RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Τεχνική ανίχνευσης υδάτινων όγκων στις ορεινές περιοχές από δορυφορικές εικόνες

2021-02-09T21:44:00Z

Ioanna Karani:

Πρωτότυπος τίτλος: Water extraction technique in mountainous areas from satellite images

 Συγγραφείς: Jovanovska Kaplan, Gordana & Avdan Ugur

 Citation: Jovanovska Kaplan, Gordana & Avdan, Ugur. (2017). Water extraction technique in mountainous areas from satellite
images. Journal of Applied Remote Sensing. 11. 046002. 10.1117/1.JRS.11.046002.

 Πηγή:[https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate]

 Λέξεις κλειδιά :remote sensing; water body extraction; land surface temperature; normalized difference water index; Landsat

 Αντικείμενο εφαρμογής : Υδατικοί Πόροι - Ανίχνευση Υδάτινων Σωμάτων. 



''' 1. Σκοπός και χρήση εφαρμογής:''' 

Η παρούσα έρευνα στοχεύει στην ανάπτυξη του βέλτιστου δείκτη ανίχνευσης υδάτινων όγκων, με όσο το δυνατόν λιγότερο εισερχόμενο “θόρυβο” (λ.χ. σκιάσεις), και πεδίο εφαρμογής τις ορεινές περιοχές. 

'''2. Εισαγωγή:''' 

Η παρακολούθηση των υδάτων αποτελεί ουσιώδες βήμα για τη διαχείριση των υδάτινων πόρων, ωστόσο η παρακολούθηση των μεταβολών και των ποιοτικών χαρακτηριστικών των υδάτινων σωμάτων μπορεί να αποδειχθεί ιδιαίτερα χρονοβόρα και κοστοβόρα. Τα επιφανειακά ύδατα αποτελούν ζωτικό πόρο για την ανθρωπότητα και υφίστανται αλλαγές στον χρόνο και το χώρο ως συνέπεια της αλλαγής της χρήσης γης / της κάλυψης γης (LUCL), της κλιματικής αλλαγής και άλλων περιβαλλοντικών παραγόντων [1]. Η έγκαιρη παρακολούθηση των υδάτινων σωμάτων είναι ουσιώδης για τη χάραξη πολιτικής και τη λήψη αποφάσεων [2],[3]. Στην κατεύθυνση αυτή και μαζί με την εδραίωση της τηλεπισκόπησης απο το 1970 και έπειτα, τα τελευταία 20 χρόνια μια σειρά από έρευνες έχουν επικεντρωθεί στην παρακολούθηση των υδάτων με χρήση δορυφορικών εικόνων και GIS [4-6]. 

'''3. O ρόλος της τηλεπισκόπησης:''' 

Ο πρώτος δείκτης για την ανίχνευση του νερού αναπτύχθηκε το 1995. Ακολουθώντας το σκεπτικό πίσω από την κανονικοποιημένη διαφορά του δείκτη βλάστησης NDVI, δημιουργήθηκε ο δείκτης κανονικοποιημένης διαφοράς του δείκτη νερού NDWI, ο οποίος χρησιμοποιεί δύο κανάλια, στο εγγύς και το μικροκυματικό υπέρυθρο [7]. Έπειτα, αναπτύχθηκαν και άλλοι δείκτες, όπως ο δείκτης που πρότεινε McFeeter [8] έναν δείκτη νερού που αναπτύχθηκε για να οριοθετηθούν τα χαρακτηριστικά των ακάλυπτων υδάτων και τη βελτίωση της αποτύπωσης τους στις δορυφορικές εικόνες, χρησιμοποιώντας το πράσινο και το εγγύς υπέρυθρο κανάλι. Ο Xu [9] τροποποίησε τον ώς άνω δείκτη με τη χρήση μικροκυματικού υπέρυθρου καναλιού, για τον καλύτερο διαχωρισμό υδάτινων στοιχείων και τεχνητού περιβάλλοντος. Προτάθηκε, επίσης, δείκτης με δεδομένα από τον δορυφόρο Landsat και τον αισθητήρα OLI με χρήση των καναλιών σκούρο μπλέ και μικροκυματικό υπέρυθρο [11]. Γενικά, η επιλογή του κατάλληλου δείκτη εξαρτάται από την περιοχή μελέτης.
Tέλος, αναδεικνύονται δύο σημαντικά εμπόδια για την μελέτη των υδάτων με τηλεπισκόπηση:
α) Οι τοπογραφικές σκιές και οι σκιές από σύννεφα που εύκολα συγχέονται με υδάτινους όγκους.
β) Η γωνία ηλιακού υψομέτρου , η οποία συνδέεται άμεσα με τις σκιάσεις, και πρέπει να είναι μεγαλύτερη των 40 μοιρών [1],[10],[11]. Η συνθήκη αυτή ικανοποιείται ορισμένες φορές μέσα στο χρόνο, ωστόσο η ανάγκη για παρακολούθηση των υδάτων είναι διαρκής. 

''' 4. Περιοχή μελέτης:''' 

Ως περιοχή μελέτης επιλέγονται υδάτινα σώματα από ορεινές περιοχές, με χαμηλή γωνία ηλιακού υψομέτρου ς του ηλίου την χειμερινή περίοδο. Η περιοχή μελέτης απαρτίζεται κατά 90% από τη Βόρεια Μακεδονία, μέρος της Αλβανίας και το Κόσοβο επιλέχθηκαν λόγω της τοπογραφία τους, η οποία περιέχει υψηλά όρη, ένα μεταβατικό κλίμα από το Μεσογειακό έως το Ηπειρωτικό με θερμό καλοκαίρι και κρύο χειμώνα, χιόνι καθώς και σημαντικά μεγάλα και μικρά υδάτινα σώματα. 

'''5. Δορυφορικά δεδομένα:''' 

Χρησιμοποιήθηκαν 12 δορυφορικές εικόνες Landsat από την ίδια περιοχή μελέτης με διαφορετικές γωνίες ηλιακού υψομέτρου και καιρικές συνθήκες από δορυφόρους από το Landsat 5, Landsat 7 και ο Landsat 8. Στις απεικονίσεις δεν εμφανίστηκαν λάθη και δεν υπήρχε νεφοκάλυψη. Τα χαρακτηριστικά των δορυφορικών εικόνων παρουσιάζονται στον Πίνακα 1. 



[[ Εικόνα: Ik21_arthro1_pinakas1.png | thumb| right| Πίνακας 1: Δορυφορικές Εικόνες Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate]]]



Οι δορυφορικές εικόνες αντλήθηκαν από τον ιστότοπου του United States Geological Survey, με path 185/ row 31. 

''' 6. Μέθοδος''' 



[[ Εικόνα: Ik21_arthro1_eikona1.png | thumb| right| Εικόνα 1 : α) Δορυφορική εικόνα 6/06/2001 με την τοποθέτηση τυχαίων σημείων για την εκτίμηση της ακρίβειας και β) επιπρόσθετα σημεία σε υδάτινα σώματα, Πηγή:[https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]



'''6.1 Σύγκριση υφιστάμενων δεικτών για τις υδάτινες περιοχές:''' 

Επτά δείκτες νερού με διαφορετικές γωνίες ηλιακού υψομέτρου και από διαφορετικές εποχές συγκρίθηκαν για την ίδια περιοχή.
΄Ολοι οι δείκτες χρησιμοποιούν κατ΄’ ελάχιστον δύο κανάλια. Οι δείκτες είναι οι εξής:

* AWEInsh - Automated water extraction index for satellite images [1]

* NDWI [8]

* Modified NDWI [9]

* EWI- Enhanced water index [12]

* BNDWI[13]

* NDWI [14]

Τα αποτελέσματα των δεικτών συγκρίθηκαν στη συνέχεια με υψηλής ανάλυσης εικόνα απο το Google Earth, που θεωρείται ότι είναι αντιπροσωπευτική της περιοχής [15] Αποδεικνύεται, ότι όλοι οι δείκτες χαρακτηρίζονται τόσο από μειονεκτήματα, όσο και πλεονεκτήματα.
Σε πρώτο επίπεδο, μετά και την υψηλής ανάλυσης σύγκριση, τέσσερις δείκτες επιλέγονται να διερευνηθούν περαιτέρω: ο NDWI [8], ο BNDWI [13], o AWEInsh [1] και ο NDWI-DB (for Landsat 8 images). Οι μέθοδοι αυτές χρησιμοποιήθηκαν για τη σύγκριση υψηλής ανάλυσης που έγινε με τη χρήση τυχαίων σημείων σε κάθε δορυφορική εικόνα που χρησιμοποιείται σε αυτή τη μελέτη (Εικόνα 1α). Πρόσθετα σημεία τοποθετήθηκαν στα ποτάμια σώματα και σε μερικές μικρές λίμνες (Εικόνα 1β).


[[ Εικόνα: Ik21_arthro1_eikona2.png | thumb | right| Εικόνα 2 : Ανίχνευση υδάτινων σωμάτων σε περιοχή της Αλβανίας με τον δείκτη α) McFeeters’ NDWI και β) AWEInsh, Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]]



Για την εκτίμηση της ακρίβειας, υπολογίστηκε η συνολική ακρίβεια. Από τους συνολικούς υπολογισμούς ακριβείας, μπορεί να συναχθεί το συμπέρασμα ότι, με ορισμένες μικρές διαφορές,οι τέσσερις δείκτες σημείωσαν παρόμοια αποτελέσματα. Η συνολική ακρίβεια ήταν χαμηλότερη για τις δορυφορικές εικόνες με γωνία ηλιακού υψομέτρου μικρότερη από 30 μοίρες. Η συνολική ακρίβεια των εικόνων με μικρή γωνία υψομέτρου ποικίλλει από 65% σε 75%, με τις χαμηλότερες τιμές για εικόνες με πολύ μικρή γωνία ηλιακού υψομέτρου Από την ανάλυση της ακρίβειας, παρατηρήθηκε ότι τα πλέον παραπλανητικά στοιχεία είναι οι τοπογραφικές σκιές, οι σκιές σύννεφων και το χιόνι.
Τελικά, αν και οι μέθοδοι [1] και [13] έδωσαν καλύτερα αποτελέσματα σε κάποιες περιπτώσεις, επιλέγεται ο δείκτης που εισήχθη από τον McFeeter [8], για την περαιτέρω τροποποίηση, καθώς όταν άλλοι δείκτες αποτυγχάνουν να εντοπίσουν τα υδάτινα σώματα, ο δείκτης αυτός καταφέρνει να τα εντοπίσει, ειδικά τα ποτάμια και τα όρια των υδάτινων σωμάτων (Εικόνα 2). 

'''6.2 Ανάπτυξη του δείκτη Water Extraction Surface Temperature Index (WESTI)''' 

Η μέθοδος που χρησιμοποιήθηκε για την ανάπτυξη του δείκτη WESTI παρουσιάζεται σχηματικά στην Εικόνα 3 :


[[Εικόνα : Ik21_arthro1_eikona3.png| frame| center| Εικόνα 3 : Διάγραμμα ροής ανάπτυξης δείκτη WESTI., Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]



Για την ανάκτηση των φασματικών πληροφοριών σχετικά με τους υδάτινους φορείς, παρατηρήθηκαν ορισμένα σημεία σε κάθε δορυφορική εικόνα, ενώ αναλύθηκαν και οι φασματικές τους υπογραφές. . Επιλέχθηκαν συνολικά 264 σημεία υδάτινων σωμάτων, μικρότερα και μεγαλύτερα για καλύτερη αντιπροσωπευτικότητα Χρησιμοποιήθηκαν ορισμένα σημεία για την ανάλυση των εικονοστοιχείων που διαταράσσουν την ανίχνευση του νερού, όπως οι σκιάσεις και το χιόνι
Η φασματική υπογραφή του νερού και της σκιά του βουνού έδωσαν τα ίδια αποτελέσματα σε όλες τις ζώνες, με μόνο μια μικρή διαφορά στη θερμική περιοχή, όπου οι σκιές έχουν χαμηλότερες τιμές.Λαμβάνοντας υπόψη τις διαφορές που παρατηρήθηκαν το διαφοροποίηση στο θερμικό κανάλι. Για το λόγο αυτό, χρησιμοποιήθηκαν για κάθε αισθητήρα διαφορετικοί αλγόριθμοι LST [16-20], προκειμένου να επιτευχθεί η διάκριση του νερού από τα παραπλανητικά εικονοστοιχεία [15]. Στην ουσία, το LST μπορεί να περιγραφεί ως η “θερμοκρασία” του δέρματος του εδάφους [15].
Ο αλγόριθμος της παρούσας έρευνας βασίζεται σε κατάσταση που αποκλείει τα εικονοστοιχεία από την εφαρμογή του NDWI και που έχουν τιμές NDWI και LST χαμηλότερες από μηδέν. Με βάση την προϋπόθεση αυτή οι ι σκιές των βουνών, το χιόνι, ο πάγος και τα σύννεφα αφαιρούνται από τα αποτελέσματα.


[[Εικόνα : Ik21_arthro1_eikona4.png| thumb| left| Εικόνα 4 : Σύγκριση δεικτών., Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]



''' 7. Αποτελέσματα και συζήτηση:''' 

Για την εκτίμηση της ακρίβειας της μεθόδου WESTI, τα ίδια τυχαία σημεία με την ενότητα 6.1. Από την αξιολόγηση της ακρίβειας προέκυψε ότι η μέθοδος WESTI βελτίωσε την ανίχνευση των υδάτινων περιοχών. Η μεγαλύτερη βελτίωση παρατηρήθηκε στη δορυφορική εικόνα με τη μικρότερη γωνία ηλιακού υψομέτρου με συνολική ακρίβεια η οποία μεταβλήθηκε από 65,8% σε 98,0% Ακόμη και στις περιπτώσεις όπου η γωνία ηλιακού υψομέτρου δεν ήταν χαμηλή, τα αποτελέσματα έχουν βελτιωθεί.
Ο δείκτης WESTI δεν εξάλειψε με επιτυχία όλα τα παραπλανητικά στοιχεία, αλλά βελτίωσαν τα αποτελέσματα κατά περισσότερο από 80%. Τα πλεονεκτήματα του δείκτη είναι εμφανή κοιτώντας την Εικόνα 4, όπου ο δείκτης WESTI συγκρίνεται με όλους τους δείκτες που χρησιμοποιήθηκαν στην παρούσα έρευνα: 

'''8. Συμπεράσματα:''' 
Συνολικά, η μέθοδος WESTI προτείνεται για την ανίχνευση υδάτινων σωμάτων σε ορεινές περιοχές και για την απαλοιφή των τοπογραφικών σκιάσεων από εικόνες που λήφθηκαν υπο μικρό γωνιακό ηλιακό υψόμετρο. Tέλος, η μέθοδος μελλοντικά θα επαληθευθεί και σε παγκόσμιο επίπεδο. 

 
 
 
 
 
 

== ΑΝΑΦΟΡΕΣ ==
1. G. L. Feyisa et al., “Automated water extraction index: a new technique for surface water mapping using Landsat imagery,” Remote Sens. Environ. 140, 23–35 (2014).

2. C. Giardino et al., “Application of remote sensing in water resource management: the case study of Lake Trasimeno, Italy,” Water Resour. Manage. 24(14), 3885–3899 (2010).

3. R. E. Morss et al., “Flood risk, uncertainty, and scientific information for decision making: lessons from an interdisciplinary project,” Bull. Am. Meteorol. Soc. 86(11), 1593–1601 (2005).

4. A. M. Dewan et al., “Evaluating flood hazard for land-use planning in Greater Dhaka of Bangladesh using remote sensing and GIS techniques,” Water Resour. Manage. 21(9), 1601–1612 (2007).

5. S. R. Proud et al., “Rapid response flood detection using the MSG geostationary satellite,” Int. J. Appl. Earth Obs. Geoinf. 13(4), 536–544 (2011).

6. J. Gardelle et al., “Less rain, more water in ponds: a remote sensing study of the dynamics of surface waters from 1950 to present in pastoral Sahel (Gourma region, Mali),” Hydrol. Earth Syst. Sci. 14(2), 309–324 (2010).

7. B. C. Gao, “A normalized difference water index for remote sensing of vegetation liquid water from space,” Imaging Spectrom. 2480, 225–236 (1995).

8. S. K. McFeeters, “The use of the normalized difference water index (NDWI) in the delineation of open water features,” Int. J. Remote Sens. 17(7), 1425–1432 (1996).

9. H. Q. Xu, “Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery,” Int. J. Remote Sens. 27(14), 3025–3033 (2006).

10. Z. F. Liu, Z. J. Yao, and R. Wang, “Assessing methods of identifying open water bodies using Landsat 8 OLI imagery,” Environ.
Earth Sci. 75(10), 873 (2016).

11. A. S. Rogers and M. S. Kearney, “Reducing signature variability in unmixing coastal marsh thematic mapper scenes using spectral indices,” Int. J. Remote Sens. 25(12), 2317–2335 (2004).

12. P. Yan, Y. Zhang, and Y. Zhang, “A study on information extraction of water enhanced water index (EWI) and GIS system in semi-arid regions with the based noise remove techniques,” Remote Sens. Inf. 62–67 (2007).

13. Q. Wei, L. Jingxuan, and L. Lin, “Research on automatic extraction of water bodies and wetlands on HJ satellite CCD images,” Remote Sens. Inf. 4, 28–33 (2011).

14. F. Becker and Z.L. Li, “Towards a local split window method over land surfaces,” Int. J. Remote Sens. 11(3), 369–393 (1990).

15. A. Tilahun and B. Teferie, “Accuracy assessment of land use land cover classification using Google Earth,” Am. J. Environ. Prot. 4, 193–198 (2015).

16. A. Rajeshwari and N. Mani, “Estimation of land surface temperature of Dindigul district using Landsat 8 data,” Int. J. Res. Eng. Technol. 3(5), 122–126 (2014).

17. U. Avdan and G. Jovanovska, “Algorithm for automated mapping of land surface temperature using LANDSAT 8 satellite data,” J. Sens. 2016, 1480307 (2016).

18. J. A. Sobrino, J. C. Jiménez-Muñoz, and L. Paolini, “Land surface temperature retrieval from LANDSAT TM 5,” Remote Sens.
Environ. 90(4), 434–440 (2004).

19. M. Stathopoulou and C. Cartalis, “Daytime urban heat islands from Landsat ETM+ and Corine land cover data: an application to major cities in Greece,” Sol. Energy 81(3), 358–368 (2007).

20. M. I. Ndossi and U. Avdan, “Application of open source coding technologies in the production of land surface temperature (LST) maps from Landsat: a PyQGIS plugin,” Remote Sens. 8(5), 413 (2016).

[[category:Παρακολούθηση, χαρτογράφηση και ανάλυση ποταμών, λιμνών και υγροτόπων]]

COVID-19 και οι επιπτώσεις του στο περιβάλλον: Βελτιωμένα τα επίπεδα μόλυνσης κατά την περίοδο του lockdown...

2021-01-27T02:35:49Z

Ioanna Karani:

Πλήρης Τίτλος: COVID-19 και οι επιπτώσεις του στο περιβάλλον: Βελτιωμένα τα επίπεδα μόλυνσης κατά την περίοδο του lockdown- Η περίπτωση της περιοχής Ahmedabad στην Ινδία. 
'''Πρωτότυπος τίτλος:''' COVID-19 and its impact on environment: Improved pollution levels during the lockdown period – A case from Ahmedabad, India 
'''Συγγραφείς:''' Mohammad Adil Aman, Mohd Sadiq Salman, Ali P. Yunus 
'''Citation:''' Mohammad Adil Aman, Mohd Sadiq Salman, Ali P. Yunus, COVID-19 and its impact on environment: Improved pollution levels during the lockdown period – A case from Ahmedabad, India, Remote Sensing Applications: Society and Environment, Volume 20, 2020, 100382, ISSN 2352-9385, [ https://doi.org/10.1016/j.rsase.2020.100382] . 
'''Πηγή''':[https://doi.org/10.1016/j.rsase.2020.100382 Science Direct] 
'''Λέξεις κλειδιά:'''COVID-19;Surface water quality;Sabarmati river;Turbidity;Suspended particulate matter (SPM) 

 Aντικείμενο και Στόχος έρευνας: 
Η παρούσα έρευνα στοχεύει στην ανίχνευση των μεταβολών στα επίπεδα μόλυνσης του περιβάλλοντος , συγκεκριμένα των υδάτων
, κατά την περίοδο του lοck-down στην πόλη Ahmedabad της Ινδίας, χρησιμοποιώντας δορυφορικά δεδομένα και την τηλεπισκόπηση για την εκτίμηση της θολότητας των υδάτων, ως μέτρο μόλυνσης τους. 
'''1.Εισαγωγή:''' 
Το γενικευμένο lock-down, που επιβλήθηκε στην Ινδία, αποτελεί πρωτόγνωρο φαινόμενο για την ινδική πραγματικότητα. Οι ανθρωπογενείς δραστηριότητες περιορίστηκαν στο ελάχιστο, με αποτέλεσμα να έχουν περιοριστεί οι εκπομπές και τα βιομηχανικά απορρίμματα και απόβλητα στα αστικά κέντρα της Ινδίας. Ταυτόχρονα, οι ανθρωπογενείς δραστηριότητες είναι αυτές που θεωρούνται υπαίτιες για τη μόλυνση του περιβάλλοντος σε διάφορα επίπεδα [1],[15],[19],[26]. Τα βραχυπρόθεσμα, θετικά αποτελέσματα του lock-down και του περιορισμού των ανθρωπογενών δραστηριοτήτων στην ατμοσφαιρική ρύπανση έχουν αναλυθεί σε μια σειρά από έρευνες [9] . Ωστόσο, η έρευνα σε σχέση με την υδρόσφαιρα είναι περιορισμένη. Έρευνες σε σχέση με την υποχώρηση της μόλυνσης στο “Grand Canal” της Ιταλίας και [5]του ποταμού Γάγγη της Ινδίας [14], καθώς και σε σχέση με την απότομη μείωση των ατμοσφαιρικών ρύπων- οι οποίοι συνδέονται και με την θολότητα των υδάτων [31]- σε διάφορα μέρη του πλανήτη[10],[24],[21], υπογραμμίζουν την αναγκαιότητα μελέτης των μακροπρόθεσμων και βραχυπρόθεσμων περιβαλλοντικών επιπτώσεων, λόγω της καινοφανούς πραγματικότητας που διαμορφώθηκε από την επιβολή των γενικευμένων lock-downs. 
'''2.Σύνδεση με την υπάρχουσα έρευνα και ο ρόλος της τηλεπισκόπησης:''' 
Η ανάλυση της ποιότητας και της μόλυνσης των υδάτων βασίζεται σε μετρήσεις φυσικών, χημικών και βιολογικών ιδιοτήτων, οι οποίες κατά κανόνα λαμβάνονται με έρευνα πεδίου. Ωστόσο, οι έρευνες πεδίου είναι χρονοβόρες και κοστοβόρες, ενώ δεν ενδείκνυνται για ανάλυση σε περιφερειακό επίπεδο [8],[18]. Τελευταία, η τηλεπισκόπηση χρησιμοποιείται ευρέως για την διεξαγωγή τέτοιων ερευνών ξεπερνώντας τους ως άνω περιορισμούς [4],[30], επιτρέποντας την μελέτη εκτεταμένων περιοχών και την ανίχνευση μεταβολών μέσα στο χρόνο τακτικά [2],[3],[6],[27],[32], αναλύοντας τα φασματικά χαρακτηριστικά των αποχρώσεων των υδάτων [28]. Στην παρούσα έρευνα η συγκέντρωση Αιωρούμενων Σωματιδίων (ΑΣ) και κατ΄επέκταση η θολότητα των υδάτων χρησιμοποιούνται για την ανίχνευση των επιπέδων μόλυνσης των υδάτων. Ιδιαίτερα δημοφιλή μοντέλα για τέτοιου είδους έρευνες είναι αυτά που στηρίζονται στη μηχανική μάθηση συνδυαστικά με την τηλεπισκόπηση και το GIS [7]. Mέσα στα χρόνια μια σειρά από δορυφορικούς δέκτες, όπως οι Sentinal-2, Landsat series, Spot series, MODIS Aqua and Terra, SeaWiFS and OceanSAT, χρησιμοποιούνται για την χαρτογράφηση των ΑΣ στα υδρολογικά συστήματα [11],[29],[25].

[[ Εικόνα : A6_e1.jpg| thumb| right| Εικόνα 1: Περιοχή μελέτης, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100382 Science Direct] ]]

 

'''3. Περιοχή μελέτης:''' 
Στην παρούσα έρευνα επιλέγεται ως περιοχή μελέτης ο ποταμός Sabamarti. Η ποιότητα των νερών του ποταμού χαρακτηρίζεται μέτρια προς φτωχή, ενώ τα τελευταία χρόνια το σύστημα αυτοκαθαρισμού του ποταμού έχει υποβαθμιστεί [12]. Συγκεκριμένα, επιλέγεται να μελετηθεί η περιοχή του ποταμού που διασχίζει την ινδική Μητρόπολη Ahmedabad (Εικόνα 1) , η οποία κατατάσσεται ανάμεσα στις περιοχές της Ινδίας με τα περισσότερα κρούσματα και στην οποία η μόλυνση του ποταμού οφείλεται κυρίαρχα σε δραστηριότητες του ανθρώπου, βιομηχανικές δραστηριότητες κ.ο.κ. [20] 
'''4. Δορυφορικά Δεδομένα:''' 
Χρησιμοποιούνται δεδομένα από τον δορυφόρο Landsat8 και συγκεκριμένα τον δορυφορικό δέκτη OLI. Συγκεκριμένα χρησιμοποιήθηκαν 13 εικόνες LANDSAT 8 OLI Level-2 (Surface Reflectance), από τον ιστότοπο USGS. Χρησιμοποιήθηκαν 5 εικόνες απο τα έτη 2015 έως και 2019, 3 εικόνες πριν την περίοδο του lock-down και 5 εικόνες κατά την περίοδο του lock-down. 

'''4.1 Χρονική διακριτική ικανότητα :''' 

Η χρονική διακριτική ικανότητα του LANDSAT 8 OLI ανέρχεται σε 16 ημέρες. Ωστόσο, η περιοχή μελέτης υπόκειται σε δυο παρακείμενες σκηνές (WRS path 148 and 149) και με τον τρόπο αυτό βελτιώνεται η χρονική ανάλυση της εικόνας. 
'''4.2 Προεπεξεργασία Δορυφορικών Εικόνων:''' 
Ατμοσφαιρική Διόρθωση: 
Όλες οι εικόνες έχουν υποστεί ατμοσφαιρική διόρθωση χρησιμοποιώντας το εξειδικευμένο λογισμικό ατμοσφαιρικής διόρθωσης Landsat 8 Surface Reflectance Code (LaSRC). Αρχικά, παράγεται η απεικόνιση της ανακλαστικότητας των ανώτερων στρωμάτων της ατμόσφαιρας (ΤΟΑ Reflectance) χρησιμοποιώντας παραμέτρους βαθμονόμησης και στη συνέχεια εφαρμόζονται ατμοσφαιρικές διορθώσεις στην εικόνα αυτή και έτσι δημιουργείται η απεικόνιση της επιφανειακής ανακλαστικότητας (Surface Reflectance). 
'''5. Ο Αλγόριθμος SPM ( ΑΣ):''' 
Έρευνες έχουν δείξει πως η θολότητα των υδάτων μπορεί να εκτιμηθεί χρησιμοποιώντας αλγορίθμους που βασίζονται σε ένα μόνο δορυφορικό κανάλι, στο βαθμό που αυτό θα επιλεχθεί κατάλληλα. Στην παρούσα έρευνα χρησιμοποιείται ο αλγόριθμος που αναπτύχθηκε από τους Nechad et al. (2010) [17]:

 S= {A ρ * ρw/[(1-ρw)*Cρ] } 

, όπου ρw η ανακλαστικότητα των ρέοντων υδάτων στο κανάλι RED και Aρ, Cρ εμπειρικές παράμετροι. 
 
[[ Εικόνα : A6_e3.jpg |thumb| right | Εικόνα 2: Μέση συγκέντρωση ΑΣ αμέσως πριν και κατά τη διάρκεια του lock-down, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100382 Science Direct] ]]

[[ Εικόνα : A6_e4.jpg |thumb| right | Εικόνα 3:Μέση συγκέντρωση για τον μήνα Απρίλιο 2015-2020 , Πηγή:[https://doi.org/10.1016/j.rsase.2020.100382 Science Direct] ]] 
 

'''6. Αποτελέσματα και Συμπεράσματα:''' 

Συνολικά, αποδεικνύεται πως η συγκέντρωση ΑΣ σε επίπεδο μέσων όρων είναι η ελάχιστη κατά τη διάρκεια του lock-down σε σχέση με την περίοδο ακριβώς πριν την καραντίνα (Εικόνα 2), αλλά και σε σχέση με τις αντίστοιχες μέσες συγκεντρώσεις κατά τον
μήνα Απρίλιο από τα έτη 2015 έως και 2019 (Εικόνα 3). Την μείωση της συγκέντρωσης ΑΣ κατά την περίοδο του lock-down επιβεβαιώνουν και τα δεδομένα του Central Pollution Board for Ahmedabad city.
 
 
 
 
 
 
 
 
 
 


== ΑΝΑΦΟΡΕΣ ==



1. Akimoto, H., 2003. Global air quality and pollution. Science 302 (5651), 1716–1719.

2. Ali, P.Y., Jie, D., Khan, A., Sravanthi, N., Rao, L.A., Hao, C., 2019. Channel migration characteristics of the Yamuna River from 1954 to 2015 in the vicinity of Agra, India: a case study using remote sensing and GIS. Int. J. River Basin Manag. 17 (3), 367–375.

3. Alparslan, E., Aydoner, ¨ C., Tufekci, V., Tüfekci, H., 2007. Water quality assessment at Omerli ¨ Dam using remote sensing techniques. Environ. Monit. Assess. 135 (1–3), 391.

4. Avtar, R., Sahu, N., Aggarwal, A.K., Chakraborty, S., Kharrazi, A., Yunus, A.P., Dou, J., Kurniawan, T.A., 2019. Exploring renewable energy resources using remote sensing and GIS—a review. Resources 8 (3), 149.

5. Clifford, C., 2020. March 18). The Water in Venice, Italy’s Canals Is Running Clear amid the COVID-19 Lockdown—Take a Look. CNBC. https://www.cnbc.com/2020
/03/18/photos-water-in-venice-italys-canals-clear-amid-covid-19-lockdown.html.

6. Dekker, A., Zamurovi´c-Nenad, Z., ˇ Hoogenboom, H., Peters, S., 1996. Remote sensing, ecological water quality modelling and in situ measurements: a case study in shallow lakes. Hydrol. Sci. J. 41 (4), 531–547.

7. Dou, J., Yunus, A.P., Merghadi, A., Shirzadi, A., Nguyen, H., Hussain, Y., Avtar, R., Chen, Y., Pham, B.T., Yamagishi, H., 2020. Different sampling strategies for predicting landslide susceptibilities are deemed less consequential with deep learning. Sci. Total Environ. 720, 137320.

8. Duan, W., He, B., Takara, K., Luo, P., Nover, D., Sahu, N., Yamashiki, Y., 2013. Spatiotemporal evaluation of water quality incidents in Japan between 1996 and 2007. Chemosphere 93 (6), 946–953.

9. ESA, 2020. COVID-19: Nitrogen Dioxide over China. ESA. March 19. https://www.esa. int/Applications/Observing_the_Earth/Copernicus/Sentinel-5P/COVID-19_nitrogen_ dioxide_over_China.

10. Ficetola, G.F., Rubolini, D., 2020. Climate Affects Global Patterns of COVID-19 Early Outbreak Dynamics. MedRxiv.

11. Gholizadeh, M.H., Melesse, A.M., Reddi, L., 2016. A comprehensive review on water quality parameters estimation using remote sensing techniques. Sensors 16 (8), 1298.

12. Haldar, S., Mandal, S.K., Thorat, R., Goel, S., Baxi, K.D., Parmer, N.P., Patel, V., Basha, S., Mody, K., 2014. Water pollution of Sabarmati River - a harbinger to potential disaster. Environ. Monit. Assess. 186 (4), 2231–2242.

13. Henriques, M., 2020. Will Covid-19 Have a Lasting Impact on the Environment. BBC News. https://www.bbc.com/future/article/20200326-covid-19-the-impact-of-co ronavirus-on-the-environment. May 27

14. Mani, K.A.S., 2020. The Lockdown Cleaned the Ganga More than ‘Namami Gange’ Ever Did. Science-The Wire. April 19. https://science.thewire.in/environment/ganga-rive r-lockdown-cleaner-namami-gange-sewage-treatment-ecological-flow/.

15. Masood, N., Zakaria, M.P., Halimoon, N., Aris, A.Z., Magam, S.M., Kannan, N., Mustafa, S., Ali, M.M., Keshavarzifard,
M., Vaezzadeh, V., others, 2016. Anthropogenic waste indicators (AWIs), particularly PAHs and LABs, in Malaysian sediments: application of aquatic environment for identifying anthropogenic pollution. Mar. Pollut. Bull. 102 (1), 160–175.

16. Merghadi, A., Yunus, A.P., Dou, J., Whiteley, J., ThaiPham, B., Bui, D.T., Avtar, R., Abderrahmane, B., 2020. Machine learning methods for landslide susceptibility studies: a comparative overview of algorithm performance. Earth Sci. Rev. 103225.

17. Nechad, B., Ruddick, K., Park, Y., 2010. Calibration and validation of a generic multisensor algorithm for mapping of total suspended matter in turbid waters. Remote Sens. Environ. 114 (4), 854–866.

18. Ritchie, J.C., Zimba, P.V., Everitt, J.H., 2003. Remote sensing techniques to assess water quality. Photogramm. Eng.
Rem. Sens. 69 (6), 695–704.

19. Schlacher, T.A., Lucrezi, S., Connolly, R.M., Peterson, C.H., Gilby, B.L., Maslo, B., Olds, A.D., Walker, S.J., Leon, J.X., Huijbers, C.M., others, 2016. Human threats to sandy beaches: a meta-analysis of ghost crabs illustrates global anthropogenic impacts. Estuar. Coast Shelf Sci. 169, 56–73.
20. Shah, K.A., Joshi, G.S., 2017. Evaluation of water quality index for River Sabarmati, Gujarat, India. Appl. Water Sci. 7 (3), 1349–1358.

21. Sharma, S., Zhang, M., Gao, J., Zhang, H., Kota, S.H., others, 2020. Effect of restricted emissions during COVID-19 on
air quality in India. Sci. Total Environ. 728, 138878.

22. Stone, M., 2020. Carbon Emissions Are Falling Sharply Due to Coronavirus. But Not for Long. National Geographic. March 4. https://www.nationalgeographic.com/scienc e/2020/04/coronavirus-causing-carbon-emissions-to-fall-but-not-for-long/.

23. Stumpf, R.P., Pennock, J.R., 1989. Calibration of a general optical equation for remote sensing of suspended sediments in a moderately turbid estuary. J. Geophys. Res.: Oceans 94 (C10), 14363–14371

24. Tobias, A., Carnerero, C., Reche, C., Massagu´e, J., Via, M., Minguillon, ´ M.C., Alastuey, A., Querol, X., 2020. Changes in air quality during the lockdown in Barcelona (Spain) one month into the SARS-CoV-2 epidemic. Sci. Total Environ. 138540.

25. Vanhellemont, Q., Ruddick, K., 2014. Turbid wakes associated with offshore wind turbines observed with Landsat 8. Remote Sens. Environ. 145, 105–115.

26. Volkamer, R., Jimenez, J.L., San Martini, F., Dzepina, K., Zhang, Q., Salcedo, D., Molina, L.T., Worsnop, D.R., Molina,
M.J., 2006. Secondary organic aerosol formation from anthropogenic air pollution: rapid and higher than expected. Geophys. Res. Lett. 33 (17).

27. Wang, X.J., Ma, T., 2001. Application of remote sensing techniques in monitoring and assessing the water quality of Taihu Lake. Bull. Environ. Contam. Toxicol. 67 (6), 863–870.

28. Wang, Xiaoyan, Yang, W., 2019. Water quality monitoring and evaluation using remotesensing techniques in China: a systematic review. Ecosys. Health Sustain. 5 (1), 47–56.

29. Wei, J., Lee, Z., Garcia, R., Zoffoli, L., Armstrong, R.A., Shang, Z., Sheldon, P., Chen, R.F., 2018. An assessment of
Landsat-8 atmospheric correction schemes and remote sensing reflectance products in coral reefs and coastal turbid waters. Remote Sens. Environ. 215, 18–32.

30. Yunus, A.P., Dou, J., Song, X., Avtar, R., 2019. Improved bathymetric mapping of coastal and lake environments using Sentinel-2 and Landsat-8 images. Sensors 19 (12), 2788.

31. Yunus, A.P., Masago, Y., Hijioka, Y., 2020. COVID-19 and surface water quality: improved lake water quality during the lockdown. Sci. Total Environ. 139012.

32. Zhu, Z., Dou, J., 2018. Current status of reclaimed water in China: an overview. IDA J. Desalination Water Reuse 8 (3), 293–307.

[[category:Ανίχνευση ρύπανσης υδάτινων όγκων]]

Χρήση εικόνων Landsat 8 για την εκτίμηση του βάθους και της ποιότητας των υδάτων στη "δεξαμενή" νερού El Guajaro στην Κολομβία

2021-01-27T02:34:15Z

Ioanna Karani:

[[category:Παρακολούθηση, χαρτογράφηση και ανάλυση ποταμών, λιμνών και υγροτόπων]]

'''Πρωτότυπος τίτλος:'''Use of LANDSAT 8 images for depth and water quality assessment of El Guajaro reservoir, Colombia 
'''Συγγραφείς:'''Luis Carlos González-Márquez, Franklin M. Torres-Bejarano, Ana Carolina Torregroza-Espinosa, Ivette Renée Hansen-Rodríguez, Hugo B. Rodríguez-Gallegos 
'''Citation:'''Luis Carlos González-Márquez, Franklin M. Torres-Bejarano, Ana Carolina Torregroza-Espinosa, Ivette Renée Hansen-Rodríguez, Hugo B. Rodríguez-Gallegos, Use of LANDSAT 8 images for depth and water quality assessment of El Guájaro reservoir, Colombia, Journal of South American Earth Sciences, Volume 82, 2018, Pages 231-238, ISSN 0895-9811, [https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub]. 

'''Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub ScienceDirect] 
'''Λέξεις κλειδιά:'''Water quality; Remote sensing; Statistical models; Multispectral analysis 
 
 
 
 Αντικείμενο εγαρμογής: Αξιλόγηση ποιότητας και χαρακτηριστικών υδάτων. 
 
 
 

'''1. Σκοπός και χρήση της εφαρμογής:''' 
Η παρούσα έρευνα στοχεύει στην ανάπτυξη μεθοδολογίας για την εκτίμηση του βάθους και την ποιότητα των υδάτων συνδυάζοντας δορυφορικές εικόνες, επιτόπιες μετρήσεις και στατιστικά μοντέλα. 
'''2. Εισαγωγή:''' 
Το κλίμα, οι ορογενετικές διαδικασίες, καθώς και η βιο-γεωγραφική θέση της Κολομβίας συνέβαλαν στην αφθονία υδάτων στην χώρα(Minambiente, 2010; Castellanos, 2015). Η εθνική πολιτική για την ολοκληρωμένη διαχείριση των υδάτων επισημαίνει την έλλειψη περιοδικής και συστηματικής μελέτης των υδάτων. Ταυτόχρονα, είναι προφανές πως η ποιότητα των υδάτων μεταβάλλεται, επηρεάζοντας τόσο τη διαθεσιμότητα, όσο και την καταλληλότητα για ορισμένες χρήσεις, με διαφορετική ένταση ανά περιοχή και υδάτινο σώμα. Συνεπώς, αναδεικνύεται η αναγκαιότητα για πρόσβαση σε επαρκούς κάλυψης, συνεκτικότητας και ανάλυσης πληροφορίες για την πιο ολοκληρωμένη χωροχρονική μελέτη των υδάτων (Minambiente, 2010). Συνολικά, η πρόσβαση σε πληροφορίες σε σχέση με την ποιότητα των υδάτων στην Κολομβία και ειδικά στην περιοχή της Καραϊβικής χαρακτηρίζεται από δυσκολίες, ενώ ταυτόχρονα οι διαθέσιμες πληροφορίες είναι περιορισμένες και κατακερματισμένες. 
'''3. Ο ρόλος της τηλεπισκόπησης:''' 
Παραδοσιακά η μελέτη των υδάτινων σωμάτων βασίζεται στην επιτόπια δειγματοληψία και την ανάλυση των δειγμάτων σε εργαστηριακό περιβάλλον, πρακτική η οποία είναι χρονοβόρα και κοστοβόρα και δεν ενδείκνυται για την παρατήρηση των χωροχρονικών μεταβολών σε μεγάλες περιοχές (He et al., 2008). Ακόμη, δεν διευκολύνεται η τακτική παρατήρηση των υδάτων, η οποία είναι ιδιαίτερα σημαντική για την ολοκληρωμένη διαχείριση τους (Wang and Ma, 2001). Δεδομένου ότι η ορατότητα του νερού επηρεάζεται από παράγοντες που σχετίζονται με την ποιότητα του (Pavelsky and Smith, 2009), αναπτύχθηκαν αλγόριθμοι για την παρακολούθηση παραμέτρων της ποιότητας των υδάτων με εργαλεία τηλεπισκόπησης (He et al., 2008; El Saadi et al., 2014) Η τηλεπισκόπηση επιτρέπει την παρακολούθηση εκτεταμένων περιοχών, χωρίς τα υψηλά κόστη της επιτόπιας έρευνας (Hadjimitsis et al., 2010). Εμπόδιο στην μελέτη της ποιότητας των υδάτων με εργαλεία τηλεπισκόπησης μπορεί να σταθεί η επίδραση των ατμοσφαιρικών παραγόντων, αν και έχουν αναπτυχθεί μεθοδολογίες για την απαλοιφή της . Σε γενικές γραμμές, μια σειρά από έρευνες έχουν διεξαχθεί με χρήση εργαλείων τηλεπισκόπησης για την μελέτη παραμέτρων της ποιότητας των υδάτων, όπως η συγκέντρωση χλωροφύλλης, η διαπερατότητα, η θολότητα κ.ο.κ. (Ritchie et al., 2003; Hellweger et al., 2004; Dona et al., 2015; Harvey et al., 2015), αλλά και για τον προσδιορισμό θέσεων υδατοκαλλιεργειών με χρήση πολυφασματικών ή υπερφασματικών εικόνων (Rajitha et al., 2007; Alexandridis et al., 2008; Abd-Elrahman et al., 2011). 
'''4. Περιοχή μελέτης:''' 
Ως περιοχή μελέτης επιλέγεται η "δεξαμενή" El Guajaro (Εικόνα 1) στην Κολομβία. Στην αρχική της κατάσταση, η λίμνη χαρακτηρίζονταν από χωρητικότητα ίση με 400,000,000 m3 και έκταση ίση με 16,000 ha και μέσο βάθος 5 μέτρων. Σήμερα, η έκταση της λίμνης υπολογίζεται σε 11,647 ha, η περίμετρο της σε 114.28 km και πραγματικό όγκο ίσο με 240,000,000 m3 (IDEAM, 2015). Επίσης, η λίμνη διαθέτει δύο διαύλους επικοινωνίας με το κανάλι του φράγματος για τον έλεγχο του επιπέδου της λίμνης (Torres Bejarano et al., 2015). Τα νερά της "δεξαμενή"ς αξιοποιούνται ποικιλοτρόπως: για ανθρώπινη κατανάλωση, για άρδευση γεωργικών προϊόντων και καλλιέργειες ψαριών κ.ο.κ. 
'''5. Δεδομένα''' 
[[ Εικόνα: Ik21_a3_e1.jpg | thumb | right | Εικόνα 1: Περιοχή μελέτης, Πηγή: [https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub ScienceDirect] ]]


'''5.1 Δεδομένα πεδίου:''' 
Πραγματοποιήθηκαν δύο συμπληρωματικές δειγματοληψίες στην περιοχή, πριν την περίοδο των βροχοπτώσεων, στις 28/02/2015 (Δείγμα 1) και στις 16/03/2015 (Δείγμα 2) και οι ημερομηνίες επιλέχθηκαν έτσι ώστε να συμπίπτουν με την ημερομηνία λήψης των εικόνων Landsat 8. Τα δείγματα, προέρχονται από όλη την έκταση της λίμνης για να είναι αντιπροσωπευτικά, ενώ εξαιρέθηκαν οι περιοχές βλάστησης στην επιφάνεια της λίμνης (Εικόνα 1). Μετρήθηκαν οι θερμοκρασία, η ηλεκτρική αγωγιμότητα (ΕΟ), το διαλυμένο οξυγόνο (DO), το pH, η θολότητα και το βάθος. 
'''5.2 Δορυφορικά δεδομένα:''' 
Χρησιμοποιήθηκαν δύο εικόνες Landsat 8 (path, 9; row, 53) με ημερομηνίες λήψης 28/02/2015 και 16/03/2015. Τα δεδομένα αντλήθηκαν από την ιστοσελίδα [http://glovis.usgs.gov/]. Η νεφοκάλυψη και για τις δύο εικόνες ανέρχεται σε 3%. Ο τύπος των εικόνων είναι level 1 GeoTIFF. Στον δορυφόρο είναι προσαρμοσμένοι δύο αισθητήρες ο OLI και ο ΤIRS. Οι εικόνες διαθέτουν 11 κανάλια διαφορετικής χωρικής διακριτικής ικανότητας. Tα κανάλια (bands) b1 (coast/aerosol), b2 (blue), b3 (green), b4 (red), b5 (near infrared, NIR), b6 and b7 (short wave infrared bands SWIR1, and SWIR2), όπως και το κανάλι b9 (cirrus) έχουν χωρική διακριτική ικανότητα της τάξης των 30m , το κανάλι b8 (panchromatic) 15 m και τα κανάλια b10 και b11 (TIR-1 and TIR-2) 100 m, η οποία επαναπροσδιορίζεται στα 30m. 
'''6. Μέθοδος:''' 
Η μέθοδος που χρησιμοποιήθηκε στην παρούσα έρευνα παρουσιάζεται σχηματικά στην Εικόνα 2. 
[[ Εικόνα : Ik21_a3_e2.jpg | frame | center| Εικόνα 2: Διάγραμμα ροής της παρούσας έρευνας. ]] 


'''6.1 Προεπεξεργασία και Επεξεργασία δορυφορικών εικόνων:''' 
Η εικόνες Landsat 8 υπέστησαν ραδιομετρική και ατμοσφαιρική διόρθωση. Κατά την ραδιομετρική διόρθωση η σχετικές τιμές των pixel ή οι ψηφιακές τους τιμές μετασχηματίζονται σε μετρήσεις ακτινοβολίας ανά μονάδα μήκους κύματος του φωτός ή σε ανακλαστικότητα. Κατά την ατμοσφαιρική διόρθωση περιορίζεται η επίδραση των ατμοσφαιρικών παραγόντων και οι ραδιομετρικές τιμές μετασχηματίζονται σε ακτινοβολία ή ανακλαστικότητα εδάφους. Με τον τρόπο αυτό οι μετρήσεις των βιοφυσικών παραμέτρων είναι δυνατόν να εκτιμηθούν και να συγκριθούν στο χώρο και στον χρόνο (Chavez, 1988). Στην παρούσα έρευνα η ατμοσφαιρική διόρθωση εφαρμόστηκε στα κανάλια του ορατού φάσματος στα κανάλια NIR και SWIR1, SWIR2 μέσω της μεθόδου αφαίρεσης του μέλανος σώματος (Chavez, 1988). Με βάση τη μέθοδο αυτή θεωρείται ότι μερικά από τα πιο σκούρα αντικείμενα έχουν τιμές ανακλαστικότητας κοντά στο 0, αλλά λόγω της διασποράς και της ατμοσφαιρικής απορρόφησης, τιμές ανακλαστικότητας διάφορες του 0 κατατάσσονται στα pixel των σκούρων αντικειμένων και οι τιμές αυτές πρέπει να αφαιρεθούν απο τα διάφορα φασματικά κανάλια της εικόνας. Για την επεξεργασία χρησιμοποιήθηκε το λογισμικό ENVI και η έκδοση 5.2 .
Οι υδάτινες περιοχές οριοθετήθηκαν με τη χρήση του δείκτη Normalized Differential Water Index (NDWI) (McFeeters, 1996; Khattab and Merkel, 2013). Ο δείκτης ορίζεται ως εξής: 


 NDWI=(b3-NIR)/(b3+NIR) 



, όπου b3 το πράσινο κανάλι και NIR το κανάλι του εγγύος υπέρυθρου (b5).
Για την επεξεργασία χρησιμοποιήθηκε το λογισμικό ENVI. Δημιουργήθηκε μάσκα στην οποία στα εικονοστοιχεία που αντιστοιχούσαν στην επιφάνεια του νερού αποδόθηκε η τιμή 1, ενώ στα υπόλοιπα(λ.χ. Βλάστηση, έδαφος) η τιμή 0. Στη συνέχεια η μάσκα αυτή πολλαπλασιάστηκε με τις εικόνες Landsat 8 που έχουν διορθωθεί ραδιομετρικά και ατμοσφαιρικά. 
'''6.2 Στατιστική ανάλυση:''' 
Για τον προσδιορισμό των στατιστικών μοντέλων, τα αποτελέσματα της δεύτερη δειγματοληψίας χρησιμοποιήθηκαν ως εξαρτημένες μεταβλητές και τα δεδομένα για την ανακλαστικότητα των διάφορων συνδυασμών φασματικών καναλιών των επεξεργασμένων Landsat 8 εικόνων ως ανεξάρτητες μεταβλητές. Η κανονικότητα των δεδομένων ελέγχθηκε με τον έλεγχο e Shapiro-Wilk test, χρησιμοποιώντας το λογισμικό Real Statistics Resource Pack (Zaiontz, 2015), ενώ όσα δεδομένα δεν ακολουθούσαν κανονική κατανομή κανονικοποιήθηκαν . Για την παραγωγή και την επαλήθευση των μοντέλων χρησιμοποιήθηκαν τα δεδομένα των δύο δειγματοληψιών. Τα μοντέλα παράχθηκαν με βηματική παλινδρόμηση και η επαλήθευση πραγματοποιήθηκε με απλή γραμμική παλινδρόμηση σε περιβάλλον Matlab (version 2015). 
'''6.3 Χαρτογράφηση παραμέτρων:''' 
Τέλος, τα μοντέλα αναπαράχθηκαν με το Band Math tool of ENVI και οι τιμές ανακλαστικότητας αντιστοιχήθηκαν σε τιμές ΕC, Turbidity (θολότητα), pH, DO και depth (βάθος). Η χαρτογράφηση των παραμέτρων πραγματοποιήθηκε στο λογισμικό ArcMap 10.2. 
[[ Εικόνα : Ik21_a3_e4.JPG| thumb | right | Πίνακας 1: Στατιστικά μοντέλα των παραμέτρων και του βάθους, R 2 και RMSE., Πηγή:[https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub ScienceDirect] ]]


'''7. Αποτελέσματα:''' 

Τα μοντέλα τα οποία ήταν στατιστικά σημαντικά (p<0.05) και τα οποία προσαρμόζονται καλύτερα στα επιτόπια δεδομένα της δεύτερης δειγματοληψίας για τις παραμέτρους EC, turbidity, pH, DO και depth παρουσιάζονται στον Πίνακα 1. Στον Πίνακα 1 παρουσιάζεται, επίσης, και το μέσο τετραγωνικό σφάλμα. 
Γενικά, η ανάλυση παλινδρόμησης έδειξε καλή συσχέτιση ( R2 >0.06149) μεταξύ της ανακλαστικότητας των διάφορων φασματικών καναλιών των εικόνων Landsat 8 και των μετρήσεων των παραμέτρων και του βάθους στη λίμνη. Ωστόσο, μόνο το μοντέλο για την ηλεκτρική αγωγιμότητα επαληθεύτηκε σε τελική ανάλυση.
Τα αποτελέσματα της χαρτογράφησης των παραμέτρων και του βάθους παρουσιάζονται στην Εικόνα 3. 
 
 

[[ Εικόνα: Ik21_a3_e5.jpg| thumb| right| Εικόνα 3: Χαρτογράφηση παραμέτρων και βάθους., Πηγή:[https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub ScienceDirect] ]]
 
 
 

'''8. Συμπεράσματα:''' 
Η επαλήθευση του μοντέλου ΕC που παράγεται στην παρούσα έρευνα δείχνει ότι μπορεί να χρησιμοποιηθεί για την αξιολόγηση της χρονικής και χωρικής διακύμανσης αυτής της παραμέτρου, σε περιόδους με καιρικές συνθήκες παρόμοιες με εκείνες που επικρατούσαν κατά την περίοδο συλλογή των δεδομένων για την παραγωγή του μοντέλου. Η μη επαλήθευση των παραγόμενων μοντέλων για την εκτίμηση της χρονικής διακύμανσης της θολότητας, του pH, του DO και του βάθους, δεν περιορίζει τη χρησιμότητά τους για την αξιολόγηση της χωρικής διακύμανσης από μικρό αριθμό παραμέτρων που αξιολογούνται επιτόπου.
Συνολικά, τα μοντέλα που δημιουργήθηκαν από τις εικόνες Landsat 8 αποτελούν ένα χρήσιμο εργαλείο για την χωρική και χρονική ανάλυση της ποιότητας των υδάτων της "δεξαμενή"ς του El Guájaro και να συμβάλει στην περιβαλλοντική, οικονομική και κοινωνική διαχείριση της. 
 
 
 

 
 
 
 

== ΑΝΑΦΟΡΕΣ ==


Abd-Elrahman, A., Croxton, M., Pande-Chettri, R., Toor, G.S., Smith, S., Hill, J., Jul. 2011. In situ estimation of water quality parameters in freshwater aquaculture ponds using hyperspectral imaging system. ISPRS J. Photogramm. Remote Sens. 66 (4), 463e472. https://doi.org/10.1016/j.isprsjprs.2011.02.005.

Alexandridis, T.K., Topaloglou, C.A., Lazaridou, E., Zalidis, G.C., Jan. 2008. The performance of satellite images in mapping aquacultures. Ocean Coast. Manag. 51 (8e9), 638e644. https://doi.org/10.1016/j.ocecoaman.2008.06.002

Castellanos, C., 2015. Humedales, riqueza a conservar. Rev. Ambient. el Reto [Online]. Available: http://elretoambiental.webnode.es/news/informe-especialhumedales-riqueza-a-conservar/. (Accessed 14 September 2015).

Chavez, P.S., Apr. 1988. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sens. Environ. 24 (3), 459e479. https://doi.org/10.1016/0034-4257(88)90019-3.

Dona, C., Chang, N.B., Caselles, V., S ~ anchez, J.M., Camacho, A., Delegido, J., Vannah, B.W., Mar. 2015. Integrated satellite data fusion and mining for monitoring lake water quality status of the Albufera de Valencia in Spain. J. Environ. Manag. 151, 416e426. https://doi.org/10.1016/j.jenvman.2014.12.003.

El Saadi, A.M., Yousry, M.M., Jahin, H.S., 2014. Statistical estimation of Rosetta branch water quality using multi-spectral data. Water Sci. 28 (1), 18e30. https://doi.org/10.1016/j.wsj.2014.10.001.

Hadjimitsis, D.G., Hadjimitsis, M.G., Toulios, L., Clayton, C., Jan. 2010. Use of space technology for assisting water quality
assessment and monitoring of inland water bodies. Phys. Chem. Earth Parts A/B/C 35 (1e2), 115e120. https://doi.org/ 10.1016/j.pce.2010.03.033.

Harvey, E.T., Kratzer, S., Philipson, P., Mar. 2015. Satellite-based water quality monitoring for improved spatial and temporal retrieval of chlorophyll-a in coastal waters. Remote Sens. Environ. 158, 417e430. https://doi.org/10.1016/j. rse.2014.11.017.

He, W., Chen, S., Liu, X., Chen, J., 2008. Water quality monitoring in a slightlypolluted inland water body through remote sensingdcase study of the Guanting Reservoir in Beijing, China. Environ. Sci. Eng. https://doi.org/10.1007/ s11783-008-0027-7. Hellweger, F.L., Schlosser, P., Lall, U., Weissel, J.K., Nov. 2004. Use of satellite imagery for water quality studies in New York Harbor. Estuar. Coast. Shelf Sci. 61 (3), 437e448. http://doi:10.1016/j.ecss.2004.06.019. IDEAM, 2015. Estudio Nacional del Agua 2014, Bogot a, D. C.

IDEAM, 2015. Estudio Nacional del Agua 2014, Bogot a, D. C.
Khattab, M.F.O., Merkel, B.J., Jul. 2013. Application of Landsat 5 and Landsat 7 images data for water quality mapping in Mosul Dam Lake, Northern Iraq. Arab. J. Geosci. 7 (9), 3557e3573. https://doi.org/10.1007/s12517-013-1026-y

McFeeters, S.K., May 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J. Remote Sens. 17 (7), 1425e1432. https://doi.org/10.1080/01431169608948714.

Minambiente, 2010. Política Nacional para la Gestion Integral del Recurso Hídrico, Bogota.

Pavelsky, T.M., Smith, L.C., Nov. 2009. Remote sensing of suspended sediment concentration, flow velocity, and lake recharge in the Peace-Athabasca Delta, Canada. Water Resour. Res. 45 (11), W11417. https://doi.org/10.1029/ 2008wr007424

Rajitha, K., Mukherjee, C.K., Vinu Chandran, R., Jan. 2007. Applications of remote sensing and GIS for sustainable management of shrimp culture in India. Aquacult. Eng. 36 (1), 1e17. https://doi.org/10.1016/j.aquaeng.2006.05.003.

Ritchie, J.C., Zimba, P.V., Everitt, J.H., Jun. 2003. Remote sensing techniques to assess water quality. Photogramm. Eng. Remote Sens. 69 (6), 695e704. https://doi.org/ 10.14358/PERS.69.6.695.

Torres-Bejarano, F., Padilla Coba, J., Rodríguez Cuevas, C., Ramírez Leon, H., Cantero Rodelo, R., Jun. 2015. La modelacion hidrodin amica para la gesti on hídrica del embalse del Gu ajaro, Colombia. Rev. Int. Metodos Num er. C alc. Diseno Ing. 32 ~ (3), 163e172. https://doi.org/10.1016/j.rimni.2015.04.001.

Wang, X., Ma, T., 2001. Application of remote sensing techniques in monitoring and assessing the water quality of Taihu Lake. Bull. Environ. Contam. Toxicol. 67 (6), 863e870. https://doi.org/10.1007/s00128-001-0202-z.

Zaiontz, C., 2015. Real Statistics Resource Pack Software.

Χρήση εικόνων Landsat 8 για την εκτίμηση του βάθους και της ποιότητας των υδάτων στη "δεξαμενή" νερού El Guajaro στην Κολομβία

2021-01-27T02:33:17Z

Ioanna Karani:

[[category:Παρακολούθηση, χαρτογράφηση και ανάλυση ποταμών, λιμνών και υγροτόπων]]

'''Πρωτότυπος τίτλος:'''Use of LANDSAT 8 images for depth and water quality assessment of El Guajaro reservoir, Colombia 
'''Συγγραφείς:'''Luis Carlos González-Márquez, Franklin M. Torres-Bejarano, Ana Carolina Torregroza-Espinosa, Ivette Renée Hansen-Rodríguez, Hugo B. Rodríguez-Gallegos 
'''Citation:'''Luis Carlos González-Márquez, Franklin M. Torres-Bejarano, Ana Carolina Torregroza-Espinosa, Ivette Renée Hansen-Rodríguez, Hugo B. Rodríguez-Gallegos, Use of LANDSAT 8 images for depth and water quality assessment of El Guájaro reservoir, Colombia, Journal of South American Earth Sciences, Volume 82, 2018, Pages 231-238, ISSN 0895-9811, [https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub]. 

'''Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub ScienceDirect] 
'''Λέξεις κλειδιά:'''Water quality; Remote sensing; Statistical models; Multispectral analysis 
 
 
 
 Αντικείμενο εγαρμογής: Αξιλόγηση ποιότητας και χαρακτηριστικών υδάτων. 
 
 
 

'''1. Σκοπός και χρήση της εφαρμογής:''' 
Η παρούσα έρευνα στοχεύει στην ανάπτυξη μεθοδολογίας για την εκτίμηση του βάθους και την ποιότητα των υδάτων συνδυάζοντας δορυφορικές εικόνες, επιτόπιες μετρήσεις και στατιστικά μοντέλα. 
'''2. Εισαγωγή:''' 
Το κλίμα, οι ορογενετικές διαδικασίες, καθώς και η βιο-γεωγραφική θέση της Κολομβίας συνέβαλαν στην αφθονία υδάτων στην χώρα(Minambiente, 2010; Castellanos, 2015). Η εθνική πολιτική για την ολοκληρωμένη διαχείριση των υδάτων επισημαίνει την έλλειψη περιοδικής και συστηματικής μελέτης των υδάτων. Ταυτόχρονα, είναι προφανές πως η ποιότητα των υδάτων μεταβάλλεται, επηρεάζοντας τόσο τη διαθεσιμότητα, όσο και την καταλληλότητα για ορισμένες χρήσεις, με διαφορετική ένταση ανά περιοχή και υδάτινο σώμα. Συνεπώς, αναδεικνύεται η αναγκαιότητα για πρόσβαση σε επαρκούς κάλυψης, συνεκτικότητας και ανάλυσης πληροφορίες για την πιο ολοκληρωμένη χωροχρονική μελέτη των υδάτων (Minambiente, 2010). Συνολικά, η πρόσβαση σε πληροφορίες σε σχέση με την ποιότητα των υδάτων στην Κολομβία και ειδικά στην περιοχή της Καραϊβικής χαρακτηρίζεται από δυσκολίες, ενώ ταυτόχρονα οι διαθέσιμες πληροφορίες είναι περιορισμένες και κατακερματισμένες. 
'''3. Ο ρόλος της τηλεπισκόπησης:''' 
Παραδοσιακά η μελέτη των υδάτινων σωμάτων βασίζεται στην επιτόπια δειγματοληψία και την ανάλυση των δειγμάτων σε εργαστηριακό περιβάλλον, πρακτική η οποία είναι χρονοβόρα και κοστοβόρα και δεν ενδείκνυται για την παρατήρηση των χωροχρονικών μεταβολών σε μεγάλες περιοχές (He et al., 2008). Ακόμη, δεν διευκολύνεται η τακτική παρατήρηση των υδάτων, η οποία είναι ιδιαίτερα σημαντική για την ολοκληρωμένη διαχείριση τους (Wang and Ma, 2001). Δεδομένου ότι η ορατότητα του νερού επηρεάζεται από παράγοντες που σχετίζονται με την ποιότητα του (Pavelsky and Smith, 2009), αναπτύχθηκαν αλγόριθμοι για την παρακολούθηση παραμέτρων της ποιότητας των υδάτων με εργαλεία τηλεπισκόπησης (He et al., 2008; El Saadi et al., 2014) Η τηλεπισκόπηση επιτρέπει την παρακολούθηση εκτεταμένων περιοχών, χωρίς τα υψηλά κόστη της επιτόπιας έρευνας (Hadjimitsis et al., 2010). Εμπόδιο στην μελέτη της ποιότητας των υδάτων με εργαλεία τηλεπισκόπησης μπορεί να σταθεί η επίδραση των ατμοσφαιρικών παραγόντων, αν και έχουν αναπτυχθεί μεθοδολογίες για την απαλοιφή της . Σε γενικές γραμμές, μια σειρά από έρευνες έχουν διεξαχθεί με χρήση εργαλείων τηλεπισκόπησης για την μελέτη παραμέτρων της ποιότητας των υδάτων, όπως η συγκέντρωση χλωροφύλλης, η διαπερατότητα, η θολότητα κ.ο.κ. (Ritchie et al., 2003; Hellweger et al., 2004; Dona et al., 2015; Harvey et al., 2015), αλλά και για τον προσδιορισμό θέσεων υδατοκαλλιεργειών με χρήση πολυφασματικών ή υπερφασματικών εικόνων (Rajitha et al., 2007; Alexandridis et al., 2008; Abd-Elrahman et al., 2011). 
'''4. Περιοχή μελέτης:''' 
Ως περιοχή μελέτης επιλέγεται η "δεξαμενή" El Guajaro (Εικόνα 1) στην Κολομβία. Στην αρχική της κατάσταση, η λίμνη χαρακτηρίζονταν από χωρητικότητα ίση με 400,000,000 m3 και έκταση ίση με 16,000 ha και μέσο βάθος 5 μέτρων. Σήμερα, η έκταση της λίμνης υπολογίζεται σε 11,647 ha, η περίμετρο της σε 114.28 km και πραγματικό όγκο ίσο με 240,000,000 m3 (IDEAM, 2015). Επίσης, η λίμνη διαθέτει δύο διαύλους επικοινωνίας με το κανάλι του φράγματος για τον έλεγχο του επιπέδου της λίμνης (Torres Bejarano et al., 2015). Τα νερά της "δεξαμενή"ς αξιοποιούνται ποικιλοτρόπως: για ανθρώπινη κατανάλωση, για άρδευση γεωργικών προϊόντων και καλλιέργειες ψαριών κ.ο.κ. 
'''5. Δεδομένα''' 
[[ Εικόνα: Ik21_a3_e1.jpg | thumb | right | Εικόνα 1: Περιοχή μελέτης, Πηγή: [https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub ScienceDirect] ]]


'''5.1 Δεδομένα πεδίου:''' 
Πραγματοποιήθηκαν δύο συμπληρωματικές δειγματοληψίες στην περιοχή, πριν την περίοδο των βροχοπτώσεων, στις 28/02/2015 (Δείγμα 1) και στις 16/03/2015 (Δείγμα 2) και οι ημερομηνίες επιλέχθηκαν έτσι ώστε να συμπίπτουν με την ημερομηνία λήψης των εικόνων Landsat 8. Τα δείγματα, προέρχονται από όλη την έκταση της λίμνης για να είναι αντιπροσωπευτικά, ενώ εξαιρέθηκαν οι περιοχές βλάστησης στην επιφάνεια της λίμνης (Εικόνα 1). Μετρήθηκαν οι θερμοκρασία, η ηλεκτρική αγωγιμότητα (ΕΟ), το διαλυμένο οξυγόνο (DO), το pH, η θολότητα και το βάθος. 
'''5.2 Δορυφορικά δεδομένα:''' 
Χρησιμοποιήθηκαν δύο εικόνες Landsat 8 (path, 9; row, 53) με ημερομηνίες λήψης 28/02/2015 και 16/03/2015. Τα δεδομένα αντλήθηκαν από την ιστοσελίδα [http://glovis.usgs.gov/]. Η νεφοκάλυψη και για τις δύο εικόνες ανέρχεται σε 3%. Ο τύπος των εικόνων είναι level 1 GeoTIFF. Στον δορυφόρο είναι προσαρμοσμένοι δύο αισθητήρες ο OLI και ο ΤIRS. Οι εικόνες διαθέτουν 11 κανάλια διαφορετικής χωρικής διακριτικής ικανότητας. Tα κανάλια (bands) b1 (coast/aerosol), b2 (blue), b3 (green), b4 (red), b5 (near infrared, NIR), b6 and b7 (short wave infrared bands SWIR1, and SWIR2), όπως και το κανάλι b9 (cirrus) έχουν χωρική διακριτική ικανότητα της τάξης των 30m , το κανάλι b8 (panchromatic) 15 m και τα κανάλια b10 και b11 (TIR-1 and TIR-2) 100 m, η οποία επαναπροσδιορίζεται στα 30m. 
'''6. Μέθοδος:''' 
Η μέθοδος που χρησιμοποιήθηκε στην παρούσα έρευνα παρουσιάζεται σχηματικά στην Εικόνα 2. 
[[ Εικόνα : Ik21_a3_e2.jpg | frame | center| Εικόνα 2: Διάγραμμα ροής της παρούσας έρευνας. ]] 


'''6.1 Προεπεξεργασία και Επεξεργασία δορυφορικών εικόνων:''' 
Η εικόνες Landsat 8 υπέστησαν ραδιομετρική και ατμοσφαιρική διόρθωση. Κατά την ραδιομετρική διόρθωση η σχετικές τιμές των pixel ή οι ψηφιακές τους τιμές μετασχηματίζονται σε μετρήσεις ακτινοβολίας ανά μονάδα μήκους κύματος του φωτός ή σε ανακλαστικότητα. Κατά την ατμοσφαιρική διόρθωση περιορίζεται η επίδραση των ατμοσφαιρικών παραγόντων και οι ραδιομετρικές τιμές μετασχηματίζονται σε ακτινοβολία ή ανακλαστικότητα εδάφους. Με τον τρόπο αυτό οι μετρήσεις των βιοφυσικών παραμέτρων είναι δυνατόν να εκτιμηθούν και να συγκριθούν στο χώρο και στον χρόνο (Chavez, 1988). Στην παρούσα έρευνα η ατμοσφαιρική διόρθωση εφαρμόστηκε στα κανάλια του ορατού φάσματος στα κανάλια NIR και SWIR1, SWIR2 μέσω της μεθόδου αφαίρεσης του μέλανος σώματος (Chavez, 1988). Με βάση τη μέθοδο αυτή θεωρείται ότι μερικά από τα πιο σκούρα αντικείμενα έχουν τιμές ανακλαστικότητας κοντά στο 0, αλλά λόγω της διασποράς και της ατμοσφαιρικής απορρόφησης, τιμές ανακλαστικότητας διάφορες του 0 κατατάσσονται στα pixel των σκούρων αντικειμένων και οι τιμές αυτές πρέπει να αφαιρεθούν απο τα διάφορα φασματικά κανάλια της εικόνας. Για την επεξεργασία χρησιμοποιήθηκε το λογισμικό ENVI και η έκδοση 5.2 .
Οι υδάτινες περιοχές οριοθετήθηκαν με τη χρήση του δείκτη Normalized Differential Water Index (NDWI) (McFeeters, 1996; Khattab and Merkel, 2013). Ο δείκτης ορίζεται ως εξής: 


 NDWI=(b3-NIR)/(b3+NIR) 



, όπου b3 το πράσινο κανάλι και NIR το κανάλι του εγγύος υπέρυθρου (b5).
Για την επεξεργασία χρησιμοποιήθηκε το λογισμικό ENVI. Δημιουργήθηκε μάσκα στην οποία στα εικονοστοιχεία που αντιστοιχούσαν στην επιφάνεια του νερού αποδόθηκε η τιμή 1, ενώ στα υπόλοιπα(λ.χ. Βλάστηση, έδαφος) η τιμή 0. Στη συνέχεια η μάσκα αυτή πολλαπλασιάστηκε με τις εικόνες Landsat 8 που έχουν διορθωθεί ραδιομετρικά και ατμοσφαιρικά. 
'''6.2 Στατιστική ανάλυση:''' 
Για τον προσδιορισμό των στατιστικών μοντέλων, τα αποτελέσματα της δεύτερη δειγματοληψίας χρησιμοποιήθηκαν ως εξαρτημένες μεταβλητές και τα δεδομένα για την ανακλαστικότητα των διάφορων συνδυασμών φασματικών καναλιών των επεξεργασμένων Landsat 8 εικόνων ως ανεξάρτητες μεταβλητές. Η κανονικότητα των δεδομένων ελέγχθηκε με τον έλεγχο e Shapiro-Wilk test, χρησιμοποιώντας το λογισμικό Real Statistics Resource Pack (Zaiontz, 2015), ενώ όσα δεδομένα δεν ακολουθούσαν κανονική κατανομή κανονικοποιήθηκαν . Για την παραγωγή και την επαλήθευση των μοντέλων χρησιμοποιήθηκαν τα δεδομένα των δύο δειγματοληψιών. Τα μοντέλα παράχθηκαν με βηματική παλινδρόμηση και η επαλήθευση πραγματοποιήθηκε με απλή γραμμική παλινδρόμηση σε περιβάλλον Matlab (version 2015). 
'''6.3 Χαρτογράφηση παραμέτρων:''' 
Τέλος, τα μοντέλα αναπαράχθηκαν με το Band Math tool of ENVI και οι τιμές ανακλαστικότητας αντιστοιχήθηκαν σε τιμές ΕC, Turbidity (θολότητα), pH, DO και depth (βάθος). Η χαρτογράφηση των παραμέτρων πραγματοποιήθηκε στο λογισμικό ArcMap 10.2. 
[[ Εικόνα : Ik21_a3_e4.JPG| thumb | right | Πίνακας 1: Στατιστικά μοντέλα των παραμέτρων και του βάθους, R 2 και RMSE., Πηγή:[https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub ScienceDirect] ]]


'''7. Αποτελέσματα:''' 

Τα μοντέλα τα οποία ήταν στατιστικά σημαντικά (p<0.05) και τα οποία προσαρμόζονται καλύτερα στα επιτόπια δεδομένα της δεύτερης δειγματοληψίας για τις παραμέτρους EC, turbidity, pH, DO και depth παρουσιάζονται στον Πίνακα 1. Στον Πίνακα 1 παρουσιάζεται, επίσης, και το μέσο τετραγωνικό σφάλμα. 
Γενικά, η ανάλυση παλινδρόμησης έδειξε καλή συσχέτιση ( R2 >0.06149) μεταξύ της ανακλαστικότητας των διάφορων φασματικών καναλιών των εικόνων Landsat 8 και των μετρήσεων των παραμέτρων και του βάθους στη λίμνη. Ωστόσο, μόνο το μοντέλο για την ηλεκτρική αγωγιμότητα επαληθεύτηκε σε τελική ανάλυση.
Τα αποτελέσματα της χαρτογράφησης των παραμέτρων και του βάθους παρουσιάζονται στην Εικόνα 3. 
 
 

[[ Εικόνα: Ik21_a3_e5.jpg| thumb| left| Εικόνα 3: Χαρτογράφηση παραμέτρων και βάθους., Πηγή:[https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub ScienceDirect] ]]
 
 
 

'''8. Συμπεράσματα:''' 
Η επαλήθευση του μοντέλου ΕC που παράγεται στην παρούσα έρευνα δείχνει ότι μπορεί να χρησιμοποιηθεί για την αξιολόγηση της χρονικής και χωρικής διακύμανσης αυτής της παραμέτρου, σε περιόδους με καιρικές συνθήκες παρόμοιες με εκείνες που επικρατούσαν κατά την περίοδο συλλογή των δεδομένων για την παραγωγή του μοντέλου. Η μη επαλήθευση των παραγόμενων μοντέλων για την εκτίμηση της χρονικής διακύμανσης της θολότητας, του pH, του DO και του βάθους, δεν περιορίζει τη χρησιμότητά τους για την αξιολόγηση της χωρικής διακύμανσης από μικρό αριθμό παραμέτρων που αξιολογούνται επιτόπου.
Συνολικά, τα μοντέλα που δημιουργήθηκαν από τις εικόνες Landsat 8 αποτελούν ένα χρήσιμο εργαλείο για την χωρική και χρονική ανάλυση της ποιότητας των υδάτων της "δεξαμενή"ς του El Guájaro και να συμβάλει στην περιβαλλοντική, οικονομική και κοινωνική διαχείριση της. 
 
 
 

 
 
 
 

== ΑΝΑΦΟΡΕΣ ==


Abd-Elrahman, A., Croxton, M., Pande-Chettri, R., Toor, G.S., Smith, S., Hill, J., Jul. 2011. In situ estimation of water quality parameters in freshwater aquaculture ponds using hyperspectral imaging system. ISPRS J. Photogramm. Remote Sens. 66 (4), 463e472. https://doi.org/10.1016/j.isprsjprs.2011.02.005.

Alexandridis, T.K., Topaloglou, C.A., Lazaridou, E., Zalidis, G.C., Jan. 2008. The performance of satellite images in mapping aquacultures. Ocean Coast. Manag. 51 (8e9), 638e644. https://doi.org/10.1016/j.ocecoaman.2008.06.002

Castellanos, C., 2015. Humedales, riqueza a conservar. Rev. Ambient. el Reto [Online]. Available: http://elretoambiental.webnode.es/news/informe-especialhumedales-riqueza-a-conservar/. (Accessed 14 September 2015).

Chavez, P.S., Apr. 1988. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sens. Environ. 24 (3), 459e479. https://doi.org/10.1016/0034-4257(88)90019-3.

Dona, C., Chang, N.B., Caselles, V., S ~ anchez, J.M., Camacho, A., Delegido, J., Vannah, B.W., Mar. 2015. Integrated satellite data fusion and mining for monitoring lake water quality status of the Albufera de Valencia in Spain. J. Environ. Manag. 151, 416e426. https://doi.org/10.1016/j.jenvman.2014.12.003.

El Saadi, A.M., Yousry, M.M., Jahin, H.S., 2014. Statistical estimation of Rosetta branch water quality using multi-spectral data. Water Sci. 28 (1), 18e30. https://doi.org/10.1016/j.wsj.2014.10.001.

Hadjimitsis, D.G., Hadjimitsis, M.G., Toulios, L., Clayton, C., Jan. 2010. Use of space technology for assisting water quality
assessment and monitoring of inland water bodies. Phys. Chem. Earth Parts A/B/C 35 (1e2), 115e120. https://doi.org/ 10.1016/j.pce.2010.03.033.

Harvey, E.T., Kratzer, S., Philipson, P., Mar. 2015. Satellite-based water quality monitoring for improved spatial and temporal retrieval of chlorophyll-a in coastal waters. Remote Sens. Environ. 158, 417e430. https://doi.org/10.1016/j. rse.2014.11.017.

He, W., Chen, S., Liu, X., Chen, J., 2008. Water quality monitoring in a slightlypolluted inland water body through remote sensingdcase study of the Guanting Reservoir in Beijing, China. Environ. Sci. Eng. https://doi.org/10.1007/ s11783-008-0027-7. Hellweger, F.L., Schlosser, P., Lall, U., Weissel, J.K., Nov. 2004. Use of satellite imagery for water quality studies in New York Harbor. Estuar. Coast. Shelf Sci. 61 (3), 437e448. http://doi:10.1016/j.ecss.2004.06.019. IDEAM, 2015. Estudio Nacional del Agua 2014, Bogot a, D. C.

IDEAM, 2015. Estudio Nacional del Agua 2014, Bogot a, D. C.
Khattab, M.F.O., Merkel, B.J., Jul. 2013. Application of Landsat 5 and Landsat 7 images data for water quality mapping in Mosul Dam Lake, Northern Iraq. Arab. J. Geosci. 7 (9), 3557e3573. https://doi.org/10.1007/s12517-013-1026-y

McFeeters, S.K., May 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J. Remote Sens. 17 (7), 1425e1432. https://doi.org/10.1080/01431169608948714.

Minambiente, 2010. Política Nacional para la Gestion Integral del Recurso Hídrico, Bogota.

Pavelsky, T.M., Smith, L.C., Nov. 2009. Remote sensing of suspended sediment concentration, flow velocity, and lake recharge in the Peace-Athabasca Delta, Canada. Water Resour. Res. 45 (11), W11417. https://doi.org/10.1029/ 2008wr007424

Rajitha, K., Mukherjee, C.K., Vinu Chandran, R., Jan. 2007. Applications of remote sensing and GIS for sustainable management of shrimp culture in India. Aquacult. Eng. 36 (1), 1e17. https://doi.org/10.1016/j.aquaeng.2006.05.003.

Ritchie, J.C., Zimba, P.V., Everitt, J.H., Jun. 2003. Remote sensing techniques to assess water quality. Photogramm. Eng. Remote Sens. 69 (6), 695e704. https://doi.org/ 10.14358/PERS.69.6.695.

Torres-Bejarano, F., Padilla Coba, J., Rodríguez Cuevas, C., Ramírez Leon, H., Cantero Rodelo, R., Jun. 2015. La modelacion hidrodin amica para la gesti on hídrica del embalse del Gu ajaro, Colombia. Rev. Int. Metodos Num er. C alc. Diseno Ing. 32 ~ (3), 163e172. https://doi.org/10.1016/j.rimni.2015.04.001.

Wang, X., Ma, T., 2001. Application of remote sensing techniques in monitoring and assessing the water quality of Taihu Lake. Bull. Environ. Contam. Toxicol. 67 (6), 863e870. https://doi.org/10.1007/s00128-001-0202-z.

Zaiontz, C., 2015. Real Statistics Resource Pack Software.

Εντοπισμός εν δυνάμει ζωνών για την παραγωγή αιολικής ενέργειας σε περιοχή εντός ερήμου στην Ινδία...

2021-01-27T02:29:58Z

Ioanna Karani:

Πλήρης τίτλος :Εντοπισμός εν δυνάμει ζωνών για την παραγωγή αιολικής ενέργειας σε περιοχή εντός ερήμου στην Ινδία: Ανάπτυξη πολυκριτηριακής προσέγγισης με τη χρήση τηλεπισκόπησης και GIS 
'''Πρωτότυπος τίτλος:''' Potential zones identification for harvesting wind energy resources in desert region of India–A multi criteria evaluation approach using remote sensing and GIS. 
'''Συγγραφείς:'''Jayant Jangid, Apurba Kumar Bera, Manoj Joseph, Vishal Singh, T.P. Singh, B.K. Pradhan, Sandipan Das 
'''Citation:'''Jayant Jangid, Apurba Kumar Bera, Manoj Joseph, Vishal Singh, T.P. Singh, B.K. Pradhan, Sandipan Das, Potential zones identification for harvesting wind energy resources in desert region of India – A multi criteria evaluation approach using remote sensing and GIS,Renewable and Sustainable Energy Reviews,Volume 65, 2016,Pages 1-10, ISSN 1364-0321, [https://doi.org/10.1016/j.rser.2016.06.078].

 
'''Πηγή:''' [https://doi.org/10.1016/j.rser.2016.06.078 Science Direct] 
'''Λέξεις κλειδιά:'''Renewable energy; Wind energy; Remote sensing; GIS; India 

 Αντικείμενος και στόχος της εφαρμογής: 
Η παρούσα έρευνα βρίσκει εφαρμογή στον τομέα της παραγωγής ενέργειας και συγκεκριμένα στοχεύει στον εντοπισμό των καταλληλότερων θέσεων εγκατάστασης αιολικών πάρκων, με τη χρήση τηλεπισκόπησης και GIS. 
'''1. Εισαγωγή:''' 
Η ενέργεια αποτελεί την πρωτεύουσα κινητήρια δύναμη για κάθε οικονομική ανάπτυξη και τη βιομηχανοποίηση παγκοσμίως. Η Ινδία ως αναπτυσσόμενη χώρα βιώνει από πρώτο χέρι τον ολοένα και μεγαλύτερο ρόλο των ενεργειακών απαιτήσεων. Στο μεγαλύτερο μέρος τους οι ανάγκες αυτές καλύπτονται από ορυκτά καύσιμα, τα οποία επιβαρύνουν τη συγκέντρωση των αερίων του θερμοκηπίου και λοιπή ατμοσφαιρική ρύπανση [5],[7]. Η αιολική ενέργεια συνιστά μία από τις σημαντικότερες ανανεώσιμες πηγές ενέργειας. Η Ινδία αποτελεί την πέμπτη χώρα παγκοσμίως σε ό,τι έχει να κάνει με την εγκατεστημένη ισχύ αιολικής ενέργειας [4]. Ωστόσο, η επιλογή της βέλτιστης θέσης για την εγκατάσταση ενός αιολικού πάρκου αποτελεί ένα από τα κυριότερα τεχνικά προβλήματα που πρέπει να επιλυθούν κατά τη δημιουργία ενός αιολικού πάρκου. 
'''2 Περιοχή μελέτης:''' 

[[ Εικόνα: A9_e1.jpg| thumb|right| Εικόνα 1: Περιοχή μελέτης, Πηγή: [https://doi.org/10.1016/j.rser.2016.06.078] ]]

Ως περιοχή μελέτης επιλέγεται η έρημη, άγονη περιοχή Jodhpur μέρος της ευρύτερης περιοχής της Rajasthan στην Ινδία (Εικόνα 1). Η Rajasthan, ήδη από το 2000, προωθεί την παραγωγή ενέργειας από ανανεώσιμες πηγές ενέργειας. Οι άνεμοι στην περιοχή είναι κυρίως βορειοδυτικοί ή βόρειοι τον Ιανουάριο και ελαφρώς δυτικοί ή δυτικοί-νοτιοδυτικοί τον Απρίλιο. Οι μέσες ταχύτητες ανέμου κατά τη διάρκεια των κρύων περιόδων κυμαίνονται από 4 έως 10 km / h. Η υψηλότερη ταχύτητα ανέμου της τάξης των 20-30 km / h παρατηρείται στις αρχές και τα μέσα του καλοκαιριού. 
'''4. Δεδομένα:''' 
'''4.1 Τηλεπισκοπικά δεδομένα:''' 
Χρησιμοποιήθηκαν δορυφορικές εικόνες S-P6 LISS III, οι οποίες γεωαναφέρθηκαν, ενώ χρησιμοποιήθηκε ψευδο-έγχρωμο σύνθετο. Η ημερομηνία λήψης των εικόνων είναι η 24/01/2010.
Επίσης, συλλέχθηκαν δεδομένα πεδίου με χρήση GPS. 
'''4.2 Λοιπά δεδομένα:''' 
Συλλέχθηκαν, επίσης, και τα κάτωθι δεδομένα: 
* ΝASA'sShuttle Radar Topography Mission (STRM 90 m) dataset USA's National Aeronautics and Space Administration (NASA) webpage δεδομένα για τον υπολογισμό των κλίσεων. 
* Τοπογραφικά δεδομένα “Survey of India toposheets” για το οδικό δίκτυο 
* Στοιχεία για τις ετήσιες ταχύτητες ανέμων απο το “Indian Meteorological department” 
* Κριτήρια για την χωροθέτηση των αιολικών πάρκων από τη βιβλιογραφία και βάσει των εθνικών και διεθνών προδιαγραφών [1],[2],[6],[8]. 

'''5. Μέθοδος:''' 
Σχηματικά η μέθοδος που ακολουθήθηκε στην παρούσα έρευνα για τον εντοπισμό της βέλτιστης θέσης εγκατάστασης αιολικών πάρκων, παρουσιάζεται στην Εικόνα 2:
[[ Εικόνα: A9_e2.jpg|frame|center| Εικόνα 2: Μέθοδος έρευνας, Πηγή: [https://doi.org/10.1016/j.rser.2016.06.078] ]]

[[ Εικόνα: A9_e3.jpg| thumb|right| Εικόνα 3: Χάρτης χρήσεων γης και κάλυψης γης στην περιοχή μελέτης, Πηγή:[https://doi.org/10.1016/j.rser.2016.06.078] ]]

'''6.Χρήση λογισμικών:''' 
Στη συνέχεια χρησιμοποιήθηκε το λογισμικό Arcgis Desktop 10.0. χρησιμοποιήθηκε για την παραγωγή χαρτών της ταχύτητας των ανέμων, του χάρτη των κλίσεων και να δημιουργηθούν οι ζώνες για την απόσταση των πάρκων από τις κατοικημένες περιοχές και το οδικό δίκτυο. Τέλος, πραγματοποιήθηκε πολυκριτηριακή ανάλυση (MCE) για την τελική χωροθέτηση των αιολικών πάρκων, οπότε και κάθε κριτήριο σταθμίστηκε για την υλοποίηση της τελικής εκτίμησης. 
'''7.Αποτελέσματα:''' 

[[ Εικόνα: A9_e4.jpg| thumb|left| Εικόνα 4: Χάρτης καταλληλότητας εγκατάστασης αιολικών πάρκων., Πηγή:[https://doi.org/10.1016/j.rser.2016.06.078] ]]

Η περιοχή χωρίστηκε σε 3 ζώνες ανάλογα με την καταλληλότητα τους για την εγκατάσταση αιολικών πάρκων: 
* Ζώνη χαμηλής καταλληλότητας 
* Ζώνη μέτριας καταλληλότητας 
* Ζώνη υψηλής καταλληλότητας 
Αφού εκτιμήθηκε η έκταση των τριών ζωνών στην περιοχή ανά μήνα, δημιουργήθηκε ο τελικός χάρτης με τις εν δυνάμει θέσεις εγκατάστασης αιολικών πάρκων (Εικόνα 4). 
'''8.Συμπεράσματα:''' 
Συνολικά, η παρούσα έρευνα παρέχει μια μεθοδολογία και ένα εργαλείο για όσους λαμβάνουν αποφάσεις και ενδιαφέρονται για την εγκατάσταση αιολικών πάρκων στην περιοχή μελέτης, ενώ ταυτόχρονα αποτελεί ένα πολύ καλό υπόβαθρο για την περαιτέρω έρευνα και την ανάπτυξη εργασιών που σχετίζονται με τον τομέα των ανανεώσιμων πηγών ενέργειας. 

== ΑΝΑΦΟΡΕΣ ==


1. Al-Yahyai S, Charabi Y, Gastli A, Al-Badi A. Wind farm land suitability indexing using multi-criteria analysis. Renew Energy 2012;44:80–7.

2. Beata SS, Joachim V. GIS-based approach for the evaluation of wind energy potential: A case study for the Kujawsko–Pomorskie Voivodeship. Renew Sustain Energy Rev 2011;15:1696–707.

3. Hofer T, Sunak Y, Siddique H, Madlener R. Wind farm siting using a spatial Analytic Hierarchy Process approach: A case study of the Städteregion Aachen. Appl Energy 2016;163:222–43.

4. Human Resource Development Strategies for Indian Renewable Energy Sector. Final Report, Ministry of New & Renewable Energy Govt. of India. Available from: 〈http://mnre.gov.in/file-manager/UserFiles/MNRE_HRD_Report.pdf〉; 2010. [accessed: 08.06.13].

5. Mostafaeipour A. Feasibility study of harnessing wind energy for turbine installation in province of Yadz in Iran. Renew Sustain Energy Rev 2010;14:93– 111.

6. Ramachandra TV, Hegde G, Krishnadas G. Potential assessment and decentralized applications of wind energy in Uttara Kannada, Karnataka. Int J Renew Energy Res 2014;4(1):1–10.

7. Ucar A, Balo F. Assessment of wind power potential for turbine installation in coastal areas of Turkey. Renew Sustain Energy Rev 2010;14:1901–12.

8. Van Haaren R, Fthenakis V. GIS-based wind farm site selection using spatial multi-criteria analysis (SMCA): evaluating the case for New York State. Renew Sustain Energy Rev 2011;15(7):3332–40.

[[category:Ενέργεια]]

Καράνη Ιωάννα

2021-01-27T01:40:45Z

Ioanna Karani:

* [[Τεχνική ανίχνευσης υδάτινων όγκων στις ορεινές περιοχές από δορυφορικές εικόνες]]

* [[Ένα καινοτόμο και ευφυές σύστημα με βάση την τηλεπισκόπηση και μαθηματικά μοντέλα για την βελτίωση της εκτίμησης απόδοσης της σοδειάς]]

* [[Χρήση εικόνων Landsat 8 για την εκτίμηση του βάθους και της ποιότητας των υδάτων στη "δεξαμενή" νερού El Guajaro στην Κολομβία]]
* [[ Χαρτογράφηση των χρήσεων γής και της κάλυψης γης και της δυναμικής τους στη "δεξαμενή" του ποταμού Awash με χρήση τηλεπισκόπησης και GIS]]
* [[COVID-19 και οι επιπτώσεις του στο περιβάλλον: Βελτιωμένα τα επίπεδα μόλυνσης κατά την περίοδο του lockdown...]]
* [[Χαρτογραφώντας τα εγκαταλελειμμένα αγροτεμάχια στην Kyzyl-Orda,Καζακσταν με τη χρήση δορυφορικής τηλεπισκόπησης.]]

* [[Υπολογισμός των αστικών αναγκών για θέρμανση: Αναλύοντας τις προσεγγίσεις δύο μοντέλων και χρήση της τηλεπισκόπησης ...]]
* [[Μετρώντας την φτώχεια σε αστικό περιβάλλον με τη χρήση δεδομένων από πολλές πηγές και τον αλγόριθμο Random Forest: H περίπτωση της Guangzhou]]
* [[Εντοπισμός εν δυνάμει ζωνών για την παραγωγή αιολικής ενέργειας σε περιοχή εντός ερήμου στην Ινδία...]]

* [[Αποτιμώντας τις προοπτικές της βιώσιμης ανάπτυξης μέσω της τηλεπισκόπησης: Μια ανασκόπηση]]

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

Αποτιμώντας τις προοπτικές της βιώσιμης ανάπτυξης μέσω της τηλεπισκόπησης: Μια ανασκόπηση

2021-01-27T01:40:05Z

Ioanna Karani:

'''Πρωτότυπος τίτλος:''' Assessing sustainable development prospects through remote sensing: A review 
'''Συγγραφείς:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi
Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan 
'''Citation:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan, Assessing sustainable development prospects through remote sensing: A review,Remote Sensing Applications: Society and Environment, Volume 20, 2020, 100402, ISSN 2352-9385, [https://doi.org/10.1016/j.rsase.2020.100402]. 
'''Πηγή:'''[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect] 

'''Λέξεις κλειδιά:'''Natural resource management; Sustainability; Natural hazards; Decision support system; Indices 

'''Σκοπός της έρευνας:'''
Η παρούσα έρευνα στοχεύει να πραγματοποιήσεις μια εκτεταμένη ανασκόπηση στη συμβολή της τηλεπισκόπησης (RS) στις προσπάθειες προς τη βιώσιμη ανάπτυξη, με έμφαση στη διαχείριση των φυσικών πόρων και στην εκτίμηση των φυσικών καταστροφών. 
'''1. Εισαγωγή:''' 
Η επιτυχία της βιώσιμης ανάπτυξης σε οποιαδήποτε περιοχή βασίζεται στο τι είναι γνωστό σε σχέση με τη διαχείριση των φυσικών πόρων και τους κινδύνους στην περιοχή (Taborand Hutchinson,1994). H δυνατότητα της RS να καταγράφει τα γήινα συστήματα σε διάφορες χωρικές και χρονικές κλίμακες την καθιστά κατάλληλη για τη διαχείριση προκλήσεων σε περιβαλλοντικό,οικολογικό και κοινωνικοοικονομικό επίπεδο. 
Μια σειρά από έρευνες -σημεία αναφοράς- έχουν διεξαχθεί, καλύπτοντας ποικίλους επιμέρους τομείς που άπτονται της βιώσιμης ανάπτυξης, όπως οι φυσικοί κίνδυνοι και οι κοινωνικοοικονομική ανάπτυξη (Avtar et al., 2013; Dudhani et al., 2006; Holloway and Mengersen, 2018). Ειδικότερα, τα τελευταία τριάντα χρόνια η RS χρησιμοποιείται ευρέως για την εκτίμηση των προσπαθειών στην κατεύθυνση της βιώσιμης ανάπτυξης. Οι εξελίξεις στην τεχνολογία της RS και η διαθεσιμότητα μεγάλων όγκων δεδομένων έχουν οδηγήσει σε τεράστιες βελτιώσεις στην ανάλυση δεδομένων, ειδικά όταν συνδυάζονται με GIS και με αλγόριθμους μηχανικής μάθησης.<br
Σήμερα, η RS, η οποία θεωρείται επιστημονικό εργαλείο, εφαρμόζεται σχεδόν σε κάθε τομέα της της γεωπεριβαλλοντικής επιστήμης. Λαμβάνοντας υπόψη τη σημασία της αειφόρου ανάπτυξης στον 21ο αιώνα, η παρούσα ανασκόπηση αποσκοπεί στην αξιολόγηση του τρόπου με τον οποίο οι εξελίξεις στην τεχνολογία της RS έχουν επηρεάσει τρεις σημαντικούς τομείς της βιώσιμης ανάπτυξης: τη διαχείριση των φυσικών πόρων, την παρατήρηση του περιβάλλοντος και την παρακολούθηση των κινδύνων και, τέλος, την κοινωνικοοικονομική ανάπτυξη. 
'''2.Δεδομένα:''' 
Τα άρθρα που συμπεριλήφθηκαν στην παρούσα ανασκόπηση αντλήθηκαν από τις εξής ηλεκτρονικές πηγές: 
* Scopus 
* Web of Science 
* Google Scholar 
'''3.Διάγραμμα της ανασκόπησης:''' 
Η ροή της ανασκόπησης αποτυπώνεται σχηματικά στην Εικόνα 1:
[[ Εικόνα: A10_e1.jpg| frame|center| Εικόνα 1:Διάγραμμα ροής ανασκόπησης, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect]]]


'''4. Διαχείριση και ανάπτυξη των φυσικών πόρων:''' 
'''4.1 Βιοποικιλότητα''' 
Η βιοποικιλότητα και οι υπηρεσίες που προσφέρουν τα οικοσυστήματα είναι ζωτικής σημασίας για την επίγεια , καθώς προσφέρουν υπηρεσίες πρώτων υλών, υποστηρικτικές, ρυθμιστικές και πολιτιστικές (Millennium Ecosystem Assessment, 2005; Avtar et al., 2017).Η RS χρησιμοποιείται ευρέως για τη μελέτη διαφόρων οικολογικών λειτουργιών, όπως τα φυσικά και ανθρωπογενή αίτια της αλλαγής τοπίου (Gould, 2000; Kerr et al., 2001; Kerr and Ostrovsky, 2003; McDermid et al., 2009). 
Η RS μπορεί να χρησιμοποιηθεί για την άμεση παρακολούθηση της βιοποικιλότητας, με τη χρήση δορυφόρων και αισθητήρων για την άντληση πληροφοριών σε σχέση με τη συγκέντρωση των ειδών σε οικολογικές κοινότητες ή και μεμονωμένους οργανισμούς. Επίσης, άμεσα με τη χρήση τηλεσκοπικών δεδομένων μπορούν να εκτιμηθούν οι χρήσεις γης και η κάλυψη της γης, πληροφορίες ιδιαίτερα χρήσιμες για την ανίχνευση της κατανομής και της συγκέντρωσης των ειδών σε εκτεταμένες περιοχές (Kerr and Ostrovsky, 2003). Οι άμεσες τηλεσκοπικές μέθοδοι για την παρακολούθηση της βιοποικιλότητας παρουσιάζονται στον Πίνακα 1. 

[[ Εικόνα: Merged_document_(6).jpg|thumb|right| Πίνακας 1: Άμεσοι τηλεσκοπικοί μέθοδοι παρακολούθησης βιοποικιλότητας, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect]]]

Ακόμη, υπάρχουν και έμμεσες μέθοδοι παρακολούθησης της βιοποικιλότητας που βασίζονται στην παρακολούθηση των εξής παραγόντων: 
α) '''πρωτογενής παραγωγή:''' Ενδεικτικά αναφέρονται οι παρακάτω εφαρμογές:ο δείκτης NDVI ή άλλοι παρόμοιοι δείκτες βλάστησης και σύνδεση τους με τη φαινολογία των φυτών (Turner et al., 2003), χρήση του δείκτη φυλλωδών περιοχών με δεδομένα από τον αισθητήρα MODIS ως δεδομένα εισόδου του οικοσυστημικού μοντέλου Sim-CYCLE (Hazarika et al. 2005), η ακαθάριστη πρωτογενής παραγωγή δασικών προϊόντων στις Ηνωμένες πολιτείες με δεδομένα από τον αισθητήρα MODIS και η σύγκριση του με ένα απλό, διαδικαστικό μοντέλο (Nightingale et al. 2007). 
β) '''κλίμα:'''Διάφορες μεταβλητές, συμπεριλαμβανομένης της θερμοκρασίας, της σχετικής υγρασίας και της υγρασίας του εδάφους, καθορίζουν ως ένα βαθμό την επιβίωση και την παραγωγικότητα πολλών ειδών (Turner et al., 2003). Οι Ηνωμένες Πολιτείες λάνσαραν τους δορυφόρους AQUA και TERRA, οι οποίοι είναι εφοδιασμένοι με τους αισθητήρες AMSR-E, MODIS, AMSU-A, AIRS, HSB, CERES και ASTER, MODIS, CERES, MISR, MOPITT αντίστοιχα, που παρέχουν πληροφορίες (π.χ. Υδρολογικός κύκλος, Θερμοκρασία νερού, Αεροζόλ κ.ο.κ.) που βοηθούν στην κατανόηση της σχέσης κλίματος-βιοποικιλότητας. γ)δομή ενδιαιτημάτων:Με την κατανόηση των δομών των ενδιαιτημάτων των ειδών, μπορούν να εξαχθούν συμπεράσματα για την κατανομή και τα πρότυπα των ειδών. Από την άποψη αυτή, οι τεχνολογίες της RS έχουν αποδειχθεί απαραίτητες. Ενδεικτικά, οι Goetz et al. (2007) μελέτησαν τα ενδιαιτήματα πουλιών στα δάση με χρήση δεδομένων LIDAR και οι Hyde et al. (2006)μελέτησαν τη δομή των δασικών ενδιαιτημάτων με τη χρήση δεδομένων LIDAR, SAR/InSAR,, Landsat-7, και QuickBird 

'''4.2 Υδάτινοι πόροι''' 
Το νερό είναι ζωτικής σημασίας για την ανθρωπότητα. Έχουν αναπτυχθεί μια σειρά από αλγορίθμους για τον εντοπισμό των υδάτινων όγκων σε τηλεπισκοπικές εικόνες: ο NDWI (McFeeters, 1996), ο modified NDWI (Xu, 2006), και ο automated water extraction index (Feyisa et al., 2014). Αισθητήρες, όπως οι Landsat, ASTER, SPOT, and MODIS χρησιμοποιούνται για την παρακολούθηση και τη χαρτογράφηση της ποιότητας των υδάτων (Mishra et al., 2013), ( Yunus et al. 2020). Οι Kamerosky et al. (2015) χρησιμοποίησαν εικόνες MERIS για την παρακολούθηση της υπεράνθησης του φυτοπλαγκτού στην Indian River Lagoon στην Florinda, USA. Οι Pisano et al., 2015 εντόπισα πετρελαιοκηλίδες σε υδάτινους όγκους με εικόνες MODIS και οι Joshi and D’Sa, 2015 χαρτογράφησαν τις εποχικές διαφοροποιήσεις της έγχρωμης αποσυντιθέμενης οργανικής ύλης. Τέλος, έχουν διεξαχθεί μια σειρά από έρευνες που εκτιμούν την ποσότητα και την ποιότητα των υδάτων διαχρονικά, όπως, η έρευνα των Chang et al. (2015) για την εκτίμηση της ποιότητας των υδάτων και της κατάστασης του οικοσυστήματος, όπως συνδέονται με τον κύκλο των θρεπτικών συστατικών σε βάθος 40ετίας.
Επίσης, χρησιμοποιούνται έμμεσες μέθοδοι για την διερεύνηση των υπόγειων υδάτων. Κατά κανόνα, η RS χρησιμοποιείται στην μελέτη των υπογείων υδάτων για την οριοθέτηση της γεωμορφολογίας και των γραμμάτων χαρτών, των επιφανειακών λιθολογικών χαρακτηριστικών, των πλαγιών, και της κάλυψης και χρήσεων της γης (Avtar et al., 2010; Ganapuram et al., 2009; Jha et al., 2007). Ενδεικτικά, αναφέρονται οι έρευνες των Schultz and Engman (2000) για την ανίχνευση των ζωνών τροφοδότησης και απορροής των υπόγειων υδάτων και η συνδυαστική χρήση RS και γεωφυσικών δεδομένων για την εις βάθος εξερεύνηση των υπόγειων υδάτων (Arafa-Hamed, 2013; Khan et al., 2014). 

[[ Εικόνα: Merged_document_(4).jpg|thumb|right| Πίνακας 2: Η τηλεπισκόπηση στην εκτίμηση του περιβάλλοντος και φυσικών καταστροφών, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect]]]

'''4.3 Ορυκτοί πόροι''' 
Για πολλές χώρες, οι ορυκτοί πόροι συμβάλλουν σημαντικά στα κρατικά έσοδα.Αρκετές χώρες συνεργάστηκαν για να φέρουν διαφορετικές δορυφορικές πλατφόρμες σε συγκεκριμένα τροχιές με αισθητήρες τηλεπισκόπησης. Αυτές οι πλατφόρμες και οι αισθητήρες παρέχουν περαιτέρω πληροφορίες σχετικά με τους άφθονους πόρους της Γης με υψηλότερη ακρίβεια (Belward and Skøien, 2015; Sabins, 1999). Διάφορες μελέτες εξετάζουν τους ορυκτούς πόρους με χρήση υπερφασματικών εικόνων (Kodikara et al., 2012; Van der Meer et al., 2012; Vicente and de Souza Filho, 2011). Οι Gabr et al. (2010) χρησιμοποίησαν πολλαπλές εικόνες ASTER για τον εντοπισμό των ζωνών αλλοίωσης που σχετίζονται με τις αποθέσεις χρυσού στο Abu-Marawat. Οι Pour et al. (2013) χρησιμοποίησαν Landsat-7 Enhanced Thematic Mapper (ETM) και Hyperion δεδομένα για τον εντοπισμό ζωνών υδροθερμικών αλλοιώσεων και των σχετικών δομικών στοιχείων, ενώ σε άλλη έρευνα χρησιμοποιήθηκαν τεχνικές χαρτογράφησης βάσει των επιμέρους εικονοστοιχείων για το διαχωρισμό και τη χαρτογράφηση μεταβολών ορυκτών γύρω από κοιτάσματα χαλκού στο Ιράν (Zadeh et al. 2014). 
'''5.Εκτίμηση του περιβάλλοντος και φυσικών κινδύνων''' 
Στον Πίνακα 2 παρουσιάζεται η ανασκόπηση σε σχέση με τη συμβολή της RS για την εκτίμηση του περιβάλλοντος και φυσικών καταστροφών, όπως οι πλημμύρες και οι κατολισθήσεις και οι δασικές πυρκαγιές 

[[ Εικόνα: Untitled_document_(3)_page-0001.jpg|thumb|right| Πίνακας 3: Η τηλεπισκόπηση στην κοινωνικοοικονομική ανάπτυξη, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect]]]

Τέλος, η τηλεπισκόπηση χρησιμοποιείται για την παρακολούθηση και την ανίχνευση δασικών πυρκαγιών. Δείκτες βλάστησης, όπως οι Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI), Normalized Burn Ratio (NBR) and Normalized Difference Vegetation Index (NDVIreXn) που χρησιμοποιούν κανάλια του ερυθρού εφαρμόζονται ικανοποιητικά για την έρευνα μετά από δασικές πυρκαγιές (Navarro et al., 2017). Οι εφαρμογές εξόρυξης δεδομένων είναι δημοφιλείς για τον καθορισμό του βέλτιστου συνδυασμού μεταβλητών και μοντελοποίησης που σχετίζεται με την εκτίμηση για επικείμενες δασικές πυρκαγιές (Hong et al., 2018). Σε αυτά τα μοντέλα, μεταβλητές μετεωρολογικών, τοπογραφικών και βλαστικών δεικτών που προέρχονται από δορυφορικά δεδομένα ενσωματώνονται ως παράγοντες για την απόκτηση των απαραίτητων πληροφοριών για την υγρασία του εδάφους και την εξατμισοδιαπνοή. 

'''6. Κοινωνικοοικονομική ανάπτυξη''' 
Οι εφαρμογές της τηλεπισκόπησης χρησιμοποιούνται ευρέως για την κοινωνικοοικονομική ανάπτυξη μέσω της ανάκτησης συγκεκριμένων δεδομένων. H κοινωνικοοικονομική ανάπτυξη εξετάζεται υπό το πρίσμα των μεταφορών, της εκτίμησης του πληθυσμού και της εκτίμησης της ποιότητας ζωής. H RS κατέχει κεντρική θέση στις μελλοντικές μελέτες της κοινωνικοοικονομικής ανάπτυξης, καθώς προσφέρουν καλύτερη κατανόηση των ανθρώπινων δραστηριοτήτων με τη χρήση δεδομένων υψηλής ανάλυσης και χαμηλού κόστους. Στον Πίνακα 3 παρουσιάζονται οι κύριες μελέτες και δείκτες που αναπτύχθηκαν για την τηλεπισκοπική μελέτη της κοινωνικοοικονομικής ανάπτυξης: 


'''7.Συμπεράσματα:''' 
Στην παρούσα μελέτη διερευνήθηκε η συμβολή της τηλεπισκόπησης στην διατήρηση του πλανήτη και της επίγειας ζωής. Τα Ηνωμένα Έθνη χαρακτήρισα την RS ως απαραίτητο εργαλείο για την επίτευξη των στόχων της Στόχοι βιώσιμης ανάπτυξης (SDGs). Η RS μπορεί να χρησιμοποιηθεί όχι μόνο για την ανάπτυξη ολοκληρωμένων πολιτικών για την προώθηση της βιώσιμης ανάπτυξης, αλλά και για την αποτελεσματική εφαρμογή και παρακολούθηση τους και λήψη αποφάσεων. Ωστόσο, για να είναι αποτελεσματικές και αξιόπιστες οι εφαρμογές της RS, πρέπει να υπάρχουν επαρκείς πληροφορίες και να λαμβάνονται από πολλαπλές πηγές. Ειδικότερα, η ανάπτυξη νέων φασματικών δεικτών, που βασίζονται στη βελτιωμένη τεχνολογία αισθητήρων, είναι καίριας σημασίας για την επίτευξη βιώσιμων στόχων ανάπτυξης.
Ωστόσο, η χρήση της τηλεπισκόπησης στις αναπτυσσόμενες χώρες για την παρακολούθηση των στόχων της βιώσιμης ανάπτυξης παραμένει διακύβευμα. Στην κατεύθυνση ενίσχυσης της χρήσης RS για την υποβοήθηση της προσπάθειας για βιώσιμη ανάπτυξη στις αναπτυσσόμενες χώρες, απαιτείται η δημιουργία περισσότερων και προσβάσιμων βάσεων δεδομένων, καθώς και συνεργασίες μεταξύ των κέντρων λήψεων των αποφάσεων και των πολιτικών κέντρων μελετών των αναπτυσσόμενων χωρών και με χώρες ή οργανισμού που έχουν ήδη πρόσβαση σε πηγές GIS. 

== ΑΝΑΦΟΡΕΣ ==

Anderson, D., Young, J., 2001. Truck traffic analysis using IKONOS satellite imagery. Space Imaging Technical Brief Prepared for National Consortium on Remote Sensing in Transportation-Flows. Ohio State University Center for Mapping, Columbus. 
Angel, A., Hickman, M., 2002. Experimental Investigation of Travel Time Estimation Using Geo-Referenced Aerial Video. Transportation Research Board 81st Annual Meeting. 
Angel, A., Hickman, M., Chandnani, D., Mirchandani, P., 2002. Application of aerial video for traffic flow monitoring and management. In: Applications of Advanced Technologies in Transportation, pp. 346–353. Arafa-Hamed, T., 2013. Comprehensive clues provided by popular free remote sensing imagery to interpretation of geophysical studies explained by example cases of magnetic surveys. NRIAG J. Astro. Geophys. 2 (2), 278–286. 
Arampatzis, G., Kiranoudis, C.T., Scaloubacas, P., Assimacopoulos, D., 2004. A GIS-based decision support system for planning urban transportation policies. Eur. J. Oper. Res. 152 (2), 465–475. 
Avtar, R., Kumar, P., Oono, A., Saraswat, C., Dorji, S., Hlaing, Z., 2017. Potential application of remote sensing in monitoring ecosystem services of forests, mangroves and urban areas. Geocarto Int. 32 (8), 874–885. https://doi.org/10.1080/ 10106049.2016.1206974. 
Avtar, R., Kumar, P., Singh, C.K., Sahu, N., Verma, R.L., Thakur, J.K., Mukherjee, S., 2013a. Hydrogeochemical assessment of groundwater quality of Bundelkhand, India using statistical approach. Water Qual. Expos. Hea. 5 (3), 105–115. https://doi.org/ 10.1007/s12403-013-0094-2. 
Avtar, R., Singh, C., Shashtri, S., Singh, A., Mukherjee, S., 2010. Identification and analysis of groundwater potential zones in Ken–Betwa river linking area using remote sensing and geographic information system. Geocarto Int. 25 (5), 379–396. 
Avtar, R., Takeuchi, W., Sawada, H., 2013b. Full polarimetric PALSAR-based land cover monitoring in Cambodia for implementation of REDD policies. Int. J. Digital Earth 6 (3), 255–275. https://doi.org/10.1080/17538947.2011.620639. 
Ayalew, B., Gomez, R.B., Roper, W.E., Carrasco, O., 2003. Pavement management using hyperspectral imagery, 5097, 207–214. Belward, A.S., Skøien, J.O., 2015. Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS J. Photogrammetry Remote Sens. 103, 115–128. 
Bolch, T., 2007. Climate change and glacier retreat in northern Tien Shan (Kazakhstan/ Kyrgyzstan) using remote sensing data. Global Planet. Change 56 (1–2), 1–12. 
Brown, R.D., Robinson, D.A., 2011. Northern Hemisphere spring snow cover variability and change over 1922-2010 including an assessment of uncertainty. Cryosphere 5 (1), 219. 
Buermann, W., Saatchi, S., Smith, T.B., Zutta, B.R., Chaves, J.A., Mila, ´ B., Graham, C.H., 2008. Predicting species distributions across the Amazonian and Andean regions using remote sensing data. J. Biogeogr. 35 (7), 1160–1176. 
Carrasco, R., Pedraza, J., Martin-Duque, J., Mattera, M., Sanz, M., Bodoque, J., 2003. Hazard zoning for landslides connected to torrential floods in the Jerte Valley (Spain) by using GIS techniques. Nat. Hazards 30 (3), 361–381. 
Casagli, N., Cigna, F., Bianchini, S., Holbling, ¨ D., Füreder, P., Righini, G., Del Conte, S., Friedl, B., Schneiderbauer, S., Iasio, C., 2016. Landslide mapping and monitoring by using radar and optical remote sensing: examples from the EC-FP7 project SAFER. Remote Sens. Appl.: Soc. Environ. 4, 92–108. 
Center, P., 1999. Maricopa Association of Governments Pedestrian Plan 2000. CEOS Disaster Management Support, G., Wood, H.M., 2003. The Use of Earth Observing Satellites for Hazard Support: Assessments & Scenarios: Final Report of the CEOS Disaster Management Support Group: Chair’s Overview. National Oceanic and Atmospheric Administration, US Department of Commerce. 
Chang, N.-B., Imen, S., Vannah, B., 2015. Remote sensing for monitoring surface water quality status and ecosystem state in relation to the nutrient cycle: a 40-year perspective. Crit. Rev. Environ. Sci. Technol. 45 (2), 101–166. https://doi.org/ 10.1080/10643389.2013.829981. 
Cord, A.F., Klein, D., Mora, F., Dech, S., 2014. Comparing the suitability of classified land cover data and remote sensing variables for modeling distribution patterns of plants. Ecol. Model. 272, 129–140. 
Council, T.R.B.N.R., 2000. Highway Capacity Manual. TRB Business Office. 
Daoud, A., Hallerod, ¨ B., Guha-Sapir, D., 2016. What is the association between absolute child poverty, poor governance, and natural disasters? A global comparison of some of the realities of climate change. PLoS One 11 (4). 
Dudhani, S., Sinha, A.K., Inamdar, S.S., 2006. Assessment of small hydropower potential using remote sensing data for sustainable development in India. Energy Pol. 34 (17), 3195–3205. https://doi.org/10.1016/j.enpol.2005.06.011. 
Duro, D.C., Coops, N.C., Wulder, M.A., Han, T., 2007. Development of a large area biodiversity monitoring system driven by remote sensing. Prog. Phys. Geogr. 31 (3), 235–260. 
Feyisa, G.L., Meilby, H., Fensholt, R., Proud, S.R., 2014. Automated Water Extraction Index: a new technique for surface water mapping using Landsat imagery. Remote Sens. Environ. 140, 23–35. https://doi.org/10.1016/j.rse.2013.08.029. 
Fletcher, K., European Space Agency, European Space Research and Technology Centre (Eds.), 2007. InSAR Principles: Guidelines for SAR Interferometry Processing and Interpretation. ESA Publications, ESTEC. 
Gabr, S., Ghulam, A., Kusky, T., 2010. Detecting areas of high-potential gold mineralization using ASTER data. Ore Geol. Rev. 38 (1–2), 59–69.
Ganapuram, S., Kumar, G.V., Krishna, I.M., Kahya, E., Demirel, M.C., 2009. Mapping of groundwater potential zones in the Musi basin using remote sensing data and GIS.Adv. Eng. Software 40 (7), 506–518. 
Gili, J.A., Corominas, J., Rius, J., 2000. Using global positioning system techniques in landslide monitoring. Eng. Geol. 55 (3), 167–192.
Goetz, S., Steinberg, D., Dubayah, R., Blair, B., 2007. Laser remote sensing of canopy habitat heterogeneity as a predictor of bird species richness in an eastern temperate forest, USA. Remote Sens. Environ. 108 (3), 254–263. 
Grabner, H., Nguyen, T.T., Gruber, B., Bischof, H., 2008. On-line boosting-based car detection from aerial images. ISPRS J. Photogrammetry Remote Sens. 63 (3), 382–396. 
Gray, S., Semiat, R., Duke, M., Rahardianto, A., Cohen, Y., 2011. Reference module in earth systems and environmental sciences. Seawater Use and Desalination Technology 73–109. 
Guo, D., Weeks, A., Klee, H., 2007. Robust approach for suburban road segmentation in high-resolution aerial images. Int. J. Rem. Sens. 28 (2), 307–318.
Guzzetti, F., Mondini, A.C., Cardinali, M., Fiorucci, F., Santangelo, M., Chang, K.-T., 2012. Landslide inventory maps: new tools for an old problem. Earth Sci. Rev. 112 (1–2), 42–66. 
Haboudane, D., Miller, J., 2002. Tremblay, N.; Zarco-Tejada, PJ; Dextrase, L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sens. Environ. 81, 416–426. 
Hall, O., Duit, A., Caballero, L.N., 2008. World poverty, environmental vulnerability and population at risk for natural hazards. J. Maps 4 (1), 151–160.
Hazarika, M.K., Yasuoka, Y., Ito, A., Dye, D., 2005. Estimation of net primary productivity by integrating remote sensing data with an ecosystem model. Remote Sens. Environ. 94 (3), 298–310. 
Hester, D.B., Cakir, H.I., Nelson, S.A., Khorram, S., 2008. Per-pixel classification of high spatial resolution satellite imagery for urban land-cover mapping. Photogramm. Eng. Rem. Sens. 74 (4), 463–471. 
Hirpa, F.A., Hopson, T.M., De Groeve, T., Brakenridge, G.R., Gebremichael, M., Restrepo, P.J., 2013. Upstream satellite remote sensing for river discharge forecasting: application to major rivers in South Asia. Remote Sens. Environ. 131, 140–151. 
Holloway, J., Mengersen, K., 2018. Statistical machine learning methods and remote sensing for sustainable development goals Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A.X., Xu, C., 2018. Applying genetic algorithms to set the optimal combination of forest fire related variables and model forest fire susceptibility based on data mining models. The case of Dayu County, China. Sci. Total Environ. 630, 1044–1056. 
Hoppe, E., Bruckno, B., Campbell, E., Acton, S., Vaccari, A., Stuecheli, M., Bohane, A., Falorni, G., Morgan, J., 2016. Transportation infrastructure monitoring using satellite remote sensing. Materials and Infrastructures 1 (5), 185–198. 
Hou, Z., Xu, Q., Nuutinen, T., Tokola, T., 2013. Extraction of remote sensing-based forest management units in tropical forests.
Remote Sens. Environ. 130, 1–10. 
Hyde, P., Dubayah, R., Walker, W., Blair, J.B., Hofton, M., Hunsaker, C., 2006. Mapping forest structure for wildlife habitat analysis using multi-sensor (LiDAR, SAR/InSAR, ETM+, Quickbird) synergy. Remote Sens. Environ. 102 (1–2), 63–73. 
Jensen, John R., Cowen, D.C., 1999. Remote sensing of urban/suburban infrastructure and socio-economic attributes. Photogramm. Eng. Rem. Sens. 65, 611–622.
Jha, M.K., Chowdhury, A., Chowdary, V., Peiffer, S., 2007. Groundwater management and development by integrated remote sensing and geographic information systems: prospects and constraints. Water Resour. Manag. 21 (2), 427–467. 
Joshi, I., D’Sa, E.J., 2015. Seasonal variation of colored dissolved organic matter in Barataria Bay, Louisiana, using combined Landsat and field data. Rem. Sens. 7 (9), 12478–12502. 
Kamerosky, A., Cho, H.J., Morris, L., 2015. Monitoring of the 2011 super algal bloom in Indian River Lagoon, FL, USA, using
MERIS. Rem. Sens. 7 (2), 1441–1460. 

Kerr, J.T., Ostrovsky, M., 2003. From space to species: ecological applications for remote sensing. Trends Ecol. Evol. 18 (6), 299–305. 
Kerr, J.T., Southwood, T., Cihlar, J., 2001. Remotely sensed habitat diversity predicts butterfly species richness and community similarity in Canada. Proc. Natl. Acad. Sci. Unit. States Am. 98 (20), 11365–11370. 
Khan, S.D., Fathy, M.S., Abdelazeem, M., 2014. Remote sensing and geophysical investigations of Moghra lake in the qattara depression, Western Desert, Egypt. Geomorphology 207, 10–22. 
Kodikara, G.R., Woldai, T., van Ruitenbeek, F.J., Kuria, Z., van der Meer, F., Shepherd, K. D., Van Hummel, G., 2012. 
Hyperspectral remote sensing of evaporate minerals and associated sediments in Lake Magadi area, Kenya. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 22–32. 
Krishnaswamy, J., Bawa, K.S., Ganeshaiah, K., Kiran, M., 2009. Quantifying and mapping biodiversity and ecosystem services: utility of a multi-season NDVI based Mahalanobis distance surrogate. Remote Sens. Environ. 113 (4), 857–867. 
Leitloff, J., Hinz, S., Stilla, U., 2010. Vehicle detection in very high resolution satellite images of city areas. IEEE Trans. Geosci. Rem. Sens. 48 (7), 2795–2806. 
Li, G., Weng, Q., 2005. Using Landsat ETM+ imagery to measure population density in Indianapolis, Indiana, USA. Photogramm. Eng. Rem. Sens. 71 (8), 947–958. 
Liu, X., Clarke, K., Herold, M., 2006. Population density and image texture. Photogramm. Eng. Rem. Sens. 72 (2), 187–196. 
Lo, C.P., Faber, B.J., 1997. Integration of Landsat Thematic Mapper and census data for quality of life assessment. Remote Sens. Environ. 62 (2), 143–157. 
Malet, J.-P., Maquaire, O., Calais, E., 2002. The use of Global Positioning System techniques for the continuous monitoring of landslides: application to the SuperSauze earthflow (Alpes-de-Haute-Provence, France). Geomorphology 43 (1–2), 33–54. Manktelow, P.T., Mann, G.W., Carslaw, K.S., Spracklen, D.V., Chipperfield, M.P., 2007. Regional and global trends in sulfate aerosol since the 1980s. Geophys. Res. Lett. 34 (14). 
Marano, K.D., Wald, D.J., Allen, T.I., 2010. Global earthquake casualties due to secondary effects: a quantitative analysis for improving rapid loss analyses. Nat. Hazards 52 (2), 319–328. 
Martinuzzi, S., Vierling, L.A., Gould, W.A., Falkowski, M.J., Evans, J.S., Hudak, A.T., Vierling, K.T., 2009. Mapping snags and understory shrubs for a LiDAR-based assessment of wildlife habitat suitability. Remote Sens. Environ. 113 (12), 2533–2546. McCord, M.R., Hickman, M., Bronzini, M.S., Goel, P.K., Gomez, R.B., Merry, C.J., Mirchandani, P.B., Morrison, J.L., 2003. REMOTE SENSING OF TRANSPORTATION FLOWS. CONSORTIUM PAPER PRESENTATION. 21. 
McDermid, G., Hall, R., Sanchez-Azofeifa, G., Franklin, S., Stenhouse, G., Kobliuk, T., LeDrew, E., 2009. Remote sensing and forest inventory for wildlife habitat assessment. For. Ecol. Manag. 257 (11), 2262–2269. 
McFeeters, S.K., 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J Menon, S., Bawa, K.S., 1997. Applications of geographic information systems, remotesensing, and a landscape ecology approach to biodiversity conservation in the Western Ghats. Curr. Sci. 134–145. 
Meyer, W.B., Turner, B.L., 1992. Human population growth and global land-use/cover change. Annu. Rev. Ecol. Systemat. 23 (1), 39–61. 
Millennium Ecosystem Assessment, M.E.A., 2005. Ecosystems and Human Well-Being (Synthesis). 
Mishra, S., Mishra, D.R., Lee, Z., Tucker, C.S., 2013. Quantifying cyanobacterial phycocyanin concentration in turbid productive waters: a quasi-analytical approach. Remote Sens. Environ. 133, 141–151. 
Nakagawa, T., Yasuoka, Y., 2001. Environmental impact assessment with remote sensing at Isahaya land reclamation site. In: Proceedings of 22nd Asian Conferencce on Remote Sensing (AARS), 6. https://crisp.nus.edu.sg/~acrs2001/pdf/244nakag.pdf. Navarro, G., Caballero, I., Silva, G., Parra, P.C., V´ azquez, A., ´ Caldeira, R., 2017. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery. Int. J. Appl. Earth Obs. Geoinf. 58, 97–106. 
Nandy, S., Kushwaha, S., Dadhwal, V., 2011. Forest degradation assessment in the upper catchment of the river Tons using remote sensing and GIS. Ecol. Indicat. 11 (2), 509–513. 
Nightingale, J., Coops, N., Waring, R., Hargrove, W., 2007. Comparison of MODIS gross primary production estimates for forests across the USA with those generated by a simple process model, 3-PGS. Remote Sens. Environ. 109 (4), 500–509. 

Petley, D., 2012. Global patterns of loss of life from landslides. Geology 40 (10), 927–930. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510 
Pisano, A., Bignami, F., Santoleri, R., 2015. Oil spill detection in glint-contaminated near-infrared MODIS imagery. Rem. Sens. 7 (1), 1112–1134. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510. 
Pour, Amin Beiranvand, Hashim, M., van Genderen, J., 2013. Detection of hydrothermal alteration zones in a tropical region using satellite remote sensing data: Bau goldfield, Sarawak, Malaysia. Ore Geol. Rev. 54, 181–196. 
Pozzi, F., Small, C., 2001. Exploratory analysis of suburban land cover and population density in the USA, pp. 250–254. 
Ranade, P., 2007. Environmental impact assessment of land use planing around the leased limestone mine using remote sensing techniques. J. Health Sci. Environ. 4 (1), 61–65. 
Rogers, D., Emwanu, T., Robinson, T., 2006. Poverty Mapping in Uganda: an Analysis Using Remotely Sensed and Other Environmental Data.
Rosen, P.A., Hensley, S., Joughin, I.R., Li, F.K., Madsen, S.N., Rodriguez, E., Goldstein, R. M., 2000. Synthetic aperture radar interferometry. Proc. IEEE 88 (3), 333–382. 
Rossa, A.M., Del Guerra, F.L., Borga, M., Zanon, F., Settin, T., Leuenberger, D., 2010. Radar-driven high-resolution hydro-meteorological forecasts of the 26 September 2007 Venice flash flood. J. Hydrol. 394 (1–2), 230–244. 
Saatchi, S., Buermann, W., Ter Steege, H., Mori, S., Smith, T.B., 2008. Modeling distribution of Amazonian tree species and diversity using remote sensing measurements. Remote Sens. Environ. 112 (5), 2000–2017. 
Sabins, F.F., 1999. Remote sensing for mineral exploration. Ore Geol. Rev. 14 (3–4), 157–183. 
Schultz, G.A., Engman, E.T., 2000. Present use and future perspectives of remote sensing in hydrology and water management. IAHS-AISH Publ. 267, 545–551. 
Sharma, G., Merry, C., Goel, P., McCord, M., 2006. Vehicle detection in 1-m resolution satellite and airborne imagery. Int. J. Rem. Sens. 27 (4), 779–797. 
Singhroy, V., Ohkura, H., Glenn, N., 2002. Earth observation for landslide assessment. IEEE In.t. Geosci. Remote Sens. Sympos 2, 765–767. 
Spagnolini, U., Rampa, V., 1999. Multitarget detection/tracking for monostatic ground penetrating radar: application to pavement profiling. IEEE Trans. Geosci. Rem. Sens. 37 (1), 383–394. 
Tabor, J.A., Hutchinson, C.F., 1994. Using Indigenous Knowledge, Remote Sensing and GIS for Sustainable Development. https://agris.fao.org/agris-search/search.do?reco rdID=GB2013200846. 
Tsimbos, C., Kotsifakis, G., Verropoulou, G., Kalogirou, S., 2011. Life expectancy in Greece 1991–2007: regional variations and spatial clustering. J. Maps 7 (1), 280–290. 
Turner, W., Spector, S., Gardiner, N., Fladeland, M., Sterling, E., Steininger, M., 2003. Remote sensing for biodiversity science and conservation. Trends Ecol. Evol. 18 (6), 306–314. van der Meer, F.D.,
Van der Werff, H.M., van Ruitenbeek, F.J., Hecker, Chris a., Bakker, Wim H., Noomen, Marleen F., Mark van Der Meijde, E.John M., Carranza, J., Boudewijn De Smeth, Tsehaie Woldai, 2012. Multi-and hyperspectral geologic remote sensing: a review. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 112–128. 
Vicente, L.E., de Souza Filho, C.R., 2011. Identification of mineral components in tropical soils using reflectance spectroscopy and advanced spaceborne thermal emission and reflection radiometer (ASTER) data. Remote Sens. Environ. 115 (8), 1824–1836. 
Vignola, F., Michalsky, J., Stoffel, T., 2019. Solar and Infrared Radiation Measurements. CRC press. 
Vina, ˜ A., Bearer, S., Zhang, H., Ouyang, Z., Liu, J., 2008. Evaluating MODIS data for mapping wildlife habitat distribution. Remote Sens. Environ. 112 (5), 2160–2169. 

Waring, R., Coops, N., Landsberg, J., 2010. Improving predictions of forest growth using the 3-PGS model with observations made by remote sensing. For. Ecol. Manag. 259 (9), 1722–1729. 

Wiens, J., Sutter, R., Anderson, M., Blanchard, J., Barnett, A., Aguilar-Amuchastegui, N., Avery, C., Laine, S., 2009. Selecting and conserving lands for biodiversity: the role of remote sensing. Remote Sens. Environ. 113 (7), 1370–1381. 
Williams, J.G., Rosser, N.J., Kincey, M.E., Benjamin, J., Oven, K.J., Densmore, A.L., Milledge, D.G., Robinson, T.R., 2017. Satellite-based emergency mapping: landslides triggered by the 2015 Nepal earthquake. Nat. Hazards Earth Syst. Sci. 18, 185–205. Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Rem. Sens. 27 (14), 3025–3033. https://doi.org/10.1080/01431160600589179. 
Yan, G., Zhou, S., Zhou, L., Xi, J., Tian, Y., Teng, H., 2013. Integrating remote sensing and proximal sensors for the detection of soil moisture and salinity variability in coastal areas. J. Int. Agri. 12 (4), 723–731. 
Yang, J., Gong, P., Fu, R., Zhang, M., Chen, J., Liang, S., Xu, B., Shi, J., Dickinson, R., 2013a. The role of satellite remote sensing in climate change studies. Nat. Clim. Change 3 (10), 875. 
Yu, X., Shi, Z., 2015. Vehicle detection in remote sensing imagery based on salient information and local shape feature. Optik-International Journal for Light and Electron Optics 126 (20), 2485–2490. 
Yunus, A.P., Masago, Y., Hijioka, Y., 2020. COVID-19 and surface water quality: improved lake water quality during the lockdown. Sci. Total Environ. 731, 139012. http://www.sciencedirect.com/science/article/pii/S0048969720325298. 
Zadeh, M.H., Tangestani, M.H., Roldan, F.V., Yusta, I., 2014. Sub-pixel mineral mapping of a porphyry copper belt using EO-1 Hyperion data. Adv. Space Res. 53 (3), 440–451. 
Zhou, G., Wei, D., 2008. Survey and Analysis of Land Satellite Remote Sensing Applied in Highway Transportations Infrastructure and System Engineering, 4. IV–479.

[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Αρχείο:Untitled document (3) page-0001.jpg

2021-01-27T01:29:41Z

Ioanna Karani:

Αρχείο:Merged document (4).jpg

2021-01-27T01:28:47Z

Ioanna Karani:

Αρχείο:Merged document (6).jpg

2021-01-27T01:27:58Z

Ioanna Karani:

Αποτιμώντας τις προοπτικές της βιώσιμης ανάπτυξης μέσω της τηλεπισκόπησης: Μια ανασκόπηση

2021-01-27T01:00:20Z

Ioanna Karani:

'''Πρωτότυπος τίτλος:''' Assessing sustainable development prospects through remote sensing: A review 
'''Συγγραφείς:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi
Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan 
'''Citation:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan, Assessing sustainable development prospects through remote sensing: A review,Remote Sensing Applications: Society and Environment, Volume 20, 2020, 100402, ISSN 2352-9385, [https://doi.org/10.1016/j.rsase.2020.100402]. 
'''Πηγή:'''[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect] 

'''Λέξεις κλειδιά:'''Natural resource management; Sustainability; Natural hazards; Decision support system; Indices 

'''Σκοπός της έρευνας:'''
Η παρούσα έρευνα στοχεύει να πραγματοποιήσεις μια εκτεταμένη ανασκόπηση στη συμβολή της τηλεπισκόπησης (RS) στις προσπάθειες προς τη βιώσιμη ανάπτυξη, με έμφαση στη διαχείριση των φυσικών πόρων και στην εκτίμηση των φυσικών καταστροφών. 
'''1. Εισαγωγή:''' 
Η επιτυχία της βιώσιμης ανάπτυξης σε οποιαδήποτε περιοχή βασίζεται στο τι είναι γνωστό σε σχέση με τη διαχείριση των φυσικών πόρων και τους κινδύνους στην περιοχή (Taborand Hutchinson,1994). H δυνατότητα της RS να καταγράφει τα γήινα συστήματα σε διάφορες χωρικές και χρονικές κλίμακες την καθιστά κατάλληλη για τη διαχείριση προκλήσεων σε περιβαλλοντικό,οικολογικό και κοινωνικοοικονομικό επίπεδο. 
Μια σειρά από έρευνες -σημεία αναφοράς- έχουν διεξαχθεί, καλύπτοντας ποικίλους επιμέρους τομείς που άπτονται της βιώσιμης ανάπτυξης, όπως οι φυσικοί κίνδυνοι και οι κοινωνικοοικονομική ανάπτυξη (Avtar et al., 2013; Dudhani et al., 2006; Holloway and Mengersen, 2018). Ειδικότερα, τα τελευταία τριάντα χρόνια η RS χρησιμοποιείται ευρέως για την εκτίμηση των προσπαθειών στην κατεύθυνση της βιώσιμης ανάπτυξης. Οι εξελίξεις στην τεχνολογία της RS και η διαθεσιμότητα μεγάλων όγκων δεδομένων έχουν οδηγήσει σε τεράστιες βελτιώσεις στην ανάλυση δεδομένων, ειδικά όταν συνδυάζονται με GIS και με αλγόριθμους μηχανικής μάθησης.<br
Σήμερα, η RS, η οποία θεωρείται επιστημονικό εργαλείο, εφαρμόζεται σχεδόν σε κάθε τομέα της της γεωπεριβαλλοντικής επιστήμης. Λαμβάνοντας υπόψη τη σημασία της αειφόρου ανάπτυξης στον 21ο αιώνα, η παρούσα ανασκόπηση αποσκοπεί στην αξιολόγηση του τρόπου με τον οποίο οι εξελίξεις στην τεχνολογία της RS έχουν επηρεάσει τρεις σημαντικούς τομείς της βιώσιμης ανάπτυξης: τη διαχείριση των φυσικών πόρων, την παρατήρηση του περιβάλλοντος και την παρακολούθηση των κινδύνων και, τέλος, την κοινωνικοοικονομική ανάπτυξη. 
'''2.Δεδομένα:''' 
Τα άρθρα που συμπεριλήφθηκαν στην παρούσα ανασκόπηση αντλήθηκαν από τις εξής ηλεκτρονικές πηγές: 
* Scopus 
* Web of Science 
* Google Scholar 
'''3.Διάγραμμα της ανασκόπησης:''' 
Η ροή της ανασκόπησης αποτυπώνεται σχηματικά στην Εικόνα 1:
[[ Εικόνα: A10_e1.jpg| frame|center| Εικόνα 1:Διάγραμμα ροής ανασκόπησης, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect]]]


'''4. Διαχείριση και ανάπτυξη των φυσικών πόρων:''' 
'''4.1 Βιοποικιλότητα''' 
Η βιοποικιλότητα και οι υπηρεσίες που προσφέρουν τα οικοσυστήματα είναι ζωτικής σημασίας για την επίγεια , καθώς προσφέρουν υπηρεσίες πρώτων υλών, υποστηρικτικές, ρυθμιστικές και πολιτιστικές (Millennium Ecosystem Assessment, 2005; Avtar et al., 2017).Η RS χρησιμοποιείται ευρέως για τη μελέτη διαφόρων οικολογικών λειτουργιών, όπως τα φυσικά και ανθρωπογενή αίτια της αλλαγής τοπίου (Gould, 2000; Kerr et al., 2001; Kerr and Ostrovsky, 2003; McDermid et al., 2009). 
Η RS μπορεί να χρησιμοποιηθεί για την άμεση παρακολούθηση της βιοποικιλότητας, με τη χρήση δορυφόρων και αισθητήρων για την άντληση πληροφοριών σε σχέση με τη συγκέντρωση των ειδών σε οικολογικές κοινότητες ή και μεμονωμένους οργανισμούς. Επίσης, άμεσα με τη χρήση τηλεσκοπικών δεδομένων μπορούν να εκτιμηθούν οι χρήσεις γης και η κάλυψη της γης, πληροφορίες ιδιαίτερα χρήσιμες για την ανίχνευση της κατανομής και της συγκέντρωσης των ειδών σε εκτεταμένες περιοχές (Kerr and Ostrovsky, 2003). Οι άμεσες τηλεσκοπικές μέθοδοι για την παρακολούθηση της βιοποικιλότητας παρουσιάζονται στον Πίνακα 1. 


Ακόμη, υπάρχουν και έμμεσες μέθοδοι παρακολούθησης της βιοποικιλότητας που βασίζονται στην παρακολούθηση των εξής παραγόντων: 
α) '''πρωτογενής παραγωγή:''' Ενδεικτικά αναφέρονται οι παρακάτω εφαρμογές:ο δείκτης NDVI ή άλλοι παρόμοιοι δείκτες βλάστησης και σύνδεση τους με τη φαινολογία των φυτών (Turner et al., 2003), χρήση του δείκτη φυλλωδών περιοχών με δεδομένα από τον αισθητήρα MODIS ως δεδομένα εισόδου του οικοσυστημικού μοντέλου Sim-CYCLE (Hazarika et al. 2005), η ακαθάριστη πρωτογενής παραγωγή δασικών προϊόντων στις Ηνωμένες πολιτείες με δεδομένα από τον αισθητήρα MODIS και η σύγκριση του με ένα απλό, διαδικαστικό μοντέλο (Nightingale et al. 2007). 
β) '''κλίμα:'''Διάφορες μεταβλητές, συμπεριλαμβανομένης της θερμοκρασίας, της σχετικής υγρασίας και της υγρασίας του εδάφους, καθορίζουν ως ένα βαθμό την επιβίωση και την παραγωγικότητα πολλών ειδών (Turner et al., 2003). Οι Ηνωμένες Πολιτείες λάνσαραν τους δορυφόρους AQUA και TERRA, οι οποίοι είναι εφοδιασμένοι με τους αισθητήρες AMSR-E, MODIS, AMSU-A, AIRS, HSB, CERES και ASTER, MODIS, CERES, MISR, MOPITT αντίστοιχα, που παρέχουν πληροφορίες (π.χ. Υδρολογικός κύκλος, Θερμοκρασία νερού, Αεροζόλ κ.ο.κ.) που βοηθούν στην κατανόηση της σχέσης κλίματος-βιοποικιλότητας. γ)δομή ενδιαιτημάτων:Με την κατανόηση των δομών των ενδιαιτημάτων των ειδών, μπορούν να εξαχθούν συμπεράσματα για την κατανομή και τα πρότυπα των ειδών. Από την άποψη αυτή, οι τεχνολογίες της RS έχουν αποδειχθεί απαραίτητες. Ενδεικτικά, οι Goetz et al. (2007) μελέτησαν τα ενδιαιτήματα πουλιών στα δάση με χρήση δεδομένων LIDAR και οι Hyde et al. (2006)μελέτησαν τη δομή των δασικών ενδιαιτημάτων με τη χρήση δεδομένων LIDAR, SAR/InSAR,, Landsat-7, και QuickBird 

'''4.2 Υδάτινοι πόροι''' 
Το νερό είναι ζωτικής σημασίας για την ανθρωπότητα. Έχουν αναπτυχθεί μια σειρά από αλγορίθμους για τον εντοπισμό των υδάτινων όγκων σε τηλεπισκοπικές εικόνες: ο NDWI (McFeeters, 1996), ο modified NDWI (Xu, 2006), και ο automated water extraction index (Feyisa et al., 2014). Αισθητήρες, όπως οι Landsat, ASTER, SPOT, and MODIS χρησιμοποιούνται για την παρακολούθηση και τη χαρτογράφηση της ποιότητας των υδάτων (Mishra et al., 2013), ( Yunus et al. 2020). Οι Kamerosky et al. (2015) χρησιμοποίησαν εικόνες MERIS για την παρακολούθηση της υπεράνθησης του φυτοπλαγκτού στην Indian River Lagoon στην Florinda, USA. Οι Pisano et al., 2015 εντόπισα πετρελαιοκηλίδες σε υδάτινους όγκους με εικόνες MODIS και οι Joshi and D’Sa, 2015 χαρτογράφησαν τις εποχικές διαφοροποιήσεις της έγχρωμης αποσυντιθέμενης οργανικής ύλης. Τέλος, έχουν διεξαχθεί μια σειρά από έρευνες που εκτιμούν την ποσότητα και την ποιότητα των υδάτων διαχρονικά, όπως, η έρευνα των Chang et al. (2015) για την εκτίμηση της ποιότητας των υδάτων και της κατάστασης του οικοσυστήματος, όπως συνδέονται με τον κύκλο των θρεπτικών συστατικών σε βάθος 40ετίας.
Επίσης, χρησιμοποιούνται έμμεσες μέθοδοι για την διερεύνηση των υπόγειων υδάτων. Κατά κανόνα, η RS χρησιμοποιείται στην μελέτη των υπογείων υδάτων για την οριοθέτηση της γεωμορφολογίας και των γραμμάτων χαρτών, των επιφανειακών λιθολογικών χαρακτηριστικών, των πλαγιών, και της κάλυψης και χρήσεων της γης (Avtar et al., 2010; Ganapuram et al., 2009; Jha et al., 2007). Ενδεικτικά, αναφέρονται οι έρευνες των Schultz and Engman (2000) για την ανίχνευση των ζωνών τροφοδότησης και απορροής των υπόγειων υδάτων και η συνδυαστική χρήση RS και γεωφυσικών δεδομένων για την εις βάθος εξερεύνηση των υπόγειων υδάτων (Arafa-Hamed, 2013; Khan et al., 2014). 
'''4.3 Ορυκτοί πόροι''' 
Για πολλές χώρες, οι ορυκτοί πόροι συμβάλλουν σημαντικά στα κρατικά έσοδα.Αρκετές χώρες συνεργάστηκαν για να φέρουν διαφορετικές δορυφορικές πλατφόρμες σε συγκεκριμένα τροχιές με αισθητήρες τηλεπισκόπησης. Αυτές οι πλατφόρμες και οι αισθητήρες παρέχουν περαιτέρω πληροφορίες σχετικά με τους άφθονους πόρους της Γης με υψηλότερη ακρίβεια (Belward and Skøien, 2015; Sabins, 1999). Διάφορες μελέτες εξετάζουν τους ορυκτούς πόρους με χρήση υπερφασματικών εικόνων (Kodikara et al., 2012; Van der Meer et al., 2012; Vicente and de Souza Filho, 2011). Οι Gabr et al. (2010) χρησιμοποίησαν πολλαπλές εικόνες ASTER για τον εντοπισμό των ζωνών αλλοίωσης που σχετίζονται με τις αποθέσεις χρυσού στο Abu-Marawat. Οι Pour et al. (2013) χρησιμοποίησαν Landsat-7 Enhanced Thematic Mapper (ETM) και Hyperion δεδομένα για τον εντοπισμό ζωνών υδροθερμικών αλλοιώσεων και των σχετικών δομικών στοιχείων, ενώ σε άλλη έρευνα χρησιμοποιήθηκαν τεχνικές χαρτογράφησης βάσει των επιμέρους εικονοστοιχείων για το διαχωρισμό και τη χαρτογράφηση μεταβολών ορυκτών γύρω από κοιτάσματα χαλκού στο Ιράν (Zadeh et al. 2014). 
'''5.Εκτίμηση του περιβάλλοντος και φυσικών κινδύνων''' 
Στον Πίνακα 2 παρουσιάζεται η ανασκόπηση σε σχέση με τη συμβολή της RS για την εκτίμηση του περιβάλλοντος και φυσικών καταστροφών, όπως οι πλημμύρες και οι κατολισθήσεις και οι δασικές πυρκαγιές 


Τέλος, η τηλεπισκόπηση χρησιμοποιείται για την παρακολούθηση και την ανίχνευση δασικών πυρκαγιών. Δείκτες βλάστησης, όπως οι Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI), Normalized Burn Ratio (NBR) and Normalized Difference Vegetation Index (NDVIreXn) που χρησιμοποιούν κανάλια του ερυθρού εφαρμόζονται ικανοποιητικά για την έρευνα μετά από δασικές πυρκαγιές (Navarro et al., 2017). Οι εφαρμογές εξόρυξης δεδομένων είναι δημοφιλείς για τον καθορισμό του βέλτιστου συνδυασμού μεταβλητών και μοντελοποίησης που σχετίζεται με την εκτίμηση για επικείμενες δασικές πυρκαγιές (Hong et al., 2018). Σε αυτά τα μοντέλα, μεταβλητές μετεωρολογικών, τοπογραφικών και βλαστικών δεικτών που προέρχονται από δορυφορικά δεδομένα ενσωματώνονται ως παράγοντες για την απόκτηση των απαραίτητων πληροφοριών για την υγρασία του εδάφους και την εξατμισοδιαπνοή. 

'''6. Κοινωνικοοικονομική ανάπτυξη''' 
Οι εφαρμογές της τηλεπισκόπησης χρησιμοποιούνται ευρέως για την κοινωνικοοικονομική ανάπτυξη μέσω της ανάκτησης συγκεκριμένων δεδομένων. H κοινωνικοοικονομική ανάπτυξη εξετάζεται υπό το πρίσμα των μεταφορών, της εκτίμησης του πληθυσμού και της εκτίμησης της ποιότητας ζωής. H RS κατέχει κεντρική θέση στις μελλοντικές μελέτες της κοινωνικοοικονομικής ανάπτυξης, καθώς προσφέρουν καλύτερη κατανόηση των ανθρώπινων δραστηριοτήτων με τη χρήση δεδομένων υψηλής ανάλυσης και χαμηλού κόστους. Στον Πίνακα 3 παρουσιάζονται οι κύριες μελέτες και δείκτες που αναπτύχθηκαν για την τηλεπισκοπική μελέτη της κοινωνικοοικονομικής ανάπτυξης: 


'''7.Συμπεράσματα:''' 
Στην παρούσα μελέτη διερευνήθηκε η συμβολή της τηλεπισκόπησης στην διατήρηση του πλανήτη και της επίγειας ζωής. Τα Ηνωμένα Έθνη χαρακτήρισα την RS ως απαραίτητο εργαλείο για την επίτευξη των στόχων της Στόχοι βιώσιμης ανάπτυξης (SDGs). Η RS μπορεί να χρησιμοποιηθεί όχι μόνο για την ανάπτυξη ολοκληρωμένων πολιτικών για την προώθηση της βιώσιμης ανάπτυξης, αλλά και για την αποτελεσματική εφαρμογή και παρακολούθηση τους και λήψη αποφάσεων. Ωστόσο, για να είναι αποτελεσματικές και αξιόπιστες οι εφαρμογές της RS, πρέπει να υπάρχουν επαρκείς πληροφορίες και να λαμβάνονται από πολλαπλές πηγές. Ειδικότερα, η ανάπτυξη νέων φασματικών δεικτών, που βασίζονται στη βελτιωμένη τεχνολογία αισθητήρων, είναι καίριας σημασίας για την επίτευξη βιώσιμων στόχων ανάπτυξης.
Ωστόσο, η χρήση της τηλεπισκόπησης στις αναπτυσσόμενες χώρες για την παρακολούθηση των στόχων της βιώσιμης ανάπτυξης παραμένει διακύβευμα. Στην κατεύθυνση ενίσχυσης της χρήσης RS για την υποβοήθηση της προσπάθειας για βιώσιμη ανάπτυξη στις αναπτυσσόμενες χώρες, απαιτείται η δημιουργία περισσότερων και προσβάσιμων βάσεων δεδομένων, καθώς και συνεργασίες μεταξύ των κέντρων λήψεων των αποφάσεων και των πολιτικών κέντρων μελετών των αναπτυσσόμενων χωρών και με χώρες ή οργανισμού που έχουν ήδη πρόσβαση σε πηγές GIS. 

== ΑΝΑΦΟΡΕΣ ==

Anderson, D., Young, J., 2001. Truck traffic analysis using IKONOS satellite imagery. Space Imaging Technical Brief Prepared for National Consortium on Remote Sensing in Transportation-Flows. Ohio State University Center for Mapping, Columbus. 
Angel, A., Hickman, M., 2002. Experimental Investigation of Travel Time Estimation Using Geo-Referenced Aerial Video. Transportation Research Board 81st Annual Meeting. 
Angel, A., Hickman, M., Chandnani, D., Mirchandani, P., 2002. Application of aerial video for traffic flow monitoring and management. In: Applications of Advanced Technologies in Transportation, pp. 346–353. Arafa-Hamed, T., 2013. Comprehensive clues provided by popular free remote sensing imagery to interpretation of geophysical studies explained by example cases of magnetic surveys. NRIAG J. Astro. Geophys. 2 (2), 278–286. 
Arampatzis, G., Kiranoudis, C.T., Scaloubacas, P., Assimacopoulos, D., 2004. A GIS-based decision support system for planning urban transportation policies. Eur. J. Oper. Res. 152 (2), 465–475. 
Avtar, R., Kumar, P., Oono, A., Saraswat, C., Dorji, S., Hlaing, Z., 2017. Potential application of remote sensing in monitoring ecosystem services of forests, mangroves and urban areas. Geocarto Int. 32 (8), 874–885. https://doi.org/10.1080/ 10106049.2016.1206974. 
Avtar, R., Kumar, P., Singh, C.K., Sahu, N., Verma, R.L., Thakur, J.K., Mukherjee, S., 2013a. Hydrogeochemical assessment of groundwater quality of Bundelkhand, India using statistical approach. Water Qual. Expos. Hea. 5 (3), 105–115. https://doi.org/ 10.1007/s12403-013-0094-2. 
Avtar, R., Singh, C., Shashtri, S., Singh, A., Mukherjee, S., 2010. Identification and analysis of groundwater potential zones in Ken–Betwa river linking area using remote sensing and geographic information system. Geocarto Int. 25 (5), 379–396. 
Avtar, R., Takeuchi, W., Sawada, H., 2013b. Full polarimetric PALSAR-based land cover monitoring in Cambodia for implementation of REDD policies. Int. J. Digital Earth 6 (3), 255–275. https://doi.org/10.1080/17538947.2011.620639. 
Ayalew, B., Gomez, R.B., Roper, W.E., Carrasco, O., 2003. Pavement management using hyperspectral imagery, 5097, 207–214. Belward, A.S., Skøien, J.O., 2015. Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS J. Photogrammetry Remote Sens. 103, 115–128. 
Bolch, T., 2007. Climate change and glacier retreat in northern Tien Shan (Kazakhstan/ Kyrgyzstan) using remote sensing data. Global Planet. Change 56 (1–2), 1–12. 
Brown, R.D., Robinson, D.A., 2011. Northern Hemisphere spring snow cover variability and change over 1922-2010 including an assessment of uncertainty. Cryosphere 5 (1), 219. 
Buermann, W., Saatchi, S., Smith, T.B., Zutta, B.R., Chaves, J.A., Mila, ´ B., Graham, C.H., 2008. Predicting species distributions across the Amazonian and Andean regions using remote sensing data. J. Biogeogr. 35 (7), 1160–1176. 
Carrasco, R., Pedraza, J., Martin-Duque, J., Mattera, M., Sanz, M., Bodoque, J., 2003. Hazard zoning for landslides connected to torrential floods in the Jerte Valley (Spain) by using GIS techniques. Nat. Hazards 30 (3), 361–381. 
Casagli, N., Cigna, F., Bianchini, S., Holbling, ¨ D., Füreder, P., Righini, G., Del Conte, S., Friedl, B., Schneiderbauer, S., Iasio, C., 2016. Landslide mapping and monitoring by using radar and optical remote sensing: examples from the EC-FP7 project SAFER. Remote Sens. Appl.: Soc. Environ. 4, 92–108. 
Center, P., 1999. Maricopa Association of Governments Pedestrian Plan 2000. CEOS Disaster Management Support, G., Wood, H.M., 2003. The Use of Earth Observing Satellites for Hazard Support: Assessments & Scenarios: Final Report of the CEOS Disaster Management Support Group: Chair’s Overview. National Oceanic and Atmospheric Administration, US Department of Commerce. 
Chang, N.-B., Imen, S., Vannah, B., 2015. Remote sensing for monitoring surface water quality status and ecosystem state in relation to the nutrient cycle: a 40-year perspective. Crit. Rev. Environ. Sci. Technol. 45 (2), 101–166. https://doi.org/ 10.1080/10643389.2013.829981. 
Cord, A.F., Klein, D., Mora, F., Dech, S., 2014. Comparing the suitability of classified land cover data and remote sensing variables for modeling distribution patterns of plants. Ecol. Model. 272, 129–140. 
Council, T.R.B.N.R., 2000. Highway Capacity Manual. TRB Business Office. 
Daoud, A., Hallerod, ¨ B., Guha-Sapir, D., 2016. What is the association between absolute child poverty, poor governance, and natural disasters? A global comparison of some of the realities of climate change. PLoS One 11 (4). 
Dudhani, S., Sinha, A.K., Inamdar, S.S., 2006. Assessment of small hydropower potential using remote sensing data for sustainable development in India. Energy Pol. 34 (17), 3195–3205. https://doi.org/10.1016/j.enpol.2005.06.011. 
Duro, D.C., Coops, N.C., Wulder, M.A., Han, T., 2007. Development of a large area biodiversity monitoring system driven by remote sensing. Prog. Phys. Geogr. 31 (3), 235–260. 
Feyisa, G.L., Meilby, H., Fensholt, R., Proud, S.R., 2014. Automated Water Extraction Index: a new technique for surface water mapping using Landsat imagery. Remote Sens. Environ. 140, 23–35. https://doi.org/10.1016/j.rse.2013.08.029. 
Fletcher, K., European Space Agency, European Space Research and Technology Centre (Eds.), 2007. InSAR Principles: Guidelines for SAR Interferometry Processing and Interpretation. ESA Publications, ESTEC. 
Gabr, S., Ghulam, A., Kusky, T., 2010. Detecting areas of high-potential gold mineralization using ASTER data. Ore Geol. Rev. 38 (1–2), 59–69.
Ganapuram, S., Kumar, G.V., Krishna, I.M., Kahya, E., Demirel, M.C., 2009. Mapping of groundwater potential zones in the Musi basin using remote sensing data and GIS.Adv. Eng. Software 40 (7), 506–518. 
Gili, J.A., Corominas, J., Rius, J., 2000. Using global positioning system techniques in landslide monitoring. Eng. Geol. 55 (3), 167–192.
Goetz, S., Steinberg, D., Dubayah, R., Blair, B., 2007. Laser remote sensing of canopy habitat heterogeneity as a predictor of bird species richness in an eastern temperate forest, USA. Remote Sens. Environ. 108 (3), 254–263. 
Grabner, H., Nguyen, T.T., Gruber, B., Bischof, H., 2008. On-line boosting-based car detection from aerial images. ISPRS J. Photogrammetry Remote Sens. 63 (3), 382–396. 
Gray, S., Semiat, R., Duke, M., Rahardianto, A., Cohen, Y., 2011. Reference module in earth systems and environmental sciences. Seawater Use and Desalination Technology 73–109. 
Guo, D., Weeks, A., Klee, H., 2007. Robust approach for suburban road segmentation in high-resolution aerial images. Int. J. Rem. Sens. 28 (2), 307–318.
Guzzetti, F., Mondini, A.C., Cardinali, M., Fiorucci, F., Santangelo, M., Chang, K.-T., 2012. Landslide inventory maps: new tools for an old problem. Earth Sci. Rev. 112 (1–2), 42–66. 
Haboudane, D., Miller, J., 2002. Tremblay, N.; Zarco-Tejada, PJ; Dextrase, L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sens. Environ. 81, 416–426. 
Hall, O., Duit, A., Caballero, L.N., 2008. World poverty, environmental vulnerability and population at risk for natural hazards. J. Maps 4 (1), 151–160.
Hazarika, M.K., Yasuoka, Y., Ito, A., Dye, D., 2005. Estimation of net primary productivity by integrating remote sensing data with an ecosystem model. Remote Sens. Environ. 94 (3), 298–310. 
Hester, D.B., Cakir, H.I., Nelson, S.A., Khorram, S., 2008. Per-pixel classification of high spatial resolution satellite imagery for urban land-cover mapping. Photogramm. Eng. Rem. Sens. 74 (4), 463–471. 
Hirpa, F.A., Hopson, T.M., De Groeve, T., Brakenridge, G.R., Gebremichael, M., Restrepo, P.J., 2013. Upstream satellite remote sensing for river discharge forecasting: application to major rivers in South Asia. Remote Sens. Environ. 131, 140–151. 
Holloway, J., Mengersen, K., 2018. Statistical machine learning methods and remote sensing for sustainable development goals Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A.X., Xu, C., 2018. Applying genetic algorithms to set the optimal combination of forest fire related variables and model forest fire susceptibility based on data mining models. The case of Dayu County, China. Sci. Total Environ. 630, 1044–1056. 
Hoppe, E., Bruckno, B., Campbell, E., Acton, S., Vaccari, A., Stuecheli, M., Bohane, A., Falorni, G., Morgan, J., 2016. Transportation infrastructure monitoring using satellite remote sensing. Materials and Infrastructures 1 (5), 185–198. 
Hou, Z., Xu, Q., Nuutinen, T., Tokola, T., 2013. Extraction of remote sensing-based forest management units in tropical forests.
Remote Sens. Environ. 130, 1–10. 
Hyde, P., Dubayah, R., Walker, W., Blair, J.B., Hofton, M., Hunsaker, C., 2006. Mapping forest structure for wildlife habitat analysis using multi-sensor (LiDAR, SAR/InSAR, ETM+, Quickbird) synergy. Remote Sens. Environ. 102 (1–2), 63–73. 
Jensen, John R., Cowen, D.C., 1999. Remote sensing of urban/suburban infrastructure and socio-economic attributes. Photogramm. Eng. Rem. Sens. 65, 611–622.
Jha, M.K., Chowdhury, A., Chowdary, V., Peiffer, S., 2007. Groundwater management and development by integrated remote sensing and geographic information systems: prospects and constraints. Water Resour. Manag. 21 (2), 427–467. 
Joshi, I., D’Sa, E.J., 2015. Seasonal variation of colored dissolved organic matter in Barataria Bay, Louisiana, using combined Landsat and field data. Rem. Sens. 7 (9), 12478–12502. 
Kamerosky, A., Cho, H.J., Morris, L., 2015. Monitoring of the 2011 super algal bloom in Indian River Lagoon, FL, USA, using
MERIS. Rem. Sens. 7 (2), 1441–1460. 

Kerr, J.T., Ostrovsky, M., 2003. From space to species: ecological applications for remote sensing. Trends Ecol. Evol. 18 (6), 299–305. 
Kerr, J.T., Southwood, T., Cihlar, J., 2001. Remotely sensed habitat diversity predicts butterfly species richness and community similarity in Canada. Proc. Natl. Acad. Sci. Unit. States Am. 98 (20), 11365–11370. 
Khan, S.D., Fathy, M.S., Abdelazeem, M., 2014. Remote sensing and geophysical investigations of Moghra lake in the qattara depression, Western Desert, Egypt. Geomorphology 207, 10–22. 
Kodikara, G.R., Woldai, T., van Ruitenbeek, F.J., Kuria, Z., van der Meer, F., Shepherd, K. D., Van Hummel, G., 2012. 
Hyperspectral remote sensing of evaporate minerals and associated sediments in Lake Magadi area, Kenya. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 22–32. 
Krishnaswamy, J., Bawa, K.S., Ganeshaiah, K., Kiran, M., 2009. Quantifying and mapping biodiversity and ecosystem services: utility of a multi-season NDVI based Mahalanobis distance surrogate. Remote Sens. Environ. 113 (4), 857–867. 
Leitloff, J., Hinz, S., Stilla, U., 2010. Vehicle detection in very high resolution satellite images of city areas. IEEE Trans. Geosci. Rem. Sens. 48 (7), 2795–2806. 
Li, G., Weng, Q., 2005. Using Landsat ETM+ imagery to measure population density in Indianapolis, Indiana, USA. Photogramm. Eng. Rem. Sens. 71 (8), 947–958. 
Liu, X., Clarke, K., Herold, M., 2006. Population density and image texture. Photogramm. Eng. Rem. Sens. 72 (2), 187–196. 
Lo, C.P., Faber, B.J., 1997. Integration of Landsat Thematic Mapper and census data for quality of life assessment. Remote Sens. Environ. 62 (2), 143–157. 
Malet, J.-P., Maquaire, O., Calais, E., 2002. The use of Global Positioning System techniques for the continuous monitoring of landslides: application to the SuperSauze earthflow (Alpes-de-Haute-Provence, France). Geomorphology 43 (1–2), 33–54. Manktelow, P.T., Mann, G.W., Carslaw, K.S., Spracklen, D.V., Chipperfield, M.P., 2007. Regional and global trends in sulfate aerosol since the 1980s. Geophys. Res. Lett. 34 (14). 
Marano, K.D., Wald, D.J., Allen, T.I., 2010. Global earthquake casualties due to secondary effects: a quantitative analysis for improving rapid loss analyses. Nat. Hazards 52 (2), 319–328. 
Martinuzzi, S., Vierling, L.A., Gould, W.A., Falkowski, M.J., Evans, J.S., Hudak, A.T., Vierling, K.T., 2009. Mapping snags and understory shrubs for a LiDAR-based assessment of wildlife habitat suitability. Remote Sens. Environ. 113 (12), 2533–2546. McCord, M.R., Hickman, M., Bronzini, M.S., Goel, P.K., Gomez, R.B., Merry, C.J., Mirchandani, P.B., Morrison, J.L., 2003. REMOTE SENSING OF TRANSPORTATION FLOWS. CONSORTIUM PAPER PRESENTATION. 21. 
McDermid, G., Hall, R., Sanchez-Azofeifa, G., Franklin, S., Stenhouse, G., Kobliuk, T., LeDrew, E., 2009. Remote sensing and forest inventory for wildlife habitat assessment. For. Ecol. Manag. 257 (11), 2262–2269. 
McFeeters, S.K., 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J Menon, S., Bawa, K.S., 1997. Applications of geographic information systems, remotesensing, and a landscape ecology approach to biodiversity conservation in the Western Ghats. Curr. Sci. 134–145. 
Meyer, W.B., Turner, B.L., 1992. Human population growth and global land-use/cover change. Annu. Rev. Ecol. Systemat. 23 (1), 39–61. 
Millennium Ecosystem Assessment, M.E.A., 2005. Ecosystems and Human Well-Being (Synthesis). 
Mishra, S., Mishra, D.R., Lee, Z., Tucker, C.S., 2013. Quantifying cyanobacterial phycocyanin concentration in turbid productive waters: a quasi-analytical approach. Remote Sens. Environ. 133, 141–151. 
Nakagawa, T., Yasuoka, Y., 2001. Environmental impact assessment with remote sensing at Isahaya land reclamation site. In: Proceedings of 22nd Asian Conferencce on Remote Sensing (AARS), 6. https://crisp.nus.edu.sg/~acrs2001/pdf/244nakag.pdf. Navarro, G., Caballero, I., Silva, G., Parra, P.C., V´ azquez, A., ´ Caldeira, R., 2017. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery. Int. J. Appl. Earth Obs. Geoinf. 58, 97–106. 
Nandy, S., Kushwaha, S., Dadhwal, V., 2011. Forest degradation assessment in the upper catchment of the river Tons using remote sensing and GIS. Ecol. Indicat. 11 (2), 509–513. 
Nightingale, J., Coops, N., Waring, R., Hargrove, W., 2007. Comparison of MODIS gross primary production estimates for forests across the USA with those generated by a simple process model, 3-PGS. Remote Sens. Environ. 109 (4), 500–509. 

Petley, D., 2012. Global patterns of loss of life from landslides. Geology 40 (10), 927–930. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510 
Pisano, A., Bignami, F., Santoleri, R., 2015. Oil spill detection in glint-contaminated near-infrared MODIS imagery. Rem. Sens. 7 (1), 1112–1134. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510. 
Pour, Amin Beiranvand, Hashim, M., van Genderen, J., 2013. Detection of hydrothermal alteration zones in a tropical region using satellite remote sensing data: Bau goldfield, Sarawak, Malaysia. Ore Geol. Rev. 54, 181–196. 
Pozzi, F., Small, C., 2001. Exploratory analysis of suburban land cover and population density in the USA, pp. 250–254. 
Ranade, P., 2007. Environmental impact assessment of land use planing around the leased limestone mine using remote sensing techniques. J. Health Sci. Environ. 4 (1), 61–65. 
Rogers, D., Emwanu, T., Robinson, T., 2006. Poverty Mapping in Uganda: an Analysis Using Remotely Sensed and Other Environmental Data.
Rosen, P.A., Hensley, S., Joughin, I.R., Li, F.K., Madsen, S.N., Rodriguez, E., Goldstein, R. M., 2000. Synthetic aperture radar interferometry. Proc. IEEE 88 (3), 333–382. 
Rossa, A.M., Del Guerra, F.L., Borga, M., Zanon, F., Settin, T., Leuenberger, D., 2010. Radar-driven high-resolution hydro-meteorological forecasts of the 26 September 2007 Venice flash flood. J. Hydrol. 394 (1–2), 230–244. 
Saatchi, S., Buermann, W., Ter Steege, H., Mori, S., Smith, T.B., 2008. Modeling distribution of Amazonian tree species and diversity using remote sensing measurements. Remote Sens. Environ. 112 (5), 2000–2017. 
Sabins, F.F., 1999. Remote sensing for mineral exploration. Ore Geol. Rev. 14 (3–4), 157–183. 
Schultz, G.A., Engman, E.T., 2000. Present use and future perspectives of remote sensing in hydrology and water management. IAHS-AISH Publ. 267, 545–551. 
Sharma, G., Merry, C., Goel, P., McCord, M., 2006. Vehicle detection in 1-m resolution satellite and airborne imagery. Int. J. Rem. Sens. 27 (4), 779–797. 
Singhroy, V., Ohkura, H., Glenn, N., 2002. Earth observation for landslide assessment. IEEE In.t. Geosci. Remote Sens. Sympos 2, 765–767. 
Spagnolini, U., Rampa, V., 1999. Multitarget detection/tracking for monostatic ground penetrating radar: application to pavement profiling. IEEE Trans. Geosci. Rem. Sens. 37 (1), 383–394. 
Tabor, J.A., Hutchinson, C.F., 1994. Using Indigenous Knowledge, Remote Sensing and GIS for Sustainable Development. https://agris.fao.org/agris-search/search.do?reco rdID=GB2013200846. 
Tsimbos, C., Kotsifakis, G., Verropoulou, G., Kalogirou, S., 2011. Life expectancy in Greece 1991–2007: regional variations and spatial clustering. J. Maps 7 (1), 280–290. 
Turner, W., Spector, S., Gardiner, N., Fladeland, M., Sterling, E., Steininger, M., 2003. Remote sensing for biodiversity science and conservation. Trends Ecol. Evol. 18 (6), 306–314. van der Meer, F.D.,
Van der Werff, H.M., van Ruitenbeek, F.J., Hecker, Chris a., Bakker, Wim H., Noomen, Marleen F., Mark van Der Meijde, E.John M., Carranza, J., Boudewijn De Smeth, Tsehaie Woldai, 2012. Multi-and hyperspectral geologic remote sensing: a review. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 112–128. 
Vicente, L.E., de Souza Filho, C.R., 2011. Identification of mineral components in tropical soils using reflectance spectroscopy and advanced spaceborne thermal emission and reflection radiometer (ASTER) data. Remote Sens. Environ. 115 (8), 1824–1836. 
Vignola, F., Michalsky, J., Stoffel, T., 2019. Solar and Infrared Radiation Measurements. CRC press. 
Vina, ˜ A., Bearer, S., Zhang, H., Ouyang, Z., Liu, J., 2008. Evaluating MODIS data for mapping wildlife habitat distribution. Remote Sens. Environ. 112 (5), 2160–2169. 

Waring, R., Coops, N., Landsberg, J., 2010. Improving predictions of forest growth using the 3-PGS model with observations made by remote sensing. For. Ecol. Manag. 259 (9), 1722–1729. 

Wiens, J., Sutter, R., Anderson, M., Blanchard, J., Barnett, A., Aguilar-Amuchastegui, N., Avery, C., Laine, S., 2009. Selecting and conserving lands for biodiversity: the role of remote sensing. Remote Sens. Environ. 113 (7), 1370–1381. 
Williams, J.G., Rosser, N.J., Kincey, M.E., Benjamin, J., Oven, K.J., Densmore, A.L., Milledge, D.G., Robinson, T.R., 2017. Satellite-based emergency mapping: landslides triggered by the 2015 Nepal earthquake. Nat. Hazards Earth Syst. Sci. 18, 185–205. Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Rem. Sens. 27 (14), 3025–3033. https://doi.org/10.1080/01431160600589179. 
Yan, G., Zhou, S., Zhou, L., Xi, J., Tian, Y., Teng, H., 2013. Integrating remote sensing and proximal sensors for the detection of soil moisture and salinity variability in coastal areas. J. Int. Agri. 12 (4), 723–731. 
Yang, J., Gong, P., Fu, R., Zhang, M., Chen, J., Liang, S., Xu, B., Shi, J., Dickinson, R., 2013a. The role of satellite remote sensing in climate change studies. Nat. Clim. Change 3 (10), 875. 
Yu, X., Shi, Z., 2015. Vehicle detection in remote sensing imagery based on salient information and local shape feature. Optik-International Journal for Light and Electron Optics 126 (20), 2485–2490. 
Yunus, A.P., Masago, Y., Hijioka, Y., 2020. COVID-19 and surface water quality: improved lake water quality during the lockdown. Sci. Total Environ. 731, 139012. http://www.sciencedirect.com/science/article/pii/S0048969720325298. 
Zadeh, M.H., Tangestani, M.H., Roldan, F.V., Yusta, I., 2014. Sub-pixel mineral mapping of a porphyry copper belt using EO-1 Hyperion data. Adv. Space Res. 53 (3), 440–451. 
Zhou, G., Wei, D., 2008. Survey and Analysis of Land Satellite Remote Sensing Applied in Highway Transportations Infrastructure and System Engineering, 4. IV–479.

[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Αποτιμώντας τις προοπτικές της βιώσιμης ανάπτυξης μέσω της τηλεπισκόπησης: Μια ανασκόπηση

2021-01-27T00:59:53Z

Ioanna Karani:

'''Πρωτότυπος τίτλος:''' Assessing sustainable development prospects through remote sensing: A review 
'''Συγγραφείς:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi
Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan 
'''Citation:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan, Assessing sustainable development prospects through remote sensing: A review,Remote Sensing Applications: Society and Environment, Volume 20, 2020, 100402, ISSN 2352-9385, [https://doi.org/10.1016/j.rsase.2020.100402]. 
'''Πηγή:'''[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect] 

'''Λέξεις κλειδιά:'''Natural resource management; Sustainability; Natural hazards; Decision support system; Indices 
[file:///C:/Users/iwann/AppData/Local/Temp/Temp1_Untitled%20document.zip/Untitleddocument.html]
'''Σκοπός της έρευνας:'''
Η παρούσα έρευνα στοχεύει να πραγματοποιήσεις μια εκτεταμένη ανασκόπηση στη συμβολή της τηλεπισκόπησης (RS) στις προσπάθειες προς τη βιώσιμη ανάπτυξη, με έμφαση στη διαχείριση των φυσικών πόρων και στην εκτίμηση των φυσικών καταστροφών. 
'''1. Εισαγωγή:''' 
Η επιτυχία της βιώσιμης ανάπτυξης σε οποιαδήποτε περιοχή βασίζεται στο τι είναι γνωστό σε σχέση με τη διαχείριση των φυσικών πόρων και τους κινδύνους στην περιοχή (Taborand Hutchinson,1994). H δυνατότητα της RS να καταγράφει τα γήινα συστήματα σε διάφορες χωρικές και χρονικές κλίμακες την καθιστά κατάλληλη για τη διαχείριση προκλήσεων σε περιβαλλοντικό,οικολογικό και κοινωνικοοικονομικό επίπεδο. 
Μια σειρά από έρευνες -σημεία αναφοράς- έχουν διεξαχθεί, καλύπτοντας ποικίλους επιμέρους τομείς που άπτονται της βιώσιμης ανάπτυξης, όπως οι φυσικοί κίνδυνοι και οι κοινωνικοοικονομική ανάπτυξη (Avtar et al., 2013; Dudhani et al., 2006; Holloway and Mengersen, 2018). Ειδικότερα, τα τελευταία τριάντα χρόνια η RS χρησιμοποιείται ευρέως για την εκτίμηση των προσπαθειών στην κατεύθυνση της βιώσιμης ανάπτυξης. Οι εξελίξεις στην τεχνολογία της RS και η διαθεσιμότητα μεγάλων όγκων δεδομένων έχουν οδηγήσει σε τεράστιες βελτιώσεις στην ανάλυση δεδομένων, ειδικά όταν συνδυάζονται με GIS και με αλγόριθμους μηχανικής μάθησης.<br
Σήμερα, η RS, η οποία θεωρείται επιστημονικό εργαλείο, εφαρμόζεται σχεδόν σε κάθε τομέα της της γεωπεριβαλλοντικής επιστήμης. Λαμβάνοντας υπόψη τη σημασία της αειφόρου ανάπτυξης στον 21ο αιώνα, η παρούσα ανασκόπηση αποσκοπεί στην αξιολόγηση του τρόπου με τον οποίο οι εξελίξεις στην τεχνολογία της RS έχουν επηρεάσει τρεις σημαντικούς τομείς της βιώσιμης ανάπτυξης: τη διαχείριση των φυσικών πόρων, την παρατήρηση του περιβάλλοντος και την παρακολούθηση των κινδύνων και, τέλος, την κοινωνικοοικονομική ανάπτυξη. 
'''2.Δεδομένα:''' 
Τα άρθρα που συμπεριλήφθηκαν στην παρούσα ανασκόπηση αντλήθηκαν από τις εξής ηλεκτρονικές πηγές: 
* Scopus 
* Web of Science 
* Google Scholar 
'''3.Διάγραμμα της ανασκόπησης:''' 
Η ροή της ανασκόπησης αποτυπώνεται σχηματικά στην Εικόνα 1:
[[ Εικόνα: A10_e1.jpg| frame|center| Εικόνα 1:Διάγραμμα ροής ανασκόπησης, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect]]]


'''4. Διαχείριση και ανάπτυξη των φυσικών πόρων:''' 
'''4.1 Βιοποικιλότητα''' 
Η βιοποικιλότητα και οι υπηρεσίες που προσφέρουν τα οικοσυστήματα είναι ζωτικής σημασίας για την επίγεια , καθώς προσφέρουν υπηρεσίες πρώτων υλών, υποστηρικτικές, ρυθμιστικές και πολιτιστικές (Millennium Ecosystem Assessment, 2005; Avtar et al., 2017).Η RS χρησιμοποιείται ευρέως για τη μελέτη διαφόρων οικολογικών λειτουργιών, όπως τα φυσικά και ανθρωπογενή αίτια της αλλαγής τοπίου (Gould, 2000; Kerr et al., 2001; Kerr and Ostrovsky, 2003; McDermid et al., 2009). 
Η RS μπορεί να χρησιμοποιηθεί για την άμεση παρακολούθηση της βιοποικιλότητας, με τη χρήση δορυφόρων και αισθητήρων για την άντληση πληροφοριών σε σχέση με τη συγκέντρωση των ειδών σε οικολογικές κοινότητες ή και μεμονωμένους οργανισμούς. Επίσης, άμεσα με τη χρήση τηλεσκοπικών δεδομένων μπορούν να εκτιμηθούν οι χρήσεις γης και η κάλυψη της γης, πληροφορίες ιδιαίτερα χρήσιμες για την ανίχνευση της κατανομής και της συγκέντρωσης των ειδών σε εκτεταμένες περιοχές (Kerr and Ostrovsky, 2003). Οι άμεσες τηλεσκοπικές μέθοδοι για την παρακολούθηση της βιοποικιλότητας παρουσιάζονται στον Πίνακα 1. 


Ακόμη, υπάρχουν και έμμεσες μέθοδοι παρακολούθησης της βιοποικιλότητας που βασίζονται στην παρακολούθηση των εξής παραγόντων: 
α) '''πρωτογενής παραγωγή:''' Ενδεικτικά αναφέρονται οι παρακάτω εφαρμογές:ο δείκτης NDVI ή άλλοι παρόμοιοι δείκτες βλάστησης και σύνδεση τους με τη φαινολογία των φυτών (Turner et al., 2003), χρήση του δείκτη φυλλωδών περιοχών με δεδομένα από τον αισθητήρα MODIS ως δεδομένα εισόδου του οικοσυστημικού μοντέλου Sim-CYCLE (Hazarika et al. 2005), η ακαθάριστη πρωτογενής παραγωγή δασικών προϊόντων στις Ηνωμένες πολιτείες με δεδομένα από τον αισθητήρα MODIS και η σύγκριση του με ένα απλό, διαδικαστικό μοντέλο (Nightingale et al. 2007). 
β) '''κλίμα:'''Διάφορες μεταβλητές, συμπεριλαμβανομένης της θερμοκρασίας, της σχετικής υγρασίας και της υγρασίας του εδάφους, καθορίζουν ως ένα βαθμό την επιβίωση και την παραγωγικότητα πολλών ειδών (Turner et al., 2003). Οι Ηνωμένες Πολιτείες λάνσαραν τους δορυφόρους AQUA και TERRA, οι οποίοι είναι εφοδιασμένοι με τους αισθητήρες AMSR-E, MODIS, AMSU-A, AIRS, HSB, CERES και ASTER, MODIS, CERES, MISR, MOPITT αντίστοιχα, που παρέχουν πληροφορίες (π.χ. Υδρολογικός κύκλος, Θερμοκρασία νερού, Αεροζόλ κ.ο.κ.) που βοηθούν στην κατανόηση της σχέσης κλίματος-βιοποικιλότητας. γ)δομή ενδιαιτημάτων:Με την κατανόηση των δομών των ενδιαιτημάτων των ειδών, μπορούν να εξαχθούν συμπεράσματα για την κατανομή και τα πρότυπα των ειδών. Από την άποψη αυτή, οι τεχνολογίες της RS έχουν αποδειχθεί απαραίτητες. Ενδεικτικά, οι Goetz et al. (2007) μελέτησαν τα ενδιαιτήματα πουλιών στα δάση με χρήση δεδομένων LIDAR και οι Hyde et al. (2006)μελέτησαν τη δομή των δασικών ενδιαιτημάτων με τη χρήση δεδομένων LIDAR, SAR/InSAR,, Landsat-7, και QuickBird 

'''4.2 Υδάτινοι πόροι''' 
Το νερό είναι ζωτικής σημασίας για την ανθρωπότητα. Έχουν αναπτυχθεί μια σειρά από αλγορίθμους για τον εντοπισμό των υδάτινων όγκων σε τηλεπισκοπικές εικόνες: ο NDWI (McFeeters, 1996), ο modified NDWI (Xu, 2006), και ο automated water extraction index (Feyisa et al., 2014). Αισθητήρες, όπως οι Landsat, ASTER, SPOT, and MODIS χρησιμοποιούνται για την παρακολούθηση και τη χαρτογράφηση της ποιότητας των υδάτων (Mishra et al., 2013), ( Yunus et al. 2020). Οι Kamerosky et al. (2015) χρησιμοποίησαν εικόνες MERIS για την παρακολούθηση της υπεράνθησης του φυτοπλαγκτού στην Indian River Lagoon στην Florinda, USA. Οι Pisano et al., 2015 εντόπισα πετρελαιοκηλίδες σε υδάτινους όγκους με εικόνες MODIS και οι Joshi and D’Sa, 2015 χαρτογράφησαν τις εποχικές διαφοροποιήσεις της έγχρωμης αποσυντιθέμενης οργανικής ύλης. Τέλος, έχουν διεξαχθεί μια σειρά από έρευνες που εκτιμούν την ποσότητα και την ποιότητα των υδάτων διαχρονικά, όπως, η έρευνα των Chang et al. (2015) για την εκτίμηση της ποιότητας των υδάτων και της κατάστασης του οικοσυστήματος, όπως συνδέονται με τον κύκλο των θρεπτικών συστατικών σε βάθος 40ετίας.
Επίσης, χρησιμοποιούνται έμμεσες μέθοδοι για την διερεύνηση των υπόγειων υδάτων. Κατά κανόνα, η RS χρησιμοποιείται στην μελέτη των υπογείων υδάτων για την οριοθέτηση της γεωμορφολογίας και των γραμμάτων χαρτών, των επιφανειακών λιθολογικών χαρακτηριστικών, των πλαγιών, και της κάλυψης και χρήσεων της γης (Avtar et al., 2010; Ganapuram et al., 2009; Jha et al., 2007). Ενδεικτικά, αναφέρονται οι έρευνες των Schultz and Engman (2000) για την ανίχνευση των ζωνών τροφοδότησης και απορροής των υπόγειων υδάτων και η συνδυαστική χρήση RS και γεωφυσικών δεδομένων για την εις βάθος εξερεύνηση των υπόγειων υδάτων (Arafa-Hamed, 2013; Khan et al., 2014). 
'''4.3 Ορυκτοί πόροι''' 
Για πολλές χώρες, οι ορυκτοί πόροι συμβάλλουν σημαντικά στα κρατικά έσοδα.Αρκετές χώρες συνεργάστηκαν για να φέρουν διαφορετικές δορυφορικές πλατφόρμες σε συγκεκριμένα τροχιές με αισθητήρες τηλεπισκόπησης. Αυτές οι πλατφόρμες και οι αισθητήρες παρέχουν περαιτέρω πληροφορίες σχετικά με τους άφθονους πόρους της Γης με υψηλότερη ακρίβεια (Belward and Skøien, 2015; Sabins, 1999). Διάφορες μελέτες εξετάζουν τους ορυκτούς πόρους με χρήση υπερφασματικών εικόνων (Kodikara et al., 2012; Van der Meer et al., 2012; Vicente and de Souza Filho, 2011). Οι Gabr et al. (2010) χρησιμοποίησαν πολλαπλές εικόνες ASTER για τον εντοπισμό των ζωνών αλλοίωσης που σχετίζονται με τις αποθέσεις χρυσού στο Abu-Marawat. Οι Pour et al. (2013) χρησιμοποίησαν Landsat-7 Enhanced Thematic Mapper (ETM) και Hyperion δεδομένα για τον εντοπισμό ζωνών υδροθερμικών αλλοιώσεων και των σχετικών δομικών στοιχείων, ενώ σε άλλη έρευνα χρησιμοποιήθηκαν τεχνικές χαρτογράφησης βάσει των επιμέρους εικονοστοιχείων για το διαχωρισμό και τη χαρτογράφηση μεταβολών ορυκτών γύρω από κοιτάσματα χαλκού στο Ιράν (Zadeh et al. 2014). 
'''5.Εκτίμηση του περιβάλλοντος και φυσικών κινδύνων''' 
Στον Πίνακα 2 παρουσιάζεται η ανασκόπηση σε σχέση με τη συμβολή της RS για την εκτίμηση του περιβάλλοντος και φυσικών καταστροφών, όπως οι πλημμύρες και οι κατολισθήσεις και οι δασικές πυρκαγιές 


Τέλος, η τηλεπισκόπηση χρησιμοποιείται για την παρακολούθηση και την ανίχνευση δασικών πυρκαγιών. Δείκτες βλάστησης, όπως οι Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI), Normalized Burn Ratio (NBR) and Normalized Difference Vegetation Index (NDVIreXn) που χρησιμοποιούν κανάλια του ερυθρού εφαρμόζονται ικανοποιητικά για την έρευνα μετά από δασικές πυρκαγιές (Navarro et al., 2017). Οι εφαρμογές εξόρυξης δεδομένων είναι δημοφιλείς για τον καθορισμό του βέλτιστου συνδυασμού μεταβλητών και μοντελοποίησης που σχετίζεται με την εκτίμηση για επικείμενες δασικές πυρκαγιές (Hong et al., 2018). Σε αυτά τα μοντέλα, μεταβλητές μετεωρολογικών, τοπογραφικών και βλαστικών δεικτών που προέρχονται από δορυφορικά δεδομένα ενσωματώνονται ως παράγοντες για την απόκτηση των απαραίτητων πληροφοριών για την υγρασία του εδάφους και την εξατμισοδιαπνοή. 

'''6. Κοινωνικοοικονομική ανάπτυξη''' 
Οι εφαρμογές της τηλεπισκόπησης χρησιμοποιούνται ευρέως για την κοινωνικοοικονομική ανάπτυξη μέσω της ανάκτησης συγκεκριμένων δεδομένων. H κοινωνικοοικονομική ανάπτυξη εξετάζεται υπό το πρίσμα των μεταφορών, της εκτίμησης του πληθυσμού και της εκτίμησης της ποιότητας ζωής. H RS κατέχει κεντρική θέση στις μελλοντικές μελέτες της κοινωνικοοικονομικής ανάπτυξης, καθώς προσφέρουν καλύτερη κατανόηση των ανθρώπινων δραστηριοτήτων με τη χρήση δεδομένων υψηλής ανάλυσης και χαμηλού κόστους. Στον Πίνακα 3 παρουσιάζονται οι κύριες μελέτες και δείκτες που αναπτύχθηκαν για την τηλεπισκοπική μελέτη της κοινωνικοοικονομικής ανάπτυξης: 


'''7.Συμπεράσματα:''' 
Στην παρούσα μελέτη διερευνήθηκε η συμβολή της τηλεπισκόπησης στην διατήρηση του πλανήτη και της επίγειας ζωής. Τα Ηνωμένα Έθνη χαρακτήρισα την RS ως απαραίτητο εργαλείο για την επίτευξη των στόχων της Στόχοι βιώσιμης ανάπτυξης (SDGs). Η RS μπορεί να χρησιμοποιηθεί όχι μόνο για την ανάπτυξη ολοκληρωμένων πολιτικών για την προώθηση της βιώσιμης ανάπτυξης, αλλά και για την αποτελεσματική εφαρμογή και παρακολούθηση τους και λήψη αποφάσεων. Ωστόσο, για να είναι αποτελεσματικές και αξιόπιστες οι εφαρμογές της RS, πρέπει να υπάρχουν επαρκείς πληροφορίες και να λαμβάνονται από πολλαπλές πηγές. Ειδικότερα, η ανάπτυξη νέων φασματικών δεικτών, που βασίζονται στη βελτιωμένη τεχνολογία αισθητήρων, είναι καίριας σημασίας για την επίτευξη βιώσιμων στόχων ανάπτυξης.
Ωστόσο, η χρήση της τηλεπισκόπησης στις αναπτυσσόμενες χώρες για την παρακολούθηση των στόχων της βιώσιμης ανάπτυξης παραμένει διακύβευμα. Στην κατεύθυνση ενίσχυσης της χρήσης RS για την υποβοήθηση της προσπάθειας για βιώσιμη ανάπτυξη στις αναπτυσσόμενες χώρες, απαιτείται η δημιουργία περισσότερων και προσβάσιμων βάσεων δεδομένων, καθώς και συνεργασίες μεταξύ των κέντρων λήψεων των αποφάσεων και των πολιτικών κέντρων μελετών των αναπτυσσόμενων χωρών και με χώρες ή οργανισμού που έχουν ήδη πρόσβαση σε πηγές GIS. 

== ΑΝΑΦΟΡΕΣ ==

Anderson, D., Young, J., 2001. Truck traffic analysis using IKONOS satellite imagery. Space Imaging Technical Brief Prepared for National Consortium on Remote Sensing in Transportation-Flows. Ohio State University Center for Mapping, Columbus. 
Angel, A., Hickman, M., 2002. Experimental Investigation of Travel Time Estimation Using Geo-Referenced Aerial Video. Transportation Research Board 81st Annual Meeting. 
Angel, A., Hickman, M., Chandnani, D., Mirchandani, P., 2002. Application of aerial video for traffic flow monitoring and management. In: Applications of Advanced Technologies in Transportation, pp. 346–353. Arafa-Hamed, T., 2013. Comprehensive clues provided by popular free remote sensing imagery to interpretation of geophysical studies explained by example cases of magnetic surveys. NRIAG J. Astro. Geophys. 2 (2), 278–286. 
Arampatzis, G., Kiranoudis, C.T., Scaloubacas, P., Assimacopoulos, D., 2004. A GIS-based decision support system for planning urban transportation policies. Eur. J. Oper. Res. 152 (2), 465–475. 
Avtar, R., Kumar, P., Oono, A., Saraswat, C., Dorji, S., Hlaing, Z., 2017. Potential application of remote sensing in monitoring ecosystem services of forests, mangroves and urban areas. Geocarto Int. 32 (8), 874–885. https://doi.org/10.1080/ 10106049.2016.1206974. 
Avtar, R., Kumar, P., Singh, C.K., Sahu, N., Verma, R.L., Thakur, J.K., Mukherjee, S., 2013a. Hydrogeochemical assessment of groundwater quality of Bundelkhand, India using statistical approach. Water Qual. Expos. Hea. 5 (3), 105–115. https://doi.org/ 10.1007/s12403-013-0094-2. 
Avtar, R., Singh, C., Shashtri, S., Singh, A., Mukherjee, S., 2010. Identification and analysis of groundwater potential zones in Ken–Betwa river linking area using remote sensing and geographic information system. Geocarto Int. 25 (5), 379–396. 
Avtar, R., Takeuchi, W., Sawada, H., 2013b. Full polarimetric PALSAR-based land cover monitoring in Cambodia for implementation of REDD policies. Int. J. Digital Earth 6 (3), 255–275. https://doi.org/10.1080/17538947.2011.620639. 
Ayalew, B., Gomez, R.B., Roper, W.E., Carrasco, O., 2003. Pavement management using hyperspectral imagery, 5097, 207–214. Belward, A.S., Skøien, J.O., 2015. Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS J. Photogrammetry Remote Sens. 103, 115–128. 
Bolch, T., 2007. Climate change and glacier retreat in northern Tien Shan (Kazakhstan/ Kyrgyzstan) using remote sensing data. Global Planet. Change 56 (1–2), 1–12. 
Brown, R.D., Robinson, D.A., 2011. Northern Hemisphere spring snow cover variability and change over 1922-2010 including an assessment of uncertainty. Cryosphere 5 (1), 219. 
Buermann, W., Saatchi, S., Smith, T.B., Zutta, B.R., Chaves, J.A., Mila, ´ B., Graham, C.H., 2008. Predicting species distributions across the Amazonian and Andean regions using remote sensing data. J. Biogeogr. 35 (7), 1160–1176. 
Carrasco, R., Pedraza, J., Martin-Duque, J., Mattera, M., Sanz, M., Bodoque, J., 2003. Hazard zoning for landslides connected to torrential floods in the Jerte Valley (Spain) by using GIS techniques. Nat. Hazards 30 (3), 361–381. 
Casagli, N., Cigna, F., Bianchini, S., Holbling, ¨ D., Füreder, P., Righini, G., Del Conte, S., Friedl, B., Schneiderbauer, S., Iasio, C., 2016. Landslide mapping and monitoring by using radar and optical remote sensing: examples from the EC-FP7 project SAFER. Remote Sens. Appl.: Soc. Environ. 4, 92–108. 
Center, P., 1999. Maricopa Association of Governments Pedestrian Plan 2000. CEOS Disaster Management Support, G., Wood, H.M., 2003. The Use of Earth Observing Satellites for Hazard Support: Assessments & Scenarios: Final Report of the CEOS Disaster Management Support Group: Chair’s Overview. National Oceanic and Atmospheric Administration, US Department of Commerce. 
Chang, N.-B., Imen, S., Vannah, B., 2015. Remote sensing for monitoring surface water quality status and ecosystem state in relation to the nutrient cycle: a 40-year perspective. Crit. Rev. Environ. Sci. Technol. 45 (2), 101–166. https://doi.org/ 10.1080/10643389.2013.829981. 
Cord, A.F., Klein, D., Mora, F., Dech, S., 2014. Comparing the suitability of classified land cover data and remote sensing variables for modeling distribution patterns of plants. Ecol. Model. 272, 129–140. 
Council, T.R.B.N.R., 2000. Highway Capacity Manual. TRB Business Office. 
Daoud, A., Hallerod, ¨ B., Guha-Sapir, D., 2016. What is the association between absolute child poverty, poor governance, and natural disasters? A global comparison of some of the realities of climate change. PLoS One 11 (4). 
Dudhani, S., Sinha, A.K., Inamdar, S.S., 2006. Assessment of small hydropower potential using remote sensing data for sustainable development in India. Energy Pol. 34 (17), 3195–3205. https://doi.org/10.1016/j.enpol.2005.06.011. 
Duro, D.C., Coops, N.C., Wulder, M.A., Han, T., 2007. Development of a large area biodiversity monitoring system driven by remote sensing. Prog. Phys. Geogr. 31 (3), 235–260. 
Feyisa, G.L., Meilby, H., Fensholt, R., Proud, S.R., 2014. Automated Water Extraction Index: a new technique for surface water mapping using Landsat imagery. Remote Sens. Environ. 140, 23–35. https://doi.org/10.1016/j.rse.2013.08.029. 
Fletcher, K., European Space Agency, European Space Research and Technology Centre (Eds.), 2007. InSAR Principles: Guidelines for SAR Interferometry Processing and Interpretation. ESA Publications, ESTEC. 
Gabr, S., Ghulam, A., Kusky, T., 2010. Detecting areas of high-potential gold mineralization using ASTER data. Ore Geol. Rev. 38 (1–2), 59–69.
Ganapuram, S., Kumar, G.V., Krishna, I.M., Kahya, E., Demirel, M.C., 2009. Mapping of groundwater potential zones in the Musi basin using remote sensing data and GIS.Adv. Eng. Software 40 (7), 506–518. 
Gili, J.A., Corominas, J., Rius, J., 2000. Using global positioning system techniques in landslide monitoring. Eng. Geol. 55 (3), 167–192.
Goetz, S., Steinberg, D., Dubayah, R., Blair, B., 2007. Laser remote sensing of canopy habitat heterogeneity as a predictor of bird species richness in an eastern temperate forest, USA. Remote Sens. Environ. 108 (3), 254–263. 
Grabner, H., Nguyen, T.T., Gruber, B., Bischof, H., 2008. On-line boosting-based car detection from aerial images. ISPRS J. Photogrammetry Remote Sens. 63 (3), 382–396. 
Gray, S., Semiat, R., Duke, M., Rahardianto, A., Cohen, Y., 2011. Reference module in earth systems and environmental sciences. Seawater Use and Desalination Technology 73–109. 
Guo, D., Weeks, A., Klee, H., 2007. Robust approach for suburban road segmentation in high-resolution aerial images. Int. J. Rem. Sens. 28 (2), 307–318.
Guzzetti, F., Mondini, A.C., Cardinali, M., Fiorucci, F., Santangelo, M., Chang, K.-T., 2012. Landslide inventory maps: new tools for an old problem. Earth Sci. Rev. 112 (1–2), 42–66. 
Haboudane, D., Miller, J., 2002. Tremblay, N.; Zarco-Tejada, PJ; Dextrase, L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sens. Environ. 81, 416–426. 
Hall, O., Duit, A., Caballero, L.N., 2008. World poverty, environmental vulnerability and population at risk for natural hazards. J. Maps 4 (1), 151–160.
Hazarika, M.K., Yasuoka, Y., Ito, A., Dye, D., 2005. Estimation of net primary productivity by integrating remote sensing data with an ecosystem model. Remote Sens. Environ. 94 (3), 298–310. 
Hester, D.B., Cakir, H.I., Nelson, S.A., Khorram, S., 2008. Per-pixel classification of high spatial resolution satellite imagery for urban land-cover mapping. Photogramm. Eng. Rem. Sens. 74 (4), 463–471. 
Hirpa, F.A., Hopson, T.M., De Groeve, T., Brakenridge, G.R., Gebremichael, M., Restrepo, P.J., 2013. Upstream satellite remote sensing for river discharge forecasting: application to major rivers in South Asia. Remote Sens. Environ. 131, 140–151. 
Holloway, J., Mengersen, K., 2018. Statistical machine learning methods and remote sensing for sustainable development goals Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A.X., Xu, C., 2018. Applying genetic algorithms to set the optimal combination of forest fire related variables and model forest fire susceptibility based on data mining models. The case of Dayu County, China. Sci. Total Environ. 630, 1044–1056. 
Hoppe, E., Bruckno, B., Campbell, E., Acton, S., Vaccari, A., Stuecheli, M., Bohane, A., Falorni, G., Morgan, J., 2016. Transportation infrastructure monitoring using satellite remote sensing. Materials and Infrastructures 1 (5), 185–198. 
Hou, Z., Xu, Q., Nuutinen, T., Tokola, T., 2013. Extraction of remote sensing-based forest management units in tropical forests.
Remote Sens. Environ. 130, 1–10. 
Hyde, P., Dubayah, R., Walker, W., Blair, J.B., Hofton, M., Hunsaker, C., 2006. Mapping forest structure for wildlife habitat analysis using multi-sensor (LiDAR, SAR/InSAR, ETM+, Quickbird) synergy. Remote Sens. Environ. 102 (1–2), 63–73. 
Jensen, John R., Cowen, D.C., 1999. Remote sensing of urban/suburban infrastructure and socio-economic attributes. Photogramm. Eng. Rem. Sens. 65, 611–622.
Jha, M.K., Chowdhury, A., Chowdary, V., Peiffer, S., 2007. Groundwater management and development by integrated remote sensing and geographic information systems: prospects and constraints. Water Resour. Manag. 21 (2), 427–467. 
Joshi, I., D’Sa, E.J., 2015. Seasonal variation of colored dissolved organic matter in Barataria Bay, Louisiana, using combined Landsat and field data. Rem. Sens. 7 (9), 12478–12502. 
Kamerosky, A., Cho, H.J., Morris, L., 2015. Monitoring of the 2011 super algal bloom in Indian River Lagoon, FL, USA, using
MERIS. Rem. Sens. 7 (2), 1441–1460. 

Kerr, J.T., Ostrovsky, M., 2003. From space to species: ecological applications for remote sensing. Trends Ecol. Evol. 18 (6), 299–305. 
Kerr, J.T., Southwood, T., Cihlar, J., 2001. Remotely sensed habitat diversity predicts butterfly species richness and community similarity in Canada. Proc. Natl. Acad. Sci. Unit. States Am. 98 (20), 11365–11370. 
Khan, S.D., Fathy, M.S., Abdelazeem, M., 2014. Remote sensing and geophysical investigations of Moghra lake in the qattara depression, Western Desert, Egypt. Geomorphology 207, 10–22. 
Kodikara, G.R., Woldai, T., van Ruitenbeek, F.J., Kuria, Z., van der Meer, F., Shepherd, K. D., Van Hummel, G., 2012. 
Hyperspectral remote sensing of evaporate minerals and associated sediments in Lake Magadi area, Kenya. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 22–32. 
Krishnaswamy, J., Bawa, K.S., Ganeshaiah, K., Kiran, M., 2009. Quantifying and mapping biodiversity and ecosystem services: utility of a multi-season NDVI based Mahalanobis distance surrogate. Remote Sens. Environ. 113 (4), 857–867. 
Leitloff, J., Hinz, S., Stilla, U., 2010. Vehicle detection in very high resolution satellite images of city areas. IEEE Trans. Geosci. Rem. Sens. 48 (7), 2795–2806. 
Li, G., Weng, Q., 2005. Using Landsat ETM+ imagery to measure population density in Indianapolis, Indiana, USA. Photogramm. Eng. Rem. Sens. 71 (8), 947–958. 
Liu, X., Clarke, K., Herold, M., 2006. Population density and image texture. Photogramm. Eng. Rem. Sens. 72 (2), 187–196. 
Lo, C.P., Faber, B.J., 1997. Integration of Landsat Thematic Mapper and census data for quality of life assessment. Remote Sens. Environ. 62 (2), 143–157. 
Malet, J.-P., Maquaire, O., Calais, E., 2002. The use of Global Positioning System techniques for the continuous monitoring of landslides: application to the SuperSauze earthflow (Alpes-de-Haute-Provence, France). Geomorphology 43 (1–2), 33–54. Manktelow, P.T., Mann, G.W., Carslaw, K.S., Spracklen, D.V., Chipperfield, M.P., 2007. Regional and global trends in sulfate aerosol since the 1980s. Geophys. Res. Lett. 34 (14). 
Marano, K.D., Wald, D.J., Allen, T.I., 2010. Global earthquake casualties due to secondary effects: a quantitative analysis for improving rapid loss analyses. Nat. Hazards 52 (2), 319–328. 
Martinuzzi, S., Vierling, L.A., Gould, W.A., Falkowski, M.J., Evans, J.S., Hudak, A.T., Vierling, K.T., 2009. Mapping snags and understory shrubs for a LiDAR-based assessment of wildlife habitat suitability. Remote Sens. Environ. 113 (12), 2533–2546. McCord, M.R., Hickman, M., Bronzini, M.S., Goel, P.K., Gomez, R.B., Merry, C.J., Mirchandani, P.B., Morrison, J.L., 2003. REMOTE SENSING OF TRANSPORTATION FLOWS. CONSORTIUM PAPER PRESENTATION. 21. 
McDermid, G., Hall, R., Sanchez-Azofeifa, G., Franklin, S., Stenhouse, G., Kobliuk, T., LeDrew, E., 2009. Remote sensing and forest inventory for wildlife habitat assessment. For. Ecol. Manag. 257 (11), 2262–2269. 
McFeeters, S.K., 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J Menon, S., Bawa, K.S., 1997. Applications of geographic information systems, remotesensing, and a landscape ecology approach to biodiversity conservation in the Western Ghats. Curr. Sci. 134–145. 
Meyer, W.B., Turner, B.L., 1992. Human population growth and global land-use/cover change. Annu. Rev. Ecol. Systemat. 23 (1), 39–61. 
Millennium Ecosystem Assessment, M.E.A., 2005. Ecosystems and Human Well-Being (Synthesis). 
Mishra, S., Mishra, D.R., Lee, Z., Tucker, C.S., 2013. Quantifying cyanobacterial phycocyanin concentration in turbid productive waters: a quasi-analytical approach. Remote Sens. Environ. 133, 141–151. 
Nakagawa, T., Yasuoka, Y., 2001. Environmental impact assessment with remote sensing at Isahaya land reclamation site. In: Proceedings of 22nd Asian Conferencce on Remote Sensing (AARS), 6. https://crisp.nus.edu.sg/~acrs2001/pdf/244nakag.pdf. Navarro, G., Caballero, I., Silva, G., Parra, P.C., V´ azquez, A., ´ Caldeira, R., 2017. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery. Int. J. Appl. Earth Obs. Geoinf. 58, 97–106. 
Nandy, S., Kushwaha, S., Dadhwal, V., 2011. Forest degradation assessment in the upper catchment of the river Tons using remote sensing and GIS. Ecol. Indicat. 11 (2), 509–513. 
Nightingale, J., Coops, N., Waring, R., Hargrove, W., 2007. Comparison of MODIS gross primary production estimates for forests across the USA with those generated by a simple process model, 3-PGS. Remote Sens. Environ. 109 (4), 500–509. 

Petley, D., 2012. Global patterns of loss of life from landslides. Geology 40 (10), 927–930. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510 
Pisano, A., Bignami, F., Santoleri, R., 2015. Oil spill detection in glint-contaminated near-infrared MODIS imagery. Rem. Sens. 7 (1), 1112–1134. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510. 
Pour, Amin Beiranvand, Hashim, M., van Genderen, J., 2013. Detection of hydrothermal alteration zones in a tropical region using satellite remote sensing data: Bau goldfield, Sarawak, Malaysia. Ore Geol. Rev. 54, 181–196. 
Pozzi, F., Small, C., 2001. Exploratory analysis of suburban land cover and population density in the USA, pp. 250–254. 
Ranade, P., 2007. Environmental impact assessment of land use planing around the leased limestone mine using remote sensing techniques. J. Health Sci. Environ. 4 (1), 61–65. 
Rogers, D., Emwanu, T., Robinson, T., 2006. Poverty Mapping in Uganda: an Analysis Using Remotely Sensed and Other Environmental Data.
Rosen, P.A., Hensley, S., Joughin, I.R., Li, F.K., Madsen, S.N., Rodriguez, E., Goldstein, R. M., 2000. Synthetic aperture radar interferometry. Proc. IEEE 88 (3), 333–382. 
Rossa, A.M., Del Guerra, F.L., Borga, M., Zanon, F., Settin, T., Leuenberger, D., 2010. Radar-driven high-resolution hydro-meteorological forecasts of the 26 September 2007 Venice flash flood. J. Hydrol. 394 (1–2), 230–244. 
Saatchi, S., Buermann, W., Ter Steege, H., Mori, S., Smith, T.B., 2008. Modeling distribution of Amazonian tree species and diversity using remote sensing measurements. Remote Sens. Environ. 112 (5), 2000–2017. 
Sabins, F.F., 1999. Remote sensing for mineral exploration. Ore Geol. Rev. 14 (3–4), 157–183. 
Schultz, G.A., Engman, E.T., 2000. Present use and future perspectives of remote sensing in hydrology and water management. IAHS-AISH Publ. 267, 545–551. 
Sharma, G., Merry, C., Goel, P., McCord, M., 2006. Vehicle detection in 1-m resolution satellite and airborne imagery. Int. J. Rem. Sens. 27 (4), 779–797. 
Singhroy, V., Ohkura, H., Glenn, N., 2002. Earth observation for landslide assessment. IEEE In.t. Geosci. Remote Sens. Sympos 2, 765–767. 
Spagnolini, U., Rampa, V., 1999. Multitarget detection/tracking for monostatic ground penetrating radar: application to pavement profiling. IEEE Trans. Geosci. Rem. Sens. 37 (1), 383–394. 
Tabor, J.A., Hutchinson, C.F., 1994. Using Indigenous Knowledge, Remote Sensing and GIS for Sustainable Development. https://agris.fao.org/agris-search/search.do?reco rdID=GB2013200846. 
Tsimbos, C., Kotsifakis, G., Verropoulou, G., Kalogirou, S., 2011. Life expectancy in Greece 1991–2007: regional variations and spatial clustering. J. Maps 7 (1), 280–290. 
Turner, W., Spector, S., Gardiner, N., Fladeland, M., Sterling, E., Steininger, M., 2003. Remote sensing for biodiversity science and conservation. Trends Ecol. Evol. 18 (6), 306–314. van der Meer, F.D.,
Van der Werff, H.M., van Ruitenbeek, F.J., Hecker, Chris a., Bakker, Wim H., Noomen, Marleen F., Mark van Der Meijde, E.John M., Carranza, J., Boudewijn De Smeth, Tsehaie Woldai, 2012. Multi-and hyperspectral geologic remote sensing: a review. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 112–128. 
Vicente, L.E., de Souza Filho, C.R., 2011. Identification of mineral components in tropical soils using reflectance spectroscopy and advanced spaceborne thermal emission and reflection radiometer (ASTER) data. Remote Sens. Environ. 115 (8), 1824–1836. 
Vignola, F., Michalsky, J., Stoffel, T., 2019. Solar and Infrared Radiation Measurements. CRC press. 
Vina, ˜ A., Bearer, S., Zhang, H., Ouyang, Z., Liu, J., 2008. Evaluating MODIS data for mapping wildlife habitat distribution. Remote Sens. Environ. 112 (5), 2160–2169. 

Waring, R., Coops, N., Landsberg, J., 2010. Improving predictions of forest growth using the 3-PGS model with observations made by remote sensing. For. Ecol. Manag. 259 (9), 1722–1729. 

Wiens, J., Sutter, R., Anderson, M., Blanchard, J., Barnett, A., Aguilar-Amuchastegui, N., Avery, C., Laine, S., 2009. Selecting and conserving lands for biodiversity: the role of remote sensing. Remote Sens. Environ. 113 (7), 1370–1381. 
Williams, J.G., Rosser, N.J., Kincey, M.E., Benjamin, J., Oven, K.J., Densmore, A.L., Milledge, D.G., Robinson, T.R., 2017. Satellite-based emergency mapping: landslides triggered by the 2015 Nepal earthquake. Nat. Hazards Earth Syst. Sci. 18, 185–205. Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Rem. Sens. 27 (14), 3025–3033. https://doi.org/10.1080/01431160600589179. 
Yan, G., Zhou, S., Zhou, L., Xi, J., Tian, Y., Teng, H., 2013. Integrating remote sensing and proximal sensors for the detection of soil moisture and salinity variability in coastal areas. J. Int. Agri. 12 (4), 723–731. 
Yang, J., Gong, P., Fu, R., Zhang, M., Chen, J., Liang, S., Xu, B., Shi, J., Dickinson, R., 2013a. The role of satellite remote sensing in climate change studies. Nat. Clim. Change 3 (10), 875. 
Yu, X., Shi, Z., 2015. Vehicle detection in remote sensing imagery based on salient information and local shape feature. Optik-International Journal for Light and Electron Optics 126 (20), 2485–2490. 
Yunus, A.P., Masago, Y., Hijioka, Y., 2020. COVID-19 and surface water quality: improved lake water quality during the lockdown. Sci. Total Environ. 731, 139012. http://www.sciencedirect.com/science/article/pii/S0048969720325298. 
Zadeh, M.H., Tangestani, M.H., Roldan, F.V., Yusta, I., 2014. Sub-pixel mineral mapping of a porphyry copper belt using EO-1 Hyperion data. Adv. Space Res. 53 (3), 440–451. 
Zhou, G., Wei, D., 2008. Survey and Analysis of Land Satellite Remote Sensing Applied in Highway Transportations Infrastructure and System Engineering, 4. IV–479.

[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Αποτιμώντας τις προοπτικές της βιώσιμης ανάπτυξης μέσω της τηλεπισκόπησης: Μια ανασκόπηση

2021-01-27T00:52:43Z

Ioanna Karani:

'''Πρωτότυπος τίτλος:''' Assessing sustainable development prospects through remote sensing: A review 
'''Συγγραφείς:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi
Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan 
'''Citation:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan, Assessing sustainable development prospects through remote sensing: A review,Remote Sensing Applications: Society and Environment, Volume 20, 2020, 100402, ISSN 2352-9385, [https://doi.org/10.1016/j.rsase.2020.100402]. 
'''Πηγή:'''[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect] 

'''Λέξεις κλειδιά:'''Natural resource management; Sustainability; Natural hazards; Decision support system; Indices 

'''Σκοπός της έρευνας:'''
Η παρούσα έρευνα στοχεύει να πραγματοποιήσεις μια εκτεταμένη ανασκόπηση στη συμβολή της τηλεπισκόπησης (RS) στις προσπάθειες προς τη βιώσιμη ανάπτυξη, με έμφαση στη διαχείριση των φυσικών πόρων και στην εκτίμηση των φυσικών καταστροφών. 
'''1. Εισαγωγή:''' 
Η επιτυχία της βιώσιμης ανάπτυξης σε οποιαδήποτε περιοχή βασίζεται στο τι είναι γνωστό σε σχέση με τη διαχείριση των φυσικών πόρων και τους κινδύνους στην περιοχή (Taborand Hutchinson,1994). H δυνατότητα της RS να καταγράφει τα γήινα συστήματα σε διάφορες χωρικές και χρονικές κλίμακες την καθιστά κατάλληλη για τη διαχείριση προκλήσεων σε περιβαλλοντικό,οικολογικό και κοινωνικοοικονομικό επίπεδο. 
Μια σειρά από έρευνες -σημεία αναφοράς- έχουν διεξαχθεί, καλύπτοντας ποικίλους επιμέρους τομείς που άπτονται της βιώσιμης ανάπτυξης, όπως οι φυσικοί κίνδυνοι και οι κοινωνικοοικονομική ανάπτυξη (Avtar et al., 2013; Dudhani et al., 2006; Holloway and Mengersen, 2018). Ειδικότερα, τα τελευταία τριάντα χρόνια η RS χρησιμοποιείται ευρέως για την εκτίμηση των προσπαθειών στην κατεύθυνση της βιώσιμης ανάπτυξης. Οι εξελίξεις στην τεχνολογία της RS και η διαθεσιμότητα μεγάλων όγκων δεδομένων έχουν οδηγήσει σε τεράστιες βελτιώσεις στην ανάλυση δεδομένων, ειδικά όταν συνδυάζονται με GIS και με αλγόριθμους μηχανικής μάθησης.<br
Σήμερα, η RS, η οποία θεωρείται επιστημονικό εργαλείο, εφαρμόζεται σχεδόν σε κάθε τομέα της της γεωπεριβαλλοντικής επιστήμης. Λαμβάνοντας υπόψη τη σημασία της αειφόρου ανάπτυξης στον 21ο αιώνα, η παρούσα ανασκόπηση αποσκοπεί στην αξιολόγηση του τρόπου με τον οποίο οι εξελίξεις στην τεχνολογία της RS έχουν επηρεάσει τρεις σημαντικούς τομείς της βιώσιμης ανάπτυξης: τη διαχείριση των φυσικών πόρων, την παρατήρηση του περιβάλλοντος και την παρακολούθηση των κινδύνων και, τέλος, την κοινωνικοοικονομική ανάπτυξη. 
'''2.Δεδομένα:''' 
Τα άρθρα που συμπεριλήφθηκαν στην παρούσα ανασκόπηση αντλήθηκαν από τις εξής ηλεκτρονικές πηγές: 
* Scopus 
* Web of Science 
* Google Scholar 
'''3.Διάγραμμα της ανασκόπησης:''' 
Η ροή της ανασκόπησης αποτυπώνεται σχηματικά στην Εικόνα 1:
[[ Εικόνα: A10_e1.jpg| frame|center| Εικόνα 1:Διάγραμμα ροής ανασκόπησης, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect]]]


'''4. Διαχείριση και ανάπτυξη των φυσικών πόρων:''' 
'''4.1 Βιοποικιλότητα''' 
Η βιοποικιλότητα και οι υπηρεσίες που προσφέρουν τα οικοσυστήματα είναι ζωτικής σημασίας για την επίγεια , καθώς προσφέρουν υπηρεσίες πρώτων υλών, υποστηρικτικές, ρυθμιστικές και πολιτιστικές (Millennium Ecosystem Assessment, 2005; Avtar et al., 2017).Η RS χρησιμοποιείται ευρέως για τη μελέτη διαφόρων οικολογικών λειτουργιών, όπως τα φυσικά και ανθρωπογενή αίτια της αλλαγής τοπίου (Gould, 2000; Kerr et al., 2001; Kerr and Ostrovsky, 2003; McDermid et al., 2009). 
Η RS μπορεί να χρησιμοποιηθεί για την άμεση παρακολούθηση της βιοποικιλότητας, με τη χρήση δορυφόρων και αισθητήρων για την άντληση πληροφοριών σε σχέση με τη συγκέντρωση των ειδών σε οικολογικές κοινότητες ή και μεμονωμένους οργανισμούς. Επίσης, άμεσα με τη χρήση τηλεσκοπικών δεδομένων μπορούν να εκτιμηθούν οι χρήσεις γης και η κάλυψη της γης, πληροφορίες ιδιαίτερα χρήσιμες για την ανίχνευση της κατανομής και της συγκέντρωσης των ειδών σε εκτεταμένες περιοχές (Kerr and Ostrovsky, 2003). Οι άμεσες τηλεσκοπικές μέθοδοι για την παρακολούθηση της βιοποικιλότητας παρουσιάζονται στον Πίνακα 1. 


Ακόμη, υπάρχουν και έμμεσες μέθοδοι παρακολούθησης της βιοποικιλότητας που βασίζονται στην παρακολούθηση των εξής παραγόντων: 
α) '''πρωτογενής παραγωγή:''' Ενδεικτικά αναφέρονται οι παρακάτω εφαρμογές:ο δείκτης NDVI ή άλλοι παρόμοιοι δείκτες βλάστησης και σύνδεση τους με τη φαινολογία των φυτών (Turner et al., 2003), χρήση του δείκτη φυλλωδών περιοχών με δεδομένα από τον αισθητήρα MODIS ως δεδομένα εισόδου του οικοσυστημικού μοντέλου Sim-CYCLE (Hazarika et al. 2005), η ακαθάριστη πρωτογενής παραγωγή δασικών προϊόντων στις Ηνωμένες πολιτείες με δεδομένα από τον αισθητήρα MODIS και η σύγκριση του με ένα απλό, διαδικαστικό μοντέλο (Nightingale et al. 2007). 
β) '''κλίμα:'''Διάφορες μεταβλητές, συμπεριλαμβανομένης της θερμοκρασίας, της σχετικής υγρασίας και της υγρασίας του εδάφους, καθορίζουν ως ένα βαθμό την επιβίωση και την παραγωγικότητα πολλών ειδών (Turner et al., 2003). Οι Ηνωμένες Πολιτείες λάνσαραν τους δορυφόρους AQUA και TERRA, οι οποίοι είναι εφοδιασμένοι με τους αισθητήρες AMSR-E, MODIS, AMSU-A, AIRS, HSB, CERES και ASTER, MODIS, CERES, MISR, MOPITT αντίστοιχα, που παρέχουν πληροφορίες (π.χ. Υδρολογικός κύκλος, Θερμοκρασία νερού, Αεροζόλ κ.ο.κ.) που βοηθούν στην κατανόηση της σχέσης κλίματος-βιοποικιλότητας. γ)δομή ενδιαιτημάτων:Με την κατανόηση των δομών των ενδιαιτημάτων των ειδών, μπορούν να εξαχθούν συμπεράσματα για την κατανομή και τα πρότυπα των ειδών. Από την άποψη αυτή, οι τεχνολογίες της RS έχουν αποδειχθεί απαραίτητες. Ενδεικτικά, οι Goetz et al. (2007) μελέτησαν τα ενδιαιτήματα πουλιών στα δάση με χρήση δεδομένων LIDAR και οι Hyde et al. (2006)μελέτησαν τη δομή των δασικών ενδιαιτημάτων με τη χρήση δεδομένων LIDAR, SAR/InSAR,, Landsat-7, και QuickBird 

'''4.2 Υδάτινοι πόροι''' 
Το νερό είναι ζωτικής σημασίας για την ανθρωπότητα. Έχουν αναπτυχθεί μια σειρά από αλγορίθμους για τον εντοπισμό των υδάτινων όγκων σε τηλεπισκοπικές εικόνες: ο NDWI (McFeeters, 1996), ο modified NDWI (Xu, 2006), και ο automated water extraction index (Feyisa et al., 2014). Αισθητήρες, όπως οι Landsat, ASTER, SPOT, and MODIS χρησιμοποιούνται για την παρακολούθηση και τη χαρτογράφηση της ποιότητας των υδάτων (Mishra et al., 2013), ( Yunus et al. 2020). Οι Kamerosky et al. (2015) χρησιμοποίησαν εικόνες MERIS για την παρακολούθηση της υπεράνθησης του φυτοπλαγκτού στην Indian River Lagoon στην Florinda, USA. Οι Pisano et al., 2015 εντόπισα πετρελαιοκηλίδες σε υδάτινους όγκους με εικόνες MODIS και οι Joshi and D’Sa, 2015 χαρτογράφησαν τις εποχικές διαφοροποιήσεις της έγχρωμης αποσυντιθέμενης οργανικής ύλης. Τέλος, έχουν διεξαχθεί μια σειρά από έρευνες που εκτιμούν την ποσότητα και την ποιότητα των υδάτων διαχρονικά, όπως, η έρευνα των Chang et al. (2015) για την εκτίμηση της ποιότητας των υδάτων και της κατάστασης του οικοσυστήματος, όπως συνδέονται με τον κύκλο των θρεπτικών συστατικών σε βάθος 40ετίας.
Επίσης, χρησιμοποιούνται έμμεσες μέθοδοι για την διερεύνηση των υπόγειων υδάτων. Κατά κανόνα, η RS χρησιμοποιείται στην μελέτη των υπογείων υδάτων για την οριοθέτηση της γεωμορφολογίας και των γραμμάτων χαρτών, των επιφανειακών λιθολογικών χαρακτηριστικών, των πλαγιών, και της κάλυψης και χρήσεων της γης (Avtar et al., 2010; Ganapuram et al., 2009; Jha et al., 2007). Ενδεικτικά, αναφέρονται οι έρευνες των Schultz and Engman (2000) για την ανίχνευση των ζωνών τροφοδότησης και απορροής των υπόγειων υδάτων και η συνδυαστική χρήση RS και γεωφυσικών δεδομένων για την εις βάθος εξερεύνηση των υπόγειων υδάτων (Arafa-Hamed, 2013; Khan et al., 2014). 
'''4.3 Ορυκτοί πόροι''' 
Για πολλές χώρες, οι ορυκτοί πόροι συμβάλλουν σημαντικά στα κρατικά έσοδα.Αρκετές χώρες συνεργάστηκαν για να φέρουν διαφορετικές δορυφορικές πλατφόρμες σε συγκεκριμένα τροχιές με αισθητήρες τηλεπισκόπησης. Αυτές οι πλατφόρμες και οι αισθητήρες παρέχουν περαιτέρω πληροφορίες σχετικά με τους άφθονους πόρους της Γης με υψηλότερη ακρίβεια (Belward and Skøien, 2015; Sabins, 1999). Διάφορες μελέτες εξετάζουν τους ορυκτούς πόρους με χρήση υπερφασματικών εικόνων (Kodikara et al., 2012; Van der Meer et al., 2012; Vicente and de Souza Filho, 2011). Οι Gabr et al. (2010) χρησιμοποίησαν πολλαπλές εικόνες ASTER για τον εντοπισμό των ζωνών αλλοίωσης που σχετίζονται με τις αποθέσεις χρυσού στο Abu-Marawat. Οι Pour et al. (2013) χρησιμοποίησαν Landsat-7 Enhanced Thematic Mapper (ETM) και Hyperion δεδομένα για τον εντοπισμό ζωνών υδροθερμικών αλλοιώσεων και των σχετικών δομικών στοιχείων, ενώ σε άλλη έρευνα χρησιμοποιήθηκαν τεχνικές χαρτογράφησης βάσει των επιμέρους εικονοστοιχείων για το διαχωρισμό και τη χαρτογράφηση μεταβολών ορυκτών γύρω από κοιτάσματα χαλκού στο Ιράν (Zadeh et al. 2014). 
'''5.Εκτίμηση του περιβάλλοντος και φυσικών κινδύνων''' 
Στον Πίνακα 2 παρουσιάζεται η ανασκόπηση σε σχέση με τη συμβολή της RS για την εκτίμηση του περιβάλλοντος και φυσικών καταστροφών, όπως οι πλημμύρες και οι κατολισθήσεις και οι δασικές πυρκαγιές 


Τέλος, η τηλεπισκόπηση χρησιμοποιείται για την παρακολούθηση και την ανίχνευση δασικών πυρκαγιών. Δείκτες βλάστησης, όπως οι Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI), Normalized Burn Ratio (NBR) and Normalized Difference Vegetation Index (NDVIreXn) που χρησιμοποιούν κανάλια του ερυθρού εφαρμόζονται ικανοποιητικά για την έρευνα μετά από δασικές πυρκαγιές (Navarro et al., 2017). Οι εφαρμογές εξόρυξης δεδομένων είναι δημοφιλείς για τον καθορισμό του βέλτιστου συνδυασμού μεταβλητών και μοντελοποίησης που σχετίζεται με την εκτίμηση για επικείμενες δασικές πυρκαγιές (Hong et al., 2018). Σε αυτά τα μοντέλα, μεταβλητές μετεωρολογικών, τοπογραφικών και βλαστικών δεικτών που προέρχονται από δορυφορικά δεδομένα ενσωματώνονται ως παράγοντες για την απόκτηση των απαραίτητων πληροφοριών για την υγρασία του εδάφους και την εξατμισοδιαπνοή. 

'''6. Κοινωνικοοικονομική ανάπτυξη''' 
Οι εφαρμογές της τηλεπισκόπησης χρησιμοποιούνται ευρέως για την κοινωνικοοικονομική ανάπτυξη μέσω της ανάκτησης συγκεκριμένων δεδομένων. H κοινωνικοοικονομική ανάπτυξη εξετάζεται υπό το πρίσμα των μεταφορών, της εκτίμησης του πληθυσμού και της εκτίμησης της ποιότητας ζωής. H RS κατέχει κεντρική θέση στις μελλοντικές μελέτες της κοινωνικοοικονομικής ανάπτυξης, καθώς προσφέρουν καλύτερη κατανόηση των ανθρώπινων δραστηριοτήτων με τη χρήση δεδομένων υψηλής ανάλυσης και χαμηλού κόστους. Στον Πίνακα 3 παρουσιάζονται οι κύριες μελέτες και δείκτες που αναπτύχθηκαν για την τηλεπισκοπική μελέτη της κοινωνικοοικονομικής ανάπτυξης: 


'''7.Συμπεράσματα:''' 
Στην παρούσα μελέτη διερευνήθηκε η συμβολή της τηλεπισκόπησης στην διατήρηση του πλανήτη και της επίγειας ζωής. Τα Ηνωμένα Έθνη χαρακτήρισα την RS ως απαραίτητο εργαλείο για την επίτευξη των στόχων της Στόχοι βιώσιμης ανάπτυξης (SDGs). Η RS μπορεί να χρησιμοποιηθεί όχι μόνο για την ανάπτυξη ολοκληρωμένων πολιτικών για την προώθηση της βιώσιμης ανάπτυξης, αλλά και για την αποτελεσματική εφαρμογή και παρακολούθηση τους και λήψη αποφάσεων. Ωστόσο, για να είναι αποτελεσματικές και αξιόπιστες οι εφαρμογές της RS, πρέπει να υπάρχουν επαρκείς πληροφορίες και να λαμβάνονται από πολλαπλές πηγές. Ειδικότερα, η ανάπτυξη νέων φασματικών δεικτών, που βασίζονται στη βελτιωμένη τεχνολογία αισθητήρων, είναι καίριας σημασίας για την επίτευξη βιώσιμων στόχων ανάπτυξης.
Ωστόσο, η χρήση της τηλεπισκόπησης στις αναπτυσσόμενες χώρες για την παρακολούθηση των στόχων της βιώσιμης ανάπτυξης παραμένει διακύβευμα. Στην κατεύθυνση ενίσχυσης της χρήσης RS για την υποβοήθηση της προσπάθειας για βιώσιμη ανάπτυξη στις αναπτυσσόμενες χώρες, απαιτείται η δημιουργία περισσότερων και προσβάσιμων βάσεων δεδομένων, καθώς και συνεργασίες μεταξύ των κέντρων λήψεων των αποφάσεων και των πολιτικών κέντρων μελετών των αναπτυσσόμενων χωρών και με χώρες ή οργανισμού που έχουν ήδη πρόσβαση σε πηγές GIS. 

== ΑΝΑΦΟΡΕΣ ==

Anderson, D., Young, J., 2001. Truck traffic analysis using IKONOS satellite imagery. Space Imaging Technical Brief Prepared for National Consortium on Remote Sensing in Transportation-Flows. Ohio State University Center for Mapping, Columbus. 
Angel, A., Hickman, M., 2002. Experimental Investigation of Travel Time Estimation Using Geo-Referenced Aerial Video. Transportation Research Board 81st Annual Meeting. 
Angel, A., Hickman, M., Chandnani, D., Mirchandani, P., 2002. Application of aerial video for traffic flow monitoring and management. In: Applications of Advanced Technologies in Transportation, pp. 346–353. Arafa-Hamed, T., 2013. Comprehensive clues provided by popular free remote sensing imagery to interpretation of geophysical studies explained by example cases of magnetic surveys. NRIAG J. Astro. Geophys. 2 (2), 278–286. 
Arampatzis, G., Kiranoudis, C.T., Scaloubacas, P., Assimacopoulos, D., 2004. A GIS-based decision support system for planning urban transportation policies. Eur. J. Oper. Res. 152 (2), 465–475. 
Avtar, R., Kumar, P., Oono, A., Saraswat, C., Dorji, S., Hlaing, Z., 2017. Potential application of remote sensing in monitoring ecosystem services of forests, mangroves and urban areas. Geocarto Int. 32 (8), 874–885. https://doi.org/10.1080/ 10106049.2016.1206974. 
Avtar, R., Kumar, P., Singh, C.K., Sahu, N., Verma, R.L., Thakur, J.K., Mukherjee, S., 2013a. Hydrogeochemical assessment of groundwater quality of Bundelkhand, India using statistical approach. Water Qual. Expos. Hea. 5 (3), 105–115. https://doi.org/ 10.1007/s12403-013-0094-2. 
Avtar, R., Singh, C., Shashtri, S., Singh, A., Mukherjee, S., 2010. Identification and analysis of groundwater potential zones in Ken–Betwa river linking area using remote sensing and geographic information system. Geocarto Int. 25 (5), 379–396. 
Avtar, R., Takeuchi, W., Sawada, H., 2013b. Full polarimetric PALSAR-based land cover monitoring in Cambodia for implementation of REDD policies. Int. J. Digital Earth 6 (3), 255–275. https://doi.org/10.1080/17538947.2011.620639. 
Ayalew, B., Gomez, R.B., Roper, W.E., Carrasco, O., 2003. Pavement management using hyperspectral imagery, 5097, 207–214. Belward, A.S., Skøien, J.O., 2015. Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS J. Photogrammetry Remote Sens. 103, 115–128. 
Bolch, T., 2007. Climate change and glacier retreat in northern Tien Shan (Kazakhstan/ Kyrgyzstan) using remote sensing data. Global Planet. Change 56 (1–2), 1–12. 
Brown, R.D., Robinson, D.A., 2011. Northern Hemisphere spring snow cover variability and change over 1922-2010 including an assessment of uncertainty. Cryosphere 5 (1), 219. 
Buermann, W., Saatchi, S., Smith, T.B., Zutta, B.R., Chaves, J.A., Mila, ´ B., Graham, C.H., 2008. Predicting species distributions across the Amazonian and Andean regions using remote sensing data. J. Biogeogr. 35 (7), 1160–1176. 
Carrasco, R., Pedraza, J., Martin-Duque, J., Mattera, M., Sanz, M., Bodoque, J., 2003. Hazard zoning for landslides connected to torrential floods in the Jerte Valley (Spain) by using GIS techniques. Nat. Hazards 30 (3), 361–381. 
Casagli, N., Cigna, F., Bianchini, S., Holbling, ¨ D., Füreder, P., Righini, G., Del Conte, S., Friedl, B., Schneiderbauer, S., Iasio, C., 2016. Landslide mapping and monitoring by using radar and optical remote sensing: examples from the EC-FP7 project SAFER. Remote Sens. Appl.: Soc. Environ. 4, 92–108. 
Center, P., 1999. Maricopa Association of Governments Pedestrian Plan 2000. CEOS Disaster Management Support, G., Wood, H.M., 2003. The Use of Earth Observing Satellites for Hazard Support: Assessments & Scenarios: Final Report of the CEOS Disaster Management Support Group: Chair’s Overview. National Oceanic and Atmospheric Administration, US Department of Commerce. 
Chang, N.-B., Imen, S., Vannah, B., 2015. Remote sensing for monitoring surface water quality status and ecosystem state in relation to the nutrient cycle: a 40-year perspective. Crit. Rev. Environ. Sci. Technol. 45 (2), 101–166. https://doi.org/ 10.1080/10643389.2013.829981. 
Cord, A.F., Klein, D., Mora, F., Dech, S., 2014. Comparing the suitability of classified land cover data and remote sensing variables for modeling distribution patterns of plants. Ecol. Model. 272, 129–140. 
Council, T.R.B.N.R., 2000. Highway Capacity Manual. TRB Business Office. 
Daoud, A., Hallerod, ¨ B., Guha-Sapir, D., 2016. What is the association between absolute child poverty, poor governance, and natural disasters? A global comparison of some of the realities of climate change. PLoS One 11 (4). 
Dudhani, S., Sinha, A.K., Inamdar, S.S., 2006. Assessment of small hydropower potential using remote sensing data for sustainable development in India. Energy Pol. 34 (17), 3195–3205. https://doi.org/10.1016/j.enpol.2005.06.011. 
Duro, D.C., Coops, N.C., Wulder, M.A., Han, T., 2007. Development of a large area biodiversity monitoring system driven by remote sensing. Prog. Phys. Geogr. 31 (3), 235–260. 
Feyisa, G.L., Meilby, H., Fensholt, R., Proud, S.R., 2014. Automated Water Extraction Index: a new technique for surface water mapping using Landsat imagery. Remote Sens. Environ. 140, 23–35. https://doi.org/10.1016/j.rse.2013.08.029. 
Fletcher, K., European Space Agency, European Space Research and Technology Centre (Eds.), 2007. InSAR Principles: Guidelines for SAR Interferometry Processing and Interpretation. ESA Publications, ESTEC. 
Gabr, S., Ghulam, A., Kusky, T., 2010. Detecting areas of high-potential gold mineralization using ASTER data. Ore Geol. Rev. 38 (1–2), 59–69.
Ganapuram, S., Kumar, G.V., Krishna, I.M., Kahya, E., Demirel, M.C., 2009. Mapping of groundwater potential zones in the Musi basin using remote sensing data and GIS.Adv. Eng. Software 40 (7), 506–518. 
Gili, J.A., Corominas, J., Rius, J., 2000. Using global positioning system techniques in landslide monitoring. Eng. Geol. 55 (3), 167–192.
Goetz, S., Steinberg, D., Dubayah, R., Blair, B., 2007. Laser remote sensing of canopy habitat heterogeneity as a predictor of bird species richness in an eastern temperate forest, USA. Remote Sens. Environ. 108 (3), 254–263. 
Grabner, H., Nguyen, T.T., Gruber, B., Bischof, H., 2008. On-line boosting-based car detection from aerial images. ISPRS J. Photogrammetry Remote Sens. 63 (3), 382–396. 
Gray, S., Semiat, R., Duke, M., Rahardianto, A., Cohen, Y., 2011. Reference module in earth systems and environmental sciences. Seawater Use and Desalination Technology 73–109. 
Guo, D., Weeks, A., Klee, H., 2007. Robust approach for suburban road segmentation in high-resolution aerial images. Int. J. Rem. Sens. 28 (2), 307–318.
Guzzetti, F., Mondini, A.C., Cardinali, M., Fiorucci, F., Santangelo, M., Chang, K.-T., 2012. Landslide inventory maps: new tools for an old problem. Earth Sci. Rev. 112 (1–2), 42–66. 
Haboudane, D., Miller, J., 2002. Tremblay, N.; Zarco-Tejada, PJ; Dextrase, L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sens. Environ. 81, 416–426. 
Hall, O., Duit, A., Caballero, L.N., 2008. World poverty, environmental vulnerability and population at risk for natural hazards. J. Maps 4 (1), 151–160.
Hazarika, M.K., Yasuoka, Y., Ito, A., Dye, D., 2005. Estimation of net primary productivity by integrating remote sensing data with an ecosystem model. Remote Sens. Environ. 94 (3), 298–310. 
Hester, D.B., Cakir, H.I., Nelson, S.A., Khorram, S., 2008. Per-pixel classification of high spatial resolution satellite imagery for urban land-cover mapping. Photogramm. Eng. Rem. Sens. 74 (4), 463–471. 
Hirpa, F.A., Hopson, T.M., De Groeve, T., Brakenridge, G.R., Gebremichael, M., Restrepo, P.J., 2013. Upstream satellite remote sensing for river discharge forecasting: application to major rivers in South Asia. Remote Sens. Environ. 131, 140–151. 
Holloway, J., Mengersen, K., 2018. Statistical machine learning methods and remote sensing for sustainable development goals Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A.X., Xu, C., 2018. Applying genetic algorithms to set the optimal combination of forest fire related variables and model forest fire susceptibility based on data mining models. The case of Dayu County, China. Sci. Total Environ. 630, 1044–1056. 
Hoppe, E., Bruckno, B., Campbell, E., Acton, S., Vaccari, A., Stuecheli, M., Bohane, A., Falorni, G., Morgan, J., 2016. Transportation infrastructure monitoring using satellite remote sensing. Materials and Infrastructures 1 (5), 185–198. 
Hou, Z., Xu, Q., Nuutinen, T., Tokola, T., 2013. Extraction of remote sensing-based forest management units in tropical forests.
Remote Sens. Environ. 130, 1–10. 
Hyde, P., Dubayah, R., Walker, W., Blair, J.B., Hofton, M., Hunsaker, C., 2006. Mapping forest structure for wildlife habitat analysis using multi-sensor (LiDAR, SAR/InSAR, ETM+, Quickbird) synergy. Remote Sens. Environ. 102 (1–2), 63–73. 
Jensen, John R., Cowen, D.C., 1999. Remote sensing of urban/suburban infrastructure and socio-economic attributes. Photogramm. Eng. Rem. Sens. 65, 611–622.
Jha, M.K., Chowdhury, A., Chowdary, V., Peiffer, S., 2007. Groundwater management and development by integrated remote sensing and geographic information systems: prospects and constraints. Water Resour. Manag. 21 (2), 427–467. 
Joshi, I., D’Sa, E.J., 2015. Seasonal variation of colored dissolved organic matter in Barataria Bay, Louisiana, using combined Landsat and field data. Rem. Sens. 7 (9), 12478–12502. 
Kamerosky, A., Cho, H.J., Morris, L., 2015. Monitoring of the 2011 super algal bloom in Indian River Lagoon, FL, USA, using
MERIS. Rem. Sens. 7 (2), 1441–1460. 

Kerr, J.T., Ostrovsky, M., 2003. From space to species: ecological applications for remote sensing. Trends Ecol. Evol. 18 (6), 299–305. 
Kerr, J.T., Southwood, T., Cihlar, J., 2001. Remotely sensed habitat diversity predicts butterfly species richness and community similarity in Canada. Proc. Natl. Acad. Sci. Unit. States Am. 98 (20), 11365–11370. 
Khan, S.D., Fathy, M.S., Abdelazeem, M., 2014. Remote sensing and geophysical investigations of Moghra lake in the qattara depression, Western Desert, Egypt. Geomorphology 207, 10–22. 
Kodikara, G.R., Woldai, T., van Ruitenbeek, F.J., Kuria, Z., van der Meer, F., Shepherd, K. D., Van Hummel, G., 2012. 
Hyperspectral remote sensing of evaporate minerals and associated sediments in Lake Magadi area, Kenya. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 22–32. 
Krishnaswamy, J., Bawa, K.S., Ganeshaiah, K., Kiran, M., 2009. Quantifying and mapping biodiversity and ecosystem services: utility of a multi-season NDVI based Mahalanobis distance surrogate. Remote Sens. Environ. 113 (4), 857–867. 
Leitloff, J., Hinz, S., Stilla, U., 2010. Vehicle detection in very high resolution satellite images of city areas. IEEE Trans. Geosci. Rem. Sens. 48 (7), 2795–2806. 
Li, G., Weng, Q., 2005. Using Landsat ETM+ imagery to measure population density in Indianapolis, Indiana, USA. Photogramm. Eng. Rem. Sens. 71 (8), 947–958. 
Liu, X., Clarke, K., Herold, M., 2006. Population density and image texture. Photogramm. Eng. Rem. Sens. 72 (2), 187–196. 
Lo, C.P., Faber, B.J., 1997. Integration of Landsat Thematic Mapper and census data for quality of life assessment. Remote Sens. Environ. 62 (2), 143–157. 
Malet, J.-P., Maquaire, O., Calais, E., 2002. The use of Global Positioning System techniques for the continuous monitoring of landslides: application to the SuperSauze earthflow (Alpes-de-Haute-Provence, France). Geomorphology 43 (1–2), 33–54. Manktelow, P.T., Mann, G.W., Carslaw, K.S., Spracklen, D.V., Chipperfield, M.P., 2007. Regional and global trends in sulfate aerosol since the 1980s. Geophys. Res. Lett. 34 (14). 
Marano, K.D., Wald, D.J., Allen, T.I., 2010. Global earthquake casualties due to secondary effects: a quantitative analysis for improving rapid loss analyses. Nat. Hazards 52 (2), 319–328. 
Martinuzzi, S., Vierling, L.A., Gould, W.A., Falkowski, M.J., Evans, J.S., Hudak, A.T., Vierling, K.T., 2009. Mapping snags and understory shrubs for a LiDAR-based assessment of wildlife habitat suitability. Remote Sens. Environ. 113 (12), 2533–2546. McCord, M.R., Hickman, M., Bronzini, M.S., Goel, P.K., Gomez, R.B., Merry, C.J., Mirchandani, P.B., Morrison, J.L., 2003. REMOTE SENSING OF TRANSPORTATION FLOWS. CONSORTIUM PAPER PRESENTATION. 21. 
McDermid, G., Hall, R., Sanchez-Azofeifa, G., Franklin, S., Stenhouse, G., Kobliuk, T., LeDrew, E., 2009. Remote sensing and forest inventory for wildlife habitat assessment. For. Ecol. Manag. 257 (11), 2262–2269. 
McFeeters, S.K., 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J Menon, S., Bawa, K.S., 1997. Applications of geographic information systems, remotesensing, and a landscape ecology approach to biodiversity conservation in the Western Ghats. Curr. Sci. 134–145. 
Meyer, W.B., Turner, B.L., 1992. Human population growth and global land-use/cover change. Annu. Rev. Ecol. Systemat. 23 (1), 39–61. 
Millennium Ecosystem Assessment, M.E.A., 2005. Ecosystems and Human Well-Being (Synthesis). 
Mishra, S., Mishra, D.R., Lee, Z., Tucker, C.S., 2013. Quantifying cyanobacterial phycocyanin concentration in turbid productive waters: a quasi-analytical approach. Remote Sens. Environ. 133, 141–151. 
Nakagawa, T., Yasuoka, Y., 2001. Environmental impact assessment with remote sensing at Isahaya land reclamation site. In: Proceedings of 22nd Asian Conferencce on Remote Sensing (AARS), 6. https://crisp.nus.edu.sg/~acrs2001/pdf/244nakag.pdf. Navarro, G., Caballero, I., Silva, G., Parra, P.C., V´ azquez, A., ´ Caldeira, R., 2017. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery. Int. J. Appl. Earth Obs. Geoinf. 58, 97–106. 
Nandy, S., Kushwaha, S., Dadhwal, V., 2011. Forest degradation assessment in the upper catchment of the river Tons using remote sensing and GIS. Ecol. Indicat. 11 (2), 509–513. 
Nightingale, J., Coops, N., Waring, R., Hargrove, W., 2007. Comparison of MODIS gross primary production estimates for forests across the USA with those generated by a simple process model, 3-PGS. Remote Sens. Environ. 109 (4), 500–509. 

Petley, D., 2012. Global patterns of loss of life from landslides. Geology 40 (10), 927–930. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510 
Pisano, A., Bignami, F., Santoleri, R., 2015. Oil spill detection in glint-contaminated near-infrared MODIS imagery. Rem. Sens. 7 (1), 1112–1134. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510. 
Pour, Amin Beiranvand, Hashim, M., van Genderen, J., 2013. Detection of hydrothermal alteration zones in a tropical region using satellite remote sensing data: Bau goldfield, Sarawak, Malaysia. Ore Geol. Rev. 54, 181–196. 
Pozzi, F., Small, C., 2001. Exploratory analysis of suburban land cover and population density in the USA, pp. 250–254. 
Ranade, P., 2007. Environmental impact assessment of land use planing around the leased limestone mine using remote sensing techniques. J. Health Sci. Environ. 4 (1), 61–65. 
Rogers, D., Emwanu, T., Robinson, T., 2006. Poverty Mapping in Uganda: an Analysis Using Remotely Sensed and Other Environmental Data.
Rosen, P.A., Hensley, S., Joughin, I.R., Li, F.K., Madsen, S.N., Rodriguez, E., Goldstein, R. M., 2000. Synthetic aperture radar interferometry. Proc. IEEE 88 (3), 333–382. 
Rossa, A.M., Del Guerra, F.L., Borga, M., Zanon, F., Settin, T., Leuenberger, D., 2010. Radar-driven high-resolution hydro-meteorological forecasts of the 26 September 2007 Venice flash flood. J. Hydrol. 394 (1–2), 230–244. 
Saatchi, S., Buermann, W., Ter Steege, H., Mori, S., Smith, T.B., 2008. Modeling distribution of Amazonian tree species and diversity using remote sensing measurements. Remote Sens. Environ. 112 (5), 2000–2017. 
Sabins, F.F., 1999. Remote sensing for mineral exploration. Ore Geol. Rev. 14 (3–4), 157–183. 
Schultz, G.A., Engman, E.T., 2000. Present use and future perspectives of remote sensing in hydrology and water management. IAHS-AISH Publ. 267, 545–551. 
Sharma, G., Merry, C., Goel, P., McCord, M., 2006. Vehicle detection in 1-m resolution satellite and airborne imagery. Int. J. Rem. Sens. 27 (4), 779–797. 
Singhroy, V., Ohkura, H., Glenn, N., 2002. Earth observation for landslide assessment. IEEE In.t. Geosci. Remote Sens. Sympos 2, 765–767. 
Spagnolini, U., Rampa, V., 1999. Multitarget detection/tracking for monostatic ground penetrating radar: application to pavement profiling. IEEE Trans. Geosci. Rem. Sens. 37 (1), 383–394. 
Tabor, J.A., Hutchinson, C.F., 1994. Using Indigenous Knowledge, Remote Sensing and GIS for Sustainable Development. https://agris.fao.org/agris-search/search.do?reco rdID=GB2013200846. 
Tsimbos, C., Kotsifakis, G., Verropoulou, G., Kalogirou, S., 2011. Life expectancy in Greece 1991–2007: regional variations and spatial clustering. J. Maps 7 (1), 280–290. 
Turner, W., Spector, S., Gardiner, N., Fladeland, M., Sterling, E., Steininger, M., 2003. Remote sensing for biodiversity science and conservation. Trends Ecol. Evol. 18 (6), 306–314. van der Meer, F.D.,
Van der Werff, H.M., van Ruitenbeek, F.J., Hecker, Chris a., Bakker, Wim H., Noomen, Marleen F., Mark van Der Meijde, E.John M., Carranza, J., Boudewijn De Smeth, Tsehaie Woldai, 2012. Multi-and hyperspectral geologic remote sensing: a review. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 112–128. 
Vicente, L.E., de Souza Filho, C.R., 2011. Identification of mineral components in tropical soils using reflectance spectroscopy and advanced spaceborne thermal emission and reflection radiometer (ASTER) data. Remote Sens. Environ. 115 (8), 1824–1836. 
Vignola, F., Michalsky, J., Stoffel, T., 2019. Solar and Infrared Radiation Measurements. CRC press. 
Vina, ˜ A., Bearer, S., Zhang, H., Ouyang, Z., Liu, J., 2008. Evaluating MODIS data for mapping wildlife habitat distribution. Remote Sens. Environ. 112 (5), 2160–2169. 

Waring, R., Coops, N., Landsberg, J., 2010. Improving predictions of forest growth using the 3-PGS model with observations made by remote sensing. For. Ecol. Manag. 259 (9), 1722–1729. 

Wiens, J., Sutter, R., Anderson, M., Blanchard, J., Barnett, A., Aguilar-Amuchastegui, N., Avery, C., Laine, S., 2009. Selecting and conserving lands for biodiversity: the role of remote sensing. Remote Sens. Environ. 113 (7), 1370–1381. 
Williams, J.G., Rosser, N.J., Kincey, M.E., Benjamin, J., Oven, K.J., Densmore, A.L., Milledge, D.G., Robinson, T.R., 2017. Satellite-based emergency mapping: landslides triggered by the 2015 Nepal earthquake. Nat. Hazards Earth Syst. Sci. 18, 185–205. Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Rem. Sens. 27 (14), 3025–3033. https://doi.org/10.1080/01431160600589179. 
Yan, G., Zhou, S., Zhou, L., Xi, J., Tian, Y., Teng, H., 2013. Integrating remote sensing and proximal sensors for the detection of soil moisture and salinity variability in coastal areas. J. Int. Agri. 12 (4), 723–731. 
Yang, J., Gong, P., Fu, R., Zhang, M., Chen, J., Liang, S., Xu, B., Shi, J., Dickinson, R., 2013a. The role of satellite remote sensing in climate change studies. Nat. Clim. Change 3 (10), 875. 
Yu, X., Shi, Z., 2015. Vehicle detection in remote sensing imagery based on salient information and local shape feature. Optik-International Journal for Light and Electron Optics 126 (20), 2485–2490. 
Yunus, A.P., Masago, Y., Hijioka, Y., 2020. COVID-19 and surface water quality: improved lake water quality during the lockdown. Sci. Total Environ. 731, 139012. http://www.sciencedirect.com/science/article/pii/S0048969720325298. 
Zadeh, M.H., Tangestani, M.H., Roldan, F.V., Yusta, I., 2014. Sub-pixel mineral mapping of a porphyry copper belt using EO-1 Hyperion data. Adv. Space Res. 53 (3), 440–451. 
Zhou, G., Wei, D., 2008. Survey and Analysis of Land Satellite Remote Sensing Applied in Highway Transportations Infrastructure and System Engineering, 4. IV–479.

[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Αποτιμώντας τις προοπτικές της βιώσιμης ανάπτυξης μέσω της τηλεπισκόπησης: Μια ανασκόπηση

2021-01-27T00:51:20Z

Ioanna Karani:

'''Πρωτότυπος τίτλος:''' Assessing sustainable development prospects through remote sensing: A review 
'''Συγγραφείς:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi
Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan 
'''Citation:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan, Assessing sustainable development prospects through remote sensing: A review,Remote Sensing Applications: Society and Environment, Volume 20, 2020, 100402, ISSN 2352-9385, [https://doi.org/10.1016/j.rsase.2020.100402]. 
'''Πηγή:'''[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect] 

'''Λέξεις κλειδιά:'''Natural resource management; Sustainability; Natural hazards; Decision support system; Indices 

'''Σκοπός της έρευνας:'''
Η παρούσα έρευνα στοχεύει να πραγματοποιήσεις μια εκτεταμένη ανασκόπηση στη συμβολή της τηλεπισκόπησης (RS) στις προσπάθειες προς τη βιώσιμη ανάπτυξη, με έμφαση στη διαχείριση των φυσικών πόρων και στην εκτίμηση των φυσικών καταστροφών. 
'''1. Εισαγωγή:''' 
Η επιτυχία της βιώσιμης ανάπτυξης σε οποιαδήποτε περιοχή βασίζεται στο τι είναι γνωστό σε σχέση με τη διαχείριση των φυσικών πόρων και τους κινδύνους στην περιοχή (Taborand Hutchinson,1994). H δυνατότητα της RS να καταγράφει τα γήινα συστήματα σε διάφορες χωρικές και χρονικές κλίμακες την καθιστά κατάλληλη για τη διαχείριση προκλήσεων σε περιβαλλοντικό,οικολογικό και κοινωνικοοικονομικό επίπεδο. 
Μια σειρά από έρευνες -σημεία αναφοράς- έχουν διεξαχθεί, καλύπτοντας ποικίλους επιμέρους τομείς που άπτονται της βιώσιμης ανάπτυξης, όπως οι φυσικοί κίνδυνοι και οι κοινωνικοοικονομική ανάπτυξη (Avtar et al., 2013; Dudhani et al., 2006; Holloway and Mengersen, 2018). Ειδικότερα, τα τελευταία τριάντα χρόνια η RS χρησιμοποιείται ευρέως για την εκτίμηση των προσπαθειών στην κατεύθυνση της βιώσιμης ανάπτυξης. Οι εξελίξεις στην τεχνολογία της RS και η διαθεσιμότητα μεγάλων όγκων δεδομένων έχουν οδηγήσει σε τεράστιες βελτιώσεις στην ανάλυση δεδομένων, ειδικά όταν συνδυάζονται με GIS και με αλγόριθμους μηχανικής μάθησης.<br
Σήμερα, η RS, η οποία θεωρείται επιστημονικό εργαλείο, εφαρμόζεται σχεδόν σε κάθε τομέα της της γεωπεριβαλλοντικής επιστήμης. Λαμβάνοντας υπόψη τη σημασία της αειφόρου ανάπτυξης στον 21ο αιώνα, η παρούσα ανασκόπηση αποσκοπεί στην αξιολόγηση του τρόπου με τον οποίο οι εξελίξεις στην τεχνολογία της RS έχουν επηρεάσει τρεις σημαντικούς τομείς της βιώσιμης ανάπτυξης: τη διαχείριση των φυσικών πόρων, την παρατήρηση του περιβάλλοντος και την παρακολούθηση των κινδύνων και, τέλος, την κοινωνικοοικονομική ανάπτυξη. 
'''2.Δεδομένα:''' 
Τα άρθρα που συμπεριλήφθηκαν στην παρούσα ανασκόπηση αντλήθηκαν από τις εξής ηλεκτρονικές πηγές: 
* Scopus 
* Web of Science 
* Google Scholar 
'''3.Διάγραμμα της ανασκόπησης:''' 
Η ροή της ανασκόπησης αποτυπώνεται σχηματικά στην Εικόνα 1:
[[ Εικόνα: A10_e1.jpg| frame|center| Εικόνα 1:Διάγραμμα ροής ανασκόπησης, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect]]]


'''4. Διαχείριση και ανάπτυξη των φυσικών πόρων:''' 
'''4.1 Βιοποικιλότητα''' 
Η βιοποικιλότητα και οι υπηρεσίες που προσφέρουν τα οικοσυστήματα είναι ζωτικής σημασίας για την επίγεια , καθώς προσφέρουν υπηρεσίες πρώτων υλών, υποστηρικτικές, ρυθμιστικές και πολιτιστικές (Millennium Ecosystem Assessment, 2005; Avtar et al., 2017).Η RS χρησιμοποιείται ευρέως για τη μελέτη διαφόρων οικολογικών λειτουργιών, όπως τα φυσικά και ανθρωπογενή αίτια της αλλαγής τοπίου (Gould, 2000; Kerr et al., 2001; Kerr and Ostrovsky, 2003; McDermid et al., 2009). 
Η RS μπορεί να χρησιμοποιηθεί για την άμεση παρακολούθηση της βιοποικιλότητας, με τη χρήση δορυφόρων και αισθητήρων για την άντληση πληροφοριών σε σχέση με τη συγκέντρωση των ειδών σε οικολογικές κοινότητες ή και μεμονωμένους οργανισμούς. Επίσης, άμεσα με τη χρήση τηλεσκοπικών δεδομένων μπορούν να εκτιμηθούν οι χρήσεις γης και η κάλυψη της γης, πληροφορίες ιδιαίτερα χρήσιμες για την ανίχνευση της κατανομής και της συγκέντρωσης των ειδών σε εκτεταμένες περιοχές (Kerr and Ostrovsky, 2003). Οι άμεσες τηλεσκοπικές μέθοδοι για την παρακολούθηση της βιοποικιλότητας παρουσιάζονται στον [file:///C:/Users/iwann/AppData/Local/Temp/Temp1_Untitled%20document.zip/Untitleddocument.html Πίνακα 1]. 


Ακόμη, υπάρχουν και έμμεσες μέθοδοι παρακολούθησης της βιοποικιλότητας που βασίζονται στην παρακολούθηση των εξής παραγόντων: 
α) '''πρωτογενής παραγωγή:''' Ενδεικτικά αναφέρονται οι παρακάτω εφαρμογές:ο δείκτης NDVI ή άλλοι παρόμοιοι δείκτες βλάστησης και σύνδεση τους με τη φαινολογία των φυτών (Turner et al., 2003), χρήση του δείκτη φυλλωδών περιοχών με δεδομένα από τον αισθητήρα MODIS ως δεδομένