '''3. ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> '''3.1 RAPIDEYE ΔΕΔΟΜΕΝΑ KAIΔΕΙΚΤΕΣ ΒΛΑΣΤΗΣΗΣ'''<br /> <br /> Ο δορυφόρος RapidEyeείναι ο πρώτος πολυφασματικός δορυφόρος υψηλής ανάλυσης που διαθέτει το red-edge κανάλι, γεγονός που καθιστά το συγκεκριμένο δορυφορικό σύστημα διαφορετικό και ανώτερο από άλλα πολυφασματικά δορυφορικά συστήματα (Schusteretal. 2012). Tα δεδομένα του RapidEyeπαρέχουν πέντε φασματικά κανάλια με χωρική ανάλυση πέντε μέτρων, όπως φαίνεται στην εικόνα 2. Τρεις διαφορετικοί φασματικοί δείκτες έχουν υπολογιστεί στη συγκεκριμένη μελέτη. Ο αριθμός των καναλιών 2,3,4,5 αναφέρεται στο πράσινο (520 – 590nm), κόκκινο (630 – 685nm), red-edge (690 – 730nm) και εγγύς υπέρυθρο (760 – 850nm), όπως φαίνεται στην εικόνα 3.<br /> <br /> '''3.2 ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ'''<br /> <br /> H επιβλεπόμενη μέθοδος με μηχανές Διανυσμάτων Υποστήριξης (SupportVectorMachines-SVM)βασίζεται στη θεωρία στατιστικής εκμάθησης. Η βασική ιδέα της συγκεκριμένης μεθόδου ταξινόμησης είναι η αντιστοίχιση του βέλτιστου «υπερεπιπέδου» (hyperplane) που διαχωρίζει τις δύο κλάσεις. (Vapnik, 1995; Huangetal., 2002).Oι συναρτήσεις Kernel είναι σε θέση να δομήσουν το βέλτιστο “υπερεπίπεδο” για πολύπλοκα δεδομένα τα οποία δεν γίνεται να διαχωριστούν με γραμμικά “υπερεπίπεδα” (Huangetal., 2002).[https://en.wikipedia.org/wiki/Support_vector_machine] <br /> Η θεωρία που ακολουθεί εξηγείται στη συγκεκριμένη μελέτη: (Support vector machines in remote sensing: A review). '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0924271610001140] Η τεχνική SVM είναι μία επιβλεπόμενη χωρίς παραμέτρους στατιστική τεχνική εκμάθησης, επομένως δεν προκύπτουν προβλήματα που αφορούν την αναγνώριση πολλαπλών κλάσεων(περισσότερες από δύο). Οι τεχνικές SVM έχουν μεγάλο εύρος χρήσης στην τηλεπισκόπηση, διότι έχουν τη δυνατότητα να διαχειρίζονται με αποτελεσματικότητα μικρά δεδομένα εκπαίδευσης, παράγωντας συχνά ταξινομήσεις υψηλότερης ακρίβειας από τις παραδοσιακές μεθόδους ταξινόμησης (Manteroetal., 2005).Η βασική αρχή που ενισχύει τις SVMs είναι η διαδικασία εκμάθησης που ακολουθεί και είναι γνωστή ως ελαχιστοποίηση του δομικού ρίσκου(structuralriskminimization). Yπό το πρίσμα αυτής της έννοιας, οι SVMs ελαχιστοποιούν το λάθος στην ταξινόμηση χωρίς να είναι απαραίτητες υποθέσεις όσον αφορά τη πιθανή διασπορά των δεδομένων και παρουσιάζουν υψηλή απόδοση κατά την κατηγοριοποίηση αντικειμένων. Στατιστικές τεχνικές, όπως η μέθοδος μέγιστης πιθανοφάνειας συνήθως υποθέτουν πως η διασπορά των δεδομένων είναι γνωστή εκ των προτέρων (apriori). Παρόλο που οι SVMs απαιτούν δείγματα εκπαίδευσης, δεν είναι απαραίτητο το μέγεθος των δειγμάτων να είναι ιδιαίτερο μεγάλο, κάτι που αποτελεί συγκριτικό πλεονέκτημα σε σχέση με άλλες μεθόδους ταξινόμησης. Για παράδειγμα, οι FoodyandMathur (2004b) απέδειξαν πως μόλις το ¼ των αρχικών δειγμάτων εκπαίδευσης που ελήφθησαν από τον δορυφόρο SPOT ήταν αρκετά για ταξινόμηση υψηλής ακρίβειας.<br /> <br /> '''4. ΦΑΣΜΑΤΙΚΗ ΑΝΑΛΥΣΗ'''<br /> <br /> Tέσσερις διαφορετικές ομάδες φασματικών χαρακτηριστικών (Πίνακας 1) χρησιμοποιήθηκαν για την ανάλυση της πιθανής χρήσης των δεικτών βλάστησης καθώς και για την συνεισφορά κάθε φασματικού καναλιού στην ακρίβεια της ταξινόμησης.<br /> <br /> '''5. ΑΞΙΟΛΟΓΗΣΗ ΑΚΡΙΒΕΙΑΣ'''<br /> <br /> Η ακρίβεια των ταξινομημένων εικόνων εκτιμήθηκε χρησιμοποιώντας τη συνολική ακρίβεια και τον συντελεστή kappa. Τα αποτελέσματα της ταξινόμησης της ανάλυσης και της ταξινόμησης σε εικόνα ενός καναλιού παρουσιάζονται στις εικόνες 4 και 5. Στην εικόνα 6, οι κλάσεις ενδιαφέροντος αντιπροσωπεύονται από Α,B, C, D, E, F, G, H, I, J για αταξινόμητο, πρώτη σοδειά καλαμποκιού, δεύτερη σοδειά καλαμποκιού, καλώς ανεπτυγμένο βαμβάκι, μέτρια ανεπτυγμένο βαμβάκι, αδύναμα ανεπτυγμένο βαμβάκι, βρεγμένος έδαφος, έδαφος με υγρασία, ξηρό έδαφος και επιφάνεια νερού αντίστοιχα.Η ξεχωριστή συνεισφορά των φασματικών χαρακτηριστικών στην ακρίβεια της ταξινόμησης παρουσιάζεται στις εικόνες 4 και 5. Είναι 1.05%, 1.05%, και 31.01% για τους δείκτες NDVI, GNDVI και NDRE αντίστοιχα.<br /> <br /> '''6. ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η πιθανή χρήση τριών διαφορετικών δεικτών βλάστησης του δορυφόρου RapidEye στην ταξινόμηση του είδους των καλλιεργειών καθώς και η ξεχωριστή συνεισφορά του κάθε δείκτη στην ακρίβεια της ταξινόμησης ερευνήθηκαν με τη χρήση της support vector machine ταξινόμησης. Τα αποτελέσματα της μελέτης δείχνουν πως οι δείκτες της βλάστησης που προκύπτουν από τον δορυφόρο RapidEye μπορούν να χρησιμοποιηθούν για την ταξινόμηση καλλιεργειών και να παρουσιάσουν ικανοποιητικά αποτελέσματα.<br /> Επίσης, εφαρμόστηκε η ταξινόμηση μίας εικόνας σε ένα κανάλι για να αναλύσει την ξεχωριστή απόδοση των φασματικών καναλιών στην ακρίβεια της ταξινόμησης. Τα αποτελέσματα δείχνουν πως ο δείκτης NDRE έχει μεγαλύτερη συνεισφορά από τους άλλους δείκτες στην ακρίβεια της ταξινόμησης εικόνας. <br /> <br /> '''7. ΣΥΝΕΙΣΦΟΡΑ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ'''<br /> <br /> Στη συγκεκριμένη μελέτη η τηλεπισκόπηση έχει πρωτεύοντα ρόλο διότι ερευνά την αξιοπιστία των αποτελεσμάτων από διαφορετικούς δορυφορικούς δέκτες. Επίσης, παρουσιάζεται η χρησιμοποίηση διαφορετικών ειδών βλάστησης για την επιτυχέστερη ταξινόμηση των ειδών των καλλιεργειών.<br /> [[category:Γεωργία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CE%BF_%CF%83%CF%85%CE%B3%CE%BA%CE%BF%CE%BC%CE%B9%CE%B4%CE%AE%CF%82_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%91%CE%B9%CF%8C%CE%B2%CE%B1_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%B5%CE%B8%CF%8C%CE%B4%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BC%CE%AD%CF%84%CF%81%CF%89%CE%BD_%CE%B5%CF%80%CE%B9%CF%86%CE%AC%CE%BD%CE%B5%CE%B9%CE%B1%CF%82 2017-02-14T00:47:51Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap1_p1.png|thumb|right|'''Eικόνα 1:''' Χάρτης των Η.Π.Α που δείχνει την περιοχή των καλλιεργειών στην Αιόβα από την οποία προέκυψε το μοντέλο]]<br /> [[εικόνα: GF_pap1_p2.png|thumb|right|'''Eικόνα 2:''' Σοδειά καλαμποκιού και σόγιας από το 1982 μέχρι το 2001]]<br /> [[εικόνα: GF_pap1_p3.png|thumb|right|'''Εικόνα 3:''' Δείκτες NDVI]]<br /> [[εικόνα: GF_pap1_p4.png|thumb|right|'''Εικόνα 4:''' Δείκτες Βροχοπτώσεων]]<br /> [[εικόνα: GF_pap1_p5.png|thumb|right|'''Εικόνα 5:''' Δείκτες Θερμοκρασίας]]<br /> [[εικόνα: GF_pap1_p6.png|thumb|right|'''Εικόνα 6:''' Δείκτες υγρασίας]]<br /> [[εικόνα: GF_pap1_p7.png|thumb|right|'''Εικόνα 7:''' Μέθοδος Quasi-Newton]]<br /> [[εικόνα: GF_pap1_p8.png|thumb|right|'''Εικόνα 8:''' Καταγεγραμμένες και Εκτιμημένες σοδειές Καλαμποκιού (α) και Σόγιας (β) για την Αιόβα. Οι τιμές R2 είναι 0.78 για το Καλαμπόκι και 0.86 για τη Σόγια]]<br /> <br /> International Journal of Applied Earth Observation and Geoinformation 8 (2006) 26–33<br /> <br /> Anup K. Prasad , Lim Chai , Ramesh P. Singh*, MenasKafatos <br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0303243405000553]<br /> <br /> '''Λέξεις-Κλειδιά:''' Μοντέλο εκτίμησης απόδοσης καλλιεργειών, NDVI, Αιόβα, Σόγια, Καλαμπόκι<br /> <br /> '''1.ΕΙΣΑΓΩΓΗ'''<br /> <br /> H συστηματική παρακολούθησητης κατάστασης των καλλιεργειών είναι σημαντική για την οικονομική ανάπτυξη κάθε έθνους. Η χρήση της τηλεπισκόπησης έχει αποδειχτεί πολύ σημαντική για την παρακολούθηση της εξέλιξης των αγροτικών καλλιεργειώνκαι τον βέλτιστο προγραμματισμό άρδευσής τους. Έχουν γίνει προσπάθειες για την ανάπτυξη διάφορων τηλεπισκοπικώνδεικτών για διαφορετικά είδη καλλιεργειών σε παγκόσμιο επίπεδο. Η παραγωγή των καλλιεργειών και η πρόβλεψη για τη σοδειά τους έχουν άμεση επίπτωση στην εθνική οικονομία κάθε χώρας και έχουν σημαντικό ρόλο στη διαχείριση της τροφής(HayesandDecker, 1996). Με τη χρήση τηλεπισκοπικών δεδομένων, έχουν αναπτυχθεί διάφοροι δείκτες όπως: ο κανονικοποιημένος δείκτης βλάστησης(NDVI), ο δείκτης κατάστασης της βλάστησης (VCI) και ο δείκτης κατάστασης θερμοκρασίας(TCI). Οι παραπάνω δείκτες χρησιμοποιούνται συνήθως για την ανίχνευση ξηρασίας, για την παρακολούθησηυπερβολικήςυγρασίας του εδάφους, για την καταγραφή των καιρικών επιπτώσεων στη βλάστηση και στην αξιολόγηση της υγείας της βλάστησης και παραγωγικότητας(UnganaiandKogan, 1998;Kogan, 2001, 2002;Koganetal.,2003; Singhetal.,2003). Tα δεδομένα του δείκτη NDVI χρησιμοποιούνται εκτενώς στην παρακολούθηση της βλάστησης και στην καταγραφή των σοδειών των καλλιεργειών(Hayesetal., 1982; BenedettiandRossinni, 1993; Quarmbyetal., 1993). Η ζώνη καλαμποκιού στις Η.Π.Α παρέχει περίπου το 80% της συνολικής παραγωγής για τις ανάγκες των Η.Π.Α και αναλογεί στο 36% της παγκόσμιας παραγωγής(USDA, 1987). Το Υπουργείο Αγροτικής Ανάπτυξης των Η.Π.Απροβλέπει την παροχή σοδειάς και τις ανάγκες της ζήτησης για κάθε μήνα κατά τη διάρκεια της εποχής των καλλιεργειών, ξεκινώντας από τις αρχές του Ιανουαρίου. Ο δείκτης NDVI θεωρείται ένας χρήσιμος δείκτης για την αξιολόγηση μοντέλων καλλιεργειών χρησιμοποιώντας διαφορετικές προσεγγίσεις. Ο δείκτης NDVIανακλά το πράσινο επομένως παρουσιάζει το επίπεδο υγείας της βλάστησης. Παρόλο το γεγονός πως η ανάπτυξη των καλλιεργειών καλαμποκιού μπορεί να διαφέρει από τη φυσιολογική βλάστηση, λόγω ανθρώπινων παρεμβάσεων, ο δείκτης NDVI θεωρείται ως μία σημαντική πηγή πληροφορίας για την κατάσταση των καλλιεργειών. Οι επίγειες και δορυφορικές (NOAAA, Meteosat, etc.) μετρήσεις χρησιμοποιούνται συνήθως για την ανίχνευση διάφορων παραμέτρων, όπως ο τύπος του εδάφους, το φως, το διοξείδιο του άνθρακα, τη θερμοκρασία, το νερό και τον λόγο εξέλιξης και ανάπτυξης των καλλιεργειών. Οι τωρινές πρακτικές εκτίμησης απόδοσης των καλλιεργειών βασίζονται σε διάφορες μεθόδους και πηγές δεδομένων, όπως τοπογραφικές μελέτες, τεχνολογικές γνώσεις, στατιστικά μοντέλα, χωρική ανάλυση και μοντέλα προσομοίωσης ανάπτυξης καλλιεργειών. Στο συγκεκριμένο άρθρο, αναπτύσσεται ένα μοντέλο εκτίμησης συγκομιδής καλλιεργειών και πιο συγκεκριμένα για το καλαμπόκι και τη σόγια στην πολιτεία της Αιόβα στις Η.Π.Α. με τη χρήση του δείκτη NDVI, τη θερμοκρασία της επιφάνειας, καθώς και τις κατακρημνίσεις και την υγρασία του εδάφους.<br /> <br /> '''2. ΜΕΘΟΔΟΙ'''<br /> <br /> '''2.1 ΕΠΙΛΟΓΗ ΤΗΣ ΠΕΡΙΟΧΗΣ ΜΕΛΕΤΗΣ'''<br /> <br /> Η πολιτεία της Aιόβα ανήκει στη «ζώνη καλαμποκιού» των Η.Π.Α (USCornBelt). Για την εφαρμογή χρησιμοποιήθηκαν 10 επιλεγμένες ποικιλίες καλαμποκιού και σόγιας. Η πολιτεία της Αιόβα παράγει το 17,9% του συνολικού καλαμποκιού για τις Η.Π.Α. καθιστώντας την τη μεγαλύτερη παραγωγή (USDA, 1997) και η καλλιέργεια της σόγιας είναι η δεύτερη μεγαλύτερη καλλιέργεια μετά το καλαμπόκι και περίπου 10.920.000 εκτάρια θερίστηκαν το έτος 2001.<br /> <br /> '''2.2 ΔΕΔΟΜΕΝΑ'''<br /> <br /> Χρησιμοποιήθηκαν τηλεπισκοπικάδεδομένα για τις αποδόσεις καλλιεργειών για το καλαμπόκι και τη σόγια στην πολιτεία της Αιόβα, όπου το καλαμπόκι καλλιεργείται στις αρχές Μαίουκαι η ανάπτυξη στη βιομάζα του συμβαίνει από Ιούνιο μέχρι Σεπτέμβριο και είναι έτοιμο προς συγκομιδή το Σεπτέμβριο. Επομένως, ένας προσωρινός μέσος ετήσιος δείκτης NDVI, η υγρασία του εδάφους, η θερμοκρασία της επιφάνειας και τα δεδομένα βροχοπτώσεων για την περίοδο Μαίου-Σεπτεμβρίου για τα έτη 1982 έως 2001 έχουν χρησιμοποιηθεί(εξαιρείται το έτος 1994). Η εποχή καλλιέργειας της σόγιας ξεκινάει από τα μέσα Μαίου μέχρι τις αρχές Ιουνίου. Η ανάπτυξη των καλλιεργειών συμβαίνει μεταξύ του Ιουνίου και του Σεπτεμβρίου και η συγκομιδή γίνεται κυρίως τον Οκτώβριο. Για τη σόγια, ένας προσωρινός μέσος ετήσιος δείκτης NDVI, η υγρασία του εδάφους, η θερμοκρασία της επιφάνειας και δεδομένα βροχοπτώσεων για την περίοδο από 1982 έως 2001 χρησιμοποιήθηκαν(εξαιρείται το έτος 1994).<br /> <br /> '''2.2.1 NDVI'''<br /> <br /> Χρησιμοποιήθηκαν σύνθετα, ηπειρωτικά δεδομένα(datasets) του δείκτη NDVI διαστάσεων 8kmX 8kmπου προέκυψαν από τον δορυφόρο AVHRR και συλλέγονται από την Εθνική Ωκεανική και Ατμοσφαιρική Υπηρεσία (NationalOceanicandAtmosphericAdministration) για την περίοδο 1982-2001. [http://noaasis.noaa.gov/NOAASIS/ml/avhrr.html]. Tα δεδομένα του δείκτη NDVI προκύπτουν από το κανάλι 1 (ορατό) και το Κανάλι 2(εγγύς υπέρυθρο). H οπτική εξασθένιση του μήκου κύματος που παρατηρείται στο δορυφόρο AVHRR δεν παρουσιάζει σημαντικές διαφορές από τον πολυφασματικό δορυφόρο LandsatMSS και τον Θεματικό Χαρτογράφο(ThematicMapper-TM) ή τον γαλλικό δορυφόρο SPOT. H εξασθένιση του μήκου κύματος είναι σημαντικά πιο ευαίσθητη στην εξάτμιση του νερού στο εγγύς υπέρυθρο απότι στους άλλους δορυφόρους(Gowardetal., 1991). Ο δείκτης που προκύπτει από τα δεδομένα NOAA11 δείχνει τιμές υψηλότερες κατά 0.05 από προηγούμενες αποστολές του NOAA για την Αφρικανική έρημο. Επίσης παρατηρήθηκε σφάλμα στην ηλιακή ζενίθια γωνία. Παρόλα αυτά, ο δείκτης NDVI που προκύπτει από τα δεδομένα του δορυφόρου AVHRR είναι λιγότερο επηρεασμένος από λάθη στην ηλιακή ζενίθια γωνία.<br /> <br /> '''2.2.2 KATAΚΡΗΜΝΙΣΕΙΣ'''<br /> <br /> Τα δεδομένα βροχοπτώσεων είναι διαθέσιμα ως ο μηνιαίος μέσος σε μία κλιματική κατηγορία η οποία ορίζεται χρησιμοποιώντας ίσα βάρη σε σταθμούς που καταγράφουν και τη θερμοκρασία και τις κατακρημνίσεις στην κατηγορία αυτή.<br /> <br /> '''2.2.3 ΘΕΡΜΟΚΡΑΣΙΑ'''<br /> <br /> Τα δεδομένα για την μηνιαία θερμοκρασία επιφάνειας είναι διαθέσιμα από το Εθνικό Κέντρο Ωκεανογραφίας και Ατμόσφαιρας των Η.Π.Α.<br /> <br /> '''2.2.4 ΥΓΡΑΣΙΑ ΕΔΑΦΟΥΣ'''<br /> <br /> Τα δεδομένα για την υγρασία εδάφους είναι διαθέσιμα από το Εθνικό Κέντρο Ωκεανογραφίας και Ατμόσφαιρας των Η.Π.Α. Η υγρασία εδάφους βασίζεται στην ισορροπία του νερού στο έδαφος.<br /> <br /> '''2.3 ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> Η απόδοση των καλλιεργειών θεωρείται ως μία εξαρτημένη μεταβλητή που μεταβάλλεται διαφορετικά με ανεξάρτητες μεταβλητές όπως ο δείκτης NDVI, η θερμοκρασία επιφάνειας κ.ά. Οι διαφορετικές τιμές των δεικτών αυτών δεν ακολουθούν έναν συγκεκριμένο γραμμικό συνδυασμό, επομένως η μοντελοποίηση μίας τέτοιας δυναμικής σχέσης με συμβατικές γραμμικές μεθόδους καθίσταται ιδιαίτερα δύσκολη. Μία μη γραμμική προσέγγιση ακολουθήθηκε για να υπολογιστεί η σχέση μεταξύ μίας ομάδας ανεξάρτητων μεταβλητών και μίας εξαρτημένης μεταβλητής. Η μη γραμμική μέθοδος Quasi-Newton επιλέχθηκε για την αντιμετώπιση του συγκεκριμένου προβλήματος. Με τη χρήση του σημείου καμπής(breakpoint) δημιουργείται το μοντέλο για την εκτίμηση απόδοσης της καλλιέργειας.<br /> <br /> '''2.4 ΜΟΝΤΕΛΟ'''<br /> <br /> Το σημείο καμπής που χρησιμοποιήθηκε είναι ο μέσος της απόδοσης των καλλιεργειών καλαμποκιού ή σόγιας για τα 19 χρόνια. Οι εμπειρικές εξισώσεις σύμφωνα με τη μέθοδο Quasi-Newton παρουσιάζονται στην εικόνα 7, όπου SM: Υγρασία εδάφους, ST:Θερμοκρασία επιφάνειας, RF:Βροχόπτωση,m= μέσος καλαμποκιού ή σόγιας, c1,c2,ai,bi, όπου i= 1-4συντελεστές Quasi-Newton.Η μέθοδος Quasi-Newton χρησιμοποιεί την συνάρτηση Lf=(παρατηρούμενα-προβλεπόμενα)^2 για να καταλήξει σε ένα αποτέλεσμα όσο το δυνατόν πιο κοντινό στα παρατηρούμενα δεδομένα, όπως διαπιστώνεται από την εικόνα 8.<br /> <br /> Η συγκεκριμένη μεθοδολογία παρέχει αποτελέσματα που είναι κοντά στις πραγματικές τιμές. Δεδομένα μικρότερου όγκου (7-10 χρόνια) δίνουν καλύτερα αποτελέσματα από δεδομένα μεγαλύτερου όγκου ( 19 χρόνια) λόγω μικρότερης διασποράς των μεταβλητών.<br /> <br /> '''3. ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Το μοντέλο έρχεται σε συμφωνία με την καταγεγραμμένη καλλιέργεια σόγιας. Οι τιμές ανά το χρόνο βρίσκονται εντός αποδεκτών ορίων από την παρατηρούμενη απόδοση των καλλιεργειών. Επίσης, οι καλλιέργειες καλαμποκιού παρουσιάζουν μία παρόμοια κατανομή με εξαίρεση το έτος 1993. Ο συντελεστής R2που είναι σχετικά υψηλός δηλώνει πως τα περισσότερα χρόνια, οι αποδόσεις των καλλιεργειών εξαρτώνται από τις μεταβλητές που εισάχθηκαν στο μοντέλο.Παρόλα αυτά, άλλοι παράγοντες όπως τα φυτοφάρμακα, οι αρρώστιες και οι ανθρώπινες παρεμβάσεις μπορούν να προκαλέσουν διαφοροποιήσεις στην απόδοση μίας καλλιέργειας. Αυτό αποτελεί ένα σημαντικό περιορισμό για οποιαδήποτε μεθοδολογία πρόβλεψης των αποδόσεων. Όμως, η συμπερίληψη του δείκτη NDVI, φροντίζει να αντιμετωπίσει τις ασθένειες ή τα φυτοφάρμακα που αφορούν τη βλάστηση. Η βελτίωση του μοντέλου μπορεί να επιτευχθεί με τη χρήση δεδομένων υψηλής ανάλυσης τα οποία παρέχονται σε βάθος αρκετών ετών.<br /> <br /> '''4. EΠΙΛΟΓΟΣ'''<br /> <br /> To μοντέλο που αναλύεται στο συγκεκριμένο άρθρο ελαχιστοποιεί την αστάθεια και τα λάθη στην εκτίμηση της σοδειάς δίνοντας υψηλό συντελεστή R2, χρησιμοποιώντας όσο το δυνατόν περισσότερους συντελεστές στο μοντέλο. Η μέθοδος αυτή μπορεί να εφαρμοστεί για την πρόβλεψη απόδοσης καλλιεργειών και για άλλες σοδειές εκτός από σόγια και καλαμπόκι. Η μέθοδος Quasi-Newton που χρησιμοποιήθηκε μπορεί να εφαρμοστεί και σε άλλες χώρες όπου η παραγωγή των καλλιεργειών επηρεάζεται κυρίως από καιρικές και κλιματικές συνθήκες. <br /> <br /> '''5. ΣΥΝΕΙΣΦΟΡΑ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ'''<br /> <br /> Στη συγκεκριμένη μελέτη αναδεικνύεται η τηλεπισκόπηση ως ένα πολύ σημαντικό εργαλείο για την παρακολούθηση και την εκτίμηση της συγκομιδής των καλλιεργειών. Ο δείκτης NDVI αποτελεί έχει εξαιρετική χρησιμότητα στον προσδιορισμό των παραπάνω στοιχείων και σε συνδυασμό με παραμέτρους όπως η υγρασία του εδάφους, η θερμοκρασία και οι κατακρημνίσεις παρουσιάζουν αξιόπιστα αποτέλεσματα για τον επιτυχή σχεδιασμό της αγροτικής πολιτικής μίας χώρας.<br /> <br /> [[category:Γεωργία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CE%BF_%CF%83%CF%85%CE%B3%CE%BA%CE%BF%CE%BC%CE%B9%CE%B4%CE%AE%CF%82_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%91%CE%B9%CF%8C%CE%B2%CE%B1_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%B5%CE%B8%CF%8C%CE%B4%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BC%CE%AD%CF%84%CF%81%CF%89%CE%BD_%CE%B5%CF%80%CE%B9%CF%86%CE%AC%CE%BD%CE%B5%CE%B9%CE%B1%CF%82 2017-02-14T00:47:21Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap1_p1.png|thumb|right|'''Eικόνα 1:''' Χάρτης των Η.Π.Α που δείχνει την περιοχή των καλλιεργειών στην Αιόβα από την οποία προέκυψε το μοντέλο]]<br /> [[εικόνα: GF_pap1_p2.png|thumb|right|'''Eικόνα 2:''' Σοδειά καλαμποκιού και σόγιας από το 1982 μέχρι το 2001]]<br /> [[εικόνα: GF_pap1_p3.png|thumb|right|'''Εικόνα 3:''' Δείκτες NDVI]]<br /> [[εικόνα: GF_pap1_p4.png|thumb|right|'''Εικόνα 4:''' Δείκτες Βροχοπτώσεων]]<br /> [[εικόνα: GF_pap1_p5.png|thumb|right|'''Εικόνα 5:''' Δείκτες Θερμοκρασίας]]<br /> [[εικόνα: GF_pap1_p6.png|thumb|right|'''Εικόνα 6:''' Δείκτες υγρασίας]]<br /> [[εικόνα: GF_pap1_p7.png|thumb|right|'''Εικόνα 7:''' Μέθοδος Quasi-Newton]]<br /> [[εικόνα: GF_pap1_p8.png|thumb|right|'''Εικόνα 8:''' Καταγεγραμμένες και Εκτιμημένες σοδειές Καλαμποκιού (α) και Σόγιας (β) για την Αιόβα. Οι τιμές R2 είναι 0.78 για το Καλαμπόκι και 0.86 για τη Σόγια]]<br /> <br /> International Journal of Applied Earth Observation and Geoinformation 8 (2006) 26–33<br /> <br /> Anup K. Prasad , Lim Chai , Ramesh P. Singh*, MenasKafatos <br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0303243405000553]<br /> <br /> '''Λέξεις-Κλειδιά:''' Μοντέλο εκτίμησης απόδοσης καλλιεργειών, NDVI, Αιόβα, Σόγια, Καλαμπόκι<br /> <br /> '''1.ΕΙΣΑΓΩΓΗ'''<br /> <br /> H συστηματική παρακολούθησητης κατάστασης των καλλιεργειών είναι σημαντική για την οικονομική ανάπτυξη κάθε έθνους. Η χρήση της τηλεπισκόπησης έχει αποδειχτεί πολύ σημαντική για την παρακολούθηση της εξέλιξης των αγροτικών καλλιεργειώνκαι τον βέλτιστο προγραμματισμό άρδευσής τους. Έχουν γίνει προσπάθειες για την ανάπτυξη διάφορων τηλεπισκοπικώνδεικτών για διαφορετικά είδη καλλιεργειών σε παγκόσμιο επίπεδο. Η παραγωγή των καλλιεργειών και η πρόβλεψη για τη σοδειά τους έχουν άμεση επίπτωση στην εθνική οικονομία κάθε χώρας και έχουν σημαντικό ρόλο στη διαχείριση της τροφής(HayesandDecker, 1996). Με τη χρήση τηλεπισκοπικών δεδομένων, έχουν αναπτυχθεί διάφοροι δείκτες όπως: ο κανονικοποιημένος δείκτης βλάστησης(NDVI), ο δείκτης κατάστασης της βλάστησης (VCI) και ο δείκτης κατάστασης θερμοκρασίας(TCI). Οι παραπάνω δείκτες χρησιμοποιούνται συνήθως για την ανίχνευση ξηρασίας, για την παρακολούθησηυπερβολικήςυγρασίας του εδάφους, για την καταγραφή των καιρικών επιπτώσεων στη βλάστηση και στην αξιολόγηση της υγείας της βλάστησης και παραγωγικότητας(UnganaiandKogan, 1998;Kogan, 2001, 2002;Koganetal.,2003; Singhetal.,2003). Tα δεδομένα του δείκτη NDVI χρησιμοποιούνται εκτενώς στην παρακολούθηση της βλάστησης και στην καταγραφή των σοδειών των καλλιεργειών(Hayesetal., 1982; BenedettiandRossinni, 1993; Quarmbyetal., 1993). Η ζώνη καλαμποκιού στις Η.Π.Α παρέχει περίπου το 80% της συνολικής παραγωγής για τις ανάγκες των Η.Π.Α και αναλογεί στο 36% της παγκόσμιας παραγωγής(USDA, 1987). Το Υπουργείο Αγροτικής Ανάπτυξης των Η.Π.Απροβλέπει την παροχή σοδειάς και τις ανάγκες της ζήτησης για κάθε μήνα κατά τη διάρκεια της εποχής των καλλιεργειών, ξεκινώντας από τις αρχές του Ιανουαρίου. Ο δείκτης NDVI θεωρείται ένας χρήσιμος δείκτης για την αξιολόγηση μοντέλων καλλιεργειών χρησιμοποιώντας διαφορετικές προσεγγίσεις. Ο δείκτης NDVIανακλά το πράσινο επομένως παρουσιάζει το επίπεδο υγείας της βλάστησης. Παρόλο το γεγονός πως η ανάπτυξη των καλλιεργειών καλαμποκιού μπορεί να διαφέρει από τη φυσιολογική βλάστηση, λόγω ανθρώπινων παρεμβάσεων, ο δείκτης NDVI θεωρείται ως μία σημαντική πηγή πληροφορίας για την κατάσταση των καλλιεργειών. Οι επίγειες και δορυφορικές (NOAAA, Meteosat, etc.) μετρήσεις χρησιμοποιούνται συνήθως για την ανίχνευση διάφορων παραμέτρων, όπως ο τύπος του εδάφους, το φως, το διοξείδιο του άνθρακα, τη θερμοκρασία, το νερό και τον λόγο εξέλιξης και ανάπτυξης των καλλιεργειών. Οι τωρινές πρακτικές εκτίμησης απόδοσης των καλλιεργειών βασίζονται σε διάφορες μεθόδους και πηγές δεδομένων, όπως τοπογραφικές μελέτες, τεχνολογικές γνώσεις, στατιστικά μοντέλα, χωρική ανάλυση και μοντέλα προσομοίωσης ανάπτυξης καλλιεργειών. Στο συγκεκριμένο άρθρο, αναπτύσσεται ένα μοντέλο εκτίμησης συγκομιδής καλλιεργειών και πιο συγκεκριμένα για το καλαμπόκι και τη σόγια στην πολιτεία της Αιόβα στις Η.Π.Α. με τη χρήση του δείκτη NDVI, τη θερμοκρασία της επιφάνειας, καθώς και τις κατακρημνίσεις και την υγρασία του εδάφους.<br /> <br /> '''2. ΜΕΘΟΔΟΙ'''<br /> <br /> '''2.1 ΕΠΙΛΟΓΗ ΤΗΣ ΠΕΡΙΟΧΗΣ ΜΕΛΕΤΗΣ'''<br /> <br /> Η πολιτεία της Aιόβα ανήκει στη «ζώνη καλαμποκιού» των Η.Π.Α (USCornBelt). Για την εφαρμογή χρησιμοποιήθηκαν 10 επιλεγμένες ποικιλίες καλαμποκιού και σόγιας. Η πολιτεία της Αιόβα παράγει το 17,9% του συνολικού καλαμποκιού για τις Η.Π.Α. καθιστώντας την τη μεγαλύτερη παραγωγή (USDA, 1997) και η καλλιέργεια της σόγιας είναι η δεύτερη μεγαλύτερη καλλιέργεια μετά το καλαμπόκι και περίπου 10.920.000 εκτάρια θερίστηκαν το έτος 2001.<br /> <br /> '''2.2 ΔΕΔΟΜΕΝΑ'''<br /> <br /> Χρησιμοποιήθηκαν τηλεπισκοπικάδεδομένα για τις αποδόσεις καλλιεργειών για το καλαμπόκι και τη σόγια στην πολιτεία της Αιόβα, όπου το καλαμπόκι καλλιεργείται στις αρχές Μαίουκαι η ανάπτυξη στη βιομάζα του συμβαίνει από Ιούνιο μέχρι Σεπτέμβριο και είναι έτοιμο προς συγκομιδή το Σεπτέμβριο. Επομένως, ένας προσωρινός μέσος ετήσιος δείκτης NDVI, η υγρασία του εδάφους, η θερμοκρασία της επιφάνειας και τα δεδομένα βροχοπτώσεων για την περίοδο Μαίου-Σεπτεμβρίου για τα έτη 1982 έως 2001 έχουν χρησιμοποιηθεί(εξαιρείται το έτος 1994). Η εποχή καλλιέργειας της σόγιας ξεκινάει από τα μέσα Μαίου μέχρι τις αρχές Ιουνίου. Η ανάπτυξη των καλλιεργειών συμβαίνει μεταξύ του Ιουνίου και του Σεπτεμβρίου και η συγκομιδή γίνεται κυρίως τον Οκτώβριο. Για τη σόγια, ένας προσωρινός μέσος ετήσιος δείκτης NDVI, η υγρασία του εδάφους, η θερμοκρασία της επιφάνειας και δεδομένα βροχοπτώσεων για την περίοδο από 1982 έως 2001 χρησιμοποιήθηκαν(εξαιρείται το έτος 1994).<br /> <br /> '''2.2.1 NDVI'''<br /> <br /> Χρησιμοποιήθηκαν σύνθετα, ηπειρωτικά δεδομένα(datasets) του δείκτη NDVI διαστάσεων 8kmX 8kmπου προέκυψαν από τον δορυφόρο AVHRR και συλλέγονται από την Εθνική Ωκεανική και Ατμοσφαιρική Υπηρεσία (NationalOceanicandAtmosphericAdministration) για την περίοδο 1982-2001. [http://noaasis.noaa.gov/NOAASIS/ml/avhrr.html]. Tα δεδομένα του δείκτη NDVI προκύπτουν από το κανάλι 1 (ορατό) και το Κανάλι 2(εγγύς υπέρυθρο). H οπτική εξασθένιση του μήκου κύματος που παρατηρείται στο δορυφόρο AVHRR δεν παρουσιάζει σημαντικές διαφορές από τον πολυφασματικό δορυφόρο LandsatMSS και τον Θεματικό Χαρτογράφο(ThematicMapper-TM) ή τον γαλλικό δορυφόρο SPOT. H εξασθένιση του μήκου κύματος είναι σημαντικά πιο ευαίσθητη στην εξάτμιση του νερού στο εγγύς υπέρυθρο απότι στους άλλους δορυφόρους(Gowardetal., 1991). Ο δείκτης που προκύπτει από τα δεδομένα NOAA11 δείχνει τιμές υψηλότερες κατά 0.05 από προηγούμενες αποστολές του NOAA για την Αφρικανική έρημο. Επίσης παρατηρήθηκε σφάλμα στην ηλιακή ζενίθια γωνία. Παρόλα αυτά, ο δείκτης NDVI που προκύπτει από τα δεδομένα του δορυφόρου AVHRR είναι λιγότερο επηρεασμένος από λάθη στην ηλιακή ζενίθια γωνία [http://daac.gsfc.nasa.gov/ CAMPAIGN_DOCS/LAND_BIO/zenith_angle_me- mo.html] <br /> <br /> '''2.2.2 KATAΚΡΗΜΝΙΣΕΙΣ'''<br /> <br /> Τα δεδομένα βροχοπτώσεων είναι διαθέσιμα ως ο μηνιαίος μέσος σε μία κλιματική κατηγορία η οποία ορίζεται χρησιμοποιώντας ίσα βάρη σε σταθμούς που καταγράφουν και τη θερμοκρασία και τις κατακρημνίσεις στην κατηγορία αυτή.<br /> <br /> '''2.2.3 ΘΕΡΜΟΚΡΑΣΙΑ'''<br /> <br /> Τα δεδομένα για την μηνιαία θερμοκρασία επιφάνειας είναι διαθέσιμα από το Εθνικό Κέντρο Ωκεανογραφίας και Ατμόσφαιρας των Η.Π.Α.<br /> <br /> '''2.2.4 ΥΓΡΑΣΙΑ ΕΔΑΦΟΥΣ'''<br /> <br /> Τα δεδομένα για την υγρασία εδάφους είναι διαθέσιμα από το Εθνικό Κέντρο Ωκεανογραφίας και Ατμόσφαιρας των Η.Π.Α. Η υγρασία εδάφους βασίζεται στην ισορροπία του νερού στο έδαφος.<br /> <br /> '''2.3 ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> Η απόδοση των καλλιεργειών θεωρείται ως μία εξαρτημένη μεταβλητή που μεταβάλλεται διαφορετικά με ανεξάρτητες μεταβλητές όπως ο δείκτης NDVI, η θερμοκρασία επιφάνειας κ.ά. Οι διαφορετικές τιμές των δεικτών αυτών δεν ακολουθούν έναν συγκεκριμένο γραμμικό συνδυασμό, επομένως η μοντελοποίηση μίας τέτοιας δυναμικής σχέσης με συμβατικές γραμμικές μεθόδους καθίσταται ιδιαίτερα δύσκολη. Μία μη γραμμική προσέγγιση ακολουθήθηκε για να υπολογιστεί η σχέση μεταξύ μίας ομάδας ανεξάρτητων μεταβλητών και μίας εξαρτημένης μεταβλητής. Η μη γραμμική μέθοδος Quasi-Newton επιλέχθηκε για την αντιμετώπιση του συγκεκριμένου προβλήματος. Με τη χρήση του σημείου καμπής(breakpoint) δημιουργείται το μοντέλο για την εκτίμηση απόδοσης της καλλιέργειας.<br /> <br /> '''2.4 ΜΟΝΤΕΛΟ'''<br /> <br /> Το σημείο καμπής που χρησιμοποιήθηκε είναι ο μέσος της απόδοσης των καλλιεργειών καλαμποκιού ή σόγιας για τα 19 χρόνια. Οι εμπειρικές εξισώσεις σύμφωνα με τη μέθοδο Quasi-Newton παρουσιάζονται στην εικόνα 7, όπου SM: Υγρασία εδάφους, ST:Θερμοκρασία επιφάνειας, RF:Βροχόπτωση,m= μέσος καλαμποκιού ή σόγιας, c1,c2,ai,bi, όπου i= 1-4συντελεστές Quasi-Newton.Η μέθοδος Quasi-Newton χρησιμοποιεί την συνάρτηση Lf=(παρατηρούμενα-προβλεπόμενα)^2 για να καταλήξει σε ένα αποτέλεσμα όσο το δυνατόν πιο κοντινό στα παρατηρούμενα δεδομένα, όπως διαπιστώνεται από την εικόνα 8.<br /> <br /> Η συγκεκριμένη μεθοδολογία παρέχει αποτελέσματα που είναι κοντά στις πραγματικές τιμές. Δεδομένα μικρότερου όγκου (7-10 χρόνια) δίνουν καλύτερα αποτελέσματα από δεδομένα μεγαλύτερου όγκου ( 19 χρόνια) λόγω μικρότερης διασποράς των μεταβλητών.<br /> <br /> '''3. ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Το μοντέλο έρχεται σε συμφωνία με την καταγεγραμμένη καλλιέργεια σόγιας. Οι τιμές ανά το χρόνο βρίσκονται εντός αποδεκτών ορίων από την παρατηρούμενη απόδοση των καλλιεργειών. Επίσης, οι καλλιέργειες καλαμποκιού παρουσιάζουν μία παρόμοια κατανομή με εξαίρεση το έτος 1993. Ο συντελεστής R2που είναι σχετικά υψηλός δηλώνει πως τα περισσότερα χρόνια, οι αποδόσεις των καλλιεργειών εξαρτώνται από τις μεταβλητές που εισάχθηκαν στο μοντέλο.Παρόλα αυτά, άλλοι παράγοντες όπως τα φυτοφάρμακα, οι αρρώστιες και οι ανθρώπινες παρεμβάσεις μπορούν να προκαλέσουν διαφοροποιήσεις στην απόδοση μίας καλλιέργειας. Αυτό αποτελεί ένα σημαντικό περιορισμό για οποιαδήποτε μεθοδολογία πρόβλεψης των αποδόσεων. Όμως, η συμπερίληψη του δείκτη NDVI, φροντίζει να αντιμετωπίσει τις ασθένειες ή τα φυτοφάρμακα που αφορούν τη βλάστηση. Η βελτίωση του μοντέλου μπορεί να επιτευχθεί με τη χρήση δεδομένων υψηλής ανάλυσης τα οποία παρέχονται σε βάθος αρκετών ετών.<br /> <br /> '''4. EΠΙΛΟΓΟΣ'''<br /> <br /> To μοντέλο που αναλύεται στο συγκεκριμένο άρθρο ελαχιστοποιεί την αστάθεια και τα λάθη στην εκτίμηση της σοδειάς δίνοντας υψηλό συντελεστή R2, χρησιμοποιώντας όσο το δυνατόν περισσότερους συντελεστές στο μοντέλο. Η μέθοδος αυτή μπορεί να εφαρμοστεί για την πρόβλεψη απόδοσης καλλιεργειών και για άλλες σοδειές εκτός από σόγια και καλαμπόκι. Η μέθοδος Quasi-Newton που χρησιμοποιήθηκε μπορεί να εφαρμοστεί και σε άλλες χώρες όπου η παραγωγή των καλλιεργειών επηρεάζεται κυρίως από καιρικές και κλιματικές συνθήκες. <br /> <br /> '''5. ΣΥΝΕΙΣΦΟΡΑ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ'''<br /> <br /> Στη συγκεκριμένη μελέτη αναδεικνύεται η τηλεπισκόπηση ως ένα πολύ σημαντικό εργαλείο για την παρακολούθηση και την εκτίμηση της συγκομιδής των καλλιεργειών. Ο δείκτης NDVI αποτελεί έχει εξαιρετική χρησιμότητα στον προσδιορισμό των παραπάνω στοιχείων και σε συνδυασμό με παραμέτρους όπως η υγρασία του εδάφους, η θερμοκρασία και οι κατακρημνίσεις παρουσιάζουν αξιόπιστα αποτέλεσματα για τον επιτυχή σχεδιασμό της αγροτικής πολιτικής μίας χώρας.<br /> <br /> [[category:Γεωργία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CE%BF_%CF%83%CF%85%CE%B3%CE%BA%CE%BF%CE%BC%CE%B9%CE%B4%CE%AE%CF%82_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%91%CE%B9%CF%8C%CE%B2%CE%B1_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%B5%CE%B8%CF%8C%CE%B4%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BC%CE%AD%CF%84%CF%81%CF%89%CE%BD_%CE%B5%CF%80%CE%B9%CF%86%CE%AC%CE%BD%CE%B5%CE%B9%CE%B1%CF%82 2017-02-14T00:46:46Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap1_p1.png|thumb|right|'''Eικόνα 1:''' Χάρτης των Η.Π.Α που δείχνει την περιοχή των καλλιεργειών στην Αιόβα από την οποία προέκυψε το μοντέλο]]<br /> [[εικόνα: GF_pap1_p2.png|thumb|right|'''Eικόνα 2:''' Σοδειά καλαμποκιού και σόγιας από το 1982 μέχρι το 2001]]<br /> [[εικόνα: GF_pap1_p3.png|thumb|right|'''Εικόνα 3:''' Δείκτες NDVI]]<br /> [[εικόνα: GF_pap1_p4.png|thumb|right|'''Εικόνα 4:''' Δείκτες Βροχοπτώσεων]]<br /> [[εικόνα: GF_pap1_p5.png|thumb|right|'''Εικόνα 5:''' Δείκτες Θερμοκρασίας]]<br /> [[εικόνα: GF_pap1_p6.png|thumb|right|'''Εικόνα 6:''' Δείκτες υγρασίας]]<br /> [[εικόνα: GF_pap1_p7.png|thumb|right|'''Εικόνα 7:''' Μέθοδος Quasi-Newton]]<br /> [[εικόνα: GF_pap1_p8.png|thumb|right|'''Εικόνα 8:''' Καταγεγραμμένες και Εκτιμημένες σοδειές Καλαμποκιού (α) και Σόγιας (β) για την Αιόβα. Οι τιμές R2 είναι 0.78 για το Καλαμπόκι και 0.86 για τη Σόγια]]<br /> <br /> International Journal of Applied Earth Observation and Geoinformation 8 (2006) 26–33<br /> <br /> Anup K. Prasad , Lim Chai , Ramesh P. Singh*, MenasKafatos <br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0303243405000553]<br /> <br /> '''Λέξεις-Κλειδιά:''' Μοντέλο εκτίμησης απόδοσης καλλιεργειών, NDVI, Αιόβα, Σόγια, Καλαμπόκι<br /> <br /> '''1.ΕΙΣΑΓΩΓΗ'''<br /> <br /> H συστηματική παρακολούθησητης κατάστασης των καλλιεργειών είναι σημαντική για την οικονομική ανάπτυξη κάθε έθνους. Η χρήση της τηλεπισκόπησης έχει αποδειχτεί πολύ σημαντική για την παρακολούθηση της εξέλιξης των αγροτικών καλλιεργειώνκαι τον βέλτιστο προγραμματισμό άρδευσής τους. Έχουν γίνει προσπάθειες για την ανάπτυξη διάφορων τηλεπισκοπικώνδεικτών για διαφορετικά είδη καλλιεργειών σε παγκόσμιο επίπεδο. Η παραγωγή των καλλιεργειών και η πρόβλεψη για τη σοδειά τους έχουν άμεση επίπτωση στην εθνική οικονομία κάθε χώρας και έχουν σημαντικό ρόλο στη διαχείριση της τροφής(HayesandDecker, 1996). Με τη χρήση τηλεπισκοπικών δεδομένων, έχουν αναπτυχθεί διάφοροι δείκτες όπως: ο κανονικοποιημένος δείκτης βλάστησης(NDVI), ο δείκτης κατάστασης της βλάστησης (VCI) και ο δείκτης κατάστασης θερμοκρασίας(TCI). Οι παραπάνω δείκτες χρησιμοποιούνται συνήθως για την ανίχνευση ξηρασίας, για την παρακολούθησηυπερβολικήςυγρασίας του εδάφους, για την καταγραφή των καιρικών επιπτώσεων στη βλάστηση και στην αξιολόγηση της υγείας της βλάστησης και παραγωγικότητας(UnganaiandKogan, 1998;Kogan, 2001, 2002;Koganetal.,2003; Singhetal.,2003). Tα δεδομένα του δείκτη NDVI χρησιμοποιούνται εκτενώς στην παρακολούθηση της βλάστησης και στην καταγραφή των σοδειών των καλλιεργειών(Hayesetal., 1982; BenedettiandRossinni, 1993; Quarmbyetal., 1993). Η ζώνη καλαμποκιού στις Η.Π.Α παρέχει περίπου το 80% της συνολικής παραγωγής για τις ανάγκες των Η.Π.Α και αναλογεί στο 36% της παγκόσμιας παραγωγής(USDA, 1987). Το Υπουργείο Αγροτικής Ανάπτυξης των Η.Π.Απροβλέπει την παροχή σοδειάς και τις ανάγκες της ζήτησης για κάθε μήνα κατά τη διάρκεια της εποχής των καλλιεργειών, ξεκινώντας από τις αρχές του Ιανουαρίου. Ο δείκτης NDVI θεωρείται ένας χρήσιμος δείκτης για την αξιολόγηση μοντέλων καλλιεργειών χρησιμοποιώντας διαφορετικές προσεγγίσεις. Ο δείκτης NDVIανακλά το πράσινο επομένως παρουσιάζει το επίπεδο υγείας της βλάστησης. Παρόλο το γεγονός πως η ανάπτυξη των καλλιεργειών καλαμποκιού μπορεί να διαφέρει από τη φυσιολογική βλάστηση, λόγω ανθρώπινων παρεμβάσεων, ο δείκτης NDVI θεωρείται ως μία σημαντική πηγή πληροφορίας για την κατάσταση των καλλιεργειών. Οι επίγειες και δορυφορικές (NOAAA, Meteosat, etc.) μετρήσεις χρησιμοποιούνται συνήθως για την ανίχνευση διάφορων παραμέτρων, όπως ο τύπος του εδάφους, το φως, το διοξείδιο του άνθρακα, τη θερμοκρασία, το νερό και τον λόγο εξέλιξης και ανάπτυξης των καλλιεργειών. Οι τωρινές πρακτικές εκτίμησης απόδοσης των καλλιεργειών βασίζονται σε διάφορες μεθόδους και πηγές δεδομένων, όπως τοπογραφικές μελέτες, τεχνολογικές γνώσεις, στατιστικά μοντέλα, χωρική ανάλυση και μοντέλα προσομοίωσης ανάπτυξης καλλιεργειών. Στο συγκεκριμένο άρθρο, αναπτύσσεται ένα μοντέλο εκτίμησης συγκομιδής καλλιεργειών και πιο συγκεκριμένα για το καλαμπόκι και τη σόγια στην πολιτεία της Αιόβα στις Η.Π.Α. με τη χρήση του δείκτη NDVI, τη θερμοκρασία της επιφάνειας, καθώς και τις κατακρημνίσεις και την υγρασία του εδάφους.<br /> <br /> '''2. ΜΕΘΟΔΟΙ'''<br /> <br /> '''2.1 ΕΠΙΛΟΓΗ ΤΗΣ ΠΕΡΙΟΧΗΣ ΜΕΛΕΤΗΣ'''<br /> <br /> Η πολιτεία της Aιόβα ανήκει στη «ζώνη καλαμποκιού» των Η.Π.Α (USCornBelt). Για την εφαρμογή χρησιμοποιήθηκαν 10 επιλεγμένες ποικιλίες καλαμποκιού και σόγιας. Η πολιτεία της Αιόβα παράγει το 17,9% του συνολικού καλαμποκιού για τις Η.Π.Α. καθιστώντας την τη μεγαλύτερη παραγωγή (USDA, 1997) και η καλλιέργεια της σόγιας είναι η δεύτερη μεγαλύτερη καλλιέργεια μετά το καλαμπόκι και περίπου 10.920.000 εκτάρια θερίστηκαν το έτος 2001.<br /> <br /> '''2.2 ΔΕΔΟΜΕΝΑ'''<br /> <br /> Χρησιμοποιήθηκαν τηλεπισκοπικάδεδομένα για τις αποδόσεις καλλιεργειών για το καλαμπόκι και τη σόγια στην πολιτεία της Αιόβα, όπου το καλαμπόκι καλλιεργείται στις αρχές Μαίουκαι η ανάπτυξη στη βιομάζα του συμβαίνει από Ιούνιο μέχρι Σεπτέμβριο και είναι έτοιμο προς συγκομιδή το Σεπτέμβριο. Επομένως, ένας προσωρινός μέσος ετήσιος δείκτης NDVI, η υγρασία του εδάφους, η θερμοκρασία της επιφάνειας και τα δεδομένα βροχοπτώσεων για την περίοδο Μαίου-Σεπτεμβρίου για τα έτη 1982 έως 2001 έχουν χρησιμοποιηθεί(εξαιρείται το έτος 1994). Η εποχή καλλιέργειας της σόγιας ξεκινάει από τα μέσα Μαίου μέχρι τις αρχές Ιουνίου. Η ανάπτυξη των καλλιεργειών συμβαίνει μεταξύ του Ιουνίου και του Σεπτεμβρίου και η συγκομιδή γίνεται κυρίως τον Οκτώβριο. Για τη σόγια, ένας προσωρινός μέσος ετήσιος δείκτης NDVI, η υγρασία του εδάφους, η θερμοκρασία της επιφάνειας και δεδομένα βροχοπτώσεων για την περίοδο από 1982 έως 2001 χρησιμοποιήθηκαν(εξαιρείται το έτος 1994).<br /> <br /> '''2.2.1 NDVI'''<br /> <br /> Χρησιμοποιήθηκαν σύνθετα, ηπειρωτικά δεδομένα(datasets) του δείκτη NDVI διαστάσεων 8kmX 8kmπου προέκυψαν από τον δορυφόρο AVHRR και συλλέγονται από την Εθνική Ωκεανική και Ατμοσφαιρική Υπηρεσία (NationalOceanicandAtmosphericAdministration) για την περίοδο 1982-2001. [http://noaasis.noaa.gov/NOAASIS/ml/avhrr.html]. Tα δεδομένα του δείκτη NDVI προκύπτουν από το κανάλι 1 (ορατό) και το Κανάλι 2(εγγύς υπέρυθρο). H οπτική εξασθένιση του μήκου κύματος που παρατηρείται στο δορυφόρο AVHRR δεν παρουσιάζει σημαντικές διαφορές από τον πολυφασματικό δορυφόρο LandsatMSS και τον Θεματικό Χαρτογράφο(ThematicMapper-TM) ή τον γαλλικό δορυφόρο SPOT. H εξασθένιση του μήκου κύματος είναι σημαντικά πιο ευαίσθητη στην εξάτμιση του νερού στο εγγύς υπέρυθρο απότι στους άλλους δορυφόρους(Gowardetal., 1991). Ο δείκτης που προκύπτει από τα δεδομένα NOAA11 δείχνει τιμές υψηλότερες κατά 0.05 από προηγούμενες αποστολές του NOAA για την Αφρικανική έρημο. Επίσης παρατηρήθηκε σφάλμα στην ηλιακή ζενίθια γωνία. Παρόλα αυτά, ο δείκτης NDVI που προκύπτει από τα δεδομένα του δορυφόρου AVHRR είναι λιγότερο επηρεασμένος από λάθη στην ηλιακή ζενίθια γωνία (http://daac.gsfc.nasa.gov/ CAMPAIGN_DOCS/LAND_BIO/zenith_angle_me- mo.html). <br /> <br /> '''2.2.2 KATAΚΡΗΜΝΙΣΕΙΣ'''<br /> <br /> Τα δεδομένα βροχοπτώσεων είναι διαθέσιμα ως ο μηνιαίος μέσος σε μία κλιματική κατηγορία η οποία ορίζεται χρησιμοποιώντας ίσα βάρη σε σταθμούς που καταγράφουν και τη θερμοκρασία και τις κατακρημνίσεις στην κατηγορία αυτή.<br /> <br /> '''2.2.3 ΘΕΡΜΟΚΡΑΣΙΑ'''<br /> <br /> Τα δεδομένα για την μηνιαία θερμοκρασία επιφάνειας είναι διαθέσιμα από το Εθνικό Κέντρο Ωκεανογραφίας και Ατμόσφαιρας των Η.Π.Α.<br /> <br /> '''2.2.4 ΥΓΡΑΣΙΑ ΕΔΑΦΟΥΣ'''<br /> <br /> Τα δεδομένα για την υγρασία εδάφους είναι διαθέσιμα από το Εθνικό Κέντρο Ωκεανογραφίας και Ατμόσφαιρας των Η.Π.Α. Η υγρασία εδάφους βασίζεται στην ισορροπία του νερού στο έδαφος.<br /> <br /> '''2.3 ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> Η απόδοση των καλλιεργειών θεωρείται ως μία εξαρτημένη μεταβλητή που μεταβάλλεται διαφορετικά με ανεξάρτητες μεταβλητές όπως ο δείκτης NDVI, η θερμοκρασία επιφάνειας κ.ά. Οι διαφορετικές τιμές των δεικτών αυτών δεν ακολουθούν έναν συγκεκριμένο γραμμικό συνδυασμό, επομένως η μοντελοποίηση μίας τέτοιας δυναμικής σχέσης με συμβατικές γραμμικές μεθόδους καθίσταται ιδιαίτερα δύσκολη. Μία μη γραμμική προσέγγιση ακολουθήθηκε για να υπολογιστεί η σχέση μεταξύ μίας ομάδας ανεξάρτητων μεταβλητών και μίας εξαρτημένης μεταβλητής. Η μη γραμμική μέθοδος Quasi-Newton επιλέχθηκε για την αντιμετώπιση του συγκεκριμένου προβλήματος. Με τη χρήση του σημείου καμπής(breakpoint) δημιουργείται το μοντέλο για την εκτίμηση απόδοσης της καλλιέργειας.<br /> <br /> '''2.4 ΜΟΝΤΕΛΟ'''<br /> <br /> Το σημείο καμπής που χρησιμοποιήθηκε είναι ο μέσος της απόδοσης των καλλιεργειών καλαμποκιού ή σόγιας για τα 19 χρόνια. Οι εμπειρικές εξισώσεις σύμφωνα με τη μέθοδο Quasi-Newton παρουσιάζονται στην εικόνα 7, όπου SM: Υγρασία εδάφους, ST:Θερμοκρασία επιφάνειας, RF:Βροχόπτωση,m= μέσος καλαμποκιού ή σόγιας, c1,c2,ai,bi, όπου i= 1-4συντελεστές Quasi-Newton.Η μέθοδος Quasi-Newton χρησιμοποιεί την συνάρτηση Lf=(παρατηρούμενα-προβλεπόμενα)^2 για να καταλήξει σε ένα αποτέλεσμα όσο το δυνατόν πιο κοντινό στα παρατηρούμενα δεδομένα, όπως διαπιστώνεται από την εικόνα 8.<br /> <br /> Η συγκεκριμένη μεθοδολογία παρέχει αποτελέσματα που είναι κοντά στις πραγματικές τιμές. Δεδομένα μικρότερου όγκου (7-10 χρόνια) δίνουν καλύτερα αποτελέσματα από δεδομένα μεγαλύτερου όγκου ( 19 χρόνια) λόγω μικρότερης διασποράς των μεταβλητών.<br /> <br /> '''3. ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Το μοντέλο έρχεται σε συμφωνία με την καταγεγραμμένη καλλιέργεια σόγιας. Οι τιμές ανά το χρόνο βρίσκονται εντός αποδεκτών ορίων από την παρατηρούμενη απόδοση των καλλιεργειών. Επίσης, οι καλλιέργειες καλαμποκιού παρουσιάζουν μία παρόμοια κατανομή με εξαίρεση το έτος 1993. Ο συντελεστής R2που είναι σχετικά υψηλός δηλώνει πως τα περισσότερα χρόνια, οι αποδόσεις των καλλιεργειών εξαρτώνται από τις μεταβλητές που εισάχθηκαν στο μοντέλο.Παρόλα αυτά, άλλοι παράγοντες όπως τα φυτοφάρμακα, οι αρρώστιες και οι ανθρώπινες παρεμβάσεις μπορούν να προκαλέσουν διαφοροποιήσεις στην απόδοση μίας καλλιέργειας. Αυτό αποτελεί ένα σημαντικό περιορισμό για οποιαδήποτε μεθοδολογία πρόβλεψης των αποδόσεων. Όμως, η συμπερίληψη του δείκτη NDVI, φροντίζει να αντιμετωπίσει τις ασθένειες ή τα φυτοφάρμακα που αφορούν τη βλάστηση. Η βελτίωση του μοντέλου μπορεί να επιτευχθεί με τη χρήση δεδομένων υψηλής ανάλυσης τα οποία παρέχονται σε βάθος αρκετών ετών.<br /> <br /> '''4. EΠΙΛΟΓΟΣ'''<br /> <br /> To μοντέλο που αναλύεται στο συγκεκριμένο άρθρο ελαχιστοποιεί την αστάθεια και τα λάθη στην εκτίμηση της σοδειάς δίνοντας υψηλό συντελεστή R2, χρησιμοποιώντας όσο το δυνατόν περισσότερους συντελεστές στο μοντέλο. Η μέθοδος αυτή μπορεί να εφαρμοστεί για την πρόβλεψη απόδοσης καλλιεργειών και για άλλες σοδειές εκτός από σόγια και καλαμπόκι. Η μέθοδος Quasi-Newton που χρησιμοποιήθηκε μπορεί να εφαρμοστεί και σε άλλες χώρες όπου η παραγωγή των καλλιεργειών επηρεάζεται κυρίως από καιρικές και κλιματικές συνθήκες. <br /> <br /> '''5. ΣΥΝΕΙΣΦΟΡΑ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ'''<br /> <br /> Στη συγκεκριμένη μελέτη αναδεικνύεται η τηλεπισκόπηση ως ένα πολύ σημαντικό εργαλείο για την παρακολούθηση και την εκτίμηση της συγκομιδής των καλλιεργειών. Ο δείκτης NDVI αποτελεί έχει εξαιρετική χρησιμότητα στον προσδιορισμό των παραπάνω στοιχείων και σε συνδυασμό με παραμέτρους όπως η υγρασία του εδάφους, η θερμοκρασία και οι κατακρημνίσεις παρουσιάζουν αξιόπιστα αποτέλεσματα για τον επιτυχή σχεδιασμό της αγροτικής πολιτικής μίας χώρας.<br /> <br /> [[category:Γεωργία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CE%BF_%CF%83%CF%85%CE%B3%CE%BA%CE%BF%CE%BC%CE%B9%CE%B4%CE%AE%CF%82_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%91%CE%B9%CF%8C%CE%B2%CE%B1_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%B5%CE%B8%CF%8C%CE%B4%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BC%CE%AD%CF%84%CF%81%CF%89%CE%BD_%CE%B5%CF%80%CE%B9%CF%86%CE%AC%CE%BD%CE%B5%CE%B9%CE%B1%CF%82 2017-02-14T00:46:02Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap1_p1.png|thumb|right|'''Eικόνα 1:''' Χάρτης των Η.Π.Α που δείχνει την περιοχή των καλλιεργειών στην Αιόβα από την οποία προέκυψε το μοντέλο]]<br /> [[εικόνα: GF_pap1_p2.png|thumb|right|'''Eικόνα 2:''' Σοδειά καλαμποκιού και σόγιας από το 1982 μέχρι το 2001]]<br /> [[εικόνα: GF_pap1_p3.png|thumb|right|'''Εικόνα 3:''' Δείκτες NDVI]]<br /> [[εικόνα: GF_pap1_p4.png|thumb|right|'''Εικόνα 4:''' Δείκτες Βροχοπτώσεων]]<br /> [[εικόνα: GF_pap1_p5.png|thumb|right|'''Εικόνα 5:''' Δείκτες Θερμοκρασίας]]<br /> [[εικόνα: GF_pap1_p6.png|thumb|right|'''Εικόνα 6:''' Δείκτες υγρασίας]]<br /> [[εικόνα: GF_pap1_p7.png|thumb|right|'''Εικόνα 7:''' Μέθοδος Quasi-Newton]]<br /> [[εικόνα: GF_pap1_p8.png|thumb|right|'''Εικόνα 8:''' Καταγεγραμμένες και Εκτιμημένες σοδειές Καλαμποκιού (α) και Σόγιας (β) για την Αιόβα. Οι τιμές R2 είναι 0.78 για το Καλαμπόκι και 0.86 για τη Σόγια]]<br /> <br /> International Journal of Applied Earth Observation and Geoinformation 8 (2006) 26–33<br /> <br /> Anup K. Prasad , Lim Chai , Ramesh P. Singh*, MenasKafatos <br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0303243405000553]<br /> <br /> '''Λέξεις-Κλειδιά:''' Μοντέλο εκτίμησης απόδοσης καλλιεργειών, NDVI, Αιόβα, Σόγια, Καλαμπόκι<br /> <br /> '''1.ΕΙΣΑΓΩΓΗ'''<br /> <br /> H συστηματική παρακολούθησητης κατάστασης των καλλιεργειών είναι σημαντική για την οικονομική ανάπτυξη κάθε έθνους. Η χρήση της τηλεπισκόπησης έχει αποδειχτεί πολύ σημαντική για την παρακολούθηση της εξέλιξης των αγροτικών καλλιεργειώνκαι τον βέλτιστο προγραμματισμό άρδευσής τους. Έχουν γίνει προσπάθειες για την ανάπτυξη διάφορων τηλεπισκοπικώνδεικτών για διαφορετικά είδη καλλιεργειών σε παγκόσμιο επίπεδο. Η παραγωγή των καλλιεργειών και η πρόβλεψη για τη σοδειά τους έχουν άμεση επίπτωση στην εθνική οικονομία κάθε χώρας και έχουν σημαντικό ρόλο στη διαχείριση της τροφής(HayesandDecker, 1996). Με τη χρήση τηλεπισκοπικών δεδομένων, έχουν αναπτυχθεί διάφοροι δείκτες όπως: ο κανονικοποιημένος δείκτης βλάστησης(NDVI), ο δείκτης κατάστασης της βλάστησης (VCI) και ο δείκτης κατάστασης θερμοκρασίας(TCI). Οι παραπάνω δείκτες χρησιμοποιούνται συνήθως για την ανίχνευση ξηρασίας, για την παρακολούθησηυπερβολικήςυγρασίας του εδάφους, για την καταγραφή των καιρικών επιπτώσεων στη βλάστηση και στην αξιολόγηση της υγείας της βλάστησης και παραγωγικότητας(UnganaiandKogan, 1998;Kogan, 2001, 2002;Koganetal.,2003; Singhetal.,2003). Tα δεδομένα του δείκτη NDVI χρησιμοποιούνται εκτενώς στην παρακολούθηση της βλάστησης και στην καταγραφή των σοδειών των καλλιεργειών(Hayesetal., 1982; BenedettiandRossinni, 1993; Quarmbyetal., 1993). Η ζώνη καλαμποκιού στις Η.Π.Α παρέχει περίπου το 80% της συνολικής παραγωγής για τις ανάγκες των Η.Π.Α και αναλογεί στο 36% της παγκόσμιας παραγωγής(USDA, 1987). Το Υπουργείο Αγροτικής Ανάπτυξης των Η.Π.Απροβλέπει την παροχή σοδειάς και τις ανάγκες της ζήτησης για κάθε μήνα κατά τη διάρκεια της εποχής των καλλιεργειών, ξεκινώντας από τις αρχές του Ιανουαρίου. Ο δείκτης NDVI θεωρείται ένας χρήσιμος δείκτης για την αξιολόγηση μοντέλων καλλιεργειών χρησιμοποιώντας διαφορετικές προσεγγίσεις. Ο δείκτης NDVIανακλά το πράσινο επομένως παρουσιάζει το επίπεδο υγείας της βλάστησης. Παρόλο το γεγονός πως η ανάπτυξη των καλλιεργειών καλαμποκιού μπορεί να διαφέρει από τη φυσιολογική βλάστηση, λόγω ανθρώπινων παρεμβάσεων, ο δείκτης NDVI θεωρείται ως μία σημαντική πηγή πληροφορίας για την κατάσταση των καλλιεργειών. Οι επίγειες και δορυφορικές (NOAAA, Meteosat, etc.) μετρήσεις χρησιμοποιούνται συνήθως για την ανίχνευση διάφορων παραμέτρων, όπως ο τύπος του εδάφους, το φως, το διοξείδιο του άνθρακα, τη θερμοκρασία, το νερό και τον λόγο εξέλιξης και ανάπτυξης των καλλιεργειών. Οι τωρινές πρακτικές εκτίμησης απόδοσης των καλλιεργειών βασίζονται σε διάφορες μεθόδους και πηγές δεδομένων, όπως τοπογραφικές μελέτες, τεχνολογικές γνώσεις, στατιστικά μοντέλα, χωρική ανάλυση και μοντέλα προσομοίωσης ανάπτυξης καλλιεργειών. Στο συγκεκριμένο άρθρο, αναπτύσσεται ένα μοντέλο εκτίμησης συγκομιδής καλλιεργειών και πιο συγκεκριμένα για το καλαμπόκι και τη σόγια στην πολιτεία της Αιόβα στις Η.Π.Α. με τη χρήση του δείκτη NDVI, τη θερμοκρασία της επιφάνειας, καθώς και τις κατακρημνίσεις και την υγρασία του εδάφους.<br /> <br /> '''2. ΜΕΘΟΔΟΙ'''<br /> <br /> '''2.1 ΕΠΙΛΟΓΗ ΤΗΣ ΠΕΡΙΟΧΗΣ ΜΕΛΕΤΗΣ'''<br /> <br /> Η πολιτεία της Aιόβα ανήκει στη «ζώνη καλαμποκιού» των Η.Π.Α (USCornBelt). Για την εφαρμογή χρησιμοποιήθηκαν 10 επιλεγμένες ποικιλίες καλαμποκιού και σόγιας. Η πολιτεία της Αιόβα παράγει το 17,9% του συνολικού καλαμποκιού για τις Η.Π.Α. καθιστώντας την τη μεγαλύτερη παραγωγή (USDA, 1997) και η καλλιέργεια της σόγιας είναι η δεύτερη μεγαλύτερη καλλιέργεια μετά το καλαμπόκι και περίπου 10.920.000 εκτάρια θερίστηκαν το έτος 2001.<br /> <br /> '''2.2 ΔΕΔΟΜΕΝΑ'''<br /> <br /> Χρησιμοποιήθηκαν τηλεπισκοπικάδεδομένα για τις αποδόσεις καλλιεργειών για το καλαμπόκι και τη σόγια στην πολιτεία της Αιόβα, όπου το καλαμπόκι καλλιεργείται στις αρχές Μαίουκαι η ανάπτυξη στη βιομάζα του συμβαίνει από Ιούνιο μέχρι Σεπτέμβριο και είναι έτοιμο προς συγκομιδή το Σεπτέμβριο. Επομένως, ένας προσωρινός μέσος ετήσιος δείκτης NDVI, η υγρασία του εδάφους, η θερμοκρασία της επιφάνειας και τα δεδομένα βροχοπτώσεων για την περίοδο Μαίου-Σεπτεμβρίου για τα έτη 1982 έως 2001 έχουν χρησιμοποιηθεί(εξαιρείται το έτος 1994). Η εποχή καλλιέργειας της σόγιας ξεκινάει από τα μέσα Μαίου μέχρι τις αρχές Ιουνίου. Η ανάπτυξη των καλλιεργειών συμβαίνει μεταξύ του Ιουνίου και του Σεπτεμβρίου και η συγκομιδή γίνεται κυρίως τον Οκτώβριο. Για τη σόγια, ένας προσωρινός μέσος ετήσιος δείκτης NDVI, η υγρασία του εδάφους, η θερμοκρασία της επιφάνειας και δεδομένα βροχοπτώσεων για την περίοδο από 1982 έως 2001 χρησιμοποιήθηκαν(εξαιρείται το έτος 1994).<br /> <br /> '''2.2.1 NDVI'''<br /> <br /> Χρησιμοποιήθηκαν σύνθετα, ηπειρωτικά δεδομένα(datasets) του δείκτη NDVI διαστάσεων 8kmX 8kmπου προέκυψαν από τον δορυφόρο AVHRR και συλλέγονται από την Εθνική Ωκεανική και Ατμοσφαιρική Υπηρεσία (NationalOceanicandAtmosphericAdministration) για την περίοδο 1982-2001. (http://noaasis.noaa.gov/NOAASIS/ml/avhrr.html). Tα δεδομένα του δείκτη NDVI προκύπτουν από το κανάλι 1 (ορατό) και το Κανάλι 2(εγγύς υπέρυθρο). H οπτική εξασθένιση του μήκου κύματος που παρατηρείται στο δορυφόρο AVHRR δεν παρουσιάζει σημαντικές διαφορές από τον πολυφασματικό δορυφόρο LandsatMSS και τον Θεματικό Χαρτογράφο(ThematicMapper-TM) ή τον γαλλικό δορυφόρο SPOT. H εξασθένιση του μήκου κύματος είναι σημαντικά πιο ευαίσθητη στην εξάτμιση του νερού στο εγγύς υπέρυθρο απότι στους άλλους δορυφόρους(Gowardetal., 1991). Ο δείκτης που προκύπτει από τα δεδομένα NOAA11 δείχνει τιμές υψηλότερες κατά 0.05 από προηγούμενες αποστολές του NOAA για την Αφρικανική έρημο. Επίσης παρατηρήθηκε σφάλμα στην ηλιακή ζενίθια γωνία. Παρόλα αυτά, ο δείκτης NDVI που προκύπτει από τα δεδομένα του δορυφόρου AVHRR είναι λιγότερο επηρεασμένος από λάθη στην ηλιακή ζενίθια γωνία (http://daac.gsfc.nasa.gov/ CAMPAIGN_DOCS/LAND_BIO/zenith_angle_me- mo.html). <br /> <br /> '''2.2.2 KATAΚΡΗΜΝΙΣΕΙΣ'''<br /> <br /> Τα δεδομένα βροχοπτώσεων είναι διαθέσιμα ως ο μηνιαίος μέσος σε μία κλιματική κατηγορία η οποία ορίζεται χρησιμοποιώντας ίσα βάρη σε σταθμούς που καταγράφουν και τη θερμοκρασία και τις κατακρημνίσεις στην κατηγορία αυτή.<br /> <br /> '''2.2.3 ΘΕΡΜΟΚΡΑΣΙΑ'''<br /> <br /> Τα δεδομένα για την μηνιαία θερμοκρασία επιφάνειας είναι διαθέσιμα από το Εθνικό Κέντρο Ωκεανογραφίας και Ατμόσφαιρας των Η.Π.Α.<br /> <br /> '''2.2.4 ΥΓΡΑΣΙΑ ΕΔΑΦΟΥΣ'''<br /> <br /> Τα δεδομένα για την υγρασία εδάφους είναι διαθέσιμα από το Εθνικό Κέντρο Ωκεανογραφίας και Ατμόσφαιρας των Η.Π.Α. Η υγρασία εδάφους βασίζεται στην ισορροπία του νερού στο έδαφος.<br /> <br /> '''2.3 ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> Η απόδοση των καλλιεργειών θεωρείται ως μία εξαρτημένη μεταβλητή που μεταβάλλεται διαφορετικά με ανεξάρτητες μεταβλητές όπως ο δείκτης NDVI, η θερμοκρασία επιφάνειας κ.ά. Οι διαφορετικές τιμές των δεικτών αυτών δεν ακολουθούν έναν συγκεκριμένο γραμμικό συνδυασμό, επομένως η μοντελοποίηση μίας τέτοιας δυναμικής σχέσης με συμβατικές γραμμικές μεθόδους καθίσταται ιδιαίτερα δύσκολη. Μία μη γραμμική προσέγγιση ακολουθήθηκε για να υπολογιστεί η σχέση μεταξύ μίας ομάδας ανεξάρτητων μεταβλητών και μίας εξαρτημένης μεταβλητής. Η μη γραμμική μέθοδος Quasi-Newton επιλέχθηκε για την αντιμετώπιση του συγκεκριμένου προβλήματος. Με τη χρήση του σημείου καμπής(breakpoint) δημιουργείται το μοντέλο για την εκτίμηση απόδοσης της καλλιέργειας.<br /> <br /> '''2.4 ΜΟΝΤΕΛΟ'''<br /> <br /> Το σημείο καμπής που χρησιμοποιήθηκε είναι ο μέσος της απόδοσης των καλλιεργειών καλαμποκιού ή σόγιας για τα 19 χρόνια. Οι εμπειρικές εξισώσεις σύμφωνα με τη μέθοδο Quasi-Newton παρουσιάζονται στην εικόνα 7, όπου SM: Υγρασία εδάφους, ST:Θερμοκρασία επιφάνειας, RF:Βροχόπτωση,m= μέσος καλαμποκιού ή σόγιας, c1,c2,ai,bi, όπου i= 1-4συντελεστές Quasi-Newton.Η μέθοδος Quasi-Newton χρησιμοποιεί την συνάρτηση Lf=(παρατηρούμενα-προβλεπόμενα)^2 για να καταλήξει σε ένα αποτέλεσμα όσο το δυνατόν πιο κοντινό στα παρατηρούμενα δεδομένα, όπως διαπιστώνεται από την εικόνα 8.<br /> <br /> Η συγκεκριμένη μεθοδολογία παρέχει αποτελέσματα που είναι κοντά στις πραγματικές τιμές. Δεδομένα μικρότερου όγκου (7-10 χρόνια) δίνουν καλύτερα αποτελέσματα από δεδομένα μεγαλύτερου όγκου ( 19 χρόνια) λόγω μικρότερης διασποράς των μεταβλητών.<br /> <br /> '''3. ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Το μοντέλο έρχεται σε συμφωνία με την καταγεγραμμένη καλλιέργεια σόγιας. Οι τιμές ανά το χρόνο βρίσκονται εντός αποδεκτών ορίων από την παρατηρούμενη απόδοση των καλλιεργειών. Επίσης, οι καλλιέργειες καλαμποκιού παρουσιάζουν μία παρόμοια κατανομή με εξαίρεση το έτος 1993. Ο συντελεστής R2που είναι σχετικά υψηλός δηλώνει πως τα περισσότερα χρόνια, οι αποδόσεις των καλλιεργειών εξαρτώνται από τις μεταβλητές που εισάχθηκαν στο μοντέλο.Παρόλα αυτά, άλλοι παράγοντες όπως τα φυτοφάρμακα, οι αρρώστιες και οι ανθρώπινες παρεμβάσεις μπορούν να προκαλέσουν διαφοροποιήσεις στην απόδοση μίας καλλιέργειας. Αυτό αποτελεί ένα σημαντικό περιορισμό για οποιαδήποτε μεθοδολογία πρόβλεψης των αποδόσεων. Όμως, η συμπερίληψη του δείκτη NDVI, φροντίζει να αντιμετωπίσει τις ασθένειες ή τα φυτοφάρμακα που αφορούν τη βλάστηση. Η βελτίωση του μοντέλου μπορεί να επιτευχθεί με τη χρήση δεδομένων υψηλής ανάλυσης τα οποία παρέχονται σε βάθος αρκετών ετών.<br /> <br /> '''4. EΠΙΛΟΓΟΣ'''<br /> <br /> To μοντέλο που αναλύεται στο συγκεκριμένο άρθρο ελαχιστοποιεί την αστάθεια και τα λάθη στην εκτίμηση της σοδειάς δίνοντας υψηλό συντελεστή R2, χρησιμοποιώντας όσο το δυνατόν περισσότερους συντελεστές στο μοντέλο. Η μέθοδος αυτή μπορεί να εφαρμοστεί για την πρόβλεψη απόδοσης καλλιεργειών και για άλλες σοδειές εκτός από σόγια και καλαμπόκι. Η μέθοδος Quasi-Newton που χρησιμοποιήθηκε μπορεί να εφαρμοστεί και σε άλλες χώρες όπου η παραγωγή των καλλιεργειών επηρεάζεται κυρίως από καιρικές και κλιματικές συνθήκες. <br /> <br /> '''5. ΣΥΝΕΙΣΦΟΡΑ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ'''<br /> <br /> Στη συγκεκριμένη μελέτη αναδεικνύεται η τηλεπισκόπηση ως ένα πολύ σημαντικό εργαλείο για την παρακολούθηση και την εκτίμηση της συγκομιδής των καλλιεργειών. Ο δείκτης NDVI αποτελεί έχει εξαιρετική χρησιμότητα στον προσδιορισμό των παραπάνω στοιχείων και σε συνδυασμό με παραμέτρους όπως η υγρασία του εδάφους, η θερμοκρασία και οι κατακρημνίσεις παρουσιάζουν αξιόπιστα αποτέλεσματα για τον επιτυχή σχεδιασμό της αγροτικής πολιτικής μίας χώρας.<br /> <br /> [[category:Γεωργία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%91%CE%9E%CE%99%CE%9D%CE%9F%CE%9C%CE%97%CE%A3%CE%97_%CE%95%CE%99%CE%94%CE%A9%CE%9D_%CE%9A%CE%91%CE%9B%CE%9B%CE%99%CE%95%CE%A1%CE%93%CE%95%CE%99%CE%91%CE%A3_%CE%9C%CE%95_%CE%A4%CE%97_%CE%A7%CE%A1%CE%97%CE%A3%CE%97_%CE%94%CE%95%CE%99%CE%9A%CE%A4%CE%A9%CE%9D_%CE%92%CE%9B%CE%91%CE%A3%CE%A4%CE%97%CE%A3%CE%97%CE%A3_%CE%A4%CE%9F%CE%A5_%CE%94%CE%9F%CE%A1%CE%A5%CE%A6%CE%9F%CE%A1%CE%9F%CE%A5_RAPIDEYE 2017-02-14T00:45:31Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap2_p1.png|thumb|right|'''Εικόνα 1:''' Περιοχή μελέτης]]<br /> [[εικόνα: GF_pap2_p2.png|thumb|right|'''Εικόνα 2:''' Προδιαγραφές των δεδομένων]]<br /> [[εικόνα: GF_pap2_p3.png|thumb|right|'''Εικόνα 3:''' Δείκτες βλάστησης]]<br /> [[εικόνα: GF_pap2_t1.png|thumb|right|'''Πίνακας 1:''' Ομάδες φασματικών χαρακτηριστικών]]<br /> [[εικόνα: GF_pap2_p4.png|thumb|right|'''Εικόνα 4:''' Ακρίβεια ταξινόμησης ανάλυσης]]<br /> [[εικόνα: GF_pap2_p5.png|thumb|right|'''Εικόνα 5:''' Ακρίβεια ταξινόμησης εικόνων από ένα κανάλι]]<br /> [[εικόνα: GF_pap2_p6.png|thumb|right|'''Εικόνα 6:''' Ταξινομημένες εικόνες (Ανάλυση A,B,C,D)]]<br /> [[εικόνα: GF_pap2_p7.png|thumb|right|'''Εικόνα 7:''' Ταξινόμηση εικόνων από ένα κανάλι]]<br /> <br /> The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XL-7, 2014 ISPRS Technical Commission VII Symposium, 29 September – 2 October 2014, Istanbul, Turkey<br /> <br /> M. Ustunera, *, F.B.Sanlia, S.Abdikanb, M.T.Esetlilic, Y.Kurucuc<br /> <br /> '''Link:''' [http://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XL-7/195/2014/]<br /> <br /> '''Λέξεις-Κλειδιά:''' Δείκτες βλάστησης, RapidEye, NDVI, NDRE, GNDVI, SVM<br /> <br /> '''1. ΕΙΣΑΓΩΓΗ'''<br /> <br /> H βιώσιμη διαχείριση των αγροτικών περιοχών είναι σημαντική για τις τοπικές αρχές και τις αγροτικές υπηρεσίες, μιας και η γεωργία κατέχει σημαντικό ρόλο, στην οικονομία πολλών αναπτυσσόμενων χωρών (Branca, 2011). Hχαρτογράφηση και αναγνώριση των καλλιεργειών αποτελούν μία σημαντική βάση για πολλές γεωργικές εφαρμογές με διαφορετικούς σκοπούς όπως η εκτίμηση σοδειάς και η παραγωγικότητα του εδάφους(Löwetal. 2013, FundamentalofRemoteSensing).Στο σημείο αυτό, η επιστήμη της τηλεπισκόπησης βοηθάει στην αποκόμιση αξιόπιστων πληροφοριών για τους διαφορετικούς τύπους καλλιέργειας σε διαφορετικά χωρικά πεδία. Εικόνες τηλεπισκόπησης σε διαφορετικά επίπεδα ανάλυσης από διαφορετικά είδη δορυφόρων έχουν εκτενώς και επιτυχώς χρησιμοποιηθεί για την χαρτογράφηση και αναγνώριση καλλιεργειών από τον πρώτο δορυφόρο παρατήρησης τονLandsat-1 το 1972(BauerandCipra 1973, Jewell 1989, Mulla 2013). Hεπιτακτική ανάγκη για τη γρήγορη συλλογή αξιόπιστων, σύγχρονων και χαμηλού κόστους πληροφοριών για τo έδαφος, ώθησε τις χώρες να εκτοξεύσουν νέους δορυφόρους παρατήρησης όπως οι:RapidEye(2008), GeoEye-1(2008), WorldView-2(2009), Landsat8(2013), SPOT-7(2014). Το κοινό χαρακτηριστικό των δορυφόρων που τέθηκαν σε τροχιά με σκοπό την παρακολούθηση των καλλιεργειών είναι πως διαθέτουν το εγγύς υπέρυθρο κανάλι. Ο δορυφόρος RapidEye στο άρθρο χρησιμοποιείται για την ταξινόμηση ειδών καλλιέργειας και αποτελεί το πρώτο υψηλής ανάλυσης πολυφασματικό δορυφορικό σύστημα που διαθέτει το εγγύς υπέρυθρο κανάλι το οποίο είναι ευαίσθητο στη χλωροφύλλη της βλάστησης (Schusteretal. 2012). Οι δορυφορικές εικόνες έχουν χρησιμοποιηθεί επιτυχώς για την κατηγοριοποίηση της βλάστησης, δασικών εκτάσεων και γεωργικών εκτάσεων προσφάτως (Eiteletal. 2011, Schusteretal. 2012,Tigges 2013, Löwetal. 2013). Στη συγκεκριμένη μελέτη, η πιθανή χρήση τριών διαφορετικών δεικτών βλάστησης για την ταξινόμηση των καλλιεργειών, αλλά και για τις επιπτώσεις του κάθε δείκτη στην ακρίβεια της ταξινόμησης ερευνώνται. Οι δείκτες είναι:ο κανονικοποιημένος δείκτης βλάστης NDVI, oκανονικοποιημένος δείκτηςRedEdgeNDREκαι ο πράσινος κανονικοποιημένος δείκτης βλάστησης GNDVI. Η μέθοδος ταξινόμησης SVMεφαρμόζεται λόγω της απόδοσής της στην ταξινόμηση καλλιεργειών και εδάφους σε σύγκριση με συμβατικούς αλγορίθμους ταξινόμησης(FoodyandMathur, 2004; MathurandFoody, 2008; WaskeandBenediktsson, 2007). Τα κλασσικά κανάλια του δορυφόρου RapidEye έχουν αφαιρεθεί και η ταξινόμηση πραγματοποιήθηκε μόνο με τους τρεις δείκτες βλάστησης.<br /> <br /> '''2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ'''<br /> <br /> Η περιοχή μελέτης της εικόνας 1 βρίσκεται στην περιοχή Αιγαίο της Τουρκίας και αποτελείται περίπου από 17.3km2 γεωργικών εκτάσεων. Καλύπτει εννέα κατηγορίες καλλιεργειών που είναι καλαμπόκι(πρώτη σοδειά, δεύτερη σοδειά), βαμβάκι(καλώς ανεπτυγμένο, μέτρια ανεπτυγμένο, αδύναμα ανεπτυγμένο), έδαφος(ξηρό, βρεγμένο, με υγρασία) και επιφάνεια του νερού. <br /> <br /> '''3. ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> '''3.1 RAPIDEYE ΔΕΔΟΜΕΝΑ KAIΔΕΙΚΤΕΣ ΒΛΑΣΤΗΣΗΣ'''<br /> <br /> Ο δορυφόρος RapidEyeείναι ο πρώτος πολυφασματικός δορυφόρος υψηλής ανάλυσης που διαθέτει το red-edge κανάλι, γεγονός που καθιστά το συγκεκριμένο δορυφορικό σύστημα διαφορετικό και ανώτερο από άλλα πολυφασματικά δορυφορικά συστήματα (Schusteretal. 2012). Tα δεδομένα του RapidEyeπαρέχουν πέντε φασματικά κανάλια με χωρική ανάλυση πέντε μέτρων, όπως φαίνεται στην εικόνα 2. Τρεις διαφορετικοί φασματικοί δείκτες έχουν υπολογιστεί στη συγκεκριμένη μελέτη. Ο αριθμός των καναλιών 2,3,4,5 αναφέρεται στο πράσινο (520 – 590nm), κόκκινο (630 – 685nm), red-edge (690 – 730nm) και εγγύς υπέρυθρο (760 – 850nm), όπως φαίνεται στην εικόνα 3.<br /> <br /> '''3.2 ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ'''<br /> <br /> H επιβλεπόμενη μέθοδος με μηχανές Διανυσμάτων Υποστήριξης (SupportVectorMachines-SVM)βασίζεται στη θεωρία στατιστικής εκμάθησης. Η βασική ιδέα της συγκεκριμένης μεθόδου ταξινόμησης είναι η αντιστοίχιση του βέλτιστου «υπερεπιπέδου» (hyperplane) που διαχωρίζει τις δύο κλάσεις. (Vapnik, 1995; Huangetal., 2002).Oι συναρτήσεις Kernel είναι σε θέση να δομήσουν το βέλτιστο “υπερεπίπεδο” για πολύπλοκα δεδομένα τα οποία δεν γίνεται να διαχωριστούν με γραμμικά “υπερεπίπεδα” (Huangetal., 2002).[https://en.wikipedia.org/wiki/Support_vector_machine] <br /> Η θεωρία που ακολουθεί προκύπτει από το πέιπερ: (Support vector machines in remote sensing: A review). '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0924271610001140] Η τεχνική SVM είναι μία επιβλεπόμενη χωρίς παραμέτρους στατιστική τεχνική εκμάθησης, επομένως δεν προκύπτουν προβλήματα που αφορούν την αναγνώριση πολλαπλών κλάσεων(περισσότερες από δύο). Οι τεχνικές SVM έχουν μεγάλο εύρος χρήσης στην τηλεπισκόπηση, διότι έχουν τη δυνατότητα να διαχειρίζονται με αποτελεσματικότητα μικρά δεδομένα εκπαίδευσης, παράγωντας συχνά ταξινομήσεις υψηλότερης ακρίβειας από τις παραδοσιακές μεθόδους ταξινόμησης (Manteroetal., 2005).Η βασική αρχή που ενισχύει τις SVMs είναι η διαδικασία εκμάθησης που ακολουθεί και είναι γνωστή ως ελαχιστοποίηση του δομικού ρίσκου(structuralriskminimization). Yπό το πρίσμα αυτής της έννοιας, οι SVMs ελαχιστοποιούν το λάθος στην ταξινόμηση χωρίς να είναι απαραίτητες υποθέσεις όσον αφορά τη πιθανή διασπορά των δεδομένων και παρουσιάζουν υψηλή απόδοση κατά την κατηγοριοποίηση αντικειμένων. Στατιστικές τεχνικές, όπως η μέθοδος μέγιστης πιθανοφάνειας συνήθως υποθέτουν πως η διασπορά των δεδομένων είναι γνωστή εκ των προτέρων (apriori). Παρόλο που οι SVMs απαιτούν δείγματα εκπαίδευσης, δεν είναι απαραίτητο το μέγεθος των δειγμάτων να είναι ιδιαίτερο μεγάλο, κάτι που αποτελεί συγκριτικό πλεονέκτημα σε σχέση με άλλες μεθόδους ταξινόμησης. Για παράδειγμα, οι FoodyandMathur (2004b) απέδειξαν πως μόλις το ¼ των αρχικών δειγμάτων εκπαίδευσης που ελήφθησαν από τον δορυφόρο SPOT ήταν αρκετά για ταξινόμηση υψηλής ακρίβειας.<br /> <br /> '''4. ΦΑΣΜΑΤΙΚΗ ΑΝΑΛΥΣΗ'''<br /> <br /> Tέσσερις διαφορετικές ομάδες φασματικών χαρακτηριστικών (Πίνακας 1) χρησιμοποιήθηκαν για την ανάλυση της πιθανής χρήσης των δεικτών βλάστησης καθώς και για την συνεισφορά κάθε φασματικού καναλιού στην ακρίβεια της ταξινόμησης.<br /> <br /> '''5. ΑΞΙΟΛΟΓΗΣΗ ΑΚΡΙΒΕΙΑΣ'''<br /> <br /> Η ακρίβεια των ταξινομημένων εικόνων εκτιμήθηκε χρησιμοποιώντας τη συνολική ακρίβεια και τον συντελεστή kappa. Τα αποτελέσματα της ταξινόμησης της ανάλυσης και της ταξινόμησης σε εικόνα ενός καναλιού παρουσιάζονται στις εικόνες 4 και 5. Στην εικόνα 6, οι κλάσεις ενδιαφέροντος αντιπροσωπεύονται από Α,B, C, D, E, F, G, H, I, J για αταξινόμητο, πρώτη σοδειά καλαμποκιού, δεύτερη σοδειά καλαμποκιού, καλώς ανεπτυγμένο βαμβάκι, μέτρια ανεπτυγμένο βαμβάκι, αδύναμα ανεπτυγμένο βαμβάκι, βρεγμένος έδαφος, έδαφος με υγρασία, ξηρό έδαφος και επιφάνεια νερού αντίστοιχα.Η ξεχωριστή συνεισφορά των φασματικών χαρακτηριστικών στην ακρίβεια της ταξινόμησης παρουσιάζεται στις εικόνες 4 και 5. Είναι 1.05%, 1.05%, και 31.01% για τους δείκτες NDVI, GNDVI και NDRE αντίστοιχα.<br /> <br /> '''6. ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η πιθανή χρήση τριών διαφορετικών δεικτών βλάστησης του δορυφόρου RapidEye στην ταξινόμηση του είδους των καλλιεργειών καθώς και η ξεχωριστή συνεισφορά του κάθε δείκτη στην ακρίβεια της ταξινόμησης ερευνήθηκαν με τη χρήση της support vector machine ταξινόμησης. Τα αποτελέσματα της μελέτης δείχνουν πως οι δείκτες της βλάστησης που προκύπτουν από τον δορυφόρο RapidEye μπορούν να χρησιμοποιηθούν για την ταξινόμηση καλλιεργειών και να παρουσιάσουν ικανοποιητικά αποτελέσματα.<br /> Επίσης, εφαρμόστηκε η ταξινόμηση μίας εικόνας σε ένα κανάλι για να αναλύσει την ξεχωριστή απόδοση των φασματικών καναλιών στην ακρίβεια της ταξινόμησης. Τα αποτελέσματα δείχνουν πως ο δείκτης NDRE έχει μεγαλύτερη συνεισφορά από τους άλλους δείκτες στην ακρίβεια της ταξινόμησης εικόνας. <br /> <br /> '''7. ΣΥΝΕΙΣΦΟΡΑ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ'''<br /> <br /> Στη συγκεκριμένη μελέτη η τηλεπισκόπηση έχει πρωτεύοντα ρόλο διότι ερευνά την αξιοπιστία των αποτελεσμάτων από διαφορετικούς δορυφορικούς δέκτες. Επίσης, παρουσιάζεται η χρησιμοποίηση διαφορετικών ειδών βλάστησης για την επιτυχέστερη ταξινόμηση των ειδών των καλλιεργειών.<br /> [[category:Γεωργία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%BB%CF%8D%CF%88%CE%B5%CF%89%CE%BD/%CF%87%CF%81%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%B3%CE%B7%CF%82,_%CE%95%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CE%91%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%83%CF%85%CE%B3%CE%BA%CF%81%CE%BF%CF%8D%CF%83%CE%B5%CF%89%CE%BD_%CF%84%CE%B7%CF%82_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AE%CF%82_Nagzira-Navegaon 2017-02-14T00:45:06Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap5_p1.png|thumb|right|Eικόνα 1: Χάρτης εντοπισμού της περιοχής Gondia.]]<br /> [[εικόνα: GF_pap5_t1.png|thumb|right|Πίνακας 1: Λεπτομέρειες των χρησιμοποιημένων δορυφορικών εικόνων για την περιοχή της Gondia.]]<br /> [[εικόνα: GF_pap5_p2.png|thumb|right|Eικόνα 2: Διάγραμμα ροής της διαδικασίας.]]<br /> [[εικόνα: GF_pap5_t2.png|thumb|right|Πίνακας 2: Στατιστικά των επιφανειών της περιοχής Gondia για τα έτη 1990, 1999 &amp; 2009.]]<br /> [[εικόνα: GF_pap5_p3.png|thumb|right|Eικόνα 3: Xάρτες καλύψεων/χρήσεων γης της περιοχής Gondia για τα έτη 1990, 1999 &amp; 2009.]]<br /> [[εικόνα: GF_pap5_p4.png|thumb|right|Eικόνα 4: Χάρτες ανάλυσης των αλλαγών της περιοχής Gondia, για τις δεκαετίες 1900-1999 &amp; 1999-2009.]]<br /> <br /> International Journal of Remote Sensing and GIS, Volume 1, Issue 2, 2012, 90-98<br /> <br /> P. K. Yadav*, Mohnish Kapoor, Kiranmay Sarma<br /> <br /> '''Link:''' [http://www.academia.edu/2540374/Land_Use_Land_Cover_Mapping_Change_Detection_and_Conflict_Analysis_of_Nagzira-Navegaon_Corridor_Central_India_Using_Geospatial_Technology]<br /> <br /> '''Λέξεις-Κλειδιά:''' Άξονας, Εντοπισμός αλλαγών, Aποψίλωση, Σύγκρουση, Γ.Σ.Π., Τηλεπισκόπηση<br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Η χρήση γης και η κάλυψη γης είναι ένα σημαντικό εργαλεία για την κατανόηση της γήινης επιφάνειας σε παγκόσμιο επίπεδο: παρουσιάζει την παροντική αλλά και την παρελθοντική κατάστασης της επιφάνειας. Οι δύο είναι είναι διαφορετικές μεταξύ τους παρόλα αυτά συχνά χρησιμοποιούνται ταυτόχρονα. Η κάλυψη γης είναι μία βασική παράμετρος η οποία εκτιμάει το περιεχόμενο της γήινης επιφάνειας σαν έναν σημαντικό παράγοντα ο οποίος επηρεάζει την κατάσταση και τη λειτουργία του οικοσυστήματος. Η χρήση γης είναι μία βιοφυσική κατάσταση της γήινης επιφάνειας που μπορεί να χρησιμοποιηθεί για την εκτίμηση της δράσης των έμβιων όντων με το περιβάλλον τους. Η κάλυψη γης ουσιαστικά απεικονίζει τον τύπο του εδάφους, τη βλάστηση και τον νερό, ενώ η χρήση γης αναφέρεται στην χρησιμοποίηση των φυσικών διαθεσίμων από τον άνθρωπο, κάτι που αποτυπώνεται στις αλλαγές στην κάλυψη γης διαμέσου του χρόνου. Ο εντοπισμός των αλλαγών (change detection) είναι η διαδικασία της αναγνώρισης διαφορών σε μία επιφάνεια παρατηρώντας την σε διαφορετικούς χρόνους ((Anderson, 1977). Η Τηλεπισκόπηση και τα Γεωγραφικά Συστήματα Πληροφοριών παρέχουν μία καινοτόμα προσέγγιση στα ζητήματα διαχείρισης του οικοσυστήματος. Οι τεχνολογίες αυτές έχουν χρησιμοποιηθεί εκτενώς σε τροπικές χώρες για την συγκομιδή σημαντικών πληροφοριών σε σχέση με τις εκτάσεις των δασών, τον τύπο της βλάστησης και τις αλλαγές στις χρήσεις γης (Forman, 1995). Σήμερα, οι εξελιγμένες γεωχωρικές τεχνολογίες έχουν βελτιώσει ακόμα περισσότερο την ακρίβεια της χαρτογράφησης των χρήσεων και καλύψεων γης. Για τον λόγο αυτό, η συνδυασμένη χρήση των δύο τεχνικών διαμορφώνει ένα πιθανό εργαλείο για την αναγνώριση των αλλαγών στις χρήσεις και καλύψεις γης. Στη συγκεκριμένη μελέτη, πραγματοποιείται η χαρτογράφηση των χρήσεων και καλύψεων γης, καθώς και η αναγνώριση των αλλαγών τους διαμέσου του χρόνου για την περιοχή Nagzira-Navegaon στην κεντρική Ινδία.<br /> <br /> '''2. Περιοχή μελέτης'''<br /> <br /> Η περιοχή μελέτης που παρουσιάζεται στην εικόνα 1 βρίσκεται στην Κεντρική Ινδία και αποτελεί μία από τις πιο πλούσιες σε βιοποικιλότητα περιοχές της. Λόγω της σημαντικότητας της κατά το παρελθόν, η συγκεκριμένη περιοχή παρουσιάζει σημαντικές προοπτικές για την αναγνώριση των αλλαγών που έχει υποστεί διαμέσου του χρόνου.<br /> <br /> '''3. Εργαλεία και Μεθοδολογία'''<br /> <br /> Οι αλλαγές στο μοτίβο της βλάστησης εντοπίστηκαν με τη χρήση δορυφορικών εικόνων Landsat TM και ETM+, λόγω της ικανοποιητικής φασματικής ανάλυσης και μέτριας χωρικής ανάλυσης (Lillesand et al 2004; Short 2004). Για την εκπόνηση της μελέτης χρησιμοποιήθηκαν τα δεδομένα και εργαλεία του πίνακα 1. Το διάγραμμα ροής της μεθοδολογίας παρουσιάζεται στην εικόνα 2. Όσον αφορά την μεθοδολογία της τηλεπισκόπησης , επιλέγεται μία συγκεκριμένη περιοχή μελέτης και στις τρεις γεωαναφερμένες δορυφορικές εικόνες Landsat και στη συνέχεια πραγματοποιείται μία επιβλεπόμενη ταξινόμηση, βάση της οποίας εξάγονται οι χάρτες που παρουσιάζονται στην εικόνα και απεικονίζουν τις καλύψεις/χρήσεις γης.<br /> <br /> '''4. Αποτελέσματα και Συζήτηση'''<br /> <br /> Τα αποτελέσματα της ανάλυσης χρήσεων και καλύψεων γης μέσω των δορυφορικών εικόνων παρουσιάζονται στον πίνακα 2. Τα δεδομένα απεικονίζουν την έκταση της κάθε περιοχής χρήσεων και καλύψεων γης για τρία χρόνια (1990, 2001 &amp; 2009) και τεσσάρων διαφορετικών κατηγοριών (Dense forest, Open forest, non forest &amp; water body). Η κατηγορία «Dense Forest» χαρακτηρίζεται από πυκνότητα &gt;40%, η κατηγορία «Open forest” με πυκνότητα μεταξύ 10% και 40% και η κατηγορία «non forest» με πυκνότητα μικρότερη του 10%. Οι χάρτες που προκύπτουν από τις ταξινόμησεις παρουσιάζονται στην εικόνα 3. Μέσω του εντοπισμού των αλλαγών για τη συγκεκριμένη περιοχή μελέτης προκύπτουν σημαντικές πληροφορίες για τις αλλαγές που προέκυψαν στις τρεις διαφορετικές χρονικές περιόδους και παρουσιάζονται στην εικόνα 4. <br /> Παρατηρείται πως το 6.22% της κατηγορίας «Dense forest» μετατρέπεται στην κατηγορία «open forest» και το 6.66% της κατηγορίας «open forest» μετατρέπεται σε «non forest» μεταξύ των ετών 1990 και 1999. Την επόμενη δεκαετία 1999-2009, το 1.81% της κατηγορίας «Dense forest» μετατρέπεται σε «open forest» και το 2.21% της κατηγορίας «open forest» μετατρέπεται σε «non forest». Οι υδάτινες μάζες μειώνονται συνεχώς και στις δύο δεκαετίες. Η απώλεια δασικών εκτάσεων οφείλεται σε ανθρωπογενείε ενέργειες, στην αστικοποίηση, στην μόλυνση από τον αέρα κλπ.<br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Εξετάζοντας τα αποτελέσματα προκύπτει το συμπέρασμα πως η κατάσταση της περιοχής μελέτης δεν κρίνεται ικανοποιητική. Η συνολική έκταση των δασών, αλλά και οι υδάτινες μάζες μειώνονται συνεχώς. Εφόσον συνεχιστεί το φαινόμενο αυτό κινδυνεύει η διατήρηση του οικοσυστήματος. Για τον λόγο αυτό συστήνεται ο σχεδιασμός ενός βιώσιμου πλάνου ανάπτυξης για την συγκεκριμένη περιοχή.<br /> <br /> '''6. Συνεισφορά της τηλεπισκόπησης'''<br /> <br /> Στη συγκεκριμένη εργασία διαφαίνεται η αξία της τηλεπισκόπησης για τον εντοπισμό αλλαγών στη χρήση και κάλυψη γης μίας περιοχής. Αρχικά, οι δορυφορικές εικόνες είναι διαθέσιμες σε βάθος τριάντα χρόνων με ικανοποιητικά αποτελέσματα. Στη συνέχεια, ο συνδυασμός των ΓΣΠ και μεθόδων ταξινόμησης ποσοτικοποιεί τα αποτελέσματα που προκύπτουν, έτσι ώστε να εκτιμηθεί στον βέλτιστο βαθμό η αξία τους προκειμένου να ληφθούν τα κατάλληλα μέτρα για την προστασία του περιβάλλοντος.<br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%B9%CF%82_%CE%BA%CE%B1%CE%BB%CF%8D%CF%88%CE%B5%CE%B9%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CE%B5_%CE%BC%CE%AF%CE%B1_%CE%BD%CE%AD%CE%B1_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AE_%CF%84%CE%B7%CF%82_%CE%91%CE%B9%CE%B3%CF%8D%CF%80%CF%84%CE%BF%CF%85_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BD_%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_Landsat 2017-02-14T00:44:22Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap9_p1.png|thumb|right|'''Εικόνα 1:''' Tοποθεσία και υποδομές της περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap9_p2.png|thumb|right|'''Εικόνα 2:''' Πληροφορίες δορυφορικών εικόνων για τη συλλογή δεδομένων (path 177/row39).]]<br /> [[εικόνα: GF_pap9_p3.png|thumb|right|'''Εικόνα 3:''' Εικόνες Landsat για την περιοχή μελέτης. (a) MSS 1984, κανάλια 4-3-2 ως RGB, (b) TM 1990, (c) ETM+ 1999, (d) etm+ 2004, (e) ETM + 2008: όλες οι εικόνες χρησιμοποιούν κανάλια 4-5-3 ως RGB.]]<br /> [[εικόνα: GF_pap9_p4.png|thumb|right|'''Εικόνα 4:''' Οι θεματικές εικόνες απεικονίζουν την χωρική κατανομή των διαφορετικών κατηγοριών καλύψεων γης για διαφορετικά έτη στην περιοχή μελέτης. Το διάγραμμα εξηγεί την ποσοστιαία κατανομή κάθε κατηγορίας σε διαφορετικά έτη.]]<br /> [[εικόνα: GF_pap9_p5.png|thumb|right|'''Εικόνα 5:''' Οι εικόνες παρουσιάζουν τη χωρική κατανομή των τιμών του δείκτη NDVI για τα διαφορετικά έτη στην περιοχή μελέτης. Το διάγραμμα εξηγεί την ποσοστιαία κατανομή των δύο κατηγοριών για κάθε έτος.]]<br /> [[εικόνα: GF_pap9_p6.png|thumb|right|'''Εικόνα 6:''' Αποτελέσματα της ταξινόμησης για τις διαφορετικές καλύψεις γης σε διαφορετικά έτη.]]<br /> <br /> Applied Geography 30 (2010) 592–605 <br /> <br /> N. Bakr *, D.C. Weindorf , M.H. Bahnassy , S.M. Marei , M.M. El-Badawi<br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0143622809000897]<br /> <br /> '''Λέξεις-Κλειδιά:''' Δορυφορικές εικόνες Landsat, Αλλαγές στην κάλυψη γης, Υβριδική Ταξινόμηση, NDVI, Περιοχή Bustan 3<br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι αλλαγές στην επιφάνεια της γης σχετίζονται με τα φυσικά φαινόμενα έιτε με ανθρωπογενείς ενέργειες και μπορούν να συμβούν είτε ξαφνικά, είτε σταδιακά (Coppin, Jonckheere, Nackaerts, Muys, &amp; Lambin, 2004). Ο ακριβής εντοπισμός των αλλαγών στην επιφάνεια της γης βοηθάει στην καλύτερη κατανόηση των σχέσεων μεταξύ των φυσικών και των τεχνητών φαινομένων. Δύο από τις πιο συνηθισμένες χρήσεις των δορυφορικών εικόνων είναι η χαρτογράφηση των καλύψεων γης μέσω της ταξινόμησης της εικόνας και οι αλλαγές στις καλύψεις/χρήσεις γης μέσω του εντοπισμού τους (Song, Woodcock, Seto, Pax Lenney, &amp; Macomber, 2001). Τα δορυφορικά δεδομένα Landsat είναι τα πιο ευρέως χρησιμοποιούμενα για τέτοιου είδους χαρτογραφήσεις, λόγω και της ελεύθερης διαθεσιμότητάς τους. Ο εντοπισμός των αλλαγών μπορεί να πραγματοποιηθεί μέσω επιβλεπόμενων και μη επιβλεπόμενων προσσεγγίσεων (Singh, 1989). Επίσης, ο δείκτης βλάστησης συχνά θεωρείται ως μία αποτελεσματική μέθοδο για την ενίσχυση των διαφορών των φασματικών υπογραφών κάθε κατηγορίας σε μία εικόνα (Lu, Mausel, Batistella, &amp; Moran, 2005). Ο σκοπός της συγκεκριμένης μελέτης είναι να: 1) αναδείξει μία σύγχρονη οπτική για τους διαφορετικούς τύπους καλύψεων γης που συναντώνται στην περιοχή Bustan 3 της Αιγύπτου, και 2) να καταγράψει τις αλλαγές στις καλύψεις γης της συγκεκριμένης περιοχής που έχουν λάβει χώρα από το 1984 μέχρι το 2008, χρησιμοποιώντας μία τεχνική υβριδικής ταξινόμησης και έναν δείκτη βλάστησης, τον Κανονικοποιημένο Δείκτη Βλάστησης NDVI.<br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η περιοχή Bustan 3, χαρακτηρίζεται από ημί-ξηρο, μεσογειακό κλίμα. Εντοπίζεται στην περιοχή του Δυτικού Δέλτα στην Αίγυπτο και έχει έκταση περίπου 341.27km2, όπως παρουσιάζεται στην εικόνα 1.<br /> <br /> '''Δεδομένα'''<br /> <br /> Οι δορυφόροι Landsat 4,5 και 7 χρησιμοποιήθηκαν για την συγκεκριμένη έρευνα. Το μέγεθος των δορυφορικών εικόνων είναι 185km * 170km. Οι δορυφόροι Landsat 4 και 5 έχουν αισθητήρες TM και MSS. Τα δεδομένα του Landsat TM έχουν χωρική ανάλυση 30m. στα 6 φασματικά κανάλια, από το μπλε μέχρι και το μέσο υπέρυθρο και 120m. Στο θερμικό κανάλι. Ο Landsat 7 τέθηκε σε τροχιά τον Απρίλιο του 1999, έχοντας τους προηγούμενους αισθητήρες TM mε το νέο όργανο TM+. Για την συγκεκριμένη μελέτη επιλέχτηκαν 5 εικόνες Landsat 4,5 και 7 για τα έτη: 1984, 1990, 1999, 2004 και 2008, όπως φαίνεται στην εικόνα 2. Όλα τα δεδομένα συλλέχθηκαν υπό καθαρές ατμοσφαιρικές συνθήκες κατά την θερινή περίοδο. Επίσης χρησιμοποιήθηκαν τρεις τοπογραφικοί χάρτες κλίμακας 1:50.000 της περιοχής Bustan 3 στην Αίγυπτο. Οι συγκεκριμένοι χάρτες ψηφιοποιήθηκαν από έντυπους χάρτες για να παράγουν τον χάρτη υποδομών που φαίνεται στην εικόνα 1. Ο ψηφιοποιημένος χάρτης χρησιμοποιήθηκε επίσης για την γεωμετρική διόρθωση των δορυφορικών εικόνων, αλλά και την επαλήθευση επίγειων στοιχείων. Τέλος, χρησιμοποιήθηκαν 48 επίγεια πραγματικά σημεία, που ορίστηκαν τον Ιούλιο του 2007 για να παρέχουν πληροφορίες για τον τύπο των καλύψεων γης εκείνη την εποχή.<br /> <br /> '''Μέθοδοι'''<br /> <br /> ''Προεπεξεργασία δεδομένων''<br /> Όλα τα δορυφορικά δεδομένα διορθώθηκαν γεωμετρικά στην προβολή: UTM zone 36, Datum: D_Egypt_1907. Η γεωμετρική διόρθωση έγινε με την χρήση των ψηφιοποιημένων τοπογραφικών χαρτών και επίγειων σημείων ελέγχου για την εγγραφή της εικόνας του 2008 και οι υπόλοιπες εικόνες εγγράφηκαν με βάση αυτήν.<br /> Η ατμοσφαιρική διόρθωση δεν είναι απαραίτητη σε όλες τις τηλεπισκοπικές εφαρμογές, όπως για παράδειγμα στον εντοπισμό των αλλαγών, διότι έχει μικρή επίδραση στην ακρίβεια της ταξινόμησης εφόσον όλα τα δεδομένα εκπαίδευσης και οι εικόνες είναι στην ίδια σχετική κλίμακα.<br /> Με βάση τους Scepan, Menz, and Hansen (1999), οι πιο χρήσιμοι συνδυασμοί καναλιών του Landsat για τον διαχωρισμό των κατηγοριών γης είναι οι: 4-5-3, 4-3-2 και 3-2-1. Το κανάλι 5 του Landsat είναι ευαίσθητο στις διαφοροποιήσεις στην περιοχόμενη υγρασία στην βλάστηση και στην υγρασία του εδάφους. Για τον λόγο αυτό ο συνδυασμός 4-5-3 είναι ικανοποιητικός για την ανάλυση του εδάφους και της κατάστασης της βλάστησης στη συγκεκριμένη περιοχή. Όλες οι εικόνες χρησιμοποιούν τον συνδυασμό 4-5-3, εκτός της εικόνας MSS1 1984, διότι περιέχει μόλις 4 κανάλια, επομένως χρησιμοποιήθηκε ο συνδυασμός 4-3-2 (Εικόνα 3). Η επεξεργασία των εικόνων έγινε με το λογισμικό ERDAS IMAGINE 9.2.<br /> O δορυφόρος Landsat 7 ETM+ αντιμετώπισε ένα πρόβλημα στις 31 Μαίου του 2003 και είναι πλέον μόνιμα απενεργοποιημένος.<br /> <br /> ''Μεθοδολογία υβριδικής ταξινόμησης''<br /> <br /> Επιβλεπόμενη διαδικασία<br /> *Ένα ιεραρχικό σύστημα ταξινόμησης καλύψεων γης (Anderson, Hardy, Roach, &amp; Witmer, 1976) χρησιμοποιήθηκε για τον εντοπισμό των διαφορετικών καλύψεων γης στην περιοχή μελέτης. Με βάση το σύστημα αυτό, προέκυψαν 4 κατηγορίες: 1) urban or built-up land, 2) agricultural land, 3) water, και 4) barren land. Διαφορετικά δεδομένα εκπαίδευσης αντιστοιχήθηκαν σε κάθε κατηγορία, τα οποία επιβεβαιώθηκαν μέσω τοπογραφικών χαρτών, επίγειων χαρακτηριστικών σημείων και την οπτική ερμηνεία διαφορετικών εικόνων. Η ταξινόμηση που χρησιμοποιήθηκε είναι ο κανόνας της μέγιστης πιθανοφάνειας.<br /> <br /> Μη επιβλεπόμενη διαδικασία<br /> *Η μη επιβλεπόμενη μέθοδος ταξινόμησης είναι γνωστή ως clustering, διότι βασίζεται στις φυσικές ομαδοποιήσεις των pixels σε μία εικόνα. Μόλις ολοκληρωθεί η ταξινόμηση, ο αναλυτής γνωρίζει εκ των προτέρων τις τιμές των φασματικών κλάσεων που θα λάβουν οι θεματικές κατηγορίες (Thapa &amp; Murayama, 2009). Για κάθε εικόνα σε κάθε χρόνο χρησιμοποιήθηκαν 25 φασματικά clusters για να διαχωρίσουν την πληροφορία της εικόνας σε μία πιο κατανοητή μορφή με ένα κατώφλι κοντά στο 0.97.<br /> <br /> Διαδικασία συνένωσης<br /> *Και η εικόνα που προέκυψε από την επιβλεπόμενη ταξινόμηση και η εικόνα από την μη επιβλεπόμενη ταξινόμηση αντιστοιχήθηκαν στον ίδιο αριθμό των κλάσεων Η κάθε κλάση εκπροσωπείται από μία ομάδα φασματικών υπογραφών ή από μία ομάδα clusters. Η τελική θεματική ταξινομημένη εικόνα για κάθε έτος περιέχει 4 κατηγορίες καλύψεων γης: urban or build-up land, agricultural land, water, and barren land. <br /> <br /> ''NDVI''<br /> <br /> O δείκτης NDVI είναι ο πιο ευρέως χρησιμοποιούμενος δείκτης στην επεξεργασία δορυφορικών δεδομένων (Myneni, Hall, Sellers, &amp; Marshak, 1995; Tucker, 1979). Δμιουργήθηκαν 5 δείκτες NDVI για όλες τις εικόνες και για όλες τις ημερομηνίες με τις εξλης 2 τιμές: 0 για την γη χωρίς βλάστηση και 1 για την γη με βλάστηση.<br /> <br /> ''Υπολογισμός ακρίβειας''<br /> <br /> Η ακρίβεια υπολογίστηκε εμπειρικά, με τη συλλογή 200 τυχαίων δειγμάτων από τον παραγόμενο χάρτη και με έλεγχο αν οι κατηγορίες αντιστοιχούν στις κατηγορίές των δεδομένων αναφοράς(τοπογραφικοί χάρτες και χαρακτηριστικά σημεία).<br /> <br /> ''Εντοπισμός των αλλαγών στις καλύψεις γης''<br /> <br /> Οι θεματικές εικόνες που προέκυψαν από την υβριδική διαδικασία ταξινόμησης και οι εικόνες που προέκυψαν από την ανάλυση του δείκτη NDVI χρησιμοποιήθηκαν για τον εντοπισμό και την παρακολούθηση των αλλαγών στις καλύψεις γης στην περιοχή μελέτης μεταξύ διαφορετικών ετών, από το 1984 έως το 2008. Για κάθε ζευγάρι ετών, παράχθηκε ένας χάρτης αλλαγών. Για τις θεματικές εικόνες, εντοπίστηκαν οι αλλαγές σε κάθε κατηγορία, ενώ για τις εικόνες με τον δείκτη NDVI, εντοπίστηκαν οι αλλαγές μόνο μεταξύ των περιοχων με και χωρίς βλάστηση.<br /> <br /> '''Αποτελέσματα και συζήτηση'''<br /> <br /> ''Αποτελέσματα υβριδικής ταξινόμησης''<br /> <br /> Για κάθε έτος, εξετάστηκαν 4 διαφορετικές κατηγορίες στην περιοχή Bustan 3. Η εικόνα 4 επεξηγεί τις θεματικά ταξινομημένες εικόνες και παρουσιάζει τα ποσοστά επιφάνειας της κάθε κατηγορίας.<br /> <br /> ''Αποτελέσματα NDVI''<br /> <br /> Η εικόνα 5 παρουσιάζει τις εικόνες του NDVI και την έκταση των επιφανειών και των δύο κατηγοριών σε όλα τα έτη. Τα αποτελέσματα του δείκτη NDVI δεν κρίνονται ικανοποιητικά, ειδικά στην εικόνα του 2008, όπου πολλές περιοχές με βλάστηση κατηγοριοποιήθηκαν στις περιοχές χωρίς βλάστηση.<br /> <br /> ''Αποτελέσματα εκτίμησης ακρίβειας της ταξινόμησης''<br /> <br /> Η εικόνα 6 παρουσιάζει την καταγραφή των αποτελεσμάτων σχετικά με την ακρίβεια των διαδικασιών ταξινόμησης και φαίνεται πως για κάθε έτος τα ποσοστα ακριβείας είναι ιδιαίτερα υψηλά, από 94,5% μέχρι και 100%.<br /> <br /> '''Συμπέρασμα'''<br /> <br /> Κατά την διάρκεια των τελευταίων 24 χρόνων, η αλλαγή στις καλύψεις γης είναι εντυπωσιακή. Στη συγκεκριμένη μελέτη, χρησιμοποιήθηκε η μέθοδος της υβριδικής ταξινόμησης και της ανάλυσης μέσω του NDVI για τον εντοπισμό αυτών των αλλαγών. Με βάση τα αποτελέσματα, ο συνδυασμός της επιβλεπόμενης και της μη επιβλεπόμενης ταξινόμησης μέσω της υβριδικής μεθόδου ταξινόμησης παρείχε πιο ακριβείς και αξιόπιστες εικόνες για την παρακολούθηση των αλλαγών στη συγκεκριμένη περιοχή μελέτης. Αντίθετα, ο δείκτης NDVI δεν μπόρεσε να παράγει αποδεκτά δεδομένα για το έτος 2008. Σε περιοχές όπως η συγκεκριμένη, απαιτείται και γνώση της επίγειας κατάστασης για να αξιοποιηθούν πλήρως τα δορυφορικά δεδομένα Landsat, αλλιώς τα αποτελέσματα υστερούν σε ακρίβεια.<br /> <br /> '''Συνεισφορά της τηλεπισκόπησης'''<br /> <br /> Η συγκεκριμένη μελέτη αναδεικνύει την αξία ανεύρεσης αξιόπιστων στοιχείων σε βάθος χρόνου, καθώς και τη σημασία εντοπισμού και ανάλυσης των μεταβολών που συμβαίνουν στη γήινη επιφάνεια με σκοπό τον βέλτιστο σχεδιασμό και την προστασία του φυσικού περιβάλλοντος, μέσω συνδυασμών τηλεπισκοπικών μεθόδων.<br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%80%CE%B1%CF%81%CE%B1%CE%B3%CF%89%CE%B3%CE%AE%CF%82_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%BD_%CE%9A%CE%B1%CE%BD%CE%B1%CE%B4%CE%AC_%CE%BC%CE%B5_%CF%84%CE%B7_%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_MODIS-NDVI 2017-02-14T00:43:48Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap7_p1.png|thumb|right|'''Eικόνα 1:''' Αγροτικές περιοχές του Καναδά.]]<br /> [[εικόνα: GF_pap7_p2.png|thumb|right|'''Eικόνα 2:''' Αγροκλιματικές περιοχές του Καναδά.]]<br /> [[εικόνα: GF_pap7_p3.png|thumb|right|'''Εικόνα 3:''' Εξέλιξη της συσχετισμένης παραμέτρου r για τον δείκτη NDVI σε κάθε αγροκλιματική ζώνη μεταξύ Μαιού και Αυγούστου.]]<br /> [[εικόνα: GF_pap7_t1.png|thumb|right|'''Πίνακας 1:''' Σύγκριση μεταξύ προβλεπόμενης και πραγματικής παραγωγής σε όλες τις αγροκλιματικές ζώνες.]]<br /> <br /> Agricultural and Forest Meteorology, Volume 151, Issue 3, 15 March 2011, Pages 385–393<br /> <br /> M.S. Mkhabelaa,∗, P. Bullocka, S. Rajb, S. Wangc, Y. Yangc<br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0168192310003138]<br /> <br /> '''Λέξεις-Κλειδιά:''' Kαναδικό λιβάδι, Πρόβλεψη απόδοσης καλλιεργειών, Τηελπισκόπηση, MODIS, NDVI<br /> <br /> '''1. Eισαγωγή'''<br /> <br /> Η παραγωγή δημητριακών έχει ζωτικό ρόλο στην οικονομία των πολιτειών του Καναδα. Στατιστικές μελέτες δείχνουν πως το 75% με 80% της παραγωγής εξάγεται παγκοσμίως. Για τον λόγο αυτό, η πρόβλεψη απόδοσης των καλλιεργειών είναι πολύ σημαντική και θα ενίσχυε σε μεγάλο βαθμό τον σχεδιασμό των εξαγωγών. Τα δεδομένα του Κανονικοποιημένυ Δείκτη Βλάστησης (NDVI) που προκύπτουν από τον δορυφορικό δέκτη Advanced Very High Resolution Radiometer (AVHHR) χρησιμοποιούνται εκτενώς για την παρακολούθηση των καλλιεργειών και την πρόβλεψη των σοδειών σε πολλές χώρες, συμπεριλαμβανομένου και του Καναδά. Πρόσφατα, μελέτες έχουν επιχειρήσει να συνδέσουν τα δεδομένα του δείκτη NDVI από τον δορυφόρο Moderate Resolution Imaging Spectrora- diometer (MODIS) με την παραγωγή σοδειών (Doraiswamy et al., 2004, 2005; Ren et al. 2008; Funk and Budde, 2009; Becker-Reshef et al., 2010) καθώς και με την παρακολούθηση της ξηρασίας της βλάστησης (Guo and Richard, 2004; Wan et al., 2004; Gu et al., 2007, 2008). Το πλεονέκτημα του MODIS είναι η καλύτερη χωρική του ανάλυση (250μ.) και το καλύτερο ραδιομετρικό του καλιμπράρισμα σε σχέση με τον AVHRR, επιτρέποντας πιο ακριβείς προβλέψεις σοδειών (Doraiswamy et al., 2004, 2005; Schut et al., 2009). Οι στόχοι της συγκεκριμένης μελέτης είναι να: α) να εξετάσουν την δυνατότητα χρησιμοποίησης δεδομένων MODIS-NDVI για να προβλέψουν τις σοδειές στην Καναδική επικράτεια, β) να εντοπίσουν την βέλτιστη χρονική στιγμή για τη δημιουργία ενός έγκυρου εργαλείου πρόβλεψης σοδειών.<br /> <br /> '''2. Εργαλεία και μέθοδοι'''<br /> <br /> ''2.1 Περιγραφή της περιοχής μελέτης''<br /> <br /> Η καναδική επικράτεια περιλαμβάνει τις πολιτείες Alberta, Saskatchewan και Manitoba (Εικόνα 1) και συνολικά έχουν περίπου 30 εκατομμύρια εκτάρια καλλιεργήσιμης γης.<br /> <br /> ''2.2. Δεδομένα απόδοσης καλλιεργειών''<br /> <br /> Τα δεδομένα για τις αποδόσεις των καλλιεργειών συλλέχθηκαν από την υπηρεσία «Statistics Canada» (Statistics Canada, 2007) για την περίοδο 2000-2006. Οι τύποι των καλλιεργειών κατηγοριοποιήθηκαν σε τρεις αγροτικές ζώνες: sub-humid zone, semi-arid zone και arid zone (Εικόνα 2). <br /> <br /> ''2.3. Επεξεργασία δεδομένων MODIS-NDVI''<br /> <br /> Τα δεδομένα που επεξεργάστηκαν για την περίοδο 2000-2006 συλλέχθηκαν από την υπηρεσία «Canada Centre for Remote Sensing (CCRS)». Η θεωρία του δείκτη NDVI βασίζεται στις ιδιότητες της πράσινης βλάστησης να ανακλά την ηλιακή ακτινοβολία σε δύο φασματικά κανάλια: το ορατό κόκκινο 0.620-0.670mm μήκος κύματος (Κανάλι 1) και το εγγύς υπέρυθρο 0.841-0.876 mm μήκος κύματος (Κανάλι 2). Για τον λόγο αυτό ο δείκτης NDVI υπολογίζεται ως εξής (Tarpley et al., 1984): NDVI= NIR−R/NIR+R και οι τιμές του κυμάινονται μεταξύ -1 και +1. Η υγιής πράσινη βλάστηση συνήθως έχει της υψηλότερες θετικές τιμές, οι επιφάνειες χωρίς βλάστηση όπως το νερό και το χιόνι έχουν συνήθως αρνητικές τιμές, ενώ οι βραχώδεις περιοχές έχουν τιμές κοντά στο μηδέν.<br /> <br /> ''2.4. Στατιστική ανάλυση''<br /> <br /> Η στατιστική ανάλυση εκτελέστηκε ξεχωριστά για κάθε καλλιέργεια σε κάθε αγροκλιματική ζώνη. Όπως αναφέρθηκε προηγουμένως, οι καλλιέργειες χωρίστηκαν σε τρεις αγροκλιματικές ζώνες. Η συσχέτιση και η ανάλυση έγινε με τη χρήση σύθετων τιμών του δείκτη NDVI και των δεδομένων σχετικά με την απόδοση των καλλιεργειών για κάθε είδος μέσα σε μία αγροκλιματική ζώνη.<br /> <br /> '''3. Αποτελέσματα και συζήτηση'''<br /> <br /> Η εικόνα 3 παρουσιάζει την εξέλιξη της σχετικ΄ς παραμέτρου r για την σχέση μεταξύ του MODIS-NDVI και των αποδόσεων των καλλιεργειών σε όλες τις αγροκλιματικές ζώνες.<br /> Στην ζώνη sub-humid ο δείκτης NDVI είναι υψηλά συσχετισμένος, ενώ στις ζώνες semi-arid και arid η υψηλότερη συσχέτιση παρατηρείται μεταξύ αρχών Ιουλίου και Αυγούστου. Αυτά τα αποτελέσματα έρχονται σε συμφωνία σχετικά με προηγούμενες μελέτες που έχουν αναδείξει υψηλότερη συσχέτιση μεταξύ του δείκτη NDVI και παραγωγής καλλιεργειών (Unganai and Kogan, 1998; Mkhabela and Mkhabela, 2000; Labus et al., 2002; Mkhabela et al., 2005; Marti et al., 2007; Salazar et al., 2007). Μελετώντας την σχέση μεταξύ του δείκτη NDVI και την παραγωγή των καλλιεργειών στον Καναδά προκύπτει το συμπέρασμαπως η περίοδος μεταξύ 10 και 30 Ιουλίου είναι η ιδανική περίοδος για την συλλογή δεδομένων του δείκτη NDVI προκειμένου να σχετιστούν με την τελική παραγωγή των καλλιεργειών. Γενικά, για όλες τις καλλιέργειας, τα καλύτερα μοντέλα πρόβλεψης ήταν στη ζώνη semi-arid και ακολουθούσε η ζώνη arid και τελευταία η ζώνη sub-humid. Ο πίνακας 1 απεικονίζει την προβλεπόμενη και την πραγματική παραγωγή των καλλιεργειών καθώς και την ποσοστιαία τους διαφορά για όλα τα είδη σε όλες τις αγροκλιματικές ζώνες.<br /> <br /> '''4. Κατακλείδα'''<br /> <br /> Η συγκεκριμένη μελέτη δείχνει πως ο MODIS-NDVI μπορεί να εφαρμοστεί με επιτυχία για να προβλέψει την παραγωγή των καλλιεργειών στην επικράτεια του Καναδά περίπου 1 με 2 μήνες πριν την συγκομιδή. Παρόλα αυτά, προκαταρκτικές προβλέψεις της παραγωγής μπορούν να γίνουν μεταξύ τελών Ιουνίου στην sub-humid ζώνη και αρχών Ιουλίου στις ζώνες semi-arid και arid. Παρότι το μοντέλο αφήνει υποσχέσεις για την πρόβλεψη απόδοσης των καλλιεργειών υπάρχουν περιορισμοί. Ο δείκτης NDVI υπολογίζει πιθανή παραγωγή: για τον λόγο αυτό, οτιδήποτε συμβεί στην καλλιέργεια μετά την πρόβλεψη δεν αποτυπώνεται στην εκτίμηση που προκύπτει από το μοντέλο. Επιπροσθέτως, οι δορυφορικές εικόνες επηρεάζονται από πολλά ατμοσφαιρικά φαινόμενα, μειώνοντας με αυτόν τον τρόπο την ποιότητα των δεδομένων που λαμβάνονται.<br /> <br /> '''5. Συνεισφορά της τηλεπισκόπησης'''<br /> <br /> Η συγκεκριμένη μελέτη αναδεικνύει τη χρησιμότητα ενός γνωστού δείκτη, του NDVI, για την πρόβλεψη σχετικά με την απόδοση των καλλιεργειών. Χρησιμοποιούνται δεδομένα του δορυφόρου MODIS και τα αποτελέσματα μετά από σύγκριση σε σχέση με τα πραγματικά δεδομένα κρίνονται ικανοποιητικά. Επίσης, φαίνεται πως ο δείκτης NDVI μπορεί να συμμετάσχει σε ιδιαίτερα πολύπλοκες εφαρμογές και μοντέλα με αξιόπιστα αποτελέσματα.<br /> <br /> <br /> [[category:Γεωργία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%B9%CF%82_%CE%BA%CE%B1%CE%BB%CF%8D%CF%88%CE%B5%CE%B9%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CE%B5_%CE%BC%CE%AF%CE%B1_%CE%BD%CE%AD%CE%B1_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AE_%CF%84%CE%B7%CF%82_%CE%91%CE%B9%CE%B3%CF%8D%CF%80%CF%84%CE%BF%CF%85_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BD_%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_Landsat 2017-02-14T00:43:24Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap9_p1.png|thumb|right|'''Εικόνα 1:''' Tοποθεσία και υποδομές της περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap9_p2.png|thumb|right|'''Εικόνα 2:''' Πληροφορίες δορυφορικών εικόνων για τη συλλογή δεδομένων (path 177/row39).]]<br /> [[εικόνα: GF_pap9_p3.png|thumb|right|'''Εικόνα 3:''' Εικόνες Landsat για την περιοχή μελέτης. (a) MSS 1984, κανάλια 4-3-2 ως RGB, (b) TM 1990, (c) ETM+ 1999, (d) etm+ 2004, (e) ETM + 2008: όλες οι εικόνες χρησιμοποιούν κανάλια 4-5-3 ως RGB.]]<br /> [[εικόνα: GF_pap9_p4.png|thumb|right|'''Εικόνα 4:''' Οι θεματικές εικόνες απεικονίζουν την χωρική κατανομή των διαφορετικών κατηγοριών καλύψεων γης για διαφορετικά έτη στην περιοχή μελέτης. Το διάγραμμα εξηγεί την ποσοστιαία κατανομή κάθε κατηγορίας σε διαφορετικά έτη.]]<br /> [[εικόνα: GF_pap9_p5.png|thumb|right|'''Εικόνα 5:''' Οι εικόνες παρουσιάζουν τη χωρική κατανομή των τιμών του δείκτη NDVI για τα διαφορετικά έτη στην περιοχή μελέτης. Το διάγραμμα εξηγεί την ποσοστιαία κατανομή των δύο κατηγοριών για κάθε έτος.]]<br /> [[εικόνα: GF_pap9_p6.png|thumb|right|'''Εικόνα 6:''' Αποτελέσματα της ταξινόμησης για τις διαφορετικές καλύψεις γης σε διαφορετικά έτη.]]<br /> <br /> Applied Geography 30 (2010) 592–605 <br /> <br /> N. Bakr *, D.C. Weindorf , M.H. Bahnassy , S.M. Marei , M.M. El-Badawi<br /> <br /> Link: [http://www.sciencedirect.com/science/article/pii/S0143622809000897]<br /> <br /> Λέξεις-Κλειδιά: Δορυφορικές εικόνες Landsat, Αλλαγές στην κάλυψη γης, Υβριδική Ταξινόμηση, NDVI, Περιοχή Bustan 3<br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι αλλαγές στην επιφάνεια της γης σχετίζονται με τα φυσικά φαινόμενα έιτε με ανθρωπογενείς ενέργειες και μπορούν να συμβούν είτε ξαφνικά, είτε σταδιακά (Coppin, Jonckheere, Nackaerts, Muys, &amp; Lambin, 2004). Ο ακριβής εντοπισμός των αλλαγών στην επιφάνεια της γης βοηθάει στην καλύτερη κατανόηση των σχέσεων μεταξύ των φυσικών και των τεχνητών φαινομένων. Δύο από τις πιο συνηθισμένες χρήσεις των δορυφορικών εικόνων είναι η χαρτογράφηση των καλύψεων γης μέσω της ταξινόμησης της εικόνας και οι αλλαγές στις καλύψεις/χρήσεις γης μέσω του εντοπισμού τους (Song, Woodcock, Seto, Pax Lenney, &amp; Macomber, 2001). Τα δορυφορικά δεδομένα Landsat είναι τα πιο ευρέως χρησιμοποιούμενα για τέτοιου είδους χαρτογραφήσεις, λόγω και της ελεύθερης διαθεσιμότητάς τους. Ο εντοπισμός των αλλαγών μπορεί να πραγματοποιηθεί μέσω επιβλεπόμενων και μη επιβλεπόμενων προσσεγγίσεων (Singh, 1989). Επίσης, ο δείκτης βλάστησης συχνά θεωρείται ως μία αποτελεσματική μέθοδο για την ενίσχυση των διαφορών των φασματικών υπογραφών κάθε κατηγορίας σε μία εικόνα (Lu, Mausel, Batistella, &amp; Moran, 2005). Ο σκοπός της συγκεκριμένης μελέτης είναι να: 1) αναδείξει μία σύγχρονη οπτική για τους διαφορετικούς τύπους καλύψεων γης που συναντώνται στην περιοχή Bustan 3 της Αιγύπτου, και 2) να καταγράψει τις αλλαγές στις καλύψεις γης της συγκεκριμένης περιοχής που έχουν λάβει χώρα από το 1984 μέχρι το 2008, χρησιμοποιώντας μία τεχνική υβριδικής ταξινόμησης και έναν δείκτη βλάστησης, τον Κανονικοποιημένο Δείκτη Βλάστησης NDVI.<br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η περιοχή Bustan 3, χαρακτηρίζεται από ημί-ξηρο, μεσογειακό κλίμα. Εντοπίζεται στην περιοχή του Δυτικού Δέλτα στην Αίγυπτο και έχει έκταση περίπου 341.27km2, όπως παρουσιάζεται στην εικόνα 1.<br /> <br /> '''Δεδομένα'''<br /> <br /> Οι δορυφόροι Landsat 4,5 και 7 χρησιμοποιήθηκαν για την συγκεκριμένη έρευνα. Το μέγεθος των δορυφορικών εικόνων είναι 185km * 170km. Οι δορυφόροι Landsat 4 και 5 έχουν αισθητήρες TM και MSS. Τα δεδομένα του Landsat TM έχουν χωρική ανάλυση 30m. στα 6 φασματικά κανάλια, από το μπλε μέχρι και το μέσο υπέρυθρο και 120m. Στο θερμικό κανάλι. Ο Landsat 7 τέθηκε σε τροχιά τον Απρίλιο του 1999, έχοντας τους προηγούμενους αισθητήρες TM mε το νέο όργανο TM+. Για την συγκεκριμένη μελέτη επιλέχτηκαν 5 εικόνες Landsat 4,5 και 7 για τα έτη: 1984, 1990, 1999, 2004 και 2008, όπως φαίνεται στην εικόνα 2. Όλα τα δεδομένα συλλέχθηκαν υπό καθαρές ατμοσφαιρικές συνθήκες κατά την θερινή περίοδο. Επίσης χρησιμοποιήθηκαν τρεις τοπογραφικοί χάρτες κλίμακας 1:50.000 της περιοχής Bustan 3 στην Αίγυπτο. Οι συγκεκριμένοι χάρτες ψηφιοποιήθηκαν από έντυπους χάρτες για να παράγουν τον χάρτη υποδομών που φαίνεται στην εικόνα 1. Ο ψηφιοποιημένος χάρτης χρησιμοποιήθηκε επίσης για την γεωμετρική διόρθωση των δορυφορικών εικόνων, αλλά και την επαλήθευση επίγειων στοιχείων. Τέλος, χρησιμοποιήθηκαν 48 επίγεια πραγματικά σημεία, που ορίστηκαν τον Ιούλιο του 2007 για να παρέχουν πληροφορίες για τον τύπο των καλύψεων γης εκείνη την εποχή.<br /> <br /> '''Μέθοδοι'''<br /> <br /> ''Προεπεξεργασία δεδομένων''<br /> Όλα τα δορυφορικά δεδομένα διορθώθηκαν γεωμετρικά στην προβολή: UTM zone 36, Datum: D_Egypt_1907. Η γεωμετρική διόρθωση έγινε με την χρήση των ψηφιοποιημένων τοπογραφικών χαρτών και επίγειων σημείων ελέγχου για την εγγραφή της εικόνας του 2008 και οι υπόλοιπες εικόνες εγγράφηκαν με βάση αυτήν.<br /> Η ατμοσφαιρική διόρθωση δεν είναι απαραίτητη σε όλες τις τηλεπισκοπικές εφαρμογές, όπως για παράδειγμα στον εντοπισμό των αλλαγών, διότι έχει μικρή επίδραση στην ακρίβεια της ταξινόμησης εφόσον όλα τα δεδομένα εκπαίδευσης και οι εικόνες είναι στην ίδια σχετική κλίμακα.<br /> Με βάση τους Scepan, Menz, and Hansen (1999), οι πιο χρήσιμοι συνδυασμοί καναλιών του Landsat για τον διαχωρισμό των κατηγοριών γης είναι οι: 4-5-3, 4-3-2 και 3-2-1. Το κανάλι 5 του Landsat είναι ευαίσθητο στις διαφοροποιήσεις στην περιοχόμενη υγρασία στην βλάστηση και στην υγρασία του εδάφους. Για τον λόγο αυτό ο συνδυασμός 4-5-3 είναι ικανοποιητικός για την ανάλυση του εδάφους και της κατάστασης της βλάστησης στη συγκεκριμένη περιοχή. Όλες οι εικόνες χρησιμοποιούν τον συνδυασμό 4-5-3, εκτός της εικόνας MSS1 1984, διότι περιέχει μόλις 4 κανάλια, επομένως χρησιμοποιήθηκε ο συνδυασμός 4-3-2 (Εικόνα 3). Η επεξεργασία των εικόνων έγινε με το λογισμικό ERDAS IMAGINE 9.2.<br /> O δορυφόρος Landsat 7 ETM+ αντιμετώπισε ένα πρόβλημα στις 31 Μαίου του 2003 και είναι πλέον μόνιμα απενεργοποιημένος.<br /> <br /> ''Μεθοδολογία υβριδικής ταξινόμησης''<br /> <br /> Επιβλεπόμενη διαδικασία<br /> *Ένα ιεραρχικό σύστημα ταξινόμησης καλύψεων γης (Anderson, Hardy, Roach, &amp; Witmer, 1976) χρησιμοποιήθηκε για τον εντοπισμό των διαφορετικών καλύψεων γης στην περιοχή μελέτης. Με βάση το σύστημα αυτό, προέκυψαν 4 κατηγορίες: 1) urban or built-up land, 2) agricultural land, 3) water, και 4) barren land. Διαφορετικά δεδομένα εκπαίδευσης αντιστοιχήθηκαν σε κάθε κατηγορία, τα οποία επιβεβαιώθηκαν μέσω τοπογραφικών χαρτών, επίγειων χαρακτηριστικών σημείων και την οπτική ερμηνεία διαφορετικών εικόνων. Η ταξινόμηση που χρησιμοποιήθηκε είναι ο κανόνας της μέγιστης πιθανοφάνειας.<br /> <br /> Μη επιβλεπόμενη διαδικασία<br /> *Η μη επιβλεπόμενη μέθοδος ταξινόμησης είναι γνωστή ως clustering, διότι βασίζεται στις φυσικές ομαδοποιήσεις των pixels σε μία εικόνα. Μόλις ολοκληρωθεί η ταξινόμηση, ο αναλυτής γνωρίζει εκ των προτέρων τις τιμές των φασματικών κλάσεων που θα λάβουν οι θεματικές κατηγορίες (Thapa &amp; Murayama, 2009). Για κάθε εικόνα σε κάθε χρόνο χρησιμοποιήθηκαν 25 φασματικά clusters για να διαχωρίσουν την πληροφορία της εικόνας σε μία πιο κατανοητή μορφή με ένα κατώφλι κοντά στο 0.97.<br /> <br /> Διαδικασία συνένωσης<br /> *Και η εικόνα που προέκυψε από την επιβλεπόμενη ταξινόμηση και η εικόνα από την μη επιβλεπόμενη ταξινόμηση αντιστοιχήθηκαν στον ίδιο αριθμό των κλάσεων Η κάθε κλάση εκπροσωπείται από μία ομάδα φασματικών υπογραφών ή από μία ομάδα clusters. Η τελική θεματική ταξινομημένη εικόνα για κάθε έτος περιέχει 4 κατηγορίες καλύψεων γης: urban or build-up land, agricultural land, water, and barren land. <br /> <br /> ''NDVI''<br /> <br /> O δείκτης NDVI είναι ο πιο ευρέως χρησιμοποιούμενος δείκτης στην επεξεργασία δορυφορικών δεδομένων (Myneni, Hall, Sellers, &amp; Marshak, 1995; Tucker, 1979). Δμιουργήθηκαν 5 δείκτες NDVI για όλες τις εικόνες και για όλες τις ημερομηνίες με τις εξλης 2 τιμές: 0 για την γη χωρίς βλάστηση και 1 για την γη με βλάστηση.<br /> <br /> ''Υπολογισμός ακρίβειας''<br /> <br /> Η ακρίβεια υπολογίστηκε εμπειρικά, με τη συλλογή 200 τυχαίων δειγμάτων από τον παραγόμενο χάρτη και με έλεγχο αν οι κατηγορίες αντιστοιχούν στις κατηγορίές των δεδομένων αναφοράς(τοπογραφικοί χάρτες και χαρακτηριστικά σημεία).<br /> <br /> ''Εντοπισμός των αλλαγών στις καλύψεις γης''<br /> <br /> Οι θεματικές εικόνες που προέκυψαν από την υβριδική διαδικασία ταξινόμησης και οι εικόνες που προέκυψαν από την ανάλυση του δείκτη NDVI χρησιμοποιήθηκαν για τον εντοπισμό και την παρακολούθηση των αλλαγών στις καλύψεις γης στην περιοχή μελέτης μεταξύ διαφορετικών ετών, από το 1984 έως το 2008. Για κάθε ζευγάρι ετών, παράχθηκε ένας χάρτης αλλαγών. Για τις θεματικές εικόνες, εντοπίστηκαν οι αλλαγές σε κάθε κατηγορία, ενώ για τις εικόνες με τον δείκτη NDVI, εντοπίστηκαν οι αλλαγές μόνο μεταξύ των περιοχων με και χωρίς βλάστηση.<br /> <br /> '''Αποτελέσματα και συζήτηση'''<br /> <br /> ''Αποτελέσματα υβριδικής ταξινόμησης''<br /> <br /> Για κάθε έτος, εξετάστηκαν 4 διαφορετικές κατηγορίες στην περιοχή Bustan 3. Η εικόνα 4 επεξηγεί τις θεματικά ταξινομημένες εικόνες και παρουσιάζει τα ποσοστά επιφάνειας της κάθε κατηγορίας.<br /> <br /> ''Αποτελέσματα NDVI''<br /> <br /> Η εικόνα 5 παρουσιάζει τις εικόνες του NDVI και την έκταση των επιφανειών και των δύο κατηγοριών σε όλα τα έτη. Τα αποτελέσματα του δείκτη NDVI δεν κρίνονται ικανοποιητικά, ειδικά στην εικόνα του 2008, όπου πολλές περιοχές με βλάστηση κατηγοριοποιήθηκαν στις περιοχές χωρίς βλάστηση.<br /> <br /> ''Αποτελέσματα εκτίμησης ακρίβειας της ταξινόμησης''<br /> <br /> Η εικόνα 6 παρουσιάζει την καταγραφή των αποτελεσμάτων σχετικά με την ακρίβεια των διαδικασιών ταξινόμησης και φαίνεται πως για κάθε έτος τα ποσοστα ακριβείας είναι ιδιαίτερα υψηλά, από 94,5% μέχρι και 100%.<br /> <br /> '''Συμπέρασμα'''<br /> <br /> Κατά την διάρκεια των τελευταίων 24 χρόνων, η αλλαγή στις καλύψεις γης είναι εντυπωσιακή. Στη συγκεκριμένη μελέτη, χρησιμοποιήθηκε η μέθοδος της υβριδικής ταξινόμησης και της ανάλυσης μέσω του NDVI για τον εντοπισμό αυτών των αλλαγών. Με βάση τα αποτελέσματα, ο συνδυασμός της επιβλεπόμενης και της μη επιβλεπόμενης ταξινόμησης μέσω της υβριδικής μεθόδου ταξινόμησης παρείχε πιο ακριβείς και αξιόπιστες εικόνες για την παρακολούθηση των αλλαγών στη συγκεκριμένη περιοχή μελέτης. Αντίθετα, ο δείκτης NDVI δεν μπόρεσε να παράγει αποδεκτά δεδομένα για το έτος 2008. Σε περιοχές όπως η συγκεκριμένη, απαιτείται και γνώση της επίγειας κατάστασης για να αξιοποιηθούν πλήρως τα δορυφορικά δεδομένα Landsat, αλλιώς τα αποτελέσματα υστερούν σε ακρίβεια.<br /> <br /> '''Συνεισφορά της τηλεπισκόπησης'''<br /> <br /> Η συγκεκριμένη μελέτη αναδεικνύει την αξία ανεύρεσης αξιόπιστων στοιχείων σε βάθος χρόνου, καθώς και τη σημασία εντοπισμού και ανάλυσης των μεταβολών που συμβαίνουν στη γήινη επιφάνεια με σκοπό τον βέλτιστο σχεδιασμό και την προστασία του φυσικού περιβάλλοντος, μέσω συνδυασμών τηλεπισκοπικών μεθόδων.<br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%9F_%CF%81%CF%8C%CE%BB%CE%BF%CF%82_%CF%84%CE%BF%CF%85_Landsat_%CF%83%CF%84%CE%B9%CF%82_%CE%BF%CE%B9%CE%BA%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%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 2017-02-14T00:42:51Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap10_p1.png|thumb|right|'''Εικόνα 1:''' Χάρτες κάλυψης γης/δασών 7χλμ.*7χλμ. στον Καναδά (αριστερά) και ένα ανάμεικτο δάσος στην Μασαχουσέτη (δεξιά), που έχουν προκύψει από τον Landsat ETM+.]]<br /> [[εικόνα: GF_pap10_p2.png|thumb|right|'''Εικόνα 2:''' Χάρτες δεικτών φυλλωμάτων βλάστησης 7χλμ.*7χλμ. στο Κάνσας (αριστερά) και αγροτική γη στο Ιλινόις (δεξιά), που έχουν προκύψει από τον Landsat ETM+.]]<br /> [[εικόνα: GF_pap10_p3.png|thumb|right|'''Εικόνα 3:''' Τα δεδομένα του Landsat TM απεικονίζουν για τρία διαφορετικά ετη μία μικρή ( 3χλμ. * 5 χλμ.) περιοχή στο Όρεγκον και έναν χάρτη συγκομιδής των δασών που προκύπτει από αυτά τα δεδομένα.]]<br /> <br /> BioScience 54(6):535-545. 2004 <br /> <br /> Warren B. Cohen &amp; Samuel N. Goward<br /> <br /> '''Link:''' [http://www.bioone.org/doi/abs/10.1641/0006-3568%282004%29054%5B0535%3ALRIEAO%5D2.0.CO%3B2?journalCode=bisi]<br /> <br /> '''Λέξεις-Κλειδιά:''' Τηελπισκόπηση, Landsat, Φασματικοί Δείκτες Βλάστησης, Χαρτογράφηση βλάστησης, Εντοπισμός αλλαγών.<br /> <br /> '''Ο τομέας της οικολογίας έχει γνωρίσει τρομακτική ανάπτυξη τον τελευταίο αιώνα.''' Αυτή η ανάπτυξη οφείλεται σε ένα σύνολο από κοινωνικές, πολιτικές, περιβαλλοντικές και τεχνολογικές παραμέτρους, καθώς και νέες εφαρμογές. Το δημόσιο ενδιαφέρον για την κατάσταση του περιβάλλοντος οδήγησε στην θέσπιση ολοένα και περισσότερων μέτρων προστασίας του. Η κετο΄ξευση του δορυφόρου Sputnik το 1957 και στη συνέχεια κατά την διάρκεια των επανδρωμένων προγραμμάτων Gemini και Apollo, από το 1965 ως το 1972, λήφθηκαν πολλές φωτογραφίες της Γης από το διάστημα, κάτι που σηματοδότησε την γέννηση της τηλεπισκόπησης. Με την εκτόξευση του πρώτου δορυφόρου Landsat το 1972, οι επιστήμονες ήταν σε θέση να δουν τις επιπτώσεις από τις ανθρώπινες παρεμβάσεις πάνω στη Γη. Ο δορυφόρος Landsat έχει πολλά πλεονεκτήματα. Αρχικά, προσφέρει εικόνες σε βάθος τριάντα χρόνων, που είναι και το μεγαλύτερο διάστημα παροχής πληροφοριών σε σχέση με οποιονδήποτε άλλο δορυφόρο. Επίσης, η χωρική του ανάλυση βελτιστοποιεί την κατηγοριοποίηση των χρήσεων/καλύψεων γης για την καλύτερη διαχείριση του χώρου και τρίτον, είναι σε θέση να λάβει φασματικές μετρήσεις σε όλα τα μήκη κύματος του ηλιακού ηλεκτρομαγνητικού φάσματος.<br /> <br /> '''Σημασία της μέσης υπέρυθρης ανακλαστικότητας'''<br /> Ο δορυφόρος Landsat ήταν το πρώτο δορυφορικό σύστημα που συμπεριλάμβανε το κανάλι του μέσου υπέρυθρου. Σε αυτό το σημείο, αναδεικνύεται η σημασία των εικόνων Landsat στις οικολογικές εφαρμογές εξαιτίας της ύπαρξης του συγκεκριμένου καναλιού. Αρχικά, οι Horler και Ahern (1986) εκτέλεσαν την πρώτη αναλυτική εξέταση για τη συλλογή δασικών πληροφοριών. Ανακάλυψαν πως το κανάλι του μέσου υπέρυθρου περιείχε περισσότερες πληροφορίες για τα κωνοφόρα δέντρα απότι τα άλλα κανάλια. Αργότερα, ανακαλύφθηκε πως το μέσο υπέρυθρο ήταν σε θέση να εκτιμήσει τον όγκο των κωνοφόρων δασών. Επίσης, οι Lymburner και συνεργάτες (2000) ανέφεραν πως το μέσο υπέρυθρο ήταν το πιο σημαντικό κανάλι για τον χαρακτηρισμό των διαφορετικών φυλλωμάτων ενός δάσους. Τέλος, ο Steininger (2000) ανακάλυψε πως το μέσο υπέρυθρο κανάλι είναι το πιο σημαντικό για την χαρτογράφηση της ηλικίας και της βιομάζας. Με βάση την σημασία του μέσου υπέρυθρου για τον χαρακτηρισμό της κατάστασης ενός δάσους, είναι αναμενόμενο πως το συγκεκριμένο κανάλι είναι απαραίτητο για την καταγραφή αλλαγών στα δάση. Οι Williams και Nelson (1986) ανακάλυψαν πως το κανάλι του μέσου υπέρυθρου απέδιδε πιο ακριβείς και λεπτομερείς χαρακτηρισμούς της βλάβης στα κωνοφόρα δέντρα από τα έντομα. Η σημασία του μέσου υπέρυθρου σημειώνεται επίσης και σε μη δασικές εφαρμογές. Ο Lee kαι οι συνεργάτες (1988) ανέφεραν πως το μέσο υπέρυθρο κανάλι είναι το καλύτερο κανάλι για τηνν ευρεία ταξινόμηση του εδάφους λόγω της ευαισθησίας του στην υφή των επιφανειών , στο περιεχόμενο της οργανικής ύλης και στην υγρασία.<br /> <br /> '''Οικολογικές εφαρμογές δεδομένων Landsat'''<br /> <br /> Τα δεδομένα Landsat έχουν μεταφραστεί ως χρήσιμες οικολογικές πληροφορίες για πάνω από τριάντα χρόνια. Στη συγκεκριμένη ενότητα γίνεται μία περίληψη των εφαρμογών του Landsat στην οικολογία και τονίζεται: α) η ποικίλια των χρήσεων των δεδομένων και β) η αυξανόμενη πολυπλοκότητα της διαλειτουργικότητας μεταξύ του Landsat και των οικολογικών μοντέλων.<br /> <br /> '''Κατάσταση και δυναμική των οικοσυστημάτων.'''<br /> <br /> Τα οικοσυστήματα μπορούν να περιγραφούν από την κατάστασή τους και από τον τρόπο που μεταβάλλονται. Μετά την διάθεση των δεδομένων Landsat, έχουν χρησιμοποιηθεί με σκοπό την ικανοποίηση και των δύο περιγραφικών τους χαρακτηριστικών.<br /> <br /> ''Θεματική ταξινόμηση.''<br /> Η ταξινόμηση των δασών (εικόνα 1) είναι ιδιαίτερα δημοφιλής χρήση των δεδομένων του Landsat . Σε άλλα οικοσυστήματα, οι ταξινομήσεις που έχουν προκύψει έχουν χρησιμοποιηθεί για να απεικονίσουν την παραγωγικότητα των ψαριών, τις μεταναστεύσεις των πτηνών, την εκτίμηση κατολισθήσεων και κινδύνων πυρκαγιάς κλπ.<br /> <br /> ''Βιοφυσική.'' <br /> <br /> Η χρήση των δεδομένων Landsat για την συλλογή πληροφοριών σε σχέση με τα βιοφυσικά χαρακτηριστικά της βλάστησης είναι εξίσου σημαντική (εικόνα 2).<br /> Φασματικά μοντέλα για την αναγνώριση χρακτηριστικών της βλάστησης, όπως είναι το είδος των φυλλωμάτων, η βιομάζα, και η περιεχόμενη υγρασία έχουν χρησιμοποιηθεί σε ποικίλες εφαρμογές βλάστησης. Επίσης, οι ιδιότητες των επιφανειών που δεν σχετίζονται άμεσα με την βλάστηση έχουν ερευνηθεί μέσω του Landsat. Πιο συγκεκριμένα, το θερμικό κανάλι χρησιμοποιείται για τον χαρακτηρισμό της θερμοκρασίας μίας επιφάνειας (Holifield et al. 2003) και των ιδιοτήτων του εδάφους, όπως είναι η συγκέντρωση του φωσφόρου και η τιμή του pH.<br /> <br /> ''Δυναμική οικοσυστημάτων.''<br /> <br /> Ο εντοπισμός των αλλαγών ενός οικοσυστήματος με τη χρήση τηλεπισκοπικών μεθόδων είναι πολύ συνηθισμένος. Τα δεδομένα Landsat χρησιμοποιούνται για τον εντοπισμό αλλαγών σε μία ποικιλία τύπων οικοσυστημάτων, όπως φαίνεται στην εικόνα 3. Στα δάση, έχει υπάρξει επιτυχής εντοπισμός των αλλαγών που έχουν σχέση με την υλοτόμησή τους, τις βλάβες από έντομα, την όξινη βροχή κ.ά.<br /> <br /> ''Χωρικά μοτίβα.'' <br /> <br /> Tα δεδομένα Landsat έχουν χρησιμοποιηθεί για να εκτιμήσουν τα μοτίβα ανάπτυξης της βλάστησης σε σχέση με την οικολογία και την διαχείριση. Ο χαρακτηρισμός των τοπίων με μετρητικά χαρακτηριστικά μέσω των εικόνων Landsat είναι επίσης συνηθισμένος. Oι Gluck και Rempel (1996) χρησιμοποίησαν δεδομένα TM για να χαρακτηρίσουν το μέγεθος, το σχήμα και άλλα μετρητικά στοιχεία για δάση στον Καναδά.<br /> <br /> ''Χαρτογράφηση μεγάλων περιοχών.'' <br /> <br /> Η ωρίμανση του προγράμματος Landsat, η αύξηση της υπολογιστικής ισχύος λόγω της τεχνολογικής ανάπτυξης και η γνώση για το πώς πρέπει να επεξεργαστούν τα δεδομένα έχουν οδηγήσει στο σημείο όπου η χρήση των εικόνων Landsat μπορεί να καταστήσει δυνατή τη χαρτογράφηση μεγάλων περιοχών.<br /> <br /> '''Διαλειτουργικότητα με οικολογικά μοντέλα.'''Τα τελευταία τριάντα χρόνια, ο αριθμός και η πολυπλοκότητα των μοντέλων που χρησιμοποιούν τα δεδομένα Landsat έχει αυξηθεί σημαντικά.<br /> <br /> ''Φυσιολογικά μοντέλα.''<br /> <br /> Τα φυσιολογικά μοντέλα είναι μία σημαντική κατηγορία που χρησιμοποιεί δεδομένα Landsat. Οι Kaneko και Hino (1996) εκτίμησαν την ισορροπία ενέργειας σε μία επιφάνεια μίας δασικής περιοχής με τη χρήση παραμέτρων που προέκυψαν από δεδομένα Landsat.<br /> <br /> ''Υπολογιστικά μοντέλα.''<br /> <br /> Ο Cairns και οι συνεργάτες (2000) ακολούθησαν μία σχετικά απλή προσέγγιση για να αντιστοιχήσουν τιμές της βιομάζας σε κατηγορίες κάλυψης γης που προέκυψαν από έναν υπάρχοντα χάρτη ο οποίος αναβαθμίστηκε με δεδομένα TM.<br /> <br /> ''Πανίδα και βιοποικιλότητα.'' <br /> <br /> Οι μελέτες για την πανίδα και τη βιοποικιλότητα χρησιμοποιούν εκτενώς δεδομένα Landsat. Οι πιο απλές προσεγγίσεις περιλαμβάνουν την χαρτογράφηση και τον χαρακτηρισμό της πανίδας.<br /> <br /> ''Κοινωνικοοικονομικές μελέτες.'' <br /> <br /> Οι κοινωνικοοικονομικές μελέτες βασίζονται ολοένα και περισσότερο στην τηλεπισκόπηση για τη συλλογή πληροφοριών όσον αφορά τις καλύψεις/χρήσεις γης και τις αλλαγές τους διαμέσου του χρόνου.<br /> <br /> '''Η αυξανόμενη αξία του Landsat'''<br /> <br /> Στο πέρας των δεκαετιών, οι οικολογικές επιστήμες έχουν επηρεαστεί σημαντικά από τις κοινωνικοπολιτικές αλλαγές. Επίσης, η τεχνολογική ανάπτυξη επιτρέπει στους οικολόγους να αντιμετωπίσουν ολοένα και πολυπλοκότερα επιστημονικά ερωτήματα. Μαζί με την εξέλιξη των υπολογιστικών συστημάτων και σε συνεργασία με τα Γεωγραφικά Συστήματα Πληροφοριών η τηλεπισκόπηση είναι σε θέση να αντιμετωπίζει τέτοιου είδους ερωτήματα και ο πρεσβευτής της είναι το δορυφορικό σύστημα Landsat. Ο Landsat εκπροσωπεί το μακρύτερο σε διάρκεια πρόγραμμα για την παρατήρηση της επιφάνειας της Γης από το διάστημα. Το μέλλον του στην οικολογία και τις εφαρμογές της αναμένεται πολλά υποσχόμενο. Η ανάπτυξη χαρτογραφικών προγραμμάτων που θα χρησιμοποιούν μεγάλο όγκο δεδομένων Landsat σε εθνική κλίμακα θα έχει ως αποτέλεσμα την βελτίωση των οικολογικών μοντέλων και την αύξηση των εφαρμογών τους. Τέλος, η διαλειτουργικότητα μεταξύ των δεομένων Landsat με δεδομένα άλλων δορυφόρων, θα αποτελέσει το κλειδί για τη βελτίωση των αποδιδόμενων πληροφοριών από τηλεπισκοπικά δεδομένα.<br /> <br /> <br /> [[category:Οικολογία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/X%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%84%CE%BF%CF%85_VWC_%CE%BC%CE%B5_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1_Landsat_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_NDWI_%CE%B3%CE%B9%CE%B1_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%AD%CF%81%CE%B3%CE%B5%CE%B9%CE%B5%CF%82_%CE%BA%CE%B1%CE%BB%CE%B1%CE%BC%CF%80%CE%BF%CE%BA%CE%B9%CE%BF%CF%8D_%CE%BA%CE%B1%CE%B9_%CF%83%CF%8C%CE%B3%CE%B9%CE%B1%CF%82 2017-02-14T00:42:16Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap3_t1.png|thumb|right|'''Πίνακας 1:''' Σκηνές Landsat για SMEX02.]]<br /> [[εικόνα: GF_pap3_t2.png|thumb|right|'''Πίνακας 2:''' Συντ/νες περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap3_p1.png|thumb|right|'''Εικόνα 1:''' Ψευδοεικόνες Landsat της περιοχής μελέτης Walnut Gulch Watershed. Τα χρώματα στα κανάλια του Landsat TM 7 είναι ως εξής: Κόκκινο-Κανάλι 4, Πράσινο-Κανάλι 3 και Μπλε-Κανάλι 2.]]<br /> [[εικόνα: GF_pap3_p2.png|thumb|right|'''Εικόνα 2:''' Δείκτες βλάστησης (NDVI, NDWI) σε συνάρτηση με τη μέρα του χρόνου.]]<br /> [[εικόνα: GF_pap3_p3.png|thumb|right|'''Εικόνα 3:''' VWC καλαμποκιού και σόγιας vs NDVI.]]<br /> [[εικόνα: GF_pap3_p4.png|thumb|right|'''Εικόνα 4:''' VWC καλαμποκιού και σόγιας vs NDWI.]]<br /> [[εικόνα: GF_pap3_p5.png|thumb|right|'''Eικόνα 5:''' Οι εικόνες του δείκτη VWC που προκύπτουν από τα δεδομένα του Landsat.]]<br /> [[εικόνα: GF_pap3_t3.png|thumb|right|'''Πίνακας 3:''' Απόδοση του VWC.]]<br /> <br /> Remote Sensing of Environment 92 (2004) 475–482<br /> <br /> Thomas J. Jacksona,*, Daoyi Chenb, Michael Cosha, Fuqin Lia, Martha Andersonc,<br /> Charles Walthalla, Paul Doriaswamya, E. Ray Hunta<br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0034425703003353]<br /> <br /> '''Λέξεις-Κλειδιά:''' Περιεχόμενο νερό στη βλάστηση, Landsat, NDWI<br /> <br /> '''1.Εισαγωγή'''<br /> <br /> Η περιεκτικότητα της βλάστησης σε νερό (VWC) είναι μία σημαντική παράμετρος στις αγροτικές και δασικές εφαρμογές. Ο δείκτης VWC θα μπορούσε να προσφέρει πληροφορίες για αγροτικές εφαρμογές που μπορούν να χρησιμοποιηθούν για να υπολογιστεί η διαθεσιμότητα του νερού για αποφάσεις άρδευσηςμε σκοπό την αύξηση της σοδειάς (Penuelasetal., 1993) και στον υπολογισμό των συνθηκών υγρασίας (Tucker, 1980). Η βασική αρχή στις δασικές εφαρμογές είναι ο υπολογισμός του κινδύνου πυρκαγιάς (Pyneetal., 1996). Ο δείκτης VWC χρησιμοποιείται επίσης για την ανάκτηση της υγρασίας του εδάφους από μικροκυματικές τηλεπισκοπικές παρατηρήσεις (Jackson&amp;Schmugge, 1991), το οποίο αποτελεί και το αντικείμενο μελέτης της συγκεκριμένης εργασίας. Ως μέρος μίας εκστρατείας μεγάλης κλίμακας που ονομάζεται «SoilMoistureExperiments 2002 (SMEX02)», ερευνήθηκε η πιθανή χρήση της τηλεπισκόπησης για τον εντοπισμό και την παρακολούθηση του δείκτη VWC για καλλιέργειες καλαμποκιού και σόγιας.Ο τελικός σκοπός είναι η παραγωγή υψηλής ποιότητας δεικτών VWC για τις μελέτες που διενεργήθηκαν κατά τη διάρκεια του προγράμματος «SMEX02» και η συνεισφορά στην ανάπτυξη αποτελεσματικών μεθόδων για την παροχή πληροφοριών σε πραγματικό χρόνο για παγκόσμιες δορυφορικές εφαρμογές.<br /> <br /> '''2. Δείκτες βλάστησης και ο δείκτης VWC'''<br /> <br /> Ο Tucker (1979) χρησιμοποίησε τον κανονικοποιημένο δείκτη βλάστησης (NDVI), όπως αναπτύχθηκε από τον Rouseetal. (1973), για να εκτιμήσει την περιεκτικότητα των φύλλων σε νερό και άλλες φυσιολογικές μεταβλητές για την βλάστηση:<br /> NDVI= RNIR-RRED/ RNIR+RRED<br /> <br /> όπου RNIRείναι η ανακλαστικότητα του εγγύς υπέρυθρου καναλιού (0.78 – 0.90 μmTM/ETM+ και 0.72 – 1.1 umAVHRR) και RRED είναι η ανακλαστικότητα στο κόκκινο κανάλι (0.63 – 0.69 μmTM/ETM+ και 0.58 – 0.68 AmAVHRR). Ένα πλεονέκτημα της χρήσης του δείκτη NDVI είναι πως αποτελεί ένα προιόν μαζικής παραγωγής το οποίο είναι διαθέσιμο σε παγκόσμιο επίπεδο συνήθως κάθε 10 μέρες χρησιμοποιώντας δορυφορικά εργαλέια όπως ο δορυφόρος AVHRR, παρόλα αυτά έχει σημαντικούς περιορισμούς όσον αφορά την εκτίμηση του δείκτη VWC διότι επηρεάζεται και από άλλες μεταβλητές.<br /> Ο Gao (1996) ανέπτυξε τον κανονικοποιημένο δείκτη νερού (NDWI) για τον υπολογισμό του δείκτη VWC μέσω φυσικών αρχών. Ο Hardiskyetal (1983) ανέπτυξε τον ίδιο δείκτη για τον LandsatThematicMapper:<br /> NDWI= RNIR-RSWIR/ RNIR+RSWIR<br /> <br /> όπου RSWIRείναι η ανακλαστικότητα στο μέσο υπέρυθρο κανάλι (1.2-2.5μm). Για τον LandsatTM/ETM+, οι δείκτες RNIRκαι RSWIRαντιστοιχούν στα κανάλια 4 και 5. Ένας λόγος που ο συγκεκριμένος δείκτης δεν έχει γνωρίσει μεγάλη προσοχή είναι πως μέχρι πρόσφατα η σπάνια κάλυψη από τον LandsatTM/ETM+ καθιστούσε δύσκολη την εκτιμήση του δείκτη VWC σε πολλές εφαρμογές. Κοινή κατάληξη τωνερευνητών είναι το γεγονός πως το μέσο υπέρυθρο κανάλι είναι πολύ σημαντικό για την εκτίμηση του δείκτη VWC και το εγγύς υπέρυθρο κανάλι ήταν απαραίτητο για τον εντοπισμό του είδους των φύλλων και τις μεταβλητότητες της ξηρασίας στη βλάστηση. Στυ συγκεκριμένη εργασία, χρησιμοποιούνται δορυφορικές εικόνες LandsatTM/ETM+, λόγω της υψηλής χωρικής ανάλυσης (30m). Ο σκοπός είναι η τελική προσαρμογή της συγκεκριμένης εργασίας στον δορυφόρο MODIS, όπου η χωρική ανάλυση του εγγύς υπέρυθρου καναλιού είναι 500-m.<br /> <br /> '''3. Πρόγραμμα SMEX02'''<br /> <br /> To«SMEX02» είναι ένα πείραμα τηλεπισκόπησης που έγινε στην πολιτεία της Αιόβα μεταξύ του Ιουνίου και του Ιουλίου 2002. Για τη συγκεκριμένη εργασία χρησιμοποιήθηκαν τρία πακέτα δεδομένων, που περιγράφονται παρακάτω.<br /> <br /> '''3.1 Δεδομένα ανακλαστικότητας Landsat TM'''<br /> <br /> Τα δεδομένα που συλλέχθηκαν από τους Landsat 5 και 7 για μία συγκεκριμένη χρονική περίοδο αξιολογήθηκαν.Ο πίνακας 1 συνοψίζει τις εικόνες που χρησιμοποιήθηκαν για την ανάλυση. Δύο συγκεκριμένες περιοχές ξεχώρισαν για μελέτη. Η μία περιοχή περίκλειε το«WalnutCreekWatershed» και η δεύτερη περιοχή αναλύθηκε μέσω δεδομένων από το «Aqua AdvancedMicrowaveScanningRadiometer», όπως περιγράφεται στον πίνακα 2.<br /> Με βάση τον πίνακα 1 προέκυψε το συμπέρασμα πως ένας ικανοποιητικός αριθμός εικόνων ήταν διαθέσιμος και για τις δύο περιοχές. Η εικόνα 1 παρουσιάζει τις ψευδοεικόνες (Κανάλια 2,3,4)της περιοχής Watershed για τις 6 και 23 Ιουνίου, 1, 8 και 17 Ιουλίου.Tα δεδομένα του LandsatETM+ επεξεργάστηκαν για να παράξουν όσο το δυνατόν πιο ξεκάθαραδεδομένα ανακλαστικότητας της επιφάνειας. Δεν ήταν δυνατόν να είναι γνωστές όλες οι ατμοσφαιρικές ιδιότητες τις συγκεκριμένες χρονικές στιγμές και γιαυτό το λόγο είναι σημαντικό να μειωθούν οι ατμοσφαιρικές επιδράσεις με βάση γνωστούς παράγοντες πριν τη δημιουργία των δεικτών. Τα δεδομένα του Landsat 7 χρησιμοποιήθηκαν για τη διόρθωση των δεδεομένων του Landsat 5. Tα τελικά δεδομένα αποτελούνται από ξεκάθαρες τιμές ανακλαστικότητας για τα κανάλια 3,4 και 5 στις 6 και 23 Ιουνίου, στη 1,8,16 και 17 Ιουλίου και επαληθεύτηκαν μέσω συγκρίσεων με διάφορα προγράμαμτα όπως το MODTRAN4 (Berketal., 1998).<br /> <br /> '''3.2 Ανάλυση ταξινόμησης του εδάφους'''<br /> <br /> Οι καλύψεις γης είναι σημαντικές όταν χρησιμοποιούνται οι δείκτες NDVI και NDWI για την εκτίμηση του VWC, επειδή οι σχέσεις διαφέρουν σε κάθε έιδος βλάστησης. Ως μέρος του πειράματος «SMEX02», αναπτύχθηκε μία βάση δεδομένων καλύψεων γης με χωρική ανάλυση στα 30 μέτρα.<br /> Δεδομένα LandsatTM από τρεις ημερομηνίες και δύο επίγειες μετρήσεις χρησιμοποιήθηκαν για την παραγωγή ενός χάρτη καλύψεων γης για την περίοδο που εκτελέσθηκε το πείραμα. Τα κανάλια 3, 4, 5 και 7 επιλέχθηκαν για κάθε ημερομηνία. Η ταξινόμηση των καλύψεων γης που ακολουθήθηκε ήταν μία επιβλεπόμενη ταξινόμηση. Τα πολύγωνα εκπαίδευσης επιλέχθηκαν από επίγειες παρατηρήσεις. Οιτελικέςθεματικέςκατηγορίεςπεριλάμβαναν: Unclassified, Alfalfa, Corn, Grass, Soy- bean, Trees, Urban, και Water. Ένας χάρτης του οδικού δικτύου ψηφιοποιήθηκε με τέτοιον τρόπο, έτσι ώστε ο κάθε δρόμος να έχει πλάτος 60 μέτρων.<br /> <br /> '''3.3 Δεδομένα περιεκτικότητας της βλάστησης σε νερό'''<br /> <br /> Oδείκτης VWCμετρήθηκε πολλές φορές σε 31 μέρη κατά τη διάρκεια του πειράματος. Για τη συγκεκριμένη έρευνα, χρησιμοποιήθηκε ο μέσος όρος όλων των δειγμάτων σε κάθε μέρος για μίας συγκεκριμένη ημερομηνία.<br /> <br /> '''4. Ανάπτυξη και εφαρμογή των συναρτήσεων χαρτογράφησης για τον δείκτη VWC'''<br /> <br /> '''4.1 Δομή'''<br /> <br /> Η μεθοδολογία είναι ως εξής: Προσωρινές συναρτήσεις αναπτύχθηκαν για τον δείκτη VWC της σόγιας και του καλαμποκιού. Έπειτα, αναπτύχθηκαν προσωρινές συναρτήσεις για τους δείκτες NDVI και NDWI για καλαμπόκι και σόγια χρησιμοποιώντας δεδομένα LandsatTM/ETM+. Για κάθε τύπο καλλιέργειας ο δείκτης VWCαντιστοιχήθηκε στους δείκτες NDVI ή NDWI, χρησιμοποιώντας την ημερομηνία. Με τη χρήση των συναρτήσεων του VWC, δημιουργήθηκαν εικόνες για κάθε σκηνή του LandsatTM. Τέλος, δημιουργήθηκαν οι τελικές VWCεικόνες για τις δύο περιοχές ενδιαφέροντος. <br /> <br /> '''4.2 Σχέσεις του δείκτη VWC'''<br /> <br /> H διαδικασία εξελίσσεται ως εξής:<br /> • Συλλέχθηκαν όλα τα δεδομένα για κάθε μέρος ώστε να δημιουργήσουν έναν εκτιμώμενο δείκτη VWC για το κάθε μέρος.<br /> • Για κάθε μέρος, οι διαθέσιμες εκτιμήσεις χρησιμοποιήθηκαν για να εξάγουν τις τιμές του δείκτη VWC για κάθε μέρα του πειράματος.<br /> • Για κάθε μέρα της μελέτης, οι εκτιμήσεις των 31 μερών χρησιμοποιήθηκαν για να υπολογίσουν έναν μέσο δείκτη VWC για το καλαμπόκι και τη σόγια για την συγκεκριμένη μέρα.<br /> • Μία συναρτησιακή σχέση δημιουργήθηκε για την πρόβλεψη του δείκτη VWC ως συνάρτηση της ημερομηνίας για τη σόγια και το καλαμπόκι.<br /> <br /> 4.3 Σχέσεις των δεικτών NDVI και NDWI<br /> <br /> Οι σχέσεις διακρίνονται ως εξής:<br /> * Για κάθε εικόνα, τα σχετικά κανάλια χρησιμοποιήθηκαν για να υπολογίσουν τους NDVI και NDWI.<br /> * Όλα τα μέρη (31) εντοπίσθηκαν σε κάθε εικόνα.<br /> * Για κάθε μέρος σε κάθε μέρα, ένας μέσος δείκτης NDVIκαι NDWI υπολογίσθηκε για τις τρεις περιοχές βλάστησης.<br /> * Για κάθε μέρα, ένας μέσος δείκτης NDVIκαι NDWI υπολογίστηκε για το καλαμπόκι και τη σόγια.<br /> * Οι τιμές των NDVIκαι NDWI για το καλαμπόκι και τη σόγια ορίστηκαν 0.05 kg m 2, όταν ο δείκτης VWC έτεινε στο 0.
<br /> * Μία συναρτησιακή σχέση δημιουργ΄θηκε για την πρόβλεψη του NDVI και NDWI ως συνάρτηση της ημέρομηνίας για τη σόγια και το καλαμπόκι.<br /> <br /> Η εικόνα 2 δείχνει τις σχέσεις των δεικτών NDVI και NDWI για το καλαμπόκι και τη σόγια.<br /> <br /> '''4.4 Ο δείκτης VWC σε συνάρτηση με τους NDVI και NDWI'''<br /> <br /> To τελικό βήμα είναι η συσχέτιση του VWC με τον NDVI ή τον NDWI. Ταιριάζοντας τις ημερομηνίες, ανακτήθηκαν οι σχέσεις μεταξύ των δεικτών, όπως φαίνεται στις εικόνες 4α και 4β και δημιουργήθηκαν οι μαθηματικές συναρτήσεις για τον κάθε δείκτη για το καλαμπόκι και τη σόγια.<br /> <br /> '''4.5 Αξιολόγηση'''<br /> <br /> Οι εικόνες για τους χάρτες με τον δείκτηVWC για τις πέπντε ημερομηνίες του Landsatπου βασίζονται στον δείκτη NDWI παρουσιάζονται στην εικόνα 5.<br /> <br /> Η συνολική διαδικασία αξιολογήθηκε με τη σύγκριση του εκτιμώμενου VWC για κάθε μέρος με την πραγματική τιμή του δείγματος και τα αποτελέσματα παρουσιάζονται στον πίνακα 3.<br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Και οι δυο δείκτες (NDVI,NDWI) για την εκτίμηση του VWC ερευνήθηκαν και αποδείχθηκε να υπερέχει ο δείκτης NDWI. Επομένως, η συγκεκριμένη μεθοδολογία χρησιμοποιήθηκε για την επιτυχή χαρτογράφηση του VWC για την περιοχή μελέτης και επεκτάθηκε και στην ευρύτερη περιοχή. Όσον αφορά τα δεδομένα, παρότι υπήρχε η δυνατότητα να είναι διαθέισμες εικόνες δύο δορυφορικών δεκτών, οι επικαλύψεις και η παρουσία συννέφων, καθώς και οι περιορισμοί στη συχνότητα των εικόνων υποβαθμίζουν τις σχέσεις που αναπτύσσονται μεταξύ των δεικτών βλάστησης και του VWC. Για την ανάπτυξη πιο αποτελεσματικών μεθόδων αξίζει να ερευνηθεί η αξιοποίηση των εργαλείων του MODIS, στις πλατφόρμες Terraκαι Aqua, που μπορούν να παρέχουν καθημερινή κάλυψη.<br /> <br /> '''6. Συνεισφορά της τηλεπισκοπησης'''<br /> <br /> Στη συγκεκριμένη μελέτη ερευνάται πως μέσω των δορυφορικών εικόνων και δεικτωντηλεπισκόπησης είναι δυνατόν να εντοπιστει η περιεχόμενη υγρασία της βλάστησης προκειμένου να ενισχυθεί η ποιότητα της αγροτικής σοδειάς.<br /> <br /> [[category:Γεωργία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/X%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%84%CE%BF%CF%85_VWC_%CE%BC%CE%B5_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1_Landsat_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_NDWI_%CE%B3%CE%B9%CE%B1_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%AD%CF%81%CE%B3%CE%B5%CE%B9%CE%B5%CF%82_%CE%BA%CE%B1%CE%BB%CE%B1%CE%BC%CF%80%CE%BF%CE%BA%CE%B9%CE%BF%CF%8D_%CE%BA%CE%B1%CE%B9_%CF%83%CF%8C%CE%B3%CE%B9%CE%B1%CF%82 2017-02-14T00:41:12Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap3_t1.png|thumb|right|'''Πίνακας 1:''' Σκηνές Landsat για SMEX02.]]<br /> [[εικόνα: GF_pap3_t2.png|thumb|right|'''Πίνακας 2:''' Συντ/νες περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap3_p1.png|thumb|right|'''Εικόνα 1:''' Ψευδοεικόνες Landsat της περιοχής μελέτης Walnut Gulch Watershed. Τα χρώματα στα κανάλια του Landsat TM 7 είναι ως εξής: Κόκκινο-Κανάλι 4, Πράσινο-Κανάλι 3 και Μπλε-Κανάλι 2.]]<br /> [[εικόνα: GF_pap3_p2.png|thumb|right|'''Εικόνα 2:''' Δείκτες βλάστησης (NDVI, NDWI) σε συνάρτηση με τη μέρα του χρόνου.]]<br /> [[εικόνα: GF_pap3_p3.png|thumb|right|'''Εικόνα 3:''' VWC καλαμποκιού και σόγιας vs NDVI.]]<br /> [[εικόνα: GF_pap3_p4.png|thumb|right|'''Εικόνα 4:''' VWC καλαμποκιού και σόγιας vs NDWI.]]<br /> [[εικόνα: GF_pap3_p5.png|thumb|right|'''Eικόνα 5:''' Οι εικόνες του δείκτη VWC που προκύπτουν από τα δεδομένα του Landsat.]]<br /> [[εικόνα: GF_pap3_t3.png|thumb|right|'''Πίνακας 3:''' Απόδοση του VWC.]]<br /> <br /> Remote Sensing of Environment 92 (2004) 475–482<br /> <br /> Thomas J. Jacksona,*, Daoyi Chenb, Michael Cosha, Fuqin Lia, Martha Andersonc,<br /> Charles Walthalla, Paul Doriaswamya, E. Ray Hunta<br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0034425703003353]<br /> <br /> '''Λέξεις-Κλειδιά:''' Περιεχόμενο νερό στη βλάστηση, Landsat, NDWI<br /> <br /> '''1.Εισαγωγή'''<br /> <br /> Η περιεκτικότητα της βλάστησης σε νερό (VWC) είναι μία σημαντική παράμετρος στις αγροτικές και δασικές εφαρμογές. Ο δείκτης VWC θα μπορούσε να προσφέρει πληροφορίες για αγροτικές εφαρμογές που μπορούν να χρησιμοποιηθούν για να υπολογιστεί η διαθεσιμότητα του νερού για αποφάσεις άρδευσηςμε σκοπό την αύξηση της σοδειάς (Penuelasetal., 1993) και στον υπολογισμό των συνθηκών υγρασίας (Tucker, 1980). Η βασική αρχή στις δασικές εφαρμογές είναι ο υπολογισμός του κινδύνου πυρκαγιάς (Pyneetal., 1996). Ο δείκτης VWCχρησιμοποιείται επίσης για την ανάκτηση της υγρασίας του εδάφους από μικροκυματικέςτηλεπισκοπικές παρατηρήσεις (Jackson&amp;Schmugge, 1991), το οποίο αποτελεί και το αντικείμενο μελέτης της συγκεκριμένης εργασίας. Ως μέρος μίας εκστρατείας μεγάλης κλίμακας που ονομάζεται «SoilMoistureExperiments 2002 (SMEX02)», ερευνήθηκε η πιθανή χρήση της τηλεπισκόπησης για τον εντοπισμό και την παρακολούθηση του δείκτη VWC για καλλιέργειες καλαμποκιού και σόγιας.Ο τελικός σκοπός είναι η παραγωγή υψηλής ποιότητας δεικτών VWC για τις μελέτες που διενεργήθηκαν κατά τη διάρκεια του προγράμματος «SMEX02» και η συνεισφορά στην ανάπτυξη αποτελεσματικών μεθόδων για την παροχή πληροφοριών σε πραγματικό χρόνο για παγκόσμιες δορυφορικές εφαρμογές.<br /> <br /> '''2. Δείκτες βλάστησης και ο δείκτης VWC'''<br /> <br /> Ο Tucker (1979) χρησιμοποίησε τον κανονικοποιημένο δείκτη βλάστησης (NDVI), όπως αναπτύχθηκε από τον Rouseetal. (1973), για να εκτιμήσει την περιεκτικότητα των φύλλων σε νερό και άλλες φυσιολογικές μεταβλητές για την βλάστηση:<br /> NDVI= RNIR-RRED/ RNIR+RRED<br /> <br /> όπου RNIRείναι η ανακλαστικότητα του εγγύς υπέρυθρου καναλιού (0.78 – 0.90 μmTM/ETM+ και 0.72 – 1.1 umAVHRR) και RRED είναι η ανακλαστικότητα στο κόκκινο κανάλι (0.63 – 0.69 μmTM/ETM+ και 0.58 – 0.68 AmAVHRR). Ένα πλεονέκτημα της χρήσης του δείκτη NDVI είναι πως αποτελεί ένα προιόν μαζικής παραγωγής το οποίο είναι διαθέσιμο σε παγκόσμιο επίπεδο συνήθως κάθε 10 μέρες χρησιμοποιώντας δορυφορικά εργαλέια όπως ο δορυφόρος AVHRR, παρόλα αυτά έχει σημαντικούς περιορισμούς όσον αφορά την εκτίμηση του δείκτη VWC διότι επηρεάζεται και από άλλες μεταβλητές.<br /> Ο Gao (1996) ανέπτυξε τον κανονικοποιημένο δείκτη νερού (NDWI) για τον υπολογισμό του δείκτη VWC μέσω φυσικών αρχών. Ο Hardiskyetal. (1983) ανέπτυξε τον ίδιο δείκτη για τον LandsatThematicMapper:<br /> NDWI= RNIR-RSWIR/ RNIR+RSWIR<br /> <br /> όπου RSWIRείναι η ανακλαστικότητα στο μέσο υπέρυθρο κανάλι (1.2-2.5μm). Για τον LandsatTM/ETM+, οι δείκτες RNIRκαι RSWIRαντιστοιχούν στα κανάλια 4 και 5. Ένας λόγος που ο συγκεκριμένος δείκτης δεν έχει γνωρίσει μεγάλη προσοχή είναι πως μέχρι πρόσφατα η σπάνια κάλυψη από τον LandsatTM/ETM+ καθιστούσε δύσκολη την εκτιμήση του δείκτη VWC σε πολλές εφαρμογές. Κοινή κατάληξη τωνερευνητών είναι το γεγονός πως το μέσο υπέρυθρο κανάλι είναι πολύ σημαντικό για την εκτίμηση του δείκτη VWC και το εγγύς υπέρυθρο κανάλι ήταν απαραίτητο για τον εντοπισμό του είδους των φύλλων και τις μεταβλητότητες της ξηρασίας στη βλάστηση. Στυ συγκεκριμένη εργασία, χρησιμοποιούνται δορυφορικές εικόνες LandsatTM/ETM+, λόγω της υψηλής χωρικής ανάλυσης (30m). Ο σκοπός είναι η τελική προσαρμογή της συγκεκριμένης εργασίας στον δορυφόρο MODIS, όπου η χωρική ανάλυση του εγγύς υπέρυθρου καναλιού είναι 500-m.<br /> <br /> '''3. Πρόγραμμα SMEX02'''<br /> <br /> To«SMEX02» είναι ένα πείραμα τηλεπισκόπησης που έγινε στην πολιτεία της Αιόβα μεταξύ του Ιουνίου και του Ιουλίου 2002. Για τη συγκεκριμένη εργασία χρησιμοποιήθηκαν τρία πακέτα δεδομένων, που περιγράφονται παρακάτω.<br /> <br /> '''3.1 Δεδομένα ανακλαστικότητας Landsat TM'''<br /> <br /> Τα δεδομένα που συλλέχθηκαν από τους Landsat 5 και 7 για μία συγκεκριμένη χρονική περίοδο αξιολογήθηκαν.Ο πίνακας 1 συνοψίζει τις εικόνες που χρησιμοποιήθηκαν για την ανάλυση. Δύο συγκεκριμένες περιοχές ξεχώρισαν για μελέτη. Η μία περιοχή περίκλειε το«WalnutCreekWatershed» και η δεύτερη περιοχή αναλύθηκε μέσω δεδομένων από το «Aqua AdvancedMicrowaveScanningRadiometer», όπως περιγράφεται στον πίνακα 2.<br /> Με βάση τον πίνακα 1 προέκυψε το συμπέρασμα πως ένας ικανοποιητικός αριθμός εικόνων ήταν διαθέσιμος και για τις δύο περιοχές. Η εικόνα 1 παρουσιάζει τις ψευδοεικόνες (Κανάλια 2,3,4)της περιοχής Watershed για τις 6 και 23 Ιουνίου, 1, 8 και 17 Ιουλίου.Tα δεδομένα του LandsatETM+ επεξεργάστηκαν για να παράξουν όσο το δυνατόν πιο ξεκάθαραδεδομένα ανακλαστικότητας της επιφάνειας. Δεν ήταν δυνατόν να είναι γνωστές όλες οι ατμοσφαιρικές ιδιότητες τις συγκεκριμένες χρονικές στιγμές και γιαυτό το λόγο είναι σημαντικό να μειωθούν οι ατμοσφαιρικές επιδράσεις με βάση γνωστούς παράγοντες πριν τη δημιουργία των δεικτών. Τα δεδομένα του Landsat 7 χρησιμοποιήθηκαν για τη διόρθωση των δεδεομένων του Landsat 5. Tα τελικά δεδομένα αποτελούνται από ξεκάθαρες τιμές ανακλαστικότητας για τα κανάλια 3,4 και 5 στις 6 και 23 Ιουνίου, στη 1,8,16 και 17 Ιουλίου και επαληθεύτηκαν μέσω συγκρίσεων με διάφορα προγράμαμτα όπως το MODTRAN4 (Berketal., 1998).<br /> <br /> '''3.2 Ανάλυση ταξινόμησης του εδάφους'''<br /> <br /> Οι καλύψεις γης είναι σημαντικές όταν χρησιμοποιούνται οι δείκτες NDVI και NDWI για την εκτίμηση του VWC, επειδή οι σχέσεις διαφέρουν σε κάθε έιδος βλάστησης. Ως μέρος του πειράματος «SMEX02», αναπτύχθηκε μία βάση δεδομένων καλύψεων γης με χωρική ανάλυση στα 30 μέτρα.<br /> Δεδομένα LandsatTM από τρεις ημερομηνίες και δύο επίγειες μετρήσεις χρησιμοποιήθηκαν για την παραγωγή ενός χάρτη καλύψεων γης για την περίοδο που εκτελέσθηκε το πείραμα. Τα κανάλια 3, 4, 5 και 7 επιλέχθηκαν για κάθε ημερομηνία. Η ταξινόμηση των καλύψεων γης που ακολουθήθηκε ήταν μία επιβλεπόμενη ταξινόμηση. Τα πολύγωνα εκπαίδευσης επιλέχθηκαν από επίγειες παρατηρήσεις. Οιτελικέςθεματικέςκατηγορίεςπεριλάμβαναν: Unclassified, Alfalfa, Corn, Grass, Soy- bean, Trees, Urban, και Water. Ένας χάρτης του οδικού δικτύου ψηφιοποιήθηκε με τέτοιον τρόπο, έτσι ώστε ο κάθε δρόμος να έχει πλάτος 60 μέτρων.<br /> <br /> '''3.3 Δεδομένα περιεκτικότητας της βλάστησης σε νερό'''<br /> <br /> Oδείκτης VWCμετρήθηκε πολλές φορές σε 31 μέρη κατά τη διάρκεια του πειράματος. Για τη συγκεκριμένη έρευνα, χρησιμοποιήθηκε ο μέσος όρος όλων των δειγμάτων σε κάθε μέρος για μίας συγκεκριμένη ημερομηνία.<br /> <br /> '''4. Ανάπτυξη και εφαρμογή των συναρτήσεων χαρτογράφησης για τον δείκτη VWC'''<br /> <br /> '''4.1 Δομή'''<br /> <br /> Η μεθοδολογία είναι ως εξής: Προσωρινές συναρτήσεις αναπτύχθηκαν για τον δείκτη VWC της σόγιας και του καλαμποκιού. Έπειτα, αναπτύχθηκαν προσωρινές συναρτήσεις για τους δείκτες NDVI και NDWI για καλαμπόκι και σόγια χρησιμοποιώντας δεδομένα LandsatTM/ETM+. Για κάθε τύπο καλλιέργειας ο δείκτης VWCαντιστοιχήθηκε στους δείκτες NDVI ή NDWI, χρησιμοποιώντας την ημερομηνία. Με τη χρήση των συναρτήσεων του VWC, δημιουργήθηκαν εικόνες για κάθε σκηνή του LandsatTM. Τέλος, δημιουργήθηκαν οι τελικές VWCεικόνες για τις δύο περιοχές ενδιαφέροντος. <br /> <br /> '''4.2 Σχέσεις του δείκτη VWC'''<br /> <br /> H διαδικασία εξελίσσεται ως εξής:<br /> • Συλλέχθηκαν όλα τα δεδομένα για κάθε μέρος ώστε να δημιουργήσουν έναν εκτιμώμενο δείκτη VWC για το κάθε μέρος.<br /> • Για κάθε μέρος, οι διαθέσιμες εκτιμήσεις χρησιμοποιήθηκαν για να εξάγουν τις τιμές του δείκτη VWC για κάθε μέρα του πειράματος.<br /> • Για κάθε μέρα της μελέτης, οι εκτιμήσεις των 31 μερών χρησιμοποιήθηκαν για να υπολογίσουν έναν μέσο δείκτη VWC για το καλαμπόκι και τη σόγια για την συγκεκριμένη μέρα.<br /> • Μία συναρτησιακή σχέση δημιουργήθηκε για την πρόβλεψη του δείκτη VWC ως συνάρτηση της ημερομηνίας για τη σόγια και το καλαμπόκι.<br /> <br /> 4.3 Σχέσεις των δεικτών NDVI και NDWI<br /> <br /> Οι σχέσεις διακρίνονται ως εξής:<br /> * Για κάθε εικόνα, τα σχετικά κανάλια χρησιμοποιήθηκαν για να υπολογίσουν τους NDVI και NDWI.<br /> * Όλα τα μέρη (31) εντοπίσθηκαν σε κάθε εικόνα.<br /> * Για κάθε μέρος σε κάθε μέρα, ένας μέσος δείκτης NDVIκαι NDWI υπολογίσθηκε για τις τρεις περιοχές βλάστησης.<br /> * Για κάθε μέρα, ένας μέσος δείκτης NDVIκαι NDWI υπολογίστηκε για το καλαμπόκι και τη σόγια.<br /> * Οι τιμές των NDVIκαι NDWI για το καλαμπόκι και τη σόγια ορίστηκαν 0.05 kg m 2, όταν ο δείκτης VWC έτεινε στο 0.
<br /> * Μία συναρτησιακή σχέση δημιουργ΄θηκε για την πρόβλεψη του NDVI και NDWI ως συνάρτηση της ημέρομηνίας για τη σόγια και το καλαμπόκι.<br /> <br /> Η εικόνα 2 δείχνει τις σχέσεις των δεικτών NDVI και NDWI για το καλαμπόκι και τη σόγια.<br /> <br /> '''4.4 Ο δείκτης VWC σε συνάρτηση με τους NDVI και NDWI'''<br /> <br /> To τελικό βήμα είναι η συσχέτιση του VWC με τον NDVI ή τον NDWI. Ταιριάζοντας τις ημερομηνίες, ανακτήθηκαν οι σχέσεις μεταξύ των δεικτών, όπως φαίνεται στις εικόνες 4α και 4β και δημιουργήθηκαν οι μαθηματικές συναρτήσεις για τον κάθε δείκτη για το καλαμπόκι και τη σόγια.<br /> <br /> '''4.5 Αξιολόγηση'''<br /> <br /> Οι εικόνες για τους χάρτες με τον δείκτηVWC για τις πέπντε ημερομηνίες του Landsatπου βασίζονται στον δείκτη NDWI παρουσιάζονται στην εικόνα 5.<br /> <br /> Η συνολική διαδικασία αξιολογήθηκε με τη σύγκριση του εκτιμώμενου VWC για κάθε μέρος με την πραγματική τιμή του δείγματος και τα αποτελέσματα παρουσιάζονται στον πίνακα 3.<br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Και οι δυο δείκτες (NDVI,NDWI) για την εκτίμηση του VWC ερευνήθηκαν και αποδείχθηκε να υπερέχει ο δείκτης NDWI. Επομένως, η συγκεκριμένη μεθοδολογία χρησιμοποιήθηκε για την επιτυχή χαρτογράφηση του VWC για την περιοχή μελέτης και επεκτάθηκε και στην ευρύτερη περιοχή. Όσον αφορά τα δεδομένα, παρότι υπήρχε η δυνατότητα να είναι διαθέισμες εικόνες δύο δορυφορικών δεκτών, οι επικαλύψεις και η παρουσία συννέφων, καθώς και οι περιορισμοί στη συχνότητα των εικόνων υποβαθμίζουν τις σχέσεις που αναπτύσσονται μεταξύ των δεικτών βλάστησης και του VWC. Για την ανάπτυξη πιο αποτελεσματικών μεθόδων αξίζει να ερευνηθεί η αξιοποίηση των εργαλείων του MODIS, στις πλατφόρμες Terraκαι Aqua, που μπορούν να παρέχουν καθημερινή κάλυψη.<br /> <br /> '''6. Συνεισφορά της τηλεπισκοπησης'''<br /> <br /> Στη συγκεκριμένη μελέτη ερευνάται πως μέσω των δορυφορικών εικόνων και δεικτωντηλεπισκόπησης είναι δυνατόν να εντοπιστει η περιεχόμενη υγρασία της βλάστησης προκειμένου να ενισχυθεί η ποιότητα της αγροτικής σοδειάς.<br /> <br /> [[category:Γεωργία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%B3%CE%B5%CF%89%CE%BC%CE%BF%CF%81%CF%86%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CF%8E%CE%BD_%CF%87%CE%B1%CF%81%CE%B1%CE%BA%CF%84%CE%B7%CF%81%CE%B9%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%93%CE%A3%CE%A0 2017-02-14T00:40:28Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap4_p1.png|thumb|right|Eικόνα 1: Χάρτης εντοπισμού της περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap4_p2.png|thumb|right|Eικόνα 2: Bασικές γεωμορφολογικές περιοχές.]]<br /> [[εικόνα: GF_pap4_t1.png|thumb|right|Πίνακας 1: Βασικοί τύποι γεωμορφών με εμφανή αναφορά αναγλύφου.]]<br /> [[εικόνα: GF_pap4_t2.png|thumb|right|Πίνακας 2: Βασικοί τύποι γεωμορφών χωρίς εμφανή αναφορά αναγλύφου.]]<br /> [[εικόνα: GF_pap4_t3.png|thumb|right|Πίνακας 3: Ποσοτική κατανομή των βασικών γεωμορφών και της κυρίαρχης κάλυψης.]]<br /> <br /> Geomorphology 39 (2001) 211-219<br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0169555X01000277]<br /> <br /> G. Bocco, M. Mendoza, A. Velazquez<br /> <br /> '''Λέξεις-Κλειδιά:''' Γεωμορφολογική χαρτογράφηση, Σχεδιασμός χρήσεων γης, Τηλεπισκόπηση, Γ.Σ.Π., Μεξικό<br /> <br /> '''1. Eισαγωγή'''<br /> <br /> Ο σχεδιασμός των χρήσεων γης είναι αποτέλεσμα συμβιβασμών μεταξύ του περιβαλλοντικού δυναμικού και των κοινωνικών αναγκών. Η πολεοδομία και η χωροταξία είναι χρήσιμα εργαλεία στις χώρες υπό ανάπτυξη που βρίσκονται συνήθως υπό καθεστώς σοβαρών περιβαλλοντικών και δημογραφικών περιορισμών. Οι χώρες του τρίτου κόσμου συναντούν δυσκολίες στο να μπορέσουν να ανταποκριθούν στα υψηλά κόστη προκειμένου να ελέγξουν τις φυσικές καταστροφές μέσω τεχνικών έργων και λογικής σχεδίασης των χρήσεων γης(ŽGuzzetti et al., 1999). Στο Μεξικό για παράδειγμα, ένα σημαντικό ποσοστό του πληθυσμού ζει σε συνθήκες φτώχειας, ειδικά στις αγροτικές περιοχές. Το γεγονός αυτό έχει σημαντικές περιβαλλοντικές επιπλοκές, διότι το 80% των υπόλοιπων δασικών περιοχών του Μεξικού το διαχειρίζονται άνθρωποι από τις αγροτικές κοινότητες χωρίς το απαραίτητο επιστημονικό υπόβαθρο (Thoms and Betters, 1998). Συνήθως, τα δεδομένα που αφορούν τα φυσικά διαθέσιμα είναι ή ελλειπή ή δεν ανανεώνονται συστηματικά. Στο Μεξικό και σε πολλές χώρες της Λατινικής Αμερικής, τα βασικά γεωγραφικά δεδομένα είναι διαθέσιμα σε διαφορετικές κλίμακες (βλ., e.g. Lugo and Cordova, 1996). Η παρακολούθηση και η ανάλυση των φυσικών διαθεσίμων συχνά είναι ελειπής. Για το λόγο αυτό, οι γεωμορφολογικοί χάρτες θεωρούνται ακόμα σαν ένα πολύτιμο εργαλείο έρευνας. Για πρακτικούς σκοπούς όμως, μία εφαρμοσμένη προσέγγιση είναι απαραίτητη, ειδικά όταν είναι απαραίτητη η καταγραφή μεγάλων εκτάσεων. Στο συγκεκριμένο άρθρο, περιγράφεται μία μέθοδος για την γρήγορη χαρτογράφηση του αναγλύφου σε μεγάλες επιφάνειες και γίνεται μία παρουσίαση για το πως μπορεί να χρησιμοποιηθεί σαν μελλοντικό εργαλείο για την εκτίμηση της γης και τον σχεδιασμό των χρήσεών της.<br /> <br /> '''2. Περιοχή μελέτης'''<br /> <br /> Η περιοχή μελέτης είναι η πολιτεία Michoacan, στο Μεξικό (Εικ. 1). Η συγκεκριμένη περιοχή έχει υποστεί σημαντικές γεωμορφολογικές αλλαγές: καταγράφεται το υψηλότερο ποσοστό καταστροφής των δασών , το κατά κεφαλήν εισόδημα είναι πολύ χαμηλό και οι κάτοικοι των αγροτικών περιοχών επηρεάζουν σημαντικά τα φυσικά διαθέσιμα. Ανάλογα με το υψόμετρο, το κλίμα διαφέρει από τροπικό μέχρι ξηρό.<br /> <br /> '''3. Μεθοδολογία'''<br /> <br /> Η περιοχή που χαρτογραφήθηκε, απεικονίζεται σε πέντε 1:250.000 χάρτες, όπου ο κάθε ένας αποτελείται από είκοσι τέσσερις 1:50.000 χάρτες. Για την ανάλυση, χρησιμοποιήθηκαν τοπογραφικοί χάρτες και επιτόπια έρευνα . Σε αυτή την κλίμακα, τα κριτήρια ήταν η μορφομετρία (κλίσεις του εδάφους) και η μορφολιθομετρία, που προέκυψαν από ψηφιακά μοντέλα εδάφους. Δόθηκε έμφαση σε μία πιο φυσιογνωμική προσέγγιση, η οποία διευκολύνει τη χαρτογράφηση, παρόλο που χρησιμοποιούνται ποσοτικά κριτήρια. Ο τελικός σκοπός είναι ένας χάρτης συγκεκριμένος και σαφής χωρίς να υστερεί σε γεωμορφολογική ποιότητα.<br /> Όλη η περιοχή διαχωρίστηκε σε δύο κατηγορίες βασικών γεωμορφών, με και χωρίς σημαντική διαφοροποίηση στο ανάγλυφο. Για την πρώτη κατηγορία, διακρίνονται τέσσερα είδη γεωμορφών:very low hills, low hills, high hills, και sierras. Η δεύτερη κατηγορία ορίζεται από τέσσερα άλλα είδη: valleys, plains, highplains, και piedmonts. Τα κατώφλια για τον διαχωρισμό των κριτηρίων δίνονται στους πίνακες 1 και 2 αντίστοιχα, και για τις δύο κατηγορίες γεωμορφών. Τα βασικά έιδη βλάστησης και χρήσεων γης εκτιμήθηκαν οπτικά από ενισχυμένες δορυφορικές εικόνες Landsat, γεωμετρικά διορθωμένες και εκτυπωμένες σε κλίμακα 1:250.000. Οικατηγορίεςχαρτογράφησηείναι tropical dry forest, temperate forest, shrubs–grasslands, crops, και human-induced features. Τα φασματικά κριτήρια που απεικονίζονται στις δορυφορικές εικόνες χρησιμοποιήθηκαν ως θεματικά επίπεδα: ύψος και κλίση από το ψηφιακό μοντέλο εδάφους, κλίμα, τύπος βραχών και ανάγλυφο. Οι πληροφορίες που αποκομίσθηκαν ψηφιοποιήθηκαν σε GIS. Για την ημι-λεπτομε΄ρη ανάλυση δόθηκε έμφαση σε μία ηφαιστειογενή περιοχή κοντά στην περιοχή Morelia. Χρησιμοποιήθηκαν παγχρωματικές αεροφωτογραφίες κλίμακας 1:50.000 και 1:80.000.<br /> <br /> '''4. Συμπεράσματα'''<br /> <br /> Τα αποτελέσματα της χαρτογράφησης παρουσιάζονται σε έναν γενικευμένο χάρτη(Εικ. 2 και 3). Τα ποσοτικά δεδομένα παρουσιάζονται στον πίνακα 4. <br /> Όσον αφορά τα συμπεράσματα για την πολιτεία Michoacan, η σύγκριση της γεωμορφολογίας με τις καλύψεις γης δείχνει πως σημαντική αποψίλωση των δασών συμβαίνει σε απότομο ανάγλυφο(steepterrain) το οποίο θα έπρεπε να χρησιμοποιηθεί για αναδάσωση λόγω της ακαταλληλότητάς του για άλλες χρήσεις. Η συγκεκριμένη μέθοδος χρησιμοποιείται από το Υπουργείο Περιβάλλοντος για να εκτιμήσει την αλλαγή των καλύψεων γης σε εθνικό επίπεδο. Οι στατιστικές που προκύπτουν δείχνουν σημαντικά κρούσματα αποψίλωσης των δασών σε ξηρά δάση.<br /> <br /> '''5. Συνεισφορά της τηλεπισκόπησης'''<br /> <br /> Στη συγκεκριμένη μελέτη αναδεικνύεται η αξία της τηλεπισκόπησης για τη χαρτογράφηση γεωμορφολογικών χαρακτηριστικών. Πιο συγκεκριμένα, μέσω των δορυφορικών εικόνων δίνεται μία σχετικά ακριβής εκτίμηση για την κατανομή των ειδών βλάστησης και των χρήσεων γης ώστε να είναι δυνατή η κατηγοριοποίηση των διαφορετικών τύπων εδαφών για να δημιουργηθεί ο τελικός γεωμορφολογικός χάρτης της περιοχής.<br /> <br /> <br /> [[category:Γεωλογία – Εδαφολογία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%B3%CE%B5%CF%89%CE%BC%CE%BF%CF%81%CF%86%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CF%8E%CE%BD_%CF%87%CE%B1%CF%81%CE%B1%CE%BA%CF%84%CE%B7%CF%81%CE%B9%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%93%CE%A3%CE%A0 2017-02-14T00:40:19Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap4_p1.png|thumb|right|Eικόνα 1: Χάρτης εντοπισμού της περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap4_p2.png|thumb|right|Eικόνα 2: Bασικές γεωμορφολογικές περιοχές.]]<br /> [[εικόνα: GF_pap4_t1.png|thumb|right|Πίνακας 1: Βασικοί τύποι γεωμορφών με εμφανή αναφορά αναγλύφου.]]<br /> [[εικόνα: GF_pap4_t2.png|thumb|right|Πίνακας 2: Βασικοί τύποι γεωμορφών χωρίς εμφανή αναφορά αναγλύφου.]]<br /> [[εικόνα: GF_pap4_t3.png|thumb|right|Πίνακας 3: Ποσοτική κατανομή των βασικών γεωμορφών και της κυρίαρχης κάλυψης.]]<br /> <br /> Geomorphology 39 (2001) 211-219<br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0169555X01000277]<br /> <br /> G. Bocco, M. Mendoza, A. Velazquez.
<br /> <br /> '''Λέξεις-Κλειδιά:''' Γεωμορφολογική χαρτογράφηση, Σχεδιασμός χρήσεων γης, Τηλεπισκόπηση, Γ.Σ.Π., Μεξικό<br /> <br /> '''1. Eισαγωγή'''<br /> <br /> Ο σχεδιασμός των χρήσεων γης είναι αποτέλεσμα συμβιβασμών μεταξύ του περιβαλλοντικού δυναμικού και των κοινωνικών αναγκών. Η πολεοδομία και η χωροταξία είναι χρήσιμα εργαλεία στις χώρες υπό ανάπτυξη που βρίσκονται συνήθως υπό καθεστώς σοβαρών περιβαλλοντικών και δημογραφικών περιορισμών. Οι χώρες του τρίτου κόσμου συναντούν δυσκολίες στο να μπορέσουν να ανταποκριθούν στα υψηλά κόστη προκειμένου να ελέγξουν τις φυσικές καταστροφές μέσω τεχνικών έργων και λογικής σχεδίασης των χρήσεων γης(ŽGuzzetti et al., 1999). Στο Μεξικό για παράδειγμα, ένα σημαντικό ποσοστό του πληθυσμού ζει σε συνθήκες φτώχειας, ειδικά στις αγροτικές περιοχές. Το γεγονός αυτό έχει σημαντικές περιβαλλοντικές επιπλοκές, διότι το 80% των υπόλοιπων δασικών περιοχών του Μεξικού το διαχειρίζονται άνθρωποι από τις αγροτικές κοινότητες χωρίς το απαραίτητο επιστημονικό υπόβαθρο (Thoms and Betters, 1998). Συνήθως, τα δεδομένα που αφορούν τα φυσικά διαθέσιμα είναι ή ελλειπή ή δεν ανανεώνονται συστηματικά. Στο Μεξικό και σε πολλές χώρες της Λατινικής Αμερικής, τα βασικά γεωγραφικά δεδομένα είναι διαθέσιμα σε διαφορετικές κλίμακες (βλ., e.g. Lugo and Cordova, 1996). Η παρακολούθηση και η ανάλυση των φυσικών διαθεσίμων συχνά είναι ελειπής. Για το λόγο αυτό, οι γεωμορφολογικοί χάρτες θεωρούνται ακόμα σαν ένα πολύτιμο εργαλείο έρευνας. Για πρακτικούς σκοπούς όμως, μία εφαρμοσμένη προσέγγιση είναι απαραίτητη, ειδικά όταν είναι απαραίτητη η καταγραφή μεγάλων εκτάσεων. Στο συγκεκριμένο άρθρο, περιγράφεται μία μέθοδος για την γρήγορη χαρτογράφηση του αναγλύφου σε μεγάλες επιφάνειες και γίνεται μία παρουσίαση για το πως μπορεί να χρησιμοποιηθεί σαν μελλοντικό εργαλείο για την εκτίμηση της γης και τον σχεδιασμό των χρήσεών της.<br /> <br /> '''2. Περιοχή μελέτης'''<br /> <br /> Η περιοχή μελέτης είναι η πολιτεία Michoacan, στο Μεξικό (Εικ. 1). Η συγκεκριμένη περιοχή έχει υποστεί σημαντικές γεωμορφολογικές αλλαγές: καταγράφεται το υψηλότερο ποσοστό καταστροφής των δασών , το κατά κεφαλήν εισόδημα είναι πολύ χαμηλό και οι κάτοικοι των αγροτικών περιοχών επηρεάζουν σημαντικά τα φυσικά διαθέσιμα. Ανάλογα με το υψόμετρο, το κλίμα διαφέρει από τροπικό μέχρι ξηρό.<br /> <br /> '''3. Μεθοδολογία'''<br /> <br /> Η περιοχή που χαρτογραφήθηκε, απεικονίζεται σε πέντε 1:250.000 χάρτες, όπου ο κάθε ένας αποτελείται από είκοσι τέσσερις 1:50.000 χάρτες. Για την ανάλυση, χρησιμοποιήθηκαν τοπογραφικοί χάρτες και επιτόπια έρευνα . Σε αυτή την κλίμακα, τα κριτήρια ήταν η μορφομετρία (κλίσεις του εδάφους) και η μορφολιθομετρία, που προέκυψαν από ψηφιακά μοντέλα εδάφους. Δόθηκε έμφαση σε μία πιο φυσιογνωμική προσέγγιση, η οποία διευκολύνει τη χαρτογράφηση, παρόλο που χρησιμοποιούνται ποσοτικά κριτήρια. Ο τελικός σκοπός είναι ένας χάρτης συγκεκριμένος και σαφής χωρίς να υστερεί σε γεωμορφολογική ποιότητα.<br /> Όλη η περιοχή διαχωρίστηκε σε δύο κατηγορίες βασικών γεωμορφών, με και χωρίς σημαντική διαφοροποίηση στο ανάγλυφο. Για την πρώτη κατηγορία, διακρίνονται τέσσερα είδη γεωμορφών:very low hills, low hills, high hills, και sierras. Η δεύτερη κατηγορία ορίζεται από τέσσερα άλλα είδη: valleys, plains, highplains, και piedmonts. Τα κατώφλια για τον διαχωρισμό των κριτηρίων δίνονται στους πίνακες 1 και 2 αντίστοιχα, και για τις δύο κατηγορίες γεωμορφών. Τα βασικά έιδη βλάστησης και χρήσεων γης εκτιμήθηκαν οπτικά από ενισχυμένες δορυφορικές εικόνες Landsat, γεωμετρικά διορθωμένες και εκτυπωμένες σε κλίμακα 1:250.000. Οικατηγορίεςχαρτογράφησηείναι tropical dry forest, temperate forest, shrubs–grasslands, crops, και human-induced features. Τα φασματικά κριτήρια που απεικονίζονται στις δορυφορικές εικόνες χρησιμοποιήθηκαν ως θεματικά επίπεδα: ύψος και κλίση από το ψηφιακό μοντέλο εδάφους, κλίμα, τύπος βραχών και ανάγλυφο. Οι πληροφορίες που αποκομίσθηκαν ψηφιοποιήθηκαν σε GIS. Για την ημι-λεπτομε΄ρη ανάλυση δόθηκε έμφαση σε μία ηφαιστειογενή περιοχή κοντά στην περιοχή Morelia. Χρησιμοποιήθηκαν παγχρωματικές αεροφωτογραφίες κλίμακας 1:50.000 και 1:80.000.<br /> <br /> '''4. Συμπεράσματα'''<br /> <br /> Τα αποτελέσματα της χαρτογράφησης παρουσιάζονται σε έναν γενικευμένο χάρτη(Εικ. 2 και 3). Τα ποσοτικά δεδομένα παρουσιάζονται στον πίνακα 4. <br /> Όσον αφορά τα συμπεράσματα για την πολιτεία Michoacan, η σύγκριση της γεωμορφολογίας με τις καλύψεις γης δείχνει πως σημαντική αποψίλωση των δασών συμβαίνει σε απότομο ανάγλυφο(steepterrain) το οποίο θα έπρεπε να χρησιμοποιηθεί για αναδάσωση λόγω της ακαταλληλότητάς του για άλλες χρήσεις. Η συγκεκριμένη μέθοδος χρησιμοποιείται από το Υπουργείο Περιβάλλοντος για να εκτιμήσει την αλλαγή των καλύψεων γης σε εθνικό επίπεδο. Οι στατιστικές που προκύπτουν δείχνουν σημαντικά κρούσματα αποψίλωσης των δασών σε ξηρά δάση.<br /> <br /> '''5. Συνεισφορά της τηλεπισκόπησης'''<br /> <br /> Στη συγκεκριμένη μελέτη αναδεικνύεται η αξία της τηλεπισκόπησης για τη χαρτογράφηση γεωμορφολογικών χαρακτηριστικών. Πιο συγκεκριμένα, μέσω των δορυφορικών εικόνων δίνεται μία σχετικά ακριβής εκτίμηση για την κατανομή των ειδών βλάστησης και των χρήσεων γης ώστε να είναι δυνατή η κατηγοριοποίηση των διαφορετικών τύπων εδαφών για να δημιουργηθεί ο τελικός γεωμορφολογικός χάρτης της περιοχής.<br /> <br /> <br /> [[category:Γεωλογία – Εδαφολογία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%B3%CE%B5%CF%89%CE%BC%CE%BF%CF%81%CF%86%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CF%8E%CE%BD_%CF%87%CE%B1%CF%81%CE%B1%CE%BA%CF%84%CE%B7%CF%81%CE%B9%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%93%CE%A3%CE%A0 2017-02-14T00:40:01Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap4_p1.png|thumb|right|Eικόνα 1: Χάρτης εντοπισμού της περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap4_p2.png|thumb|right|Eικόνα 2: Bασικές γεωμορφολογικές περιοχές.]]<br /> [[εικόνα: GF_pap4_t1.png|thumb|right|Πίνακας 1: Βασικοί τύποι γεωμορφών με εμφανή αναφορά αναγλύφου.]]<br /> [[εικόνα: GF_pap4_t2.png|thumb|right|Πίνακας 2: Βασικοί τύποι γεωμορφών χωρίς εμφανή αναφορά αναγλύφου.]]<br /> [[εικόνα: GF_pap4_t3.png|thumb|right|Πίνακας 3: Ποσοτική κατανομή των βασικών γεωμορφών και της κυρίαρχης κάλυψης.]]<br /> <br /> Geomorphology 39 (2001) 211-219<br /> <br /> '''Link:''' [http://www.sciencedirect.com/science/article/pii/S0169555X01000277]<br /> <br /> G. Bocco, M. Mendoza, A. Velazquez 
<br /> <br /> '''Λέξεις-Κλειδιά:''' Γεωμορφολογική χαρτογράφηση, Σχεδιασμός χρήσεων γης, Τηλεπισκόπηση, Γ.Σ.Π., Μεξικό<br /> <br /> '''1. Eισαγωγή'''<br /> <br /> Ο σχεδιασμός των χρήσεων γης είναι αποτέλεσμα συμβιβασμών μεταξύ του περιβαλλοντικού δυναμικού και των κοινωνικών αναγκών. Η πολεοδομία και η χωροταξία είναι χρήσιμα εργαλεία στις χώρες υπό ανάπτυξη που βρίσκονται συνήθως υπό καθεστώς σοβαρών περιβαλλοντικών και δημογραφικών περιορισμών. Οι χώρες του τρίτου κόσμου συναντούν δυσκολίες στο να μπορέσουν να ανταποκριθούν στα υψηλά κόστη προκειμένου να ελέγξουν τις φυσικές καταστροφές μέσω τεχνικών έργων και λογικής σχεδίασης των χρήσεων γης(ŽGuzzetti et al., 1999). Στο Μεξικό για παράδειγμα, ένα σημαντικό ποσοστό του πληθυσμού ζει σε συνθήκες φτώχειας, ειδικά στις αγροτικές περιοχές. Το γεγονός αυτό έχει σημαντικές περιβαλλοντικές επιπλοκές, διότι το 80% των υπόλοιπων δασικών περιοχών του Μεξικού το διαχειρίζονται άνθρωποι από τις αγροτικές κοινότητες χωρίς το απαραίτητο επιστημονικό υπόβαθρο (Thoms and Betters, 1998). Συνήθως, τα δεδομένα που αφορούν τα φυσικά διαθέσιμα είναι ή ελλειπή ή δεν ανανεώνονται συστηματικά. Στο Μεξικό και σε πολλές χώρες της Λατινικής Αμερικής, τα βασικά γεωγραφικά δεδομένα είναι διαθέσιμα σε διαφορετικές κλίμακες (βλ., e.g. Lugo and Cordova, 1996). Η παρακολούθηση και η ανάλυση των φυσικών διαθεσίμων συχνά είναι ελειπής. Για το λόγο αυτό, οι γεωμορφολογικοί χάρτες θεωρούνται ακόμα σαν ένα πολύτιμο εργαλείο έρευνας. Για πρακτικούς σκοπούς όμως, μία εφαρμοσμένη προσέγγιση είναι απαραίτητη, ειδικά όταν είναι απαραίτητη η καταγραφή μεγάλων εκτάσεων. Στο συγκεκριμένο άρθρο, περιγράφεται μία μέθοδος για την γρήγορη χαρτογράφηση του αναγλύφου σε μεγάλες επιφάνειες και γίνεται μία παρουσίαση για το πως μπορεί να χρησιμοποιηθεί σαν μελλοντικό εργαλείο για την εκτίμηση της γης και τον σχεδιασμό των χρήσεών της.<br /> <br /> '''2. Περιοχή μελέτης'''<br /> <br /> Η περιοχή μελέτης είναι η πολιτεία Michoacan, στο Μεξικό (Εικ. 1). Η συγκεκριμένη περιοχή έχει υποστεί σημαντικές γεωμορφολογικές αλλαγές: καταγράφεται το υψηλότερο ποσοστό καταστροφής των δασών , το κατά κεφαλήν εισόδημα είναι πολύ χαμηλό και οι κάτοικοι των αγροτικών περιοχών επηρεάζουν σημαντικά τα φυσικά διαθέσιμα. Ανάλογα με το υψόμετρο, το κλίμα διαφέρει από τροπικό μέχρι ξηρό.<br /> <br /> '''3. Μεθοδολογία'''<br /> <br /> Η περιοχή που χαρτογραφήθηκε, απεικονίζεται σε πέντε 1:250.000 χάρτες, όπου ο κάθε ένας αποτελείται από είκοσι τέσσερις 1:50.000 χάρτες. Για την ανάλυση, χρησιμοποιήθηκαν τοπογραφικοί χάρτες και επιτόπια έρευνα . Σε αυτή την κλίμακα, τα κριτήρια ήταν η μορφομετρία (κλίσεις του εδάφους) και η μορφολιθομετρία, που προέκυψαν από ψηφιακά μοντέλα εδάφους. Δόθηκε έμφαση σε μία πιο φυσιογνωμική προσέγγιση, η οποία διευκολύνει τη χαρτογράφηση, παρόλο που χρησιμοποιούνται ποσοτικά κριτήρια. Ο τελικός σκοπός είναι ένας χάρτης συγκεκριμένος και σαφής χωρίς να υστερεί σε γεωμορφολογική ποιότητα.<br /> Όλη η περιοχή διαχωρίστηκε σε δύο κατηγορίες βασικών γεωμορφών, με και χωρίς σημαντική διαφοροποίηση στο ανάγλυφο. Για την πρώτη κατηγορία, διακρίνονται τέσσερα είδη γεωμορφών:very low hills, low hills, high hills, και sierras. Η δεύτερη κατηγορία ορίζεται από τέσσερα άλλα είδη: valleys, plains, highplains, και piedmonts. Τα κατώφλια για τον διαχωρισμό των κριτηρίων δίνονται στους πίνακες 1 και 2 αντίστοιχα, και για τις δύο κατηγορίες γεωμορφών. Τα βασικά έιδη βλάστησης και χρήσεων γης εκτιμήθηκαν οπτικά από ενισχυμένες δορυφορικές εικόνες Landsat, γεωμετρικά διορθωμένες και εκτυπωμένες σε κλίμακα 1:250.000. Οικατηγορίεςχαρτογράφησηείναι tropical dry forest, temperate forest, shrubs–grasslands, crops, και human-induced features. Τα φασματικά κριτήρια που απεικονίζονται στις δορυφορικές εικόνες χρησιμοποιήθηκαν ως θεματικά επίπεδα: ύψος και κλίση από το ψηφιακό μοντέλο εδάφους, κλίμα, τύπος βραχών και ανάγλυφο. Οι πληροφορίες που αποκομίσθηκαν ψηφιοποιήθηκαν σε GIS. Για την ημι-λεπτομε΄ρη ανάλυση δόθηκε έμφαση σε μία ηφαιστειογενή περιοχή κοντά στην περιοχή Morelia. Χρησιμοποιήθηκαν παγχρωματικές αεροφωτογραφίες κλίμακας 1:50.000 και 1:80.000.<br /> <br /> '''4. Συμπεράσματα'''<br /> <br /> Τα αποτελέσματα της χαρτογράφησης παρουσιάζονται σε έναν γενικευμένο χάρτη(Εικ. 2 και 3). Τα ποσοτικά δεδομένα παρουσιάζονται στον πίνακα 4. <br /> Όσον αφορά τα συμπεράσματα για την πολιτεία Michoacan, η σύγκριση της γεωμορφολογίας με τις καλύψεις γης δείχνει πως σημαντική αποψίλωση των δασών συμβαίνει σε απότομο ανάγλυφο(steepterrain) το οποίο θα έπρεπε να χρησιμοποιηθεί για αναδάσωση λόγω της ακαταλληλότητάς του για άλλες χρήσεις. Η συγκεκριμένη μέθοδος χρησιμοποιείται από το Υπουργείο Περιβάλλοντος για να εκτιμήσει την αλλαγή των καλύψεων γης σε εθνικό επίπεδο. Οι στατιστικές που προκύπτουν δείχνουν σημαντικά κρούσματα αποψίλωσης των δασών σε ξηρά δάση.<br /> <br /> '''5. Συνεισφορά της τηλεπισκόπησης'''<br /> <br /> Στη συγκεκριμένη μελέτη αναδεικνύεται η αξία της τηλεπισκόπησης για τη χαρτογράφηση γεωμορφολογικών χαρακτηριστικών. Πιο συγκεκριμένα, μέσω των δορυφορικών εικόνων δίνεται μία σχετικά ακριβής εκτίμηση για την κατανομή των ειδών βλάστησης και των χρήσεων γης ώστε να είναι δυνατή η κατηγοριοποίηση των διαφορετικών τύπων εδαφών για να δημιουργηθεί ο τελικός γεωμορφολογικός χάρτης της περιοχής.<br /> <br /> <br /> [[category:Γεωλογία – Εδαφολογία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%B3%CE%BA%CF%81%CE%B9%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CE%BC%CE%B5%CE%B8%CF%8C%CE%B4%CF%89%CE%BD_%CE%B1%CF%85%CF%84%CF%8C%CE%BC%CE%B1%CF%84%CE%BF%CF%85_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%BD%CE%B5%CF%81%CE%BF%CF%8D_%CE%B2%CE%B1%CF%83%CE%B9%CF%83%CE%BC%CE%AD%CE%BD%CE%B7_%CF%83%CF%84%CE%B7%CE%BD_%CF%80%CE%BF%CE%BB%CF%85%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%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 2017-02-14T00:39:26Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap8_t1.png|thumb|right|'''Πίνακας 1:''' Χαρακτηριστικά περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap8_t2.png|thumb|right|'''Πίνακας 2:''' Δεδομένα περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap8_t3.png|thumb|right|'''Πίνακας 3:''' Αποτελέσματα ακρίβειας.]]<br /> [[εικόνα: GF_pap8_p1.png|thumb|right|'''Εικόνα 1:''' Aπό αριστερά προς τα δεξιά για την κάθε περιοχή εφαρμόστηκαν οι πέντε μέθοδοι: εικόνα πέντε καναλιών, δείκτης βλάστησης, δείκτης νερού, βελτιωμένος δείκτης νερού, Πολυκαναλική φασματική σχέση.]]<br /> <br /> Procedia Environmental Sciences 11 (2011) 1482 – 1487<br /> <br /> ZHANG Fang-fang, ZHANG Bing, LI Jun-sheng,SHEN Qian,Wu Yuan- feng,SONG Yang. <br /> <br /> ''' Link:''' [http://www.sciencedirect.com/science/article/pii/S1878029611010462]<br /> <br /> Λέξεις-Κλειδιά: Πολυφασματικό, Τηλεπισκόπηση, Νερό, Landsat<br /> <br /> '''1. Eισαγωγή'''<br /> <br /> Για τον εντοπισμό των υδάτινων μαζών υπάρχουν επτά βασικές μέθοδοι: το κατώφλι του ενός καναλιού, ο δείκτης βλάστησης, ο δείκτης νερού, ο βελτιωμένος δείκτης νερού, η πολυκαναλική φασματική σχέση, και η επιβλεπόμενη μέθοδος ταξινόμησης. Παρόλα αυτά, οι περισσότερες μελέτες αναδεικνύουν την ανωτερότητα μία μεθόδου ή συνδυασμού μεθόδων μέσω μίας εφαρμογής σε συγκεκριμένη περιοχή. Το συγκεκριμένο άρθρο έχει ως σκοπό μία ολοκληρωμένη ανάλυση των πληροφοριών του νερού σε μία ποικιλία τηλεπισκοπικών μεθόδων για την αυτόματη αναγνώριση, η οποία επιβεβαιώνεται από την πειραματική ανάλυση των πλεονεκτημάτων των διαφορετικών μεθόδων για την εξερεύνηση της καταλληλότερης μεθόδου σε διαφορετικές περιοχές μελέτης.<br /> <br /> '''2. Μέθοδοι και Θεωρία Αναγνώρισης για το νερό'''<br /> <br /> ''2.1 Χαρακτηριστικά φασματικών ανακλαστικοτήτων''<br /> <br /> * Φασματική ανακλαστικότητα του νερού: Tα βασικά τηλεπισκοπικά κανάλια για την ανάδειξη του νερού, είναι τα ορατά, το εγγύς υπέρυθρο και το μέσο υπέρυθρο, όπου σε αυτά το νερό έχει τις δικές του ιδιότητες ανάκλασης σε σχέση με την βλάστηση, τις πόλεις κλπ.<br /> * Φασματικά χαρακτηριστικά TM/ETM+: Οι εικόνες Landsat TM έχουν επτά κανάλια και συνηθισμένα κανάλια που αναδεικνύουν το νερό βρίσκονται από τη θέση 2 ως τη θέση 5.<br /> <br /> ''2.2. Μέθοδοι και Αλγόριθμοι''<br /> <br /> * ''Κατώφλι ενός καναλιού:'' Η συγκεκριμένη μέθοδος χρησιμοποιείται για να ξεχωρίσει τις διαφορετικές επιφάνειες μέσω ενός συγκεκριμένου κατωφλιού. Το κανάλι 5 των εικόνων TM είναι το καλύτερο κανάλι για τον εντοπισμό του νερού.<br /> * ''Δείκτης Βλάστησης:'' O Kανονικοποιημένος Δείκτης Βλάστησης NDVI = (NIR - RED) / (NIR + RED), ο οποίος παρόλο που χρησιμοποιείται για την ανάδειξη της βλάστησης μπορεί να ανδείξει και τις υδάτινες επιφάνειες.<br /> * ''Δείκτης νερού:'' Ο Κανονικοποιημένος Δείκτης Νερού NDWI = (GREEN – NIR) / (GREEN + NIR), ο οποιός ανδεικνύει έντονα τις υδάτινες επιφάνειες.<br /> * ''Ο βελτιωμένος Δείκτης νερού:'' MNDWI = (GREEN - MIR) / (GREEN + MIR), o oποίος αναδεικνύει επίσης έντονα τις υδάτινες επιφάνειας λόγω της χαμηλής ανακλαστικότητας του νερού στο κανάλι 5.<br /> * ''Πολυκαναλική φασματική σχέση:'' Mε βάση τον κανόνα πως η ανακλαστικότητα του νερού μειώνεται από το κανάλι 2 προς το κανάλι 5, σχεδιάστηκε ο αλγόριθμος: ΤΜ2 + ΤΜ3 &gt; ΤΜ4 + ΤΜ5.<br /> <br /> '''3. Παράδειγμα αναγνώρισης νερού'''<br /> <br /> ''3.1. Περιοχή μελέτης και δεδομένα''<br /> <br /> * Περιοχή μελέτης: Η έρευνα διάλεξε πέντε τυπικά παραδείγματα περιοχών με υδάτινες μάζες για να επιβεβαιώσει τα πλεονεκτήματα και τα μειονεκτήματα των μεθόδων σε διαφορετικές συνθήκες και παρουσιάζονται στον πίνακα 1.<br /> * Δεδομένα: Στη συγκεκριμένη μελέτη, η πηγή των δεδομένων είναι εικόνες Landsat TM/ETM+, όπως φαίνεται στον πίνακα 2.<br /> <br /> ''3.2 Μεθοδολογία''<br /> <br /> Η διεργασία για την αναγνώριση του νερού εκτελέστηκε σε τρία μέρη: αρχικά είναι η επεξεργασία των δεδομένων, δηλάδη η γεωμετρική διόρθωση, η ατμοσφαιρική διόρθωση και οι τιμές ανάκλασης και μετά είναι ο εντοπισμός των υδάτινων μαζών με την χρήση καναλιών και τέλος η οπτική ερμηνεία των μεθόδων για την αυτόματη αναγνώριση των υδάτινων μαζών.<br /> <br /> ''3.3. Πείραμα αναγνώρισης του νερού στην περιοχή μελέτης''<br /> <br /> Με βάση την παραπάνω περιγραφή, εντοπίστηκαν πέντε περιοχές ενδιαφέροντος για τις πέντε μεθόδους, όπως φαίνεται στην εικόνα 1.<br /> <br /> '''4. Ακρίβεια και ανάλυση'''<br /> <br /> ''4.1 Ακρίβεια''<br /> <br /> Για την ακριβή εκτίμηση των πλεονεκτημάτων της κάθε μεθόδου σχεδιάστηκε ένας αλγόριθμος:<br /> * επιλέχθηκε μία περιοχή για να υπολογιστεί η συνολική ακρίβεια, η μεταβλητή Kappa, η ακρίβεια της χαρτογράφησης και η ακρίβεια του χρήστη για κάθε μέθοδο στην περιοχή μελέτης<br /> * τέσσερις δείκτες εκτίμησης ακρίβειας για τις πέντε μεθόδους ταξινομήθηκαν αριθμητικά από επίπεδα 1 μέχρι 5<br /> * χρησιμοποιήθηκε η αντίστροφη μέθοδος για τον υπολογισμό του βάρους του κάθε επιπέδου 1, ½, 1/3, ¼, 1/5<br /> * υπολογίστηκε η ακρίβεια των τεσσάρων δεικτών με τα βάρη τους<br /> * ανάλογα με τα βάρη εκτελέστηκε μία συνάρτηση για το τελικό αποτέλεσμα.<br /> <br /> ''4.2. Ανάλυση για την εφαρμογή των μεθόδων αναγνώρισης νερού''<br /> <br /> * Mountain areas: ;όπως φαίνεται από τον πίνακα 3, η καλύτερη με΄θοδος απομάκρυνσης των σκιών των βουνών για τον εντοπισμό του νερού είναι η πολυκαναλική φασματική σχέση.<br /> * Dense Vegetation Areas: με βάση τον πίνακα 3, η καλύτερη μέθοδος μετά την πολυκαναλική φασματική σχέση είναι ο δείκτης NDVI.<br /> * City areas: Ο βελτιωμένος δείκτης νερού παρουσιάζει ικανοποιητικά τις υδάτινες επιφάνειες σε αστικές περιοχές.<br /> * River sand areas: Και σε αυτήν την κατηγορία ο βελτιωμένος δείκτης νερού είναι ο καλύτερος για τον εντοπισμό των υδάτινων επιφανειών.<br /> * Plains and lake areas: Στη συγκεκριμένη κατηγορία, οποιαδήποτε μέθοδος χρησιμοποιηθεί παρουσιάζει ακριβή αποτελέσματα, παρόλα αυτά λόγω κόστους και ταχύτητας, η μέθοδος του κατωφλιού ενός καναλιού προτιμάται.<br /> <br /> '''5. Κατακλείδα και συζήτηση'''<br /> <br /> Συμπερασματικά, την υψηλότερη ακρίβεια παρουσιάζει ο βελτιωμένος δείκτης νερού και η πολυκαναλική φασματική σχέση μεταξύ των πέντε μεθόδων που εξετάστηκαν σε αυτήν την μελέτη. Παρόλα αυτά, ένα μειονέκτημα της συγκεκριμένης μελέτης είναι πως το δείγμα των πέντε περιοχών είναι μικρό και δεν καλύπτει όλες τις πιθανές ιδιομορφίες του εδάφους, επομένως πρέπει να ερευνηθεί περισσότερο.<br /> <br /> '''6. Συνεισφορά της τηλεπισκόπησης'''<br /> <br /> Από τη μελέτη αυτή γίνεται μία σύγκριση για τις μεθόδους αναγνώρισης νερού μέσω της τηλεπισκόπησης και αναδεικνύεται η βέλτιστη, με σκοπό την χρήση της σε πολύπλοκες πιθανές εφαρμογές που αφορούν το χώρο, την ανάπτυξη και την διαχείριση των υδάτινων μαζών.<br /> [[category:Υδατικοί Πόροι]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A6%CE%BB%CF%8E%CF%81%CE%BF%CF%82_%CE%93%CE%B5%CF%8E%CF%81%CE%B3%CE%B9%CE%BF%CF%82 2017-02-14T00:36:36Z

<p>George Floros: </p> <hr /> <div>*[[Χαρτογράφηση γεωμορφολογικών χαρακτηριστικών με τη χρήση τηλεπισκόπησης και ΓΣΠ]]<br /> *[[Xαρτογράφηση του VWC με δεδομένα Landsat και τη χρήση του NDWI για καλλιέργειες καλαμποκιού και σόγιας]]<br /> *[[Ο ρόλος του Landsat στις οικολογικές εφαρμογές της τηλεπισκόπησης]]<br /> *[[Παρακολούθηση αλλαγών στις καλύψεις γης σε μία νέα περιοχή της Αιγύπτου με την χρήση δεδομένων Landsat]]<br /> *[[Συγκριτική ανάλυση μεθόδων αυτόματου εντοπισμού νερού βασισμένη στην πολυφασματική τηλεπισκόπηση]]<br /> *[[Πρόβλεψη παραγωγής καλλιεργειών στον Καναδά με τη χρήση δεδομένων MODIS-NDVI]]<br /> *[[Εντοπισμός αλλαγών στις χρήσεις/καλύψεις γης στο δυτικό Δέλτα του Νείλου στην Αίγυπτο με τη χρήση τηλεπισκοπικών δεδομένων]]<br /> *[[Χαρτογράφηση καλύψεων/χρήσεων γης, Εντοπισμός Αλλαγών και Ανάλυση συγκρούσεων της περιοχής Nagzira-Navegaon]]<br /> *[[ΤΑΞΙΝΟΜΗΣΗ ΕΙΔΩΝ ΚΑΛΛΙΕΡΓΕΙΑΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΕΙΚΤΩΝ ΒΛΑΣΤΗΣΗΣ ΤΟΥ ΔΟΡΥΦΟΡΟΥ RAPIDEYE]]<br /> *[[Μοντέλο συγκομιδής καλλιεργειών στην Αιόβα με τη χρήση τηλεπισκοπικών μεθόδων και παραμέτρων επιφάνειας]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα)]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A6%CE%BB%CF%8E%CF%81%CE%BF%CF%82_%CE%93%CE%B5%CF%8E%CF%81%CE%B3%CE%B9%CE%BF%CF%82 2017-02-14T00:36:28Z

<p>George Floros: </p> <hr /> <div>*[[Χαρτογράφηση γεωμορφολογικών χαρακτηριστικών με τη χρήση τηλεπισκόπησης και ΓΣΠ]]<br /> *[[Xαρτογράφηση του VWC με δεδομένα Landsat και τη χρήση του NDWI για καλλιέργειες καλαμποκιού και σόγιας]]<br /> *[[Ο ρόλος του Landsat στις οικολογικές εφαρμογές της τηλεπισκόπησης]]<br /> *[[Παρακολούθηση αλλαγών στις καλύψεις γης σε μία νέα περιοχή της Αιγύπτου με την χρήση δεδομένων Landsat]]<br /> *[[Συγκριτική ανάλυση μεθόδων αυτόματου εντοπισμού νερού βασισμένη στην πολυφασματική τηλεπισκόπηση]]<br /> *[[Πρόβλεψη παραγωγής καλλιεργειών στον Καναδά με τη χρήση δεδομένων MODIS-NDVI]]<br /> *[[Εντοπισμός αλλαγών στις χρήσεις/καλύψεις γης στο δυτικό Δέλτα του Νείλου στην Αίγυπτο με τη χρήση τηλεπισκοπικών δεδομένων]]<br /> *[[Χαρτογράφηση καλύψεων/χρήσεων γης, Εντοπισμός Αλλαγών και Ανάλυση συγκρούσεων της περιοχής Nagzira-Navegaon]]<br /> *[[ΤΑΞΙΝΟΜΗΣΗ ΕΙΔΩΝ ΚΑΛΛΙΕΡΓΕΙΑΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΕΙΚΤΩΝ ΒΛΑΣΤΗΣΗΣ ΤΟΥ ΔΟΡΥΦΟΡΟΥ RAPIDEYE]]<br /> *[[Μοντέλο συγκομιδής καλλιεργειών στην Αιόβα με τη χρήση τηλεπισκοπικών μεθόδων και παραμέτρων επιφάνειας.]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα)]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A6%CE%BB%CF%8E%CF%81%CE%BF%CF%82_%CE%93%CE%B5%CF%8E%CF%81%CE%B3%CE%B9%CE%BF%CF%82 2017-02-14T00:33:25Z

<p>George Floros: </p> <hr /> <div>*[[Χαρτογράφηση γεωμορφολογικών χαρακτηριστικών με τη χρήση τηλεπισκόπησης και ΓΣΠ.]]<br /> <br /> *[[Xαρτογράφηση του VWC με δεδομένα Landsat και τη χρήση του NDWI για καλλιέργειες καλαμποκιού και σόγιας.]]<br /> <br /> *[[Ο ρόλος του Landsat στις οικολογικές εφαρμογές της τηλεπισκόπησης.]]<br /> <br /> *[[Παρακολούθηση αλλαγών στις καλύψεις γης σε μία νέα περιοχή της Αιγύπτου με την χρήση δεδομένων Landsat.]]<br /> <br /> *[[Συγκριτική ανάλυση μεθόδων αυτόματου εντοπισμού νερού βασισμένη στην πολυφασματική τηλεπισκόπηση.]]<br /> <br /> *[[Πρόβλεψη παραγωγής καλλιεργειών στον Καναδά με τη χρήση δεδομένων MODIS-NDVI.]]<br /> <br /> *[[Εντοπισμός αλλαγών στις χρήσεις/καλύψεις γης στο δυτικό Δέλτα του Νείλου στην Αίγυπτο με τη χρήση τηλεπισκοπικών δεδομένων.]]<br /> <br /> *[[Χαρτογράφηση καλύψεων/χρήσεων γης, Εντοπισμός Αλλαγών και Ανάλυση συγκρούσεων της περιοχής Nagzira-Navegaon.]]<br /> <br /> *[[ΤΑΞΙΝΟΜΗΣΗ ΕΙΔΩΝ ΚΑΛΛΙΕΡΓΕΙΑΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΕΙΚΤΩΝ ΒΛΑΣΤΗΣΗΣ ΤΟΥ ΔΟΡΥΦΟΡΟΥ RAPIDEYE.]]<br /> <br /> *[[Μοντέλο συγκομιδής καλλιεργειών στην Αιόβα με τη χρήση τηλεπισκοπικών μεθόδων και παραμέτρων επιφάνειας.]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα)]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A6%CE%BB%CF%8E%CF%81%CE%BF%CF%82_%CE%93%CE%B5%CF%8E%CF%81%CE%B3%CE%B9%CE%BF%CF%82 2017-02-14T00:32:46Z

<p>George Floros: </p> <hr /> <div>*[[Χαρτογράφηση γεωμορφολογικών χαρακτηριστικών με τη χρήση τηλεπισκόπησης και ΓΣΠ.]]<br /> <br /> *[[Xαρτογράφηση του VWC με δεδομένα Landsat και τη χρήση του NDWI για καλλιέργειες καλαμποκιού και σόγιας.]]<br /> <br /> *[[Ο ρόλος του Landsat στις οικολογικές εφαρμογές της τηλεπισκόπησης.]]<br /> <br /> *[[Παρακολούθηση αλλαγών στις καλύψεις γης σε μία νέα περιοχή της Αιγύπτου με την χρήση δεδομένων Landsat.]]<br /> <br /> *[[Συγκριτική ανάλυση μεθόδων αυτόματου εντοπισμού νερού βασισμένη στην πολυφασματική τηλεπισκόπηση.]]<br /> <br /> *[[Πρόβλεψη παραγωγής καλλιεργειών στον Καναδά με τη χρήση δεδομένων MODIS-NDVI.]]<br /> <br /> *[[Εντοπισμός αλλαγών στις χρήσεις/καλύψεις γης στο δυτικό Δέλτα του Νείλου στην Αίγυπτο με τη χρήση τηλεπισκοπικών δεδομένων.]]<br /> <br /> *[[Χαρτογράφηση καλύψεων/χρήσεων γης, Εντοπισμός Αλλαγών και Ανάλυση συγκρούσεων της περιοχής Nagzira-Navegaon.]]<br /> <br /> *[[ΤΑΞΙΝΟΜΗΣΗ ΕΙΔΩΝ ΚΑΛΛΙΕΡΓΕΙΑΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΕΙΚΤΩΝ ΒΛΑΣΤΗΣΗΣ ΤΟΥ ΔΟΡΥΦΟΡΟΥ RAPIDEYE.]]<br /> <br /> *[[Μοντέλο συγκομιδής καλλιεργειών στην Αιόβα με τη χρήση τηλεπισκοπικών μεθόδων και παραμέτρων επιφάνειας.]]<br /> <br /> [[category:&quot;ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα)&quot;]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A6%CE%BB%CF%8E%CF%81%CE%BF%CF%82_%CE%93%CE%B5%CF%8E%CF%81%CE%B3%CE%B9%CE%BF%CF%82 2017-02-14T00:30:41Z

<p>George Floros: </p> <hr /> <div>*[[Χαρτογράφηση γεωμορφολογικών χαρακτηριστικών με τη χρήση τηλεπισκόπησης και ΓΣΠ.]]<br /> <br /> *[[Xαρτογράφηση του VWC με δεδομένα Landsat και τη χρήση του NDWI για καλλιέργειες καλαμποκιού και σόγιας.]]<br /> <br /> *[[Ο ρόλος του Landsat στις οικολογικές εφαρμογές της τηλεπισκόπησης.]]<br /> <br /> *[[Παρακολούθηση αλλαγών στις καλύψεις γης σε μία νέα περιοχή της Αιγύπτου με την χρήση δεδομένων Landsat.]]<br /> <br /> *[[Συγκριτική ανάλυση μεθόδων αυτόματου εντοπισμού νερού βασισμένη στην πολυφασματική τηλεπισκόπηση.]]<br /> <br /> *[[Πρόβλεψη παραγωγής καλλιεργειών στον Καναδά με τη χρήση δεδομένων MODIS-NDVI.]]<br /> <br /> *[[Εντοπισμός αλλαγών στις χρήσεις/καλύψεις γης στο δυτικό Δέλτα του Νείλου στην Αίγυπτο με τη χρήση τηλεπισκοπικών δεδομένων.]]<br /> <br /> *[[Χαρτογράφηση καλύψεων/χρήσεων γης, Εντοπισμός Αλλαγών και Ανάλυση συγκρούσεων της περιοχής Nagzira-Navegaon.]]<br /> <br /> *[[ΤΑΞΙΝΟΜΗΣΗ ΕΙΔΩΝ ΚΑΛΛΙΕΡΓΕΙΑΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΕΙΚΤΩΝ ΒΛΑΣΤΗΣΗΣ ΤΟΥ ΔΟΡΥΦΟΡΟΥ RAPIDEYE.]]<br /> <br /> *[[Μοντέλο συγκομιδής καλλιεργειών στην Αιόβα με τη χρήση τηλεπισκοπικών μεθόδων και παραμέτρων επιφάνειας.]]<br /> <br /> <br /> <br /> <br /> <br /> [[category:&quot;ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα)&quot;]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%9F_%CF%81%CF%8C%CE%BB%CE%BF%CF%82_%CF%84%CE%BF%CF%85_Landsat_%CF%83%CF%84%CE%B9%CF%82_%CE%BF%CE%B9%CE%BA%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%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 2017-02-14T00:24:04Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap10_p1.png|thumb|right|'''Εικόνα 1:''' Χάρτες κάλυψης γης/δασών 7χλμ.*7χλμ. στον Καναδά (αριστερά) και ένα ανάμεικτο δάσος στην Μασαχουσέτη (δεξιά), που έχουν προκύψει από τον Landsat ETM+.]]<br /> [[εικόνα: GF_pap10_p2.png|thumb|right|'''Εικόνα 2:''' Χάρτες δεικτών φυλλωμάτων βλάστησης 7χλμ.*7χλμ. στο Κάνσας (αριστερά) και αγροτική γη στο Ιλινόις (δεξιά), που έχουν προκύψει από τον Landsat ETM+.]]<br /> [[εικόνα: GF_pap10_p3.png|thumb|right|'''Εικόνα 3:''' Τα δεδομένα του Landsat TM απεικονίζουν για τρία διαφορετικά ετη μία μικρή ( 3χλμ. * 5 χλμ.) περιοχή στο Όρεγκον και έναν χάρτη συγκομιδής των δασών που προκύπτει από αυτά τα δεδομένα.]]<br /> <br /> BioScience 54(6):535-545. 2004 <br /> <br /> Warren B. Cohen &amp; Samuel N. Goward.<br /> <br /> '''Link:''' [http://www.bioone.org/doi/abs/10.1641/0006-3568%282004%29054%5B0535%3ALRIEAO%5D2.0.CO%3B2?journalCode=bisi]<br /> <br /> '''Λέξεις-Κλειδιά:''' Τηελπισκόπηση, Landsat, Φασματικοί Δείκτες Βλάστησης, Χαρτογράφηση βλάστησης, Εντοπισμός αλλαγών.<br /> <br /> '''Ο τομέας της οικολογίας έχει γνωρίσει τρομακτική ανάπτυξη τον τελευταίο αιώνα.''' Αυτή η ανάπτυξη οφείλεται σε ένα σύνολο από κοινωνικές, πολιτικές, περιβαλλοντικές και τεχνολογικές παραμέτρους, καθώς και νέες εφαρμογές. Το δημόσιο ενδιαφέρον για την κατάσταση του περιβάλλοντος οδήγησε στην θέσπιση ολοένα και περισσότερων μέτρων προστασίας του. Η κετο΄ξευση του δορυφόρου Sputnik το 1957 και στη συνέχεια κατά την διάρκεια των επανδρωμένων προγραμμάτων Gemini και Apollo, από το 1965 ως το 1972, λήφθηκαν πολλές φωτογραφίες της Γης από το διάστημα, κάτι που σηματοδότησε την γέννηση της τηλεπισκόπησης. Με την εκτόξευση του πρώτου δορυφόρου Landsat το 1972, οι επιστήμονες ήταν σε θέση να δουν τις επιπτώσεις από τις ανθρώπινες παρεμβάσεις πάνω στη Γη. Ο δορυφόρος Landsat έχει πολλά πλεονεκτήματα. Αρχικά, προσφέρει εικόνες σε βάθος τριάντα χρόνων, που είναι και το μεγαλύτερο διάστημα παροχής πληροφοριών σε σχέση με οποιονδήποτε άλλο δορυφόρο. Επίσης, η χωρική του ανάλυση βελτιστοποιεί την κατηγοριοποίηση των χρήσεων/καλύψεων γης για την καλύτερη διαχείριση του χώρου και τρίτον, είναι σε θέση να λάβει φασματικές μετρήσεις σε όλα τα μήκη κύματος του ηλιακού ηλεκτρομαγνητικού φάσματος.<br /> <br /> '''Σημασία της μέσης υπέρυθρης ανακλαστικότητας'''<br /> Ο δορυφόρος Landsat ήταν το πρώτο δορυφορικό σύστημα που συμπεριλάμβανε το κανάλι του μέσου υπέρυθρου. Σε αυτό το σημείο, αναδεικνύεται η σημασία των εικόνων Landsat στις οικολογικές εφαρμογές εξαιτίας της ύπαρξης του συγκεκριμένου καναλιού. Αρχικά, οι Horler και Ahern (1986) εκτέλεσαν την πρώτη αναλυτική εξέταση για τη συλλογή δασικών πληροφοριών. Ανακάλυψαν πως το κανάλι του μέσου υπέρυθρου περιείχε περισσότερες πληροφορίες για τα κωνοφόρα δέντρα απότι τα άλλα κανάλια. Αργότερα, ανακαλύφθηκε πως το μέσο υπέρυθρο ήταν σε θέση να εκτιμήσει τον όγκο των κωνοφόρων δασών. Επίσης, οι Lymburner και συνεργάτες (2000) ανέφεραν πως το μέσο υπέρυθρο ήταν το πιο σημαντικό κανάλι για τον χαρακτηρισμό των διαφορετικών φυλλωμάτων ενός δάσους. Τέλος, ο Steininger (2000) ανακάλυψε πως το μέσο υπέρυθρο κανάλι είναι το πιο σημαντικό για την χαρτογράφηση της ηλικίας και της βιομάζας. Με βάση την σημασία του μέσου υπέρυθρου για τον χαρακτηρισμό της κατάστασης ενός δάσους, είναι αναμενόμενο πως το συγκεκριμένο κανάλι είναι απαραίτητο για την καταγραφή αλλαγών στα δάση. Οι Williams και Nelson (1986) ανακάλυψαν πως το κανάλι του μέσου υπέρυθρου απέδιδε πιο ακριβείς και λεπτομερείς χαρακτηρισμούς της βλάβης στα κωνοφόρα δέντρα από τα έντομα. Η σημασία του μέσου υπέρυθρου σημειώνεται επίσης και σε μη δασικές εφαρμογές. Ο Lee kαι οι συνεργάτες (1988) ανέφεραν πως το μέσο υπέρυθρο κανάλι είναι το καλύτερο κανάλι για τηνν ευρεία ταξινόμηση του εδάφους λόγω της ευαισθησίας του στην υφή των επιφανειών , στο περιεχόμενο της οργανικής ύλης και στην υγρασία.<br /> <br /> '''Οικολογικές εφαρμογές δεδομένων Landsat'''<br /> <br /> Τα δεδομένα Landsat έχουν μεταφραστεί ως χρήσιμες οικολογικές πληροφορίες για πάνω από τριάντα χρόνια. Στη συγκεκριμένη ενότητα γίνεται μία περίληψη των εφαρμογών του Landsat στην οικολογία και τονίζεται: α) η ποικίλια των χρήσεων των δεδομένων και β) η αυξανόμενη πολυπλοκότητα της διαλειτουργικότητας μεταξύ του Landsat και των οικολογικών μοντέλων.<br /> <br /> '''Κατάσταση και δυναμική των οικοσυστημάτων.'''<br /> <br /> Τα οικοσυστήματα μπορούν να περιγραφούν από την κατάστασή τους και από τον τρόπο που μεταβάλλονται. Μετά την διάθεση των δεδομένων Landsat, έχουν χρησιμοποιηθεί με σκοπό την ικανοποίηση και των δύο περιγραφικών τους χαρακτηριστικών.<br /> <br /> ''Θεματική ταξινόμηση.''<br /> Η ταξινόμηση των δασών (εικόνα 1) είναι ιδιαίτερα δημοφιλής χρήση των δεδομένων του Landsat . Σε άλλα οικοσυστήματα, οι ταξινομήσεις που έχουν προκύψει έχουν χρησιμοποιηθεί για να απεικονίσουν την παραγωγικότητα των ψαριών, τις μεταναστεύσεις των πτηνών, την εκτίμηση κατολισθήσεων και κινδύνων πυρκαγιάς κλπ.<br /> <br /> ''Βιοφυσική.'' <br /> <br /> Η χρήση των δεδομένων Landsat για την συλλογή πληροφοριών σε σχέση με τα βιοφυσικά χαρακτηριστικά της βλάστησης είναι εξίσου σημαντική (εικόνα 2).<br /> Φασματικά μοντέλα για την αναγνώριση χρακτηριστικών της βλάστησης, όπως είναι το είδος των φυλλωμάτων, η βιομάζα, και η περιεχόμενη υγρασία έχουν χρησιμοποιηθεί σε ποικίλες εφαρμογές βλάστησης. Επίσης, οι ιδιότητες των επιφανειών που δεν σχετίζονται άμεσα με την βλάστηση έχουν ερευνηθεί μέσω του Landsat. Πιο συγκεκριμένα, το θερμικό κανάλι χρησιμοποιείται για τον χαρακτηρισμό της θερμοκρασίας μίας επιφάνειας (Holifield et al. 2003) και των ιδιοτήτων του εδάφους, όπως είναι η συγκέντρωση του φωσφόρου και η τιμή του pH.<br /> <br /> ''Δυναμική οικοσυστημάτων.''<br /> <br /> Ο εντοπισμός των αλλαγών ενός οικοσυστήματος με τη χρήση τηλεπισκοπικών μεθόδων είναι πολύ συνηθισμένος. Τα δεδομένα Landsat χρησιμοποιούνται για τον εντοπισμό αλλαγών σε μία ποικιλία τύπων οικοσυστημάτων, όπως φαίνεται στην εικόνα 3. Στα δάση, έχει υπάρξει επιτυχής εντοπισμός των αλλαγών που έχουν σχέση με την υλοτόμησή τους, τις βλάβες από έντομα, την όξινη βροχή κ.ά.<br /> <br /> ''Χωρικά μοτίβα.'' <br /> <br /> Tα δεδομένα Landsat έχουν χρησιμοποιηθεί για να εκτιμήσουν τα μοτίβα ανάπτυξης της βλάστησης σε σχέση με την οικολογία και την διαχείριση. Ο χαρακτηρισμός των τοπίων με μετρητικά χαρακτηριστικά μέσω των εικόνων Landsat είναι επίσης συνηθισμένος. Oι Gluck και Rempel (1996) χρησιμοποίησαν δεδομένα TM για να χαρακτηρίσουν το μέγεθος, το σχήμα και άλλα μετρητικά στοιχεία για δάση στον Καναδά.<br /> <br /> ''Χαρτογράφηση μεγάλων περιοχών.'' <br /> <br /> Η ωρίμανση του προγράμματος Landsat, η αύξηση της υπολογιστικής ισχύος λόγω της τεχνολογικής ανάπτυξης και η γνώση για το πώς πρέπει να επεξεργαστούν τα δεδομένα έχουν οδηγήσει στο σημείο όπου η χρήση των εικόνων Landsat μπορεί να καταστήσει δυνατή τη χαρτογράφηση μεγάλων περιοχών.<br /> <br /> '''Διαλειτουργικότητα με οικολογικά μοντέλα.'''Τα τελευταία τριάντα χρόνια, ο αριθμός και η πολυπλοκότητα των μοντέλων που χρησιμοποιούν τα δεδομένα Landsat έχει αυξηθεί σημαντικά.<br /> <br /> ''Φυσιολογικά μοντέλα.''<br /> <br /> Τα φυσιολογικά μοντέλα είναι μία σημαντική κατηγορία που χρησιμοποιεί δεδομένα Landsat. Οι Kaneko και Hino (1996) εκτίμησαν την ισορροπία ενέργειας σε μία επιφάνεια μίας δασικής περιοχής με τη χρήση παραμέτρων που προέκυψαν από δεδομένα Landsat.<br /> <br /> ''Υπολογιστικά μοντέλα.''<br /> <br /> Ο Cairns και οι συνεργάτες (2000) ακολούθησαν μία σχετικά απλή προσέγγιση για να αντιστοιχήσουν τιμές της βιομάζας σε κατηγορίες κάλυψης γης που προέκυψαν από έναν υπάρχοντα χάρτη ο οποίος αναβαθμίστηκε με δεδομένα TM.<br /> <br /> ''Πανίδα και βιοποικιλότητα.'' <br /> <br /> Οι μελέτες για την πανίδα και τη βιοποικιλότητα χρησιμοποιούν εκτενώς δεδομένα Landsat. Οι πιο απλές προσεγγίσεις περιλαμβάνουν την χαρτογράφηση και τον χαρακτηρισμό της πανίδας.<br /> <br /> ''Κοινωνικοοικονομικές μελέτες.'' <br /> <br /> Οι κοινωνικοοικονομικές μελέτες βασίζονται ολοένα και περισσότερο στην τηλεπισκόπηση για τη συλλογή πληροφοριών όσον αφορά τις καλύψεις/χρήσεις γης και τις αλλαγές τους διαμέσου του χρόνου.<br /> <br /> '''Η αυξανόμενη αξία του Landsat'''<br /> <br /> Στο πέρας των δεκαετιών, οι οικολογικές επιστήμες έχουν επηρεαστεί σημαντικά από τις κοινωνικοπολιτικές αλλαγές. Επίσης, η τεχνολογική ανάπτυξη επιτρέπει στους οικολόγους να αντιμετωπίσουν ολοένα και πολυπλοκότερα επιστημονικά ερωτήματα. Μαζί με την εξέλιξη των υπολογιστικών συστημάτων και σε συνεργασία με τα Γεωγραφικά Συστήματα Πληροφοριών η τηλεπισκόπηση είναι σε θέση να αντιμετωπίζει τέτοιου είδους ερωτήματα και ο πρεσβευτής της είναι το δορυφορικό σύστημα Landsat. Ο Landsat εκπροσωπεί το μακρύτερο σε διάρκεια πρόγραμμα για την παρατήρηση της επιφάνειας της Γης από το διάστημα. Το μέλλον του στην οικολογία και τις εφαρμογές της αναμένεται πολλά υποσχόμενο. Η ανάπτυξη χαρτογραφικών προγραμμάτων που θα χρησιμοποιούν μεγάλο όγκο δεδομένων Landsat σε εθνική κλίμακα θα έχει ως αποτέλεσμα την βελτίωση των οικολογικών μοντέλων και την αύξηση των εφαρμογών τους. Τέλος, η διαλειτουργικότητα μεταξύ των δεομένων Landsat με δεδομένα άλλων δορυφόρων, θα αποτελέσει το κλειδί για τη βελτίωση των αποδιδόμενων πληροφοριών από τηλεπισκοπικά δεδομένα.<br /> <br /> <br /> [[category:Οικολογία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%9F_%CF%81%CF%8C%CE%BB%CE%BF%CF%82_%CF%84%CE%BF%CF%85_Landsat_%CF%83%CF%84%CE%B9%CF%82_%CE%BF%CE%B9%CE%BA%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%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 2017-02-14T00:23:47Z

<p>George Floros: Νέα σελίδα με '[[εικόνα: GF_pap10_p1.png|thumb|right|'''Εικόνα 1:''' Χάρτες κάλυψης γης/δασών 7χλμ.*7χλμ. στον Καναδά (αριστερά) ...'</p> <hr /> <div>[[εικόνα: GF_pap10_p1.png|thumb|right|'''Εικόνα 1:''' Χάρτες κάλυψης γης/δασών 7χλμ.*7χλμ. στον Καναδά (αριστερά) και ένα ανάμεικτο δάσος στην Μασαχουσέτη (δεξιά), που έχουν προκύψει από τον Landsat ETM+.]]<br /> [[εικόνα: GF_pap10_p2.png|thumb|right|'''Εικόνα 2:''' Χάρτες δεικτών φυλλωμάτων βλάστησης 7χλμ.*7χλμ. στο Κάνσας (αριστερά) και αγροτική γη στο Ιλινόις (δεξιά), που έχουν προκύψει από τον Landsat ETM+.]]<br /> [[εικόνα: GF_pap10_p3.png|thumb|right|'''Εικόνα 3:''' Τα δεδομένα του Landsat TM απεικονίζουν για τρία διαφορετικά ετη μία μικρή ( 3χλμ. * 5 χλμ.) περιοχή στο Όρεγκον και έναν χάρτη συγκομιδής των δασών που προκύπτει από αυτά τα δεδομένα.]]<br /> <br /> BioScience 54(6):535-545. 2004 <br /> <br /> Warren B. Cohen &amp; Samuel N. Goward.<br /> <br /> '''Link:''' http://www.bioone.org/doi/abs/10.1641/0006-3568%282004%29054%5B0535%3ALRIEAO%5D2.0.CO%3B2?journalCode=bisi <br /> <br /> '''Λέξεις-Κλειδιά:''' Τηελπισκόπηση, Landsat, Φασματικοί Δείκτες Βλάστησης, Χαρτογράφηση βλάστησης, Εντοπισμός αλλαγών.<br /> <br /> '''Ο τομέας της οικολογίας έχει γνωρίσει τρομακτική ανάπτυξη τον τελευταίο αιώνα.''' Αυτή η ανάπτυξη οφείλεται σε ένα σύνολο από κοινωνικές, πολιτικές, περιβαλλοντικές και τεχνολογικές παραμέτρους, καθώς και νέες εφαρμογές. Το δημόσιο ενδιαφέρον για την κατάσταση του περιβάλλοντος οδήγησε στην θέσπιση ολοένα και περισσότερων μέτρων προστασίας του. Η κετο΄ξευση του δορυφόρου Sputnik το 1957 και στη συνέχεια κατά την διάρκεια των επανδρωμένων προγραμμάτων Gemini και Apollo, από το 1965 ως το 1972, λήφθηκαν πολλές φωτογραφίες της Γης από το διάστημα, κάτι που σηματοδότησε την γέννηση της τηλεπισκόπησης. Με την εκτόξευση του πρώτου δορυφόρου Landsat το 1972, οι επιστήμονες ήταν σε θέση να δουν τις επιπτώσεις από τις ανθρώπινες παρεμβάσεις πάνω στη Γη. Ο δορυφόρος Landsat έχει πολλά πλεονεκτήματα. Αρχικά, προσφέρει εικόνες σε βάθος τριάντα χρόνων, που είναι και το μεγαλύτερο διάστημα παροχής πληροφοριών σε σχέση με οποιονδήποτε άλλο δορυφόρο. Επίσης, η χωρική του ανάλυση βελτιστοποιεί την κατηγοριοποίηση των χρήσεων/καλύψεων γης για την καλύτερη διαχείριση του χώρου και τρίτον, είναι σε θέση να λάβει φασματικές μετρήσεις σε όλα τα μήκη κύματος του ηλιακού ηλεκτρομαγνητικού φάσματος.<br /> <br /> '''Σημασία της μέσης υπέρυθρης ανακλαστικότητας'''<br /> Ο δορυφόρος Landsat ήταν το πρώτο δορυφορικό σύστημα που συμπεριλάμβανε το κανάλι του μέσου υπέρυθρου. Σε αυτό το σημείο, αναδεικνύεται η σημασία των εικόνων Landsat στις οικολογικές εφαρμογές εξαιτίας της ύπαρξης του συγκεκριμένου καναλιού. Αρχικά, οι Horler και Ahern (1986) εκτέλεσαν την πρώτη αναλυτική εξέταση για τη συλλογή δασικών πληροφοριών. Ανακάλυψαν πως το κανάλι του μέσου υπέρυθρου περιείχε περισσότερες πληροφορίες για τα κωνοφόρα δέντρα απότι τα άλλα κανάλια. Αργότερα, ανακαλύφθηκε πως το μέσο υπέρυθρο ήταν σε θέση να εκτιμήσει τον όγκο των κωνοφόρων δασών. Επίσης, οι Lymburner και συνεργάτες (2000) ανέφεραν πως το μέσο υπέρυθρο ήταν το πιο σημαντικό κανάλι για τον χαρακτηρισμό των διαφορετικών φυλλωμάτων ενός δάσους. Τέλος, ο Steininger (2000) ανακάλυψε πως το μέσο υπέρυθρο κανάλι είναι το πιο σημαντικό για την χαρτογράφηση της ηλικίας και της βιομάζας. Με βάση την σημασία του μέσου υπέρυθρου για τον χαρακτηρισμό της κατάστασης ενός δάσους, είναι αναμενόμενο πως το συγκεκριμένο κανάλι είναι απαραίτητο για την καταγραφή αλλαγών στα δάση. Οι Williams και Nelson (1986) ανακάλυψαν πως το κανάλι του μέσου υπέρυθρου απέδιδε πιο ακριβείς και λεπτομερείς χαρακτηρισμούς της βλάβης στα κωνοφόρα δέντρα από τα έντομα. Η σημασία του μέσου υπέρυθρου σημειώνεται επίσης και σε μη δασικές εφαρμογές. Ο Lee kαι οι συνεργάτες (1988) ανέφεραν πως το μέσο υπέρυθρο κανάλι είναι το καλύτερο κανάλι για τηνν ευρεία ταξινόμηση του εδάφους λόγω της ευαισθησίας του στην υφή των επιφανειών , στο περιεχόμενο της οργανικής ύλης και στην υγρασία.<br /> <br /> '''Οικολογικές εφαρμογές δεδομένων Landsat'''<br /> <br /> Τα δεδομένα Landsat έχουν μεταφραστεί ως χρήσιμες οικολογικές πληροφορίες για πάνω από τριάντα χρόνια. Στη συγκεκριμένη ενότητα γίνεται μία περίληψη των εφαρμογών του Landsat στην οικολογία και τονίζεται: α) η ποικίλια των χρήσεων των δεδομένων και β) η αυξανόμενη πολυπλοκότητα της διαλειτουργικότητας μεταξύ του Landsat και των οικολογικών μοντέλων.<br /> <br /> '''Κατάσταση και δυναμική των οικοσυστημάτων.'''<br /> <br /> Τα οικοσυστήματα μπορούν να περιγραφούν από την κατάστασή τους και από τον τρόπο που μεταβάλλονται. Μετά την διάθεση των δεδομένων Landsat, έχουν χρησιμοποιηθεί με σκοπό την ικανοποίηση και των δύο περιγραφικών τους χαρακτηριστικών.<br /> <br /> ''Θεματική ταξινόμηση.''<br /> Η ταξινόμηση των δασών (εικόνα 1) είναι ιδιαίτερα δημοφιλής χρήση των δεδομένων του Landsat . Σε άλλα οικοσυστήματα, οι ταξινομήσεις που έχουν προκύψει έχουν χρησιμοποιηθεί για να απεικονίσουν την παραγωγικότητα των ψαριών, τις μεταναστεύσεις των πτηνών, την εκτίμηση κατολισθήσεων και κινδύνων πυρκαγιάς κλπ.<br /> <br /> ''Βιοφυσική.'' <br /> <br /> Η χρήση των δεδομένων Landsat για την συλλογή πληροφοριών σε σχέση με τα βιοφυσικά χαρακτηριστικά της βλάστησης είναι εξίσου σημαντική (εικόνα 2).<br /> Φασματικά μοντέλα για την αναγνώριση χρακτηριστικών της βλάστησης, όπως είναι το είδος των φυλλωμάτων, η βιομάζα, και η περιεχόμενη υγρασία έχουν χρησιμοποιηθεί σε ποικίλες εφαρμογές βλάστησης. Επίσης, οι ιδιότητες των επιφανειών που δεν σχετίζονται άμεσα με την βλάστηση έχουν ερευνηθεί μέσω του Landsat. Πιο συγκεκριμένα, το θερμικό κανάλι χρησιμοποιείται για τον χαρακτηρισμό της θερμοκρασίας μίας επιφάνειας (Holifield et al. 2003) και των ιδιοτήτων του εδάφους, όπως είναι η συγκέντρωση του φωσφόρου και η τιμή του pH.<br /> <br /> ''Δυναμική οικοσυστημάτων.''<br /> <br /> Ο εντοπισμός των αλλαγών ενός οικοσυστήματος με τη χρήση τηλεπισκοπικών μεθόδων είναι πολύ συνηθισμένος. Τα δεδομένα Landsat χρησιμοποιούνται για τον εντοπισμό αλλαγών σε μία ποικιλία τύπων οικοσυστημάτων, όπως φαίνεται στην εικόνα 3. Στα δάση, έχει υπάρξει επιτυχής εντοπισμός των αλλαγών που έχουν σχέση με την υλοτόμησή τους, τις βλάβες από έντομα, την όξινη βροχή κ.ά.<br /> <br /> ''Χωρικά μοτίβα.'' <br /> <br /> Tα δεδομένα Landsat έχουν χρησιμοποιηθεί για να εκτιμήσουν τα μοτίβα ανάπτυξης της βλάστησης σε σχέση με την οικολογία και την διαχείριση. Ο χαρακτηρισμός των τοπίων με μετρητικά χαρακτηριστικά μέσω των εικόνων Landsat είναι επίσης συνηθισμένος. Oι Gluck και Rempel (1996) χρησιμοποίησαν δεδομένα TM για να χαρακτηρίσουν το μέγεθος, το σχήμα και άλλα μετρητικά στοιχεία για δάση στον Καναδά.<br /> <br /> ''Χαρτογράφηση μεγάλων περιοχών.'' <br /> <br /> Η ωρίμανση του προγράμματος Landsat, η αύξηση της υπολογιστικής ισχύος λόγω της τεχνολογικής ανάπτυξης και η γνώση για το πώς πρέπει να επεξεργαστούν τα δεδομένα έχουν οδηγήσει στο σημείο όπου η χρήση των εικόνων Landsat μπορεί να καταστήσει δυνατή τη χαρτογράφηση μεγάλων περιοχών.<br /> <br /> '''Διαλειτουργικότητα με οικολογικά μοντέλα.'''Τα τελευταία τριάντα χρόνια, ο αριθμός και η πολυπλοκότητα των μοντέλων που χρησιμοποιούν τα δεδομένα Landsat έχει αυξηθεί σημαντικά.<br /> <br /> ''Φυσιολογικά μοντέλα.''<br /> <br /> Τα φυσιολογικά μοντέλα είναι μία σημαντική κατηγορία που χρησιμοποιεί δεδομένα Landsat. Οι Kaneko και Hino (1996) εκτίμησαν την ισορροπία ενέργειας σε μία επιφάνεια μίας δασικής περιοχής με τη χρήση παραμέτρων που προέκυψαν από δεδομένα Landsat.<br /> <br /> ''Υπολογιστικά μοντέλα.''<br /> <br /> Ο Cairns και οι συνεργάτες (2000) ακολούθησαν μία σχετικά απλή προσέγγιση για να αντιστοιχήσουν τιμές της βιομάζας σε κατηγορίες κάλυψης γης που προέκυψαν από έναν υπάρχοντα χάρτη ο οποίος αναβαθμίστηκε με δεδομένα TM.<br /> <br /> ''Πανίδα και βιοποικιλότητα.'' <br /> <br /> Οι μελέτες για την πανίδα και τη βιοποικιλότητα χρησιμοποιούν εκτενώς δεδομένα Landsat. Οι πιο απλές προσεγγίσεις περιλαμβάνουν την χαρτογράφηση και τον χαρακτηρισμό της πανίδας.<br /> <br /> ''Κοινωνικοοικονομικές μελέτες.'' <br /> <br /> Οι κοινωνικοοικονομικές μελέτες βασίζονται ολοένα και περισσότερο στην τηλεπισκόπηση για τη συλλογή πληροφοριών όσον αφορά τις καλύψεις/χρήσεις γης και τις αλλαγές τους διαμέσου του χρόνου.<br /> <br /> '''Η αυξανόμενη αξία του Landsat'''<br /> <br /> Στο πέρας των δεκαετιών, οι οικολογικές επιστήμες έχουν επηρεαστεί σημαντικά από τις κοινωνικοπολιτικές αλλαγές. Επίσης, η τεχνολογική ανάπτυξη επιτρέπει στους οικολόγους να αντιμετωπίσουν ολοένα και πολυπλοκότερα επιστημονικά ερωτήματα. Μαζί με την εξέλιξη των υπολογιστικών συστημάτων και σε συνεργασία με τα Γεωγραφικά Συστήματα Πληροφοριών η τηλεπισκόπηση είναι σε θέση να αντιμετωπίζει τέτοιου είδους ερωτήματα και ο πρεσβευτής της είναι το δορυφορικό σύστημα Landsat. Ο Landsat εκπροσωπεί το μακρύτερο σε διάρκεια πρόγραμμα για την παρατήρηση της επιφάνειας της Γης από το διάστημα. Το μέλλον του στην οικολογία και τις εφαρμογές της αναμένεται πολλά υποσχόμενο. Η ανάπτυξη χαρτογραφικών προγραμμάτων που θα χρησιμοποιούν μεγάλο όγκο δεδομένων Landsat σε εθνική κλίμακα θα έχει ως αποτέλεσμα την βελτίωση των οικολογικών μοντέλων και την αύξηση των εφαρμογών τους. Τέλος, η διαλειτουργικότητα μεταξύ των δεομένων Landsat με δεδομένα άλλων δορυφόρων, θα αποτελέσει το κλειδί για τη βελτίωση των αποδιδόμενων πληροφοριών από τηλεπισκοπικά δεδομένα.<br /> <br /> <br /> [[category:Οικολογία]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:GF_pap10_p3.png 2017-02-14T00:09:50Z

<p>George Floros: </p> <hr /> <div></div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:GF_pap10_p2.png 2017-02-14T00:09:38Z

<p>George Floros: </p> <hr /> <div></div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:GF_pap10_p1.png 2017-02-14T00:09:26Z

<p>George Floros: </p> <hr /> <div></div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%B9%CF%82_%CE%BA%CE%B1%CE%BB%CF%8D%CF%88%CE%B5%CE%B9%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CE%B5_%CE%BC%CE%AF%CE%B1_%CE%BD%CE%AD%CE%B1_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AE_%CF%84%CE%B7%CF%82_%CE%91%CE%B9%CE%B3%CF%8D%CF%80%CF%84%CE%BF%CF%85_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BD_%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_Landsat 2017-02-14T00:08:44Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap9_p1.png|thumb|right|'''Εικόνα 1:''' Tοποθεσία και υποδομές της περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap9_p2.png|thumb|right|'''Εικόνα 2:''' Πληροφορίες δορυφορικών εικόνων για τη συλλογή δεδομένων (path 177/row39).]]<br /> [[εικόνα: GF_pap9_p3.png|thumb|right|'''Εικόνα 3:''' Εικόνες Landsat για την περιοχή μελέτης. (a) MSS 1984, κανάλια 4-3-2 ως RGB, (b) TM 1990, (c) ETM+ 1999, (d) etm+ 2004, (e) ETM + 2008: όλες οι εικόνες χρησιμοποιούν κανάλια 4-5-3 ως RGB.]]<br /> [[εικόνα: GF_pap9_p4.png|thumb|right|'''Εικόνα 4:''' Οι θεματικές εικόνες απεικονίζουν την χωρική κατανομή των διαφορετικών κατηγοριών καλύψεων γης για διαφορετικά έτη στην περιοχή μελέτης. Το διάγραμμα εξηγεί την ποσοστιαία κατανομή κάθε κατηγορίας σε διαφορετικά έτη.]]<br /> [[εικόνα: GF_pap9_p5.png|thumb|right|'''Εικόνα 5:''' Οι εικόνες παρουσιάζουν τη χωρική κατανομή των τιμών του δείκτη NDVI για τα διαφορετικά έτη στην περιοχή μελέτης. Το διάγραμμα εξηγεί την ποσοστιαία κατανομή των δύο κατηγοριών για κάθε έτος.]]<br /> [[εικόνα: GF_pap9_p6.png|thumb|right|'''Εικόνα 6:''' Αποτελέσματα της ταξινόμησης για τις διαφορετικές καλύψεις γης σε διαφορετικά έτη.]]<br /> <br /> Applied Geography 30 (2010) 592–605 <br /> <br /> N. Bakr *, D.C. Weindorf , M.H. Bahnassy , S.M. Marei , M.M. El-Badawi.<br /> <br /> Link: [http://www.sciencedirect.com/science/article/pii/S0143622809000897]<br /> <br /> Λέξεις-Κλειδιά: Δορυφορικές εικόνες Landsat, Αλλαγές στην κάλυψη γης, Υβριδική Ταξινόμηση, NDVI, Περιοχή Bustan 3<br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι αλλαγές στην επιφάνεια της γης σχετίζονται με τα φυσικά φαινόμενα έιτε με ανθρωπογενείς ενέργειες και μπορούν να συμβούν είτε ξαφνικά, είτε σταδιακά (Coppin, Jonckheere, Nackaerts, Muys, &amp; Lambin, 2004). Ο ακριβής εντοπισμός των αλλαγών στην επιφάνεια της γης βοηθάει στην καλύτερη κατανόηση των σχέσεων μεταξύ των φυσικών και των τεχνητών φαινομένων. Δύο από τις πιο συνηθισμένες χρήσεις των δορυφορικών εικόνων είναι η χαρτογράφηση των καλύψεων γης μέσω της ταξινόμησης της εικόνας και οι αλλαγές στις καλύψεις/χρήσεις γης μέσω του εντοπισμού τους (Song, Woodcock, Seto, Pax Lenney, &amp; Macomber, 2001). Τα δορυφορικά δεδομένα Landsat είναι τα πιο ευρέως χρησιμοποιούμενα για τέτοιου είδους χαρτογραφήσεις, λόγω και της ελεύθερης διαθεσιμότητάς τους. Ο εντοπισμός των αλλαγών μπορεί να πραγματοποιηθεί μέσω επιβλεπόμενων και μη επιβλεπόμενων προσσεγγίσεων (Singh, 1989). Επίσης, ο δείκτης βλάστησης συχνά θεωρείται ως μία αποτελεσματική μέθοδο για την ενίσχυση των διαφορών των φασματικών υπογραφών κάθε κατηγορίας σε μία εικόνα (Lu, Mausel, Batistella, &amp; Moran, 2005). Ο σκοπός της συγκεκριμένης μελέτης είναι να: 1) αναδείξει μία σύγχρονη οπτική για τους διαφορετικούς τύπους καλύψεων γης που συναντώνται στην περιοχή Bustan 3 της Αιγύπτου, και 2) να καταγράψει τις αλλαγές στις καλύψεις γης της συγκεκριμένης περιοχής που έχουν λάβει χώρα από το 1984 μέχρι το 2008, χρησιμοποιώντας μία τεχνική υβριδικής ταξινόμησης και έναν δείκτη βλάστησης, τον Κανονικοποιημένο Δείκτη Βλάστησης NDVI.<br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η περιοχή Bustan 3, χαρακτηρίζεται από ημί-ξηρο, μεσογειακό κλίμα. Εντοπίζεται στην περιοχή του Δυτικού Δέλτα στην Αίγυπτο και έχει έκταση περίπου 341.27km2, όπως παρουσιάζεται στην εικόνα 1.<br /> <br /> '''Δεδομένα'''<br /> <br /> Οι δορυφόροι Landsat 4,5 και 7 χρησιμοποιήθηκαν για την συγκεκριμένη έρευνα. Το μέγεθος των δορυφορικών εικόνων είναι 185km * 170km. Οι δορυφόροι Landsat 4 και 5 έχουν αισθητήρες TM και MSS. Τα δεδομένα του Landsat TM έχουν χωρική ανάλυση 30m. στα 6 φασματικά κανάλια, από το μπλε μέχρι και το μέσο υπέρυθρο και 120m. Στο θερμικό κανάλι. Ο Landsat 7 τέθηκε σε τροχιά τον Απρίλιο του 1999, έχοντας τους προηγούμενους αισθητήρες TM mε το νέο όργανο TM+. Για την συγκεκριμένη μελέτη επιλέχτηκαν 5 εικόνες Landsat 4,5 και 7 για τα έτη: 1984, 1990, 1999, 2004 και 2008, όπως φαίνεται στην εικόνα 2. Όλα τα δεδομένα συλλέχθηκαν υπό καθαρές ατμοσφαιρικές συνθήκες κατά την θερινή περίοδο. Επίσης χρησιμοποιήθηκαν τρεις τοπογραφικοί χάρτες κλίμακας 1:50.000 της περιοχής Bustan 3 στην Αίγυπτο. Οι συγκεκριμένοι χάρτες ψηφιοποιήθηκαν από έντυπους χάρτες για να παράγουν τον χάρτη υποδομών που φαίνεται στην εικόνα 1. Ο ψηφιοποιημένος χάρτης χρησιμοποιήθηκε επίσης για την γεωμετρική διόρθωση των δορυφορικών εικόνων, αλλά και την επαλήθευση επίγειων στοιχείων. Τέλος, χρησιμοποιήθηκαν 48 επίγεια πραγματικά σημεία, που ορίστηκαν τον Ιούλιο του 2007 για να παρέχουν πληροφορίες για τον τύπο των καλύψεων γης εκείνη την εποχή.<br /> <br /> '''Μέθοδοι'''<br /> <br /> ''Προεπεξεργασία δεδομένων''<br /> Όλα τα δορυφορικά δεδομένα διορθώθηκαν γεωμετρικά στην προβολή: UTM zone 36, Datum: D_Egypt_1907. Η γεωμετρική διόρθωση έγινε με την χρήση των ψηφιοποιημένων τοπογραφικών χαρτών και επίγειων σημείων ελέγχου για την εγγραφή της εικόνας του 2008 και οι υπόλοιπες εικόνες εγγράφηκαν με βάση αυτήν.<br /> Η ατμοσφαιρική διόρθωση δεν είναι απαραίτητη σε όλες τις τηλεπισκοπικές εφαρμογές, όπως για παράδειγμα στον εντοπισμό των αλλαγών, διότι έχει μικρή επίδραση στην ακρίβεια της ταξινόμησης εφόσον όλα τα δεδομένα εκπαίδευσης και οι εικόνες είναι στην ίδια σχετική κλίμακα.<br /> Με βάση τους Scepan, Menz, and Hansen (1999), οι πιο χρήσιμοι συνδυασμοί καναλιών του Landsat για τον διαχωρισμό των κατηγοριών γης είναι οι: 4-5-3, 4-3-2 και 3-2-1. Το κανάλι 5 του Landsat είναι ευαίσθητο στις διαφοροποιήσεις στην περιοχόμενη υγρασία στην βλάστηση και στην υγρασία του εδάφους. Για τον λόγο αυτό ο συνδυασμός 4-5-3 είναι ικανοποιητικός για την ανάλυση του εδάφους και της κατάστασης της βλάστησης στη συγκεκριμένη περιοχή. Όλες οι εικόνες χρησιμοποιούν τον συνδυασμό 4-5-3, εκτός της εικόνας MSS1 1984, διότι περιέχει μόλις 4 κανάλια, επομένως χρησιμοποιήθηκε ο συνδυασμός 4-3-2 (Εικόνα 3). Η επεξεργασία των εικόνων έγινε με το λογισμικό ERDAS IMAGINE 9.2.<br /> O δορυφόρος Landsat 7 ETM+ αντιμετώπισε ένα πρόβλημα στις 31 Μαίου του 2003 και είναι πλέον μόνιμα απενεργοποιημένος.<br /> <br /> ''Μεθοδολογία υβριδικής ταξινόμησης''<br /> <br /> Επιβλεπόμενη διαδικασία<br /> *Ένα ιεραρχικό σύστημα ταξινόμησης καλύψεων γης (Anderson, Hardy, Roach, &amp; Witmer, 1976) χρησιμοποιήθηκε για τον εντοπισμό των διαφορετικών καλύψεων γης στην περιοχή μελέτης. Με βάση το σύστημα αυτό, προέκυψαν 4 κατηγορίες: 1) urban or built-up land, 2) agricultural land, 3) water, και 4) barren land. Διαφορετικά δεδομένα εκπαίδευσης αντιστοιχήθηκαν σε κάθε κατηγορία, τα οποία επιβεβαιώθηκαν μέσω τοπογραφικών χαρτών, επίγειων χαρακτηριστικών σημείων και την οπτική ερμηνεία διαφορετικών εικόνων. Η ταξινόμηση που χρησιμοποιήθηκε είναι ο κανόνας της μέγιστης πιθανοφάνειας.<br /> <br /> Μη επιβλεπόμενη διαδικασία<br /> *Η μη επιβλεπόμενη μέθοδος ταξινόμησης είναι γνωστή ως clustering, διότι βασίζεται στις φυσικές ομαδοποιήσεις των pixels σε μία εικόνα. Μόλις ολοκληρωθεί η ταξινόμηση, ο αναλυτής γνωρίζει εκ των προτέρων τις τιμές των φασματικών κλάσεων που θα λάβουν οι θεματικές κατηγορίες (Thapa &amp; Murayama, 2009). Για κάθε εικόνα σε κάθε χρόνο χρησιμοποιήθηκαν 25 φασματικά clusters για να διαχωρίσουν την πληροφορία της εικόνας σε μία πιο κατανοητή μορφή με ένα κατώφλι κοντά στο 0.97.<br /> <br /> Διαδικασία συνένωσης<br /> *Και η εικόνα που προέκυψε από την επιβλεπόμενη ταξινόμηση και η εικόνα από την μη επιβλεπόμενη ταξινόμηση αντιστοιχήθηκαν στον ίδιο αριθμό των κλάσεων Η κάθε κλάση εκπροσωπείται από μία ομάδα φασματικών υπογραφών ή από μία ομάδα clusters. Η τελική θεματική ταξινομημένη εικόνα για κάθε έτος περιέχει 4 κατηγορίες καλύψεων γης: urban or build-up land, agricultural land, water, and barren land. <br /> <br /> ''NDVI''<br /> <br /> O δείκτης NDVI είναι ο πιο ευρέως χρησιμοποιούμενος δείκτης στην επεξεργασία δορυφορικών δεδομένων (Myneni, Hall, Sellers, &amp; Marshak, 1995; Tucker, 1979). Δμιουργήθηκαν 5 δείκτες NDVI για όλες τις εικόνες και για όλες τις ημερομηνίες με τις εξλης 2 τιμές: 0 για την γη χωρίς βλάστηση και 1 για την γη με βλάστηση.<br /> <br /> ''Υπολογισμός ακρίβειας''<br /> <br /> Η ακρίβεια υπολογίστηκε εμπειρικά, με τη συλλογή 200 τυχαίων δειγμάτων από τον παραγόμενο χάρτη και με έλεγχο αν οι κατηγορίες αντιστοιχούν στις κατηγορίές των δεδομένων αναφοράς(τοπογραφικοί χάρτες και χαρακτηριστικά σημεία).<br /> <br /> ''Εντοπισμός των αλλαγών στις καλύψεις γης''<br /> <br /> Οι θεματικές εικόνες που προέκυψαν από την υβριδική διαδικασία ταξινόμησης και οι εικόνες που προέκυψαν από την ανάλυση του δείκτη NDVI χρησιμοποιήθηκαν για τον εντοπισμό και την παρακολούθηση των αλλαγών στις καλύψεις γης στην περιοχή μελέτης μεταξύ διαφορετικών ετών, από το 1984 έως το 2008. Για κάθε ζευγάρι ετών, παράχθηκε ένας χάρτης αλλαγών. Για τις θεματικές εικόνες, εντοπίστηκαν οι αλλαγές σε κάθε κατηγορία, ενώ για τις εικόνες με τον δείκτη NDVI, εντοπίστηκαν οι αλλαγές μόνο μεταξύ των περιοχων με και χωρίς βλάστηση.<br /> <br /> '''Αποτελέσματα και συζήτηση'''<br /> <br /> ''Αποτελέσματα υβριδικής ταξινόμησης''<br /> <br /> Για κάθε έτος, εξετάστηκαν 4 διαφορετικές κατηγορίες στην περιοχή Bustan 3. Η εικόνα 4 επεξηγεί τις θεματικά ταξινομημένες εικόνες και παρουσιάζει τα ποσοστά επιφάνειας της κάθε κατηγορίας.<br /> <br /> ''Αποτελέσματα NDVI''<br /> <br /> Η εικόνα 5 παρουσιάζει τις εικόνες του NDVI και την έκταση των επιφανειών και των δύο κατηγοριών σε όλα τα έτη. Τα αποτελέσματα του δείκτη NDVI δεν κρίνονται ικανοποιητικά, ειδικά στην εικόνα του 2008, όπου πολλές περιοχές με βλάστηση κατηγοριοποιήθηκαν στις περιοχές χωρίς βλάστηση.<br /> <br /> ''Αποτελέσματα εκτίμησης ακρίβειας της ταξινόμησης''<br /> <br /> Η εικόνα 6 παρουσιάζει την καταγραφή των αποτελεσμάτων σχετικά με την ακρίβεια των διαδικασιών ταξινόμησης και φαίνεται πως για κάθε έτος τα ποσοστα ακριβείας είναι ιδιαίτερα υψηλά, από 94,5% μέχρι και 100%.<br /> <br /> '''Συμπέρασμα'''<br /> <br /> Κατά την διάρκεια των τελευταίων 24 χρόνων, η αλλαγή στις καλύψεις γης είναι εντυπωσιακή. Στη συγκεκριμένη μελέτη, χρησιμοποιήθηκε η μέθοδος της υβριδικής ταξινόμησης και της ανάλυσης μέσω του NDVI για τον εντοπισμό αυτών των αλλαγών. Με βάση τα αποτελέσματα, ο συνδυασμός της επιβλεπόμενης και της μη επιβλεπόμενης ταξινόμησης μέσω της υβριδικής μεθόδου ταξινόμησης παρείχε πιο ακριβείς και αξιόπιστες εικόνες για την παρακολούθηση των αλλαγών στη συγκεκριμένη περιοχή μελέτης. Αντίθετα, ο δείκτης NDVI δεν μπόρεσε να παράγει αποδεκτά δεδομένα για το έτος 2008. Σε περιοχές όπως η συγκεκριμένη, απαιτείται και γνώση της επίγειας κατάστασης για να αξιοποιηθούν πλήρως τα δορυφορικά δεδομένα Landsat, αλλιώς τα αποτελέσματα υστερούν σε ακρίβεια.<br /> <br /> '''Συνεισφορά της τηλεπισκόπησης'''<br /> <br /> Η συγκεκριμένη μελέτη αναδεικνύει την αξία ανεύρεσης αξιόπιστων στοιχείων σε βάθος χρόνου, καθώς και τη σημασία εντοπισμού και ανάλυσης των μεταβολών που συμβαίνουν στη γήινη επιφάνεια με σκοπό τον βέλτιστο σχεδιασμό και την προστασία του φυσικού περιβάλλοντος, μέσω συνδυασμών τηλεπισκοπικών μεθόδων.<br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%B9%CF%82_%CE%BA%CE%B1%CE%BB%CF%8D%CF%88%CE%B5%CE%B9%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CE%B5_%CE%BC%CE%AF%CE%B1_%CE%BD%CE%AD%CE%B1_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AE_%CF%84%CE%B7%CF%82_%CE%91%CE%B9%CE%B3%CF%8D%CF%80%CF%84%CE%BF%CF%85_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BD_%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_Landsat 2017-02-14T00:08:13Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap9_p1.png|thumb|right|'''Εικόνα 1:''' Tοποθεσία και υποδομές της περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap9_p2.png|thumb|right|'''Εικόνα 2:''' Πληροφορίες δορυφορικών εικόνων για τη συλλογή δεδομένων (path 177/row39).]]<br /> [[εικόνα: GF_pap9_p3.png|thumb|right|'''Εικόνα 3:''' Εικόνες Landsat για την περιοχή μελέτης. (a) MSS 1984, κανάλια 4-3-2 ως RGB, (b) TM 1990, (c) ETM+ 1999, (d) etm+ 2004, (e) ETM + 2008: όλες οι εικόνες χρησιμοποιούν κανάλια 4-5-3 ως RGB.]]<br /> [[εικόνα: GF_pap9_p4.png|thumb|right|'''Εικόνα 4:''' Οι θεματικές εικόνες απεικονίζουν την χωρική κατανομή των διαφορετικών κατηγοριών καλύψεων γης για διαφορετικά έτη στην περιοχή μελέτης. Το διάγραμμα εξηγεί την ποσοστιαία κατανομή κάθε κατηγορίας σε διαφορετικά έτη.]]<br /> [[εικόνα: GF_pap9_p5.png|thumb|right|'''Εικόνα 5:''' Οι εικόνες παρουσιάζουν τη χωρική κατανομή των τιμών του δείκτη NDVI για τα διαφορετικά έτη στην περιοχή μελέτης. Το διάγραμμα εξηγεί την ποσοστιαία κατανομή των δύο κατηγοριών για κάθε έτος.]]<br /> [[εικόνα: GF_pap9_p6.png|thumb|right|'''Εικόνα 6:''' Αποτελέσματα της ταξινόμησης για τις διαφορετικές καλύψεις γης σε διαφορετικά έτη.]]<br /> <br /> Applied Geography 30 (2010) 592–605 <br /> <br /> N. Bakr *, D.C. Weindorf , M.H. Bahnassy , S.M. Marei , M.M. El-Badawi.<br /> <br /> Link: [http://www.sciencedirect.com/science/article/pii/S0143622809000897]<br /> <br /> Λέξεις-Κλειδιά: Δορυφορικές εικόνες Landsat, Αλλαγές στην κάλυψη γης, Υβριδική Ταξινόμηση, NDVI, Περιοχή Bustan 3<br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι αλλαγές στην επιφάνεια της γης σχετίζονται με τα φυσικά φαινόμενα έιτε με ανθρωπογενείς ενέργειες και μπορούν να συμβούν είτε ξαφνικά, είτε σταδιακά (Coppin, Jonckheere, Nackaerts, Muys, &amp; Lambin, 2004). Ο ακριβής εντοπισμός των αλλαγών στην επιφάνεια της γης βοηθάει στην καλύτερη κατανόηση των σχέσεων μεταξύ των φυσικών και των τεχνητών φαινομένων. Δύο από τις πιο συνηθισμένες χρήσεις των δορυφορικών εικόνων είναι η χαρτογράφηση των καλύψεων γης μέσω της ταξινόμησης της εικόνας και οι αλλαγές στις καλύψεις/χρήσεις γης μέσω του εντοπισμού τους (Song, Woodcock, Seto, Pax Lenney, &amp; Macomber, 2001). Τα δορυφορικά δεδομένα Landsat είναι τα πιο ευρέως χρησιμοποιούμενα για τέτοιου είδους χαρτογραφήσεις, λόγω και της ελεύθερης διαθεσιμότητάς τους. Ο εντοπισμός των αλλαγών μπορεί να πραγματοποιηθεί μέσω επιβλεπόμενων και μη επιβλεπόμενων προσσεγγίσεων (Singh, 1989). Επίσης, ο δείκτης βλάστησης συχνά θεωρείται ως μία αποτελεσματική μέθοδο για την ενίσχυση των διαφορών των φασματικών υπογραφών κάθε κατηγορίας σε μία εικόνα (Lu, Mausel, Batistella, &amp; Moran, 2005). Ο σκοπός της συγκεκριμένης μελέτης είναι να: 1) αναδείξει μία σύγχρονη οπτική για τους διαφορετικούς τύπους καλύψεων γης που συναντώνται στην περιοχή Bustan 3 της Αιγύπτου, και 2) να καταγράψει τις αλλαγές στις καλύψεις γης της συγκεκριμένης περιοχής που έχουν λάβει χώρα από το 1984 μέχρι το 2008, χρησιμοποιώντας μία τεχνική υβριδικής ταξινόμησης και έναν δείκτη βλάστησης, τον Κανονικοποιημένο Δείκτη Βλάστησης NDVI.<br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η περιοχή Bustan 3, χαρακτηρίζεται από ημί-ξηρο, μεσογειακό κλίμα. Εντοπίζεται στην περιοχή του Δυτικού Δέλτα στην Αίγυπτο και έχει έκταση περίπου 341.27km2, όπως παρουσιάζεται στην εικόνα 1.<br /> <br /> '''Δεδομένα'''<br /> <br /> Οι δορυφόροι Landsat 4,5 και 7 χρησιμοποιήθηκαν για την συγκεκριμένη έρευνα. Το μέγεθος των δορυφορικών εικόνων είναι 185km * 170km. Οι δορυφόροι Landsat 4 και 5 έχουν αισθητήρες TM και MSS. Τα δεδομένα του Landsat TM έχουν χωρική ανάλυση 30m. στα 6 φασματικά κανάλια, από το μπλε μέχρι και το μέσο υπέρυθρο και 120m. Στο θερμικό κανάλι. Ο Landsat 7 τέθηκε σε τροχιά τον Απρίλιο του 1999, έχοντας τους προηγούμενους αισθητήρες TM mε το νέο όργανο TM+. Για την συγκεκριμένη μελέτη επιλέχτηκαν 5 εικόνες Landsat 4,5 και 7 για τα έτη: 1984, 1990, 1999, 2004 και 2008, όπως φαίνεται στην εικόνα 2. Όλα τα δεδομένα συλλέχθηκαν υπό καθαρές ατμοσφαιρικές συνθήκες κατά την θερινή περίοδο. Επίσης χρησιμοποιήθηκαν τρεις τοπογραφικοί χάρτες κλίμακας 1:50.000 της περιοχής Bustan 3 στην Αίγυπτο. Οι συγκεκριμένοι χάρτες ψηφιοποιήθηκαν από έντυπους χάρτες για να παράγουν τον χάρτη υποδομών που φαίνεται στην εικόνα 1. Ο ψηφιοποιημένος χάρτης χρησιμοποιήθηκε επίσης για την γεωμετρική διόρθωση των δορυφορικών εικόνων, αλλά και την επαλήθευση επίγειων στοιχείων. Τέλος, χρησιμοποιήθηκαν 48 επίγεια πραγματικά σημεία, που ορίστηκαν τον Ιούλιο του 2007 για να παρέχουν πληροφορίες για τον τύπο των καλύψεων γης εκείνη την εποχή.<br /> <br /> '''Μέθοδοι'''<br /> <br /> ''Προεπεξεργασία δεδομένων''<br /> Όλα τα δορυφορικά δεδομένα διορθώθηκαν γεωμετρικά στην προβολή: UTM zone 36, Datum: D_Egypt_1907. Η γεωμετρική διόρθωση έγινε με την χρήση των ψηφιοποιημένων τοπογραφικών χαρτών και επίγειων σημείων ελέγχου για την εγγραφή της εικόνας του 2008 και οι υπόλοιπες εικόνες εγγράφηκαν με βάση αυτήν.<br /> Η ατμοσφαιρική διόρθωση δεν είναι απαραίτητη σε όλες τις τηλεπισκοπικές εφαρμογές, όπως για παράδειγμα στον εντοπισμό των αλλαγών, διότι έχει μικρή επίδραση στην ακρίβεια της ταξινόμησης εφόσον όλα τα δεδομένα εκπαίδευσης και οι εικόνες είναι στην ίδια σχετική κλίμακα.<br /> Με βάση τους Scepan, Menz, and Hansen (1999), οι πιο χρήσιμοι συνδυασμοί καναλιών του Landsat για τον διαχωρισμό των κατηγοριών γης είναι οι: 4-5-3, 4-3-2 και 3-2-1. Το κανάλι 5 του Landsat είναι ευαίσθητο στις διαφοροποιήσεις στην περιοχόμενη υγρασία στην βλάστηση και στην υγρασία του εδάφους. Για τον λόγο αυτό ο συνδυασμός 4-5-3 είναι ικανοποιητικός για την ανάλυση του εδάφους και της κατάστασης της βλάστησης στη συγκεκριμένη περιοχή. Όλες οι εικόνες χρησιμοποιούν τον συνδυασμό 4-5-3, εκτός της εικόνας MSS1 1984, διότι περιέχει μόλις 4 κανάλια, επομένως χρησιμοποιήθηκε ο συνδυασμός 4-3-2 (Εικόνα 3). Η επεξεργασία των εικόνων έγινε με το λογισμικό ERDAS IMAGINE 9.2.<br /> O δορυφόρος Landsat 7 ETM+ αντιμετώπισε ένα πρόβλημα στις 31 Μαίου του 2003 και είναι πλέον μόνιμα απενεργοποιημένος.<br /> <br /> ''Μεθοδολογία υβριδικής ταξινόμησης''<br /> <br /> Επιβλεπόμενη διαδικασία<br /> *Ένα ιεραρχικό σύστημα ταξινόμησης καλύψεων γης (Anderson, Hardy, Roach, &amp; Witmer, 1976) χρησιμοποιήθηκε για τον εντοπισμό των διαφορετικών καλύψεων γης στην περιοχή μελέτης. Με βάση το σύστημα αυτό, προέκυψαν 4 κατηγορίες: 1) urban or built-up land, 2) agricultural land, 3) water, και 4) barren land. Διαφορετικά δεδομένα εκπαίδευσης αντιστοιχήθηκαν σε κάθε κατηγορία, τα οποία επιβεβαιώθηκαν μέσω τοπογραφικών χαρτών, επίγειων χαρακτηριστικών σημείων και την οπτική ερμηνεία διαφορετικών εικόνων. Η ταξινόμηση που χρησιμοποιήθηκε είναι ο κανόνας της μέγιστης πιθανοφάνειας.<br /> <br /> Μη επιβλεπόμενη διαδικασία<br /> *Η μη επιβλεπόμενη μέθοδος ταξινόμησης είναι γνωστή ως clustering, διότι βασίζεται στις φυσικές ομαδοποιήσεις των pixels σε μία εικόνα. Μόλις ολοκληρωθεί η ταξινόμηση, ο αναλυτής γνωρίζει εκ των προτέρων τις τιμές των φασματικών κλάσεων που θα λάβουν οι θεματικές κατηγορίες (Thapa &amp; Murayama, 2009). Για κάθε εικόνα σε κάθε χρόνο χρησιμοποιήθηκαν 25 φασματικά clusters για να διαχωρίσουν την πληροφορία της εικόνας σε μία πιο κατανοητή μορφή με ένα κατώφλι κοντά στο 0.97.<br /> <br /> Διαδικασία συνένωσης<br /> Και η εικόνα που προέκυψε από την επιβλεπόμενη ταξινόμηση και η εικόνα από την μη επιβλεπόμενη ταξινόμηση αντιστοιχήθηκαν στον ίδιο αριθμό των κλάσεων Η κάθε κλάση εκπροσωπείται από μία ομάδα φασματικών υπογραφών ή από μία ομάδα clusters. Η τελική θεματική ταξινομημένη εικόνα για κάθε έτος περιέχει 4 κατηγορίες καλύψεων γης: urban or build-up land, agricultural land, water, and barren land. <br /> <br /> ''NDVI''<br /> O δείκτης NDVI είναι ο πιο ευρέως χρησιμοποιούμενος δείκτης στην επεξεργασία δορυφορικών δεδομένων (Myneni, Hall, Sellers, &amp; Marshak, 1995; Tucker, 1979). Δμιουργήθηκαν 5 δείκτες NDVI για όλες τις εικόνες και για όλες τις ημερομηνίες με τις εξλης 2 τιμές: 0 για την γη χωρίς βλάστηση και 1 για την γη με βλάστηση.<br /> <br /> ''Υπολογισμός ακρίβειας''<br /> <br /> Η ακρίβεια υπολογίστηκε εμπειρικά, με τη συλλογή 200 τυχαίων δειγμάτων από τον παραγόμενο χάρτη και με έλεγχο αν οι κατηγορίες αντιστοιχούν στις κατηγορίές των δεδομένων αναφοράς(τοπογραφικοί χάρτες και χαρακτηριστικά σημεία).<br /> <br /> ''Εντοπισμός των αλλαγών στις καλύψεις γης''<br /> <br /> Οι θεματικές εικόνες που προέκυψαν από την υβριδική διαδικασία ταξινόμησης και οι εικόνες που προέκυψαν από την ανάλυση του δείκτη NDVI χρησιμοποιήθηκαν για τον εντοπισμό και την παρακολούθηση των αλλαγών στις καλύψεις γης στην περιοχή μελέτης μεταξύ διαφορετικών ετών, από το 1984 έως το 2008. Για κάθε ζευγάρι ετών, παράχθηκε ένας χάρτης αλλαγών. Για τις θεματικές εικόνες, εντοπίστηκαν οι αλλαγές σε κάθε κατηγορία, ενώ για τις εικόνες με τον δείκτη NDVI, εντοπίστηκαν οι αλλαγές μόνο μεταξύ των περιοχων με και χωρίς βλάστηση.<br /> <br /> '''Αποτελέσματα και συζήτηση'''<br /> <br /> ''Αποτελέσματα υβριδικής ταξινόμησης''<br /> <br /> Για κάθε έτος, εξετάστηκαν 4 διαφορετικές κατηγορίες στην περιοχή Bustan 3. Η εικόνα 4 επεξηγεί τις θεματικά ταξινομημένες εικόνες και παρουσιάζει τα ποσοστά επιφάνειας της κάθε κατηγορίας.<br /> <br /> ''Αποτελέσματα NDVI''<br /> <br /> Η εικόνα 5 παρουσιάζει τις εικόνες του NDVI και την έκταση των επιφανειών και των δύο κατηγοριών σε όλα τα έτη. Τα αποτελέσματα του δείκτη NDVI δεν κρίνονται ικανοποιητικά, ειδικά στην εικόνα του 2008, όπου πολλές περιοχές με βλάστηση κατηγοριοποιήθηκαν στις περιοχές χωρίς βλάστηση.<br /> <br /> ''Αποτελέσματα εκτίμησης ακρίβειας της ταξινόμησης''<br /> <br /> Η εικόνα 6 παρουσιάζει την καταγραφή των αποτελεσμάτων σχετικά με την ακρίβεια των διαδικασιών ταξινόμησης και φαίνεται πως για κάθε έτος τα ποσοστα ακριβείας είναι ιδιαίτερα υψηλά, από 94,5% μέχρι και 100%.<br /> <br /> '''Συμπέρασμα'''<br /> <br /> Κατά την διάρκεια των τελευταίων 24 χρόνων, η αλλαγή στις καλύψεις γης είναι εντυπωσιακή. Στη συγκεκριμένη μελέτη, χρησιμοποιήθηκε η μέθοδος της υβριδικής ταξινόμησης και της ανάλυσης μέσω του NDVI για τον εντοπισμό αυτών των αλλαγών. Με βάση τα αποτελέσματα, ο συνδυασμός της επιβλεπόμενης και της μη επιβλεπόμενης ταξινόμησης μέσω της υβριδικής μεθόδου ταξινόμησης παρείχε πιο ακριβείς και αξιόπιστες εικόνες για την παρακολούθηση των αλλαγών στη συγκεκριμένη περιοχή μελέτης. Αντίθετα, ο δείκτης NDVI δεν μπόρεσε να παράγει αποδεκτά δεδομένα για το έτος 2008. Σε περιοχές όπως η συγκεκριμένη, απαιτείται και γνώση της επίγειας κατάστασης για να αξιοποιηθούν πλήρως τα δορυφορικά δεδομένα Landsat, αλλιώς τα αποτελέσματα υστερούν σε ακρίβεια.<br /> <br /> '''Συνεισφορά της τηλεπισκόπησης'''<br /> <br /> Η συγκεκριμένη μελέτη αναδεικνύει την αξία ανεύρεσης αξιόπιστων στοιχείων σε βάθος χρόνου, καθώς και τη σημασία εντοπισμού και ανάλυσης των μεταβολών που συμβαίνουν στη γήινη επιφάνεια με σκοπό τον βέλτιστο σχεδιασμό και την προστασία του φυσικού περιβάλλοντος, μέσω συνδυασμών τηλεπισκοπικών μεθόδων.<br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%B9%CF%82_%CE%BA%CE%B1%CE%BB%CF%8D%CF%88%CE%B5%CE%B9%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CE%B5_%CE%BC%CE%AF%CE%B1_%CE%BD%CE%AD%CE%B1_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AE_%CF%84%CE%B7%CF%82_%CE%91%CE%B9%CE%B3%CF%8D%CF%80%CF%84%CE%BF%CF%85_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BD_%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_Landsat 2017-02-14T00:07:38Z

<p>George Floros: Νέα σελίδα με ''''Εικόνα 1:''' Tοποθεσία και υποδομές της περιοχής μελέτης. [[εικόνα: GF_pap...'</p> <hr /> <div>[[εικόνα: GF_pap9_p1.png|thumb|right|'''Εικόνα 1:''' Tοποθεσία και υποδομές της περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap9_p2.png|thumb|right|'''Εικόνα 2:''' Πληροφορίες δορυφορικών εικόνων για τη συλλογή δεδομένων (path 177/row39).]]<br /> [[εικόνα: GF_pap9_p3.png|thumb|right|'''Εικόνα 3:''' Εικόνες Landsat για την περιοχή μελέτης. (a) MSS 1984, κανάλια 4-3-2 ως RGB, (b) TM 1990, (c) ETM+ 1999, (d) etm+ 2004, (e) ETM + 2008: όλες οι εικόνες χρησιμοποιούν κανάλια 4-5-3 ως RGB.]]<br /> [[εικόνα: GF_pap9_p4.png|thumb|right|'''Εικόνα 4:''' Οι θεματικές εικόνες απεικονίζουν την χωρική κατανομή των διαφορετικών κατηγοριών καλύψεων γης για διαφορετικά έτη στην περιοχή μελέτης. Το διάγραμμα εξηγεί την ποσοστιαία κατανομή κάθε κατηγορίας σε διαφορετικά έτη.]]<br /> [[εικόνα: GF_pap9_p5.png|thumb|right|'''Εικόνα 5:''' Οι εικόνες παρουσιάζουν τη χωρική κατανομή των τιμών του δείκτη NDVI για τα διαφορετικά έτη στην περιοχή μελέτης. Το διάγραμμα εξηγεί την ποσοστιαία κατανομή των δύο κατηγοριών για κάθε έτος.]]<br /> [[εικόνα: GF_pap9_p6.png|thumb|right|'''Εικόνα 6:''' Αποτελέσματα της ταξινόμησης για τις διαφορετικές καλύψεις γης σε διαφορετικά έτη.]]<br /> <br /> Applied Geography 30 (2010) 592–605 <br /> <br /> N. Bakr *, D.C. Weindorf , M.H. Bahnassy , S.M. Marei , M.M. El-Badawi.<br /> <br /> Link: [http://www.sciencedirect.com/science/article/pii/S0143622809000897]<br /> <br /> Λέξεις-Κλειδιά: Δορυφορικές εικόνες Landsat, Αλλαγές στην κάλυψη γης, Υβριδική Ταξινόμηση, NDVI, Περιοχή Bustan 3<br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι αλλαγές στην επιφάνεια της γης σχετίζονται με τα φυσικά φαινόμενα έιτε με ανθρωπογενείς ενέργειες και μπορούν να συμβούν είτε ξαφνικά, είτε σταδιακά (Coppin, Jonckheere, Nackaerts, Muys, &amp; Lambin, 2004). Ο ακριβής εντοπισμός των αλλαγών στην επιφάνεια της γης βοηθάει στην καλύτερη κατανόηση των σχέσεων μεταξύ των φυσικών και των τεχνητών φαινομένων. Δύο από τις πιο συνηθισμένες χρήσεις των δορυφορικών εικόνων είναι η χαρτογράφηση των καλύψεων γης μέσω της ταξινόμησης της εικόνας και οι αλλαγές στις καλύψεις/χρήσεις γης μέσω του εντοπισμού τους (Song, Woodcock, Seto, Pax Lenney, &amp; Macomber, 2001). Τα δορυφορικά δεδομένα Landsat είναι τα πιο ευρέως χρησιμοποιούμενα για τέτοιου είδους χαρτογραφήσεις, λόγω και της ελεύθερης διαθεσιμότητάς τους. Ο εντοπισμός των αλλαγών μπορεί να πραγματοποιηθεί μέσω επιβλεπόμενων και μη επιβλεπόμενων προσσεγγίσεων (Singh, 1989). Επίσης, ο δείκτης βλάστησης συχνά θεωρείται ως μία αποτελεσματική μέθοδο για την ενίσχυση των διαφορών των φασματικών υπογραφών κάθε κατηγορίας σε μία εικόνα (Lu, Mausel, Batistella, &amp; Moran, 2005). Ο σκοπός της συγκεκριμένης μελέτης είναι να: 1) αναδείξει μία σύγχρονη οπτική για τους διαφορετικούς τύπους καλύψεων γης που συναντώνται στην περιοχή Bustan 3 της Αιγύπτου, και 2) να καταγράψει τις αλλαγές στις καλύψεις γης της συγκεκριμένης περιοχής που έχουν λάβει χώρα από το 1984 μέχρι το 2008, χρησιμοποιώντας μία τεχνική υβριδικής ταξινόμησης και έναν δείκτη βλάστησης, τον Κανονικοποιημένο Δείκτη Βλάστησης NDVI.<br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η περιοχή Bustan 3, χαρακτηρίζεται από ημί-ξηρο, μεσογειακό κλίμα. Εντοπίζεται στην περιοχή του Δυτικού Δέλτα στην Αίγυπτο και έχει έκταση περίπου 341.27km2, όπως παρουσιάζεται στην εικόνα 1.<br /> <br /> '''Δεδομένα'''<br /> <br /> Οι δορυφόροι Landsat 4,5 και 7 χρησιμοποιήθηκαν για την συγκεκριμένη έρευνα. Το μέγεθος των δορυφορικών εικόνων είναι 185km * 170km. Οι δορυφόροι Landsat 4 και 5 έχουν αισθητήρες TM και MSS. Τα δεδομένα του Landsat TM έχουν χωρική ανάλυση 30m. στα 6 φασματικά κανάλια, από το μπλε μέχρι και το μέσο υπέρυθρο και 120m. Στο θερμικό κανάλι. Ο Landsat 7 τέθηκε σε τροχιά τον Απρίλιο του 1999, έχοντας τους προηγούμενους αισθητήρες TM mε το νέο όργανο TM+. Για την συγκεκριμένη μελέτη επιλέχτηκαν 5 εικόνες Landsat 4,5 και 7 για τα έτη: 1984, 1990, 1999, 2004 και 2008, όπως φαίνεται στην εικόνα 2. Όλα τα δεδομένα συλλέχθηκαν υπό καθαρές ατμοσφαιρικές συνθήκες κατά την θερινή περίοδο. Επίσης χρησιμοποιήθηκαν τρεις τοπογραφικοί χάρτες κλίμακας 1:50.000 της περιοχής Bustan 3 στην Αίγυπτο. Οι συγκεκριμένοι χάρτες ψηφιοποιήθηκαν από έντυπους χάρτες για να παράγουν τον χάρτη υποδομών που φαίνεται στην εικόνα 1. Ο ψηφιοποιημένος χάρτης χρησιμοποιήθηκε επίσης για την γεωμετρική διόρθωση των δορυφορικών εικόνων, αλλά και την επαλήθευση επίγειων στοιχείων. Τέλος, χρησιμοποιήθηκαν 48 επίγεια πραγματικά σημεία, που ορίστηκαν τον Ιούλιο του 2007 για να παρέχουν πληροφορίες για τον τύπο των καλύψεων γης εκείνη την εποχή.<br /> <br /> '''Μέθοδοι'''<br /> <br /> ''Προεπεξεργασία δεδομένων''<br /> Όλα τα δορυφορικά δεδομένα διορθώθηκαν γεωμετρικά στην προβολή: UTM zone 36, Datum: D_Egypt_1907. Η γεωμετρική διόρθωση έγινε με την χρήση των ψηφιοποιημένων τοπογραφικών χαρτών και επίγειων σημείων ελέγχου για την εγγραφή της εικόνας του 2008 και οι υπόλοιπες εικόνες εγγράφηκαν με βάση αυτήν.<br /> Η ατμοσφαιρική διόρθωση δεν είναι απαραίτητη σε όλες τις τηλεπισκοπικές εφαρμογές, όπως για παράδειγμα στον εντοπισμό των αλλαγών, διότι έχει μικρή επίδραση στην ακρίβεια της ταξινόμησης εφόσον όλα τα δεδομένα εκπαίδευσης και οι εικόνες είναι στην ίδια σχετική κλίμακα.<br /> Με βάση τους Scepan, Menz, and Hansen (1999), οι πιο χρήσιμοι συνδυασμοί καναλιών του Landsat για τον διαχωρισμό των κατηγοριών γης είναι οι: 4-5-3, 4-3-2 και 3-2-1. Το κανάλι 5 του Landsat είναι ευαίσθητο στις διαφοροποιήσεις στην περιοχόμενη υγρασία στην βλάστηση και στην υγρασία του εδάφους. Για τον λόγο αυτό ο συνδυασμός 4-5-3 είναι ικανοποιητικός για την ανάλυση του εδάφους και της κατάστασης της βλάστησης στη συγκεκριμένη περιοχή. Όλες οι εικόνες χρησιμοποιούν τον συνδυασμό 4-5-3, εκτός της εικόνας MSS1 1984, διότι περιέχει μόλις 4 κανάλια, επομένως χρησιμοποιήθηκε ο συνδυασμός 4-3-2 (Εικόνα 3). Η επεξεργασία των εικόνων έγινε με το λογισμικό ERDAS IMAGINE 9.2.<br /> O δορυφόρος Landsat 7 ETM+ αντιμετώπισε ένα πρόβλημα στις 31 Μαίου του 2003 και είναι πλέον μόνιμα απενεργοποιημένος.<br /> <br /> ''Μεθοδολογία υβριδικής ταξινόμησης''<br /> <br /> Επιβλεπόμενη διαδικασία<br /> Ένα ιεραρχικό σύστημα ταξινόμησης καλύψεων γης (Anderson, Hardy, Roach, &amp; Witmer, 1976) χρησιμοποιήθηκε για τον εντοπισμό των διαφορετικών καλύψεων γης στην περιοχή μελέτης. Με βάση το σύστημα αυτό, προέκυψαν 4 κατηγορίες: 1) urban or built-up land, 2) agricultural land, 3) water, και 4) barren land. Διαφορετικά δεδομένα εκπαίδευσης αντιστοιχήθηκαν σε κάθε κατηγορία, τα οποία επιβεβαιώθηκαν μέσω τοπογραφικών χαρτών, επίγειων χαρακτηριστικών σημείων και την οπτική ερμηνεία διαφορετικών εικόνων. Η ταξινόμηση που χρησιμοποιήθηκε είναι ο κανόνας της μέγιστης πιθανοφάνειας.<br /> <br /> Μη επιβλεπόμενη διαδικασία<br /> Η μη επιβλεπόμενη μέθοδος ταξινόμησης είναι γνωστή ως clustering, διότι βασίζεται στις φυσικές ομαδοποιήσεις των pixels σε μία εικόνα. Μόλις ολοκληρωθεί η ταξινόμηση, ο αναλυτής γνωρίζει εκ των προτέρων τις τιμές των φασματικών κλάσεων που θα λάβουν οι θεματικές κατηγορίες (Thapa &amp; Murayama, 2009). Για κάθε εικόνα σε κάθε χρόνο χρησιμοποιήθηκαν 25 φασματικά clusters για να διαχωρίσουν την πληροφορία της εικόνας σε μία πιο κατανοητή μορφή με ένα κατώφλι κοντά στο 0.97.<br /> <br /> Διαδικασία συνένωσης<br /> Και η εικόνα που προέκυψε από την επιβλεπόμενη ταξινόμηση και η εικόνα από την μη επιβλεπόμενη ταξινόμηση αντιστοιχήθηκαν στον ίδιο αριθμό των κλάσεων Η κάθε κλάση εκπροσωπείται από μία ομάδα φασματικών υπογραφών ή από μία ομάδα clusters. Η τελική θεματική ταξινομημένη εικόνα για κάθε έτος περιέχει 4 κατηγορίες καλύψεων γης: urban or build-up land, agricultural land, water, and barren land. <br /> <br /> ''NDVI''<br /> O δείκτης NDVI είναι ο πιο ευρέως χρησιμοποιούμενος δείκτης στην επεξεργασία δορυφορικών δεδομένων (Myneni, Hall, Sellers, &amp; Marshak, 1995; Tucker, 1979). Δμιουργήθηκαν 5 δείκτες NDVI για όλες τις εικόνες και για όλες τις ημερομηνίες με τις εξλης 2 τιμές: 0 για την γη χωρίς βλάστηση και 1 για την γη με βλάστηση.<br /> <br /> ''Υπολογισμός ακρίβειας''<br /> <br /> Η ακρίβεια υπολογίστηκε εμπειρικά, με τη συλλογή 200 τυχαίων δειγμάτων από τον παραγόμενο χάρτη και με έλεγχο αν οι κατηγορίες αντιστοιχούν στις κατηγορίές των δεδομένων αναφοράς(τοπογραφικοί χάρτες και χαρακτηριστικά σημεία).<br /> <br /> ''Εντοπισμός των αλλαγών στις καλύψεις γης''<br /> <br /> Οι θεματικές εικόνες που προέκυψαν από την υβριδική διαδικασία ταξινόμησης και οι εικόνες που προέκυψαν από την ανάλυση του δείκτη NDVI χρησιμοποιήθηκαν για τον εντοπισμό και την παρακολούθηση των αλλαγών στις καλύψεις γης στην περιοχή μελέτης μεταξύ διαφορετικών ετών, από το 1984 έως το 2008. Για κάθε ζευγάρι ετών, παράχθηκε ένας χάρτης αλλαγών. Για τις θεματικές εικόνες, εντοπίστηκαν οι αλλαγές σε κάθε κατηγορία, ενώ για τις εικόνες με τον δείκτη NDVI, εντοπίστηκαν οι αλλαγές μόνο μεταξύ των περιοχων με και χωρίς βλάστηση.<br /> <br /> '''Αποτελέσματα και συζήτηση'''<br /> <br /> ''Αποτελέσματα υβριδικής ταξινόμησης''<br /> <br /> Για κάθε έτος, εξετάστηκαν 4 διαφορετικές κατηγορίες στην περιοχή Bustan 3. Η εικόνα 4 επεξηγεί τις θεματικά ταξινομημένες εικόνες και παρουσιάζει τα ποσοστά επιφάνειας της κάθε κατηγορίας.<br /> <br /> ''Αποτελέσματα NDVI''<br /> <br /> Η εικόνα 5 παρουσιάζει τις εικόνες του NDVI και την έκταση των επιφανειών και των δύο κατηγοριών σε όλα τα έτη. Τα αποτελέσματα του δείκτη NDVI δεν κρίνονται ικανοποιητικά, ειδικά στην εικόνα του 2008, όπου πολλές περιοχές με βλάστηση κατηγοριοποιήθηκαν στις περιοχές χωρίς βλάστηση.<br /> <br /> ''Αποτελέσματα εκτίμησης ακρίβειας της ταξινόμησης''<br /> <br /> Η εικόνα 6 παρουσιάζει την καταγραφή των αποτελεσμάτων σχετικά με την ακρίβεια των διαδικασιών ταξινόμησης και φαίνεται πως για κάθε έτος τα ποσοστα ακριβείας είναι ιδιαίτερα υψηλά, από 94,5% μέχρι και 100%.<br /> <br /> '''Συμπέρασμα'''<br /> <br /> Κατά την διάρκεια των τελευταίων 24 χρόνων, η αλλαγή στις καλύψεις γης είναι εντυπωσιακή. Στη συγκεκριμένη μελέτη, χρησιμοποιήθηκε η μέθοδος της υβριδικής ταξινόμησης και της ανάλυσης μέσω του NDVI για τον εντοπισμό αυτών των αλλαγών. Με βάση τα αποτελέσματα, ο συνδυασμός της επιβλεπόμενης και της μη επιβλεπόμενης ταξινόμησης μέσω της υβριδικής μεθόδου ταξινόμησης παρείχε πιο ακριβείς και αξιόπιστες εικόνες για την παρακολούθηση των αλλαγών στη συγκεκριμένη περιοχή μελέτης. Αντίθετα, ο δείκτης NDVI δεν μπόρεσε να παράγει αποδεκτά δεδομένα για το έτος 2008. Σε περιοχές όπως η συγκεκριμένη, απαιτείται και γνώση της επίγειας κατάστασης για να αξιοποιηθούν πλήρως τα δορυφορικά δεδομένα Landsat, αλλιώς τα αποτελέσματα υστερούν σε ακρίβεια.<br /> <br /> '''Συνεισφορά της τηλεπισκόπησης'''<br /> <br /> Η συγκεκριμένη μελέτη αναδεικνύει την αξία ανεύρεσης αξιόπιστων στοιχείων σε βάθος χρόνου, καθώς και τη σημασία εντοπισμού και ανάλυσης των μεταβολών που συμβαίνουν στη γήινη επιφάνεια με σκοπό τον βέλτιστο σχεδιασμό και την προστασία του φυσικού περιβάλλοντος, μέσω συνδυασμών τηλεπισκοπικών μεθόδων.<br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:GF_pap9_p6.png 2017-02-13T21:45:07Z

<p>George Floros: </p> <hr /> <div></div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:GF_pap9_p5.png 2017-02-13T21:44:57Z

<p>George Floros: </p> <hr /> <div></div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:GF_pap9_p4.png 2017-02-13T21:44:47Z

<p>George Floros: </p> <hr /> <div></div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:GF_pap9_p3.png 2017-02-13T21:44:38Z

<p>George Floros: </p> <hr /> <div></div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:GF_pap9_p2.png 2017-02-13T21:44:26Z

<p>George Floros: </p> <hr /> <div></div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:GF_pap9_p1.png 2017-02-13T21:44:15Z

<p>George Floros: </p> <hr /> <div></div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%B3%CE%BA%CF%81%CE%B9%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CE%BC%CE%B5%CE%B8%CF%8C%CE%B4%CF%89%CE%BD_%CE%B1%CF%85%CF%84%CF%8C%CE%BC%CE%B1%CF%84%CE%BF%CF%85_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%BD%CE%B5%CF%81%CE%BF%CF%8D_%CE%B2%CE%B1%CF%83%CE%B9%CF%83%CE%BC%CE%AD%CE%BD%CE%B7_%CF%83%CF%84%CE%B7%CE%BD_%CF%80%CE%BF%CE%BB%CF%85%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%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 2017-02-13T21:43:30Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap8_t1.png|thumb|right|'''Πίνακας 1:''' Χαρακτηριστικά περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap8_t2.png|thumb|right|'''Πίνακας 2:''' Δεδομένα περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap8_t3.png|thumb|right|'''Πίνακας 3:''' Αποτελέσματα ακρίβειας.]]<br /> [[εικόνα: GF_pap8_p1.png|thumb|right|'''Εικόνα 1:''' Aπό αριστερά προς τα δεξιά για την κάθε περιοχή εφαρμόστηκαν οι πέντε μέθοδοι: εικόνα πέντε καναλιών, δείκτης βλάστησης, δείκτης νερού, βελτιωμένος δείκτης νερού, Πολυκαναλική φασματική σχέση.]]<br /> <br /> Procedia Environmental Sciences 11 (2011) 1482 – 1487<br /> <br /> ZHANG Fang-fang, ZHANG Bing, LI Jun-sheng,SHEN Qian,Wu Yuan- feng,SONG Yang. <br /> <br /> ''' Link:''' [http://www.sciencedirect.com/science/article/pii/S1878029611010462]<br /> <br /> Λέξεις-Κλειδιά: Πολυφασματικό, Τηλεπισκόπηση, Νερό, Landsat<br /> <br /> '''1. Eισαγωγή'''<br /> <br /> Για τον εντοπισμό των υδάτινων μαζών υπάρχουν επτά βασικές μέθοδοι: το κατώφλι του ενός καναλιού, ο δείκτης βλάστησης, ο δείκτης νερού, ο βελτιωμένος δείκτης νερού, η πολυκαναλική φασματική σχέση, και η επιβλεπόμενη μέθοδος ταξινόμησης. Παρόλα αυτά, οι περισσότερες μελέτες αναδεικνύουν την ανωτερότητα μία μεθόδου ή συνδυασμού μεθόδων μέσω μίας εφαρμογής σε συγκεκριμένη περιοχή. Το συγκεκριμένο άρθρο έχει ως σκοπό μία ολοκληρωμένη ανάλυση των πληροφοριών του νερού σε μία ποικιλία τηλεπισκοπικών μεθόδων για την αυτόματη αναγνώριση, η οποία επιβεβαιώνεται από την πειραματική ανάλυση των πλεονεκτημάτων των διαφορετικών μεθόδων για την εξερεύνηση της καταλληλότερης μεθόδου σε διαφορετικές περιοχές μελέτης.<br /> <br /> '''2. Μέθοδοι και Θεωρία Αναγνώρισης για το νερό'''<br /> <br /> ''2.1 Χαρακτηριστικά φασματικών ανακλαστικοτήτων''<br /> <br /> * Φασματική ανακλαστικότητα του νερού: Tα βασικά τηλεπισκοπικά κανάλια για την ανάδειξη του νερού, είναι τα ορατά, το εγγύς υπέρυθρο και το μέσο υπέρυθρο, όπου σε αυτά το νερό έχει τις δικές του ιδιότητες ανάκλασης σε σχέση με την βλάστηση, τις πόλεις κλπ.<br /> * Φασματικά χαρακτηριστικά TM/ETM+: Οι εικόνες Landsat TM έχουν επτά κανάλια και συνηθισμένα κανάλια που αναδεικνύουν το νερό βρίσκονται από τη θέση 2 ως τη θέση 5.<br /> <br /> ''2.2. Μέθοδοι και Αλγόριθμοι''<br /> <br /> * ''Κατώφλι ενός καναλιού:'' Η συγκεκριμένη μέθοδος χρησιμοποιείται για να ξεχωρίσει τις διαφορετικές επιφάνειες μέσω ενός συγκεκριμένου κατωφλιού. Το κανάλι 5 των εικόνων TM είναι το καλύτερο κανάλι για τον εντοπισμό του νερού.<br /> * ''Δείκτης Βλάστησης:'' O Kανονικοποιημένος Δείκτης Βλάστησης NDVI = (NIR - RED) / (NIR + RED), ο οποίος παρόλο που χρησιμοποιείται για την ανάδειξη της βλάστησης μπορεί να ανδείξει και τις υδάτινες επιφάνειες.<br /> * ''Δείκτης νερού:'' Ο Κανονικοποιημένος Δείκτης Νερού NDWI = (GREEN – NIR) / (GREEN + NIR), ο οποιός ανδεικνύει έντονα τις υδάτινες επιφάνειες.<br /> * ''Ο βελτιωμένος Δείκτης νερού:'' MNDWI = (GREEN - MIR) / (GREEN + MIR), o oποίος αναδεικνύει επίσης έντονα τις υδάτινες επιφάνειας λόγω της χαμηλής ανακλαστικότητας του νερού στο κανάλι 5.<br /> * ''Πολυκαναλική φασματική σχέση:'' Mε βάση τον κανόνα πως η ανακλαστικότητα του νερού μειώνεται από το κανάλι 2 προς το κανάλι 5, σχεδιάστηκε ο αλγόριθμος: ΤΜ2 + ΤΜ3 &gt; ΤΜ4 + ΤΜ5.<br /> <br /> '''3. Παράδειγμα αναγνώρισης νερού'''<br /> <br /> ''3.1. Περιοχή μελέτης και δεδομένα''<br /> <br /> * Περιοχή μελέτης: Η έρευνα διάλεξε πέντε τυπικά παραδείγματα περιοχών με υδάτινες μάζες για να επιβεβαιώσει τα πλεονεκτήματα και τα μειονεκτήματα των μεθόδων σε διαφορετικές συνθήκες και παρουσιάζονται στον πίνακα 1.<br /> * Δεδομένα: Στη συγκεκριμένη μελέτη, η πηγή των δεδομένων είναι εικόνες Landsat TM/ETM+, όπως φαίνεται στον πίνακα 2.<br /> <br /> ''3.2 Μεθοδολογία''<br /> <br /> Η διεργασία για την αναγνώριση του νερού εκτελέστηκε σε τρία μέρη: αρχικά είναι η επεξεργασία των δεδομένων, δηλάδη η γεωμετρική διόρθωση, η ατμοσφαιρική διόρθωση και οι τιμές ανάκλασης και μετά είναι ο εντοπισμός των υδάτινων μαζών με την χρήση καναλιών και τέλος η οπτική ερμηνεία των μεθόδων για την αυτόματη αναγνώριση των υδάτινων μαζών.<br /> <br /> ''3.3. Πείραμα αναγνώρισης του νερού στην περιοχή μελέτης''<br /> <br /> Με βάση την παραπάνω περιγραφή, εντοπίστηκαν πέντε περιοχές ενδιαφέροντος για τις πέντε μεθόδους, όπως φαίνεται στην εικόνα 1.<br /> <br /> '''4. Ακρίβεια και ανάλυση'''<br /> <br /> ''4.1 Ακρίβεια''<br /> <br /> Για την ακριβή εκτίμηση των πλεονεκτημάτων της κάθε μεθόδου σχεδιάστηκε ένας αλγόριθμος:<br /> * επιλέχθηκε μία περιοχή για να υπολογιστεί η συνολική ακρίβεια, η μεταβλητή Kappa, η ακρίβεια της χαρτογράφησης και η ακρίβεια του χρήστη για κάθε μέθοδο στην περιοχή μελέτης<br /> * τέσσερις δείκτες εκτίμησης ακρίβειας για τις πέντε μεθόδους ταξινομήθηκαν αριθμητικά από επίπεδα 1 μέχρι 5<br /> * χρησιμοποιήθηκε η αντίστροφη μέθοδος για τον υπολογισμό του βάρους του κάθε επιπέδου 1, ½, 1/3, ¼, 1/5<br /> * υπολογίστηκε η ακρίβεια των τεσσάρων δεικτών με τα βάρη τους<br /> * ανάλογα με τα βάρη εκτελέστηκε μία συνάρτηση για το τελικό αποτέλεσμα.<br /> <br /> ''4.2. Ανάλυση για την εφαρμογή των μεθόδων αναγνώρισης νερού''<br /> <br /> * Mountain areas: ;όπως φαίνεται από τον πίνακα 3, η καλύτερη με΄θοδος απομάκρυνσης των σκιών των βουνών για τον εντοπισμό του νερού είναι η πολυκαναλική φασματική σχέση.<br /> * Dense Vegetation Areas: με βάση τον πίνακα 3, η καλύτερη μέθοδος μετά την πολυκαναλική φασματική σχέση είναι ο δείκτης NDVI.<br /> * City areas: Ο βελτιωμένος δείκτης νερού παρουσιάζει ικανοποιητικά τις υδάτινες επιφάνειες σε αστικές περιοχές.<br /> * River sand areas: Και σε αυτήν την κατηγορία ο βελτιωμένος δείκτης νερού είναι ο καλύτερος για τον εντοπισμό των υδάτινων επιφανειών.<br /> * Plains and lake areas: Στη συγκεκριμένη κατηγορία, οποιαδήποτε μέθοδος χρησιμοποιηθεί παρουσιάζει ακριβή αποτελέσματα, παρόλα αυτά λόγω κόστους και ταχύτητας, η μέθοδος του κατωφλιού ενός καναλιού προτιμάται.<br /> <br /> '''5. Κατακλείδα και συζήτηση'''<br /> <br /> Συμπερασματικά, την υψηλότερη ακρίβεια παρουσιάζει ο βελτιωμένος δείκτης νερού και η πολυκαναλική φασματική σχέση μεταξύ των πέντε μεθόδων που εξετάστηκαν σε αυτήν την μελέτη. Παρόλα αυτά, ένα μειονέκτημα της συγκεκριμένης μελέτης είναι πως το δείγμα των πέντε περιοχών είναι μικρό και δεν καλύπτει όλες τις πιθανές ιδιομορφίες του εδάφους, επομένως πρέπει να ερευνηθεί περισσότερο.<br /> <br /> [[category:Υδατικοί Πόροι]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%B3%CE%BA%CF%81%CE%B9%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CE%BC%CE%B5%CE%B8%CF%8C%CE%B4%CF%89%CE%BD_%CE%B1%CF%85%CF%84%CF%8C%CE%BC%CE%B1%CF%84%CE%BF%CF%85_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%BD%CE%B5%CF%81%CE%BF%CF%8D_%CE%B2%CE%B1%CF%83%CE%B9%CF%83%CE%BC%CE%AD%CE%BD%CE%B7_%CF%83%CF%84%CE%B7%CE%BD_%CF%80%CE%BF%CE%BB%CF%85%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%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 2017-02-13T21:43:07Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap8_t1.png|thumb|right|'''Πίνακας 1:''' Χαρακτηριστικά περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap8_t2.png|thumb|right|'''Πίνακας 2:''' Δεδομένα περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap8_t3.png|thumb|right|'''Πίνακας 3:''' Αποτελέσματα ακρίβειας.]]<br /> [[εικόνα: GF_pap8_p1.png|thumb|right|'''Εικόνα 1:''' Aπό αριστερά προς τα δεξιά για την κάθε περιοχή εφαρμόστηκαν οι πέντε μέθοδοι: εικόνα πέντε καναλιών, δείκτης βλάστησης, δείκτης νερού, βελτιωμένος δείκτης νερού, Πολυκαναλική φασματική σχέση.]]<br /> <br /> Procedia Environmental Sciences 11 (2011) 1482 – 1487<br /> <br /> ZHANG Fang-fang, ZHANG Bing, LI Jun-sheng,SHEN Qian,Wu Yuan- feng,SONG Yang. <br /> <br /> ''' Link:''' [http://www.sciencedirect.com/science/article/pii/S1878029611010462]<br /> <br /> Λέξεις-Κλειδιά: Πολυφασματικό, Τηλεπισκόπηση, Νερό, Landsat<br /> <br /> '''1. Eισαγωγή'''<br /> <br /> Για τον εντοπισμό των υδάτινων μαζών υπάρχουν επτά βασικές μέθοδοι: το κατώφλι του ενός καναλιού, ο δείκτης βλάστησης, ο δείκτης νερού, ο βελτιωμένος δείκτης νερού, η πολυκαναλική φασματική σχέση, και η επιβλεπόμενη μέθοδος ταξινόμησης. Παρόλα αυτά, οι περισσότερες μελέτες αναδεικνύουν την ανωτερότητα μία μεθόδου ή συνδυασμού μεθόδων μέσω μίας εφαρμογής σε συγκεκριμένη περιοχή. Το συγκεκριμένο άρθρο έχει ως σκοπό μία ολοκληρωμένη ανάλυση των πληροφοριών του νερού σε μία ποικιλία τηλεπισκοπικών μεθόδων για την αυτόματη αναγνώριση, η οποία επιβεβαιώνεται από την πειραματική ανάλυση των πλεονεκτημάτων των διαφορετικών μεθόδων για την εξερεύνηση της καταλληλότερης μεθόδου σε διαφορετικές περιοχές μελέτης.<br /> <br /> '''2. Μέθοδοι και Θεωρία Αναγνώρισης για το νερό'''<br /> <br /> ''2.1 Χαρακτηριστικά φασματικών ανακλαστικοτήτων''<br /> <br /> * Φασματική ανακλαστικότητα του νερού: Tα βασικά τηλεπισκοπικά κανάλια για την ανάδειξη του νερού, είναι τα ορατά, το εγγύς υπέρυθρο και το μέσο υπέρυθρο, όπου σε αυτά το νερό έχει τις δικές του ιδιότητες ανάκλασης σε σχέση με την βλάστηση, τις πόλεις κλπ.<br /> * Φασματικά χαρακτηριστικά TM/ETM+: Οι εικόνες Landsat TM έχουν επτά κανάλια και συνηθισμένα κανάλια που αναδεικνύουν το νερό βρίσκονται από τη θέση 2 ως τη θέση 5.<br /> <br /> ''2.2. Μέθοδοι και Αλγόριθμοι''<br /> <br /> * ''Κατώφλι ενός καναλιού:'' Η συγκεκριμένη μέθοδος χρησιμοποιείται για να ξεχωρίσει τις διαφορετικές επιφάνειες μέσω ενός συγκεκριμένου κατωφλιού. Το κανάλι 5 των εικόνων TM είναι το καλύτερο κανάλι για τον εντοπισμό του νερού.<br /> * ''Δείκτης Βλάστησης:'' O Kανονικοποιημένος Δείκτης Βλάστησης NDVI = (NIR - RED) / (NIR + RED), ο οποίος παρόλο που χρησιμοποιείται για την ανάδειξη της βλάστησης μπορεί να ανδείξει και τις υδάτινες επιφάνειες.<br /> * ''Δείκτης νερού:'' Ο Κανονικοποιημένος Δείκτης Νερού NDWI = (GREEN – NIR) / (GREEN + NIR), ο οποιός ανδεικνύει έντονα τις υδάτινες επιφάνειες.<br /> * ''Ο βελτιωμένος Δείκτης νερού:'' MNDWI = (GREEN - MIR) / (GREEN + MIR), o oποίος αναδεικνύει επίσης έντονα τις υδάτινες επιφάνειας λόγω της χαμηλής ανακλαστικότητας του νερού στο κανάλι 5.<br /> * ''Πολυκαναλική φασματική σχέση:'' Mε βάση τον κανόνα πως η ανακλαστικότητα του νερού μειώνεται από το κανάλι 2 προς το κανάλι 5, σχεδιάστηκε ο αλγόριθμος: ΤΜ2 + ΤΜ3 &gt; ΤΜ4 + ΤΜ5.<br /> <br /> '''3. Παράδειγμα αναγνώρισης νερού'''<br /> <br /> ''3.1. Περιοχή μελέτης και δεδομένα''<br /> <br /> * Περιοχή μελέτης: Η έρευνα διάλεξε πέντε τυπικά παραδείγματα περιοχών με υδάτινες μάζες για να επιβεβαιώσει τα πλεονεκτήματα και τα μειονεκτήματα των μεθόδων σε διαφορετικές συνθήκες και παρουσιάζονται στον πίνακα 1.<br /> * Δεδομένα: Στη συγκεκριμένη μελέτη, η πηγή των δεδομένων είναι εικόνες Landsat TM/ETM+, όπως φαίνεται στον πίνακα 2.<br /> <br /> ''3.2 Μεθοδολογία''<br /> <br /> Η διεργασία για την αναγνώριση του νερού εκτελέστηκε σε τρία μέρη: αρχικά είναι η επεξεργασία των δεδομένων, δηλάδη η γεωμετρική διόρθωση, η ατμοσφαιρική διόρθωση και οι τιμές ανάκλασης και μετά είναι ο εντοπισμός των υδάτινων μαζών με την χρήση καναλιών και τέλος η οπτική ερμηνεία των μεθόδων για την αυτόματη αναγνώριση των υδάτινων μαζών.<br /> <br /> 3.3. Πείραμα αναγνώρισης του νερού στην περιοχή μελέτης<br /> <br /> Με βάση την παραπάνω περιγραφή, εντοπίστηκαν πέντε περιοχές ενδιαφέροντος για τις πέντε μεθόδους, όπως φαίνεται στην εικόνα 1.<br /> <br /> '''4. Ακρίβεια και ανάλυση'''<br /> <br /> ''4.1 Ακρίβεια''<br /> <br /> Για την ακριβή εκτίμηση των πλεονεκτημάτων της κάθε μεθόδου σχεδιάστηκε ένας αλγόριθμος:<br /> * επιλέχθηκε μία περιοχή για να υπολογιστεί η συνολική ακρίβεια, η μεταβλητή Kappa, η ακρίβεια της χαρτογράφησης και η ακρίβεια του χρήστη για κάθε μέθοδο στην περιοχή μελέτης<br /> * τέσσερις δείκτες εκτίμησης ακρίβειας για τις πέντε μεθόδους ταξινομήθηκαν αριθμητικά από επίπεδα 1 μέχρι 5<br /> * χρησιμοποιήθηκε η αντίστροφη μέθοδος για τον υπολογισμό του βάρους του κάθε επιπέδου 1, ½, 1/3, ¼, 1/5<br /> * υπολογίστηκε η ακρίβεια των τεσσάρων δεικτών με τα βάρη τους<br /> * ανάλογα με τα βάρη εκτελέστηκε μία συνάρτηση για το τελικό αποτέλεσμα.<br /> <br /> ''4.2. Ανάλυση για την εφαρμογή των μεθόδων αναγνώρισης νερού''<br /> <br /> * Mountain areas: ;όπως φαίνεται από τον πίνακα 3, η καλύτερη με΄θοδος απομάκρυνσης των σκιών των βουνών για τον εντοπισμό του νερού είναι η πολυκαναλική φασματική σχέση.<br /> * Dense Vegetation Areas: με βάση τον πίνακα 3, η καλύτερη μέθοδος μετά την πολυκαναλική φασματική σχέση είναι ο δείκτης NDVI.<br /> * City areas: Ο βελτιωμένος δείκτης νερού παρουσιάζει ικανοποιητικά τις υδάτινες επιφάνειες σε αστικές περιοχές.<br /> * River sand areas: Και σε αυτήν την κατηγορία ο βελτιωμένος δείκτης νερού είναι ο καλύτερος για τον εντοπισμό των υδάτινων επιφανειών.<br /> * Plains and lake areas: Στη συγκεκριμένη κατηγορία, οποιαδήποτε μέθοδος χρησιμοποιηθεί παρουσιάζει ακριβή αποτελέσματα, παρόλα αυτά λόγω κόστους και ταχύτητας, η μέθοδος του κατωφλιού ενός καναλιού προτιμάται.<br /> <br /> '''5. Κατακλείδα και συζήτηση'''<br /> <br /> Συμπερασματικά, την υψηλότερη ακρίβεια παρουσιάζει ο βελτιωμένος δείκτης νερού και η πολυκαναλική φασματική σχέση μεταξύ των πέντε μεθόδων που εξετάστηκαν σε αυτήν την μελέτη. Παρόλα αυτά, ένα μειονέκτημα της συγκεκριμένης μελέτης είναι πως το δείγμα των πέντε περιοχών είναι μικρό και δεν καλύπτει όλες τις πιθανές ιδιομορφίες του εδάφους, επομένως πρέπει να ερευνηθεί περισσότερο.<br /> <br /> [[category:Υδατικοί Πόροι]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%B3%CE%BA%CF%81%CE%B9%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CE%BC%CE%B5%CE%B8%CF%8C%CE%B4%CF%89%CE%BD_%CE%B1%CF%85%CF%84%CF%8C%CE%BC%CE%B1%CF%84%CE%BF%CF%85_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%BD%CE%B5%CF%81%CE%BF%CF%8D_%CE%B2%CE%B1%CF%83%CE%B9%CF%83%CE%BC%CE%AD%CE%BD%CE%B7_%CF%83%CF%84%CE%B7%CE%BD_%CF%80%CE%BF%CE%BB%CF%85%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%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 2017-02-13T21:41:50Z

<p>George Floros: </p> <hr /> <div>[[εικόνα: GF_pap8_t1.png|thumb|right|'''Πίνακας 1:''' Χαρακτηριστικά περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap8_t2.png|thumb|right|'''Πίνακας 2:''' Δεδομένα περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap8_t3.png|thumb|right|'''Πίνακας 3:''' Αποτελέσματα ακρίβειας.]]<br /> [[εικόνα: GF_pap8_p1.png|thumb|right|'''Εικόνα 1:''' Aπό αριστερά προς τα δεξιά για την κάθε περιοχή εφαρμόστηκαν οι πέντε μέθοδοι: εικόνα πέντε καναλιών, δείκτης βλάστησης, δείκτης νερού, βελτιωμένος δείκτης νερού, Πολυκαναλική φασματική σχέση.]]<br /> <br /> Procedia Environmental Sciences 11 (2011) 1482 – 1487<br /> <br /> ZHANG Fang-fang, ZHANG Bing, LI Jun-sheng,SHEN Qian,Wu Yuan- feng,SONG Yang. <br /> <br /> ''' Link:''' [http://www.sciencedirect.com/science/article/pii/S1878029611010462]<br /> <br /> Λέξεις-Κλειδιά: Πολυφασματικό, Τηλεπισκόπηση, Νερό, Landsat<br /> <br /> '''1. Eισαγωγή'''<br /> <br /> Για τον εντοπισμό των υδάτινων μαζών υπάρχουν επτά βασικές μέθοδοι: το κατώφλι του ενός καναλιού, ο δείκτης βλάστησης, ο δείκτης νερού, ο βελτιωμένος δείκτης νερού, η πολυκαναλική φασματική σχέση, και η επιβλεπόμενη μέθοδος ταξινόμησης. Παρόλα αυτά, οι περισσότερες μελέτες αναδεικνύουν την ανωτερότητα μία μεθόδου ή συνδυασμού μεθόδων μέσω μίας εφαρμογής σε συγκεκριμένη περιοχή. Το συγκεκριμένο άρθρο έχει ως σκοπό μία ολοκληρωμένη ανάλυση των πληροφοριών του νερού σε μία ποικιλία τηλεπισκοπικών μεθόδων για την αυτόματη αναγνώριση, η οποία επιβεβαιώνεται από την πειραματική ανάλυση των πλεονεκτημάτων των διαφορετικών μεθόδων για την εξερεύνηση της καταλληλότερης μεθόδου σε διαφορετικές περιοχές μελέτης.<br /> <br /> '''2. Μέθοδοι και Θεωρία Αναγνώρισης για το νερό'''<br /> <br /> * Φασματική ανακλαστικότητα του νερού: Tα βασικά τηλεπισκοπικά κανάλια για την ανάδειξη του νερού, είναι τα ορατά, το εγγύς υπέρυθρο και το μέσο υπέρυθρο, όπου σε αυτά το νερό έχει τις δικές του ιδιότητες ανάκλασης σε σχέση με την βλάστηση, τις πόλεις κλπ.<br /> * Φασματικά χαρακτηριστικά TM/ETM+: Οι εικόνες Landsat TM έχουν επτά κανάλια και συνηθισμένα κανάλια που αναδεικνύουν το νερό βρίσκονται από τη θέση 2 ως τη θέση 5.<br /> <br /> ''2.2. Μέθοδοι και Αλγόριθμοι''<br /> <br /> * ''Κατώφλι ενός καναλιού:'' Η συγκεκριμένη μέθοδος χρησιμοποιείται για να ξεχωρίσει τις διαφορετικές επιφάνειες μέσω ενός συγκεκριμένου κατωφλιού. Το κανάλι 5 των εικόνων TM είναι το καλύτερο κανάλι για τον εντοπισμό του νερού.<br /> * ''Δείκτης Βλάστησης:'' O Kανονικοποιημένος Δείκτης Βλάστησης NDVI = (NIR - RED) / (NIR + RED), ο οποίος παρόλο που χρησιμοποιείται για την ανάδειξη της βλάστησης μπορεί να ανδείξει και τις υδάτινες επιφάνειες.<br /> * ''Δείκτης νερού:'' Ο Κανονικοποιημένος Δείκτης Νερού NDWI = (GREEN – NIR) / (GREEN + NIR), ο οποιός ανδεικνύει έντονα τις υδάτινες επιφάνειες.<br /> * ''Ο βελτιωμένος Δείκτης νερού:'' MNDWI = (GREEN - MIR) / (GREEN + MIR), o oποίος αναδεικνύει επίσης έντονα τις υδάτινες επιφάνειας λόγω της χαμηλής ανακλαστικότητας του νερού στο κανάλι 5.<br /> * ''Πολυκαναλική φασματική σχέση:'' Mε βάση τον κανόνα πως η ανακλαστικότητα του νερού μειώνεται από το κανάλι 2 προς το κανάλι 5, σχεδιάστηκε ο αλγόριθμος: ΤΜ2 + ΤΜ3 &gt; ΤΜ4 + ΤΜ5.<br /> <br /> '''3. Παράδειγμα αναγνώρισης νερού'''<br /> <br /> ''3.1. Περιοχή μελέτης και δεδομένα''<br /> <br /> * Περιοχή μελέτης: Η έρευνα διάλεξε πέντε τυπικά παραδείγματα περιοχών με υδάτινες μάζες για να επιβεβαιώσει τα πλεονεκτήματα και τα μειονεκτήματα των μεθόδων σε διαφορετικές συνθήκες και παρουσιάζονται στον πίνακα 1.<br /> * Δεδομένα: Στη συγκεκριμένη μελέτη, η πηγή των δεδομένων είναι εικόνες Landsat TM/ETM+, όπως φαίνεται στον πίνακα 2.<br /> <br /> ''3.2 Μεθοδολογία''<br /> <br /> Η διεργασία για την αναγνώριση του νερού εκτελέστηκε σε τρία μέρη: αρχικά είναι η επεξεργασία των δεδομένων, δηλάδη η γεωμετρική διόρθωση, η ατμοσφαιρική διόρθωση και οι τιμές ανάκλασης και μετά είναι ο εντοπισμός των υδάτινων μαζών με την χρήση καναλιών και τέλος η οπτική ερμηνεία των μεθόδων για την αυτόματη αναγνώριση των υδάτινων μαζών.<br /> <br /> 3.3. Πείραμα αναγνώρισης του νερού στην περιοχή μελέτης<br /> <br /> Με βάση την παραπάνω περιγραφή, εντοπίστηκαν πέντε περιοχές ενδιαφέροντος για τις πέντε μεθόδους, όπως φαίνεται στην εικόνα 1.<br /> <br /> '''4. Ακρίβεια και ανάλυση'''<br /> <br /> ''4.1 Ακρίβεια''<br /> <br /> Για την ακριβή εκτίμηση των πλεονεκτημάτων της κάθε μεθόδου σχεδιάστηκε ένας αλγόριθμος:<br /> * επιλέχθηκε μία περιοχή για να υπολογιστεί η συνολική ακρίβεια, η μεταβλητή Kappa, η ακρίβεια της χαρτογράφησης και η ακρίβεια του χρήστη για κάθε μέθοδο στην περιοχή μελέτης<br /> * τέσσερις δείκτες εκτίμησης ακρίβειας για τις πέντε μεθόδους ταξινομήθηκαν αριθμητικά από επίπεδα 1 μέχρι 5<br /> * χρησιμοποιήθηκε η αντίστροφη μέθοδος για τον υπολογισμό του βάρους του κάθε επιπέδου 1, ½, 1/3, ¼, 1/5<br /> * υπολογίστηκε η ακρίβεια των τεσσάρων δεικτών με τα βάρη τους<br /> * ανάλογα με τα βάρη εκτελέστηκε μία συνάρτηση για το τελικό αποτέλεσμα.<br /> <br /> ''4.2. Ανάλυση για την εφαρμογή των μεθόδων αναγνώρισης νερού''<br /> <br /> * Mountain areas: ;όπως φαίνεται από τον πίνακα 3, η καλύτερη με΄θοδος απομάκρυνσης των σκιών των βουνών για τον εντοπισμό του νερού είναι η πολυκαναλική φασματική σχέση.<br /> * Dense Vegetation Areas: με βάση τον πίνακα 3, η καλύτερη μέθοδος μετά την πολυκαναλική φασματική σχέση είναι ο δείκτης NDVI.<br /> * City areas: Ο βελτιωμένος δείκτης νερού παρουσιάζει ικανοποιητικά τις υδάτινες επιφάνειες σε αστικές περιοχές.<br /> * River sand areas: Και σε αυτήν την κατηγορία ο βελτιωμένος δείκτης νερού είναι ο καλύτερος για τον εντοπισμό των υδάτινων επιφανειών.<br /> * Plains and lake areas: Στη συγκεκριμένη κατηγορία, οποιαδήποτε μέθοδος χρησιμοποιηθεί παρουσιάζει ακριβή αποτελέσματα, παρόλα αυτά λόγω κόστους και ταχύτητας, η μέθοδος του κατωφλιού ενός καναλιού προτιμάται.<br /> <br /> '''5. Κατακλείδα και συζήτηση'''<br /> <br /> Συμπερασματικά, την υψηλότερη ακρίβεια παρουσιάζει ο βελτιωμένος δείκτης νερού και η πολυκαναλική φασματική σχέση μεταξύ των πέντε μεθόδων που εξετάστηκαν σε αυτήν την μελέτη. Παρόλα αυτά, ένα μειονέκτημα της συγκεκριμένης μελέτης είναι πως το δείγμα των πέντε περιοχών είναι μικρό και δεν καλύπτει όλες τις πιθανές ιδιομορφίες του εδάφους, επομένως πρέπει να ερευνηθεί περισσότερο.<br /> <br /> [[category:Υδατικοί Πόροι]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%B3%CE%BA%CF%81%CE%B9%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CE%BC%CE%B5%CE%B8%CF%8C%CE%B4%CF%89%CE%BD_%CE%B1%CF%85%CF%84%CF%8C%CE%BC%CE%B1%CF%84%CE%BF%CF%85_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%BD%CE%B5%CF%81%CE%BF%CF%8D_%CE%B2%CE%B1%CF%83%CE%B9%CF%83%CE%BC%CE%AD%CE%BD%CE%B7_%CF%83%CF%84%CE%B7%CE%BD_%CF%80%CE%BF%CE%BB%CF%85%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%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 2017-02-13T21:41:21Z

<p>George Floros: Νέα σελίδα με ''''Πίνακας 1:''' Χαρακτηριστικά περιοχής μελέτης. [[εικόνα: GF_pap8_t2.png|thumb|rig...'</p> <hr /> <div>[[εικόνα: GF_pap8_t1.png|thumb|right|'''Πίνακας 1:''' Χαρακτηριστικά περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap8_t2.png|thumb|right|'''Πίνακας 2:''' Δεδομένα περιοχής μελέτης.]]<br /> [[εικόνα: GF_pap8_t3.png|thumb|right|'''Πίνακας 3:''' Αποτελέσματα ακρίβειας.]]<br /> [[εικόνα: GF_pap8_p1.png|thumb|right|'''Εικόνα 1:''' Aπό αριστερά προς τα δεξιά για την κάθε περιοχή εφαρμόστηκαν οι πέντε μέθοδοι: εικόνα πέντε καναλιών, δείκτης βλάστησης, δείκτης νερού, βελτιωμένος δείκτης νερού, Πολυκαναλική φασματική σχέση.]]<br /> <br /> Procedia Environmental Sciences 11 (2011) 1482 – 1487<br /> <br /> ZHANG Fang-fang, ZHANG Bing, LI Jun-sheng,SHEN Qian,Wu Yuan- feng,SONG Yang. <br /> <br /> Link: [http://www.sciencedirect.com/science/article/pii/S1878029611010462]<br /> <br /> Λέξεις-Κλειδιά: Πολυφασματικό, Τηλεπισκόπηση, Νερό, Landsat<br /> <br /> '''1. Eισαγωγή'''<br /> <br /> Για τον εντοπισμό των υδάτινων μαζών υπάρχουν επτά βασικές μέθοδοι: το κατώφλι του ενός καναλιού, ο δείκτης βλάστησης, ο δείκτης νερού, ο βελτιωμένος δείκτης νερού, η πολυκαναλική φασματική σχέση, και η επιβλεπόμενη μέθοδος ταξινόμησης. Παρόλα αυτά, οι περισσότερες μελέτες αναδεικνύουν την ανωτερότητα μία μεθόδου ή συνδυασμού μεθόδων μέσω μίας εφαρμογής σε συγκεκριμένη περιοχή. Το συγκεκριμένο άρθρο έχει ως σκοπό μία ολοκληρωμένη ανάλυση των πληροφοριών του νερού σε μία ποικιλία τηλεπισκοπικών μεθόδων για την αυτόματη αναγνώριση, η οποία επιβεβαιώνεται από την πειραματική ανάλυση των πλεονεκτημάτων των διαφορετικών μεθόδων για την εξερεύνηση της καταλληλότερης μεθόδου σε διαφορετικές περιοχές μελέτης.<br /> <br /> '''2. Μέθοδοι και Θεωρία Αναγνώρισης για το νερό'''<br /> <br /> * Φασματική ανακλαστικότητα του νερού: Tα βασικά τηλεπισκοπικά κανάλια για την ανάδειξη του νερού, είναι τα ορατά, το εγγύς υπέρυθρο και το μέσο υπέρυθρο, όπου σε αυτά το νερό έχει τις δικές του ιδιότητες ανάκλασης σε σχέση με την βλάστηση, τις πόλεις κλπ.<br /> * Φασματικά χαρακτηριστικά TM/ETM+: Οι εικόνες Landsat TM έχουν επτά κανάλια και συνηθισμένα κανάλια που αναδεικνύουν το νερό βρίσκονται από τη θέση 2 ως τη θέση 5.<br /> <br /> 2.2. Μέθοδοι και Αλγόριθμοι<br /> <br /> * ''Κατώφλι ενός καναλιού:'' Η συγκεκριμένη μέθοδος χρησιμοποιείται για να ξεχωρίσει τις διαφορετικές επιφάνειες μέσω ενός συγκεκριμένου κατωφλιού. Το κανάλι 5 των εικόνων TM είναι το καλύτερο κανάλι για τον εντοπισμό του νερού.<br /> * ''Δείκτης Βλάστησης:'' O Kανονικοποιημένος Δείκτης Βλάστησης NDVI = (NIR - RED) / (NIR + RED), ο οποίος παρόλο που χρησιμοποιείται για την ανάδειξη της βλάστησης μπορεί να ανδείξει και τις υδάτινες επιφάνειες.<br /> * ''Δείκτης νερού:'' Ο Κανονικοποιημένος Δείκτης Νερού NDWI = (GREEN – NIR) / (GREEN + NIR), ο οποιός ανδεικνύει έντονα τις υδάτινες επιφάνειες.<br /> * ''Ο βελτιωμένος Δείκτης νερού:'' MNDWI = (GREEN - MIR) / (GREEN + MIR), o oποίος αναδεικνύει επίσης έντονα τις υδάτινες επιφάνειας λόγω της χαμηλής ανακλαστικότητας του νερού στο κανάλι 5.<br /> * ''Πολυκαναλική φασματική σχέση:'' Mε βάση τον κανόνα πως η ανακλαστικότητα του νερού μειώνεται από το κανάλι 2 προς το κανάλι 5, σχεδιάστηκε ο αλγόριθμος: ΤΜ2 + ΤΜ3 &gt; ΤΜ4 + ΤΜ5.<br /> <br /> '''3. Παράδειγμα αναγνώρισης νερού'''<br /> <br /> ''3.1. Περιοχή μελέτης και δεδομένα''<br /> <br /> * Περιοχή μελέτης: Η έρευνα διάλεξε πέντε τυπικά παραδείγματα περιοχών με υδάτινες μάζες για να επιβεβαιώσει τα πλεονεκτήματα και τα μειονεκτήματα των μεθόδων σε διαφορετικές συνθήκες και παρουσιάζονται στον πίνακα 1.<br /> * Δεδομένα: Στη συγκεκριμένη μελέτη, η πηγή των δεδομένων είναι εικόνες Landsat TM/ETM+, όπως φαίνεται στον πίνακα 2.<br /> <br /> ''3.2 Μεθοδολογία''<br /> <br /> Η διεργασία για την αναγνώριση του νερού εκτελέστηκε σε τρία μέρη: αρχικά είναι η επεξεργασία των δεδομένων, δηλάδη η γεωμετρική διόρθωση, η ατμοσφαιρική διόρθωση και οι τιμές ανάκλασης και μετά είναι ο εντοπισμός των υδάτινων μαζών με την χρήση καναλιών και τέλος η οπτική ερμηνεία των μεθόδων για την αυτόματη αναγνώριση των υδάτινων μαζών.<br /> <br /> 3.3. Πείραμα αναγνώρισης του νερού στην περιοχή μελέτης<br /> <br /> Με βάση την παραπάνω περιγραφή, εντοπίστηκαν πέντε περιοχές ενδιαφέροντος για τις πέντε μεθόδους, όπως φαίνεται στην εικόνα 1.<br /> <br /> '''4. Ακρίβεια και ανάλυση'''<br /> <br /> ''4.1 Ακρίβεια''<br /> <br /> Για την ακριβή εκτίμηση των πλεονεκτημάτων της κάθε μεθόδου σχεδιάστηκε ένας αλγόριθμος:<br /> * επιλέχθηκε μία περιοχή για να υπολογιστεί η συνολική ακρίβεια, η μεταβλητή Kappa, η ακρίβεια της χαρτογράφησης και η ακρίβεια του χρήστη για κάθε μέθοδο στην περιοχή μελέτης<br /> * τέσσερις δείκτες εκτίμησης ακρίβειας για τις πέντε μεθόδους ταξινομήθηκαν αριθμητικά από επίπεδα 1 μέχρι 5<br /> * χρησιμοποιήθηκε η αντίστροφη μέθοδος για τον υπολογισμό του βάρους του κάθε επιπέδου 1, ½, 1/3, ¼, 1/5<br /> * υπολογίστηκε η ακρίβεια των τεσσάρων δεικτών με τα βάρη τους<br /> * ανάλογα με τα βάρη εκτελέστηκε μία συνάρτηση για το τελικό αποτέλεσμα.<br /> <br /> ''4.2. Ανάλυση για την εφαρμογή των μεθόδων αναγνώρισης νερού''<br /> <br /> * Mountain areas: ;όπως φαίνεται από τον πίνακα 3, η καλύτερη με΄θοδος απομάκρυνσης των σκιών των βουνών για τον εντοπισμό του νερού είναι η πολυκαναλική φασματική σχέση.<br /> * Dense Vegetation Areas: με βάση τον πίνακα 3, η καλύτερη μέθοδος μετά την πολυκαναλική φασματική σχέση είναι ο δείκτης NDVI.<br /> * City areas: Ο βελτιωμένος δείκτης νερού παρουσιάζει ικανοποιητικά τις υδάτινες επιφάνειες σε αστικές περιοχές.<br /> * River sand areas: Και σε αυτήν την κατηγορία ο βελτιωμένος δείκτης νερού είναι ο καλύτερος για τον εντοπισμό των υδάτινων επιφανειών.<br /> * Plains and lake areas: Στη συγκεκριμένη κατηγορία, οποιαδήποτε μέθοδος χρησιμοποιηθεί παρουσιάζει ακριβή αποτελέσματα, παρόλα αυτά λόγω κόστους και ταχύτητας, η μέθοδος του κατωφλιού ενός καναλιού προτιμάται.<br /> <br /> '''5. Κατακλείδα και συζήτηση'''<br /> <br /> Συμπερασματικά, την υψηλότερη ακρίβεια παρουσιάζει ο βελτιωμένος δείκτης νερού και η πολυκαναλική φασματική σχέση μεταξύ των πέντε μεθόδων που εξετάστηκαν σε αυτήν την μελέτη. Παρόλα αυτά, ένα μειονέκτημα της συγκεκριμένης μελέτης είναι πως το δείγμα των πέντε περιοχών είναι μικρό και δεν καλύπτει όλες τις πιθανές ιδιομορφίες του εδάφους, επομένως πρέπει να ερευνηθεί περισσότερο.<br /> <br /> [[category:Υδατικοί Πόροι]]</div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:GF_pap8_t3.png 2017-02-13T21:31:33Z

<p>George Floros: </p> <hr /> <div></div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:GF_pap8_t2.png 2017-02-13T21:31:24Z

<p>George Floros: </p> <hr /> <div></div>

George Floros http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:GF_pap8_t1.png 2017-02-13T21:31:15Z

<p>George Floros: </p> <hr /> <div></div>

George Floros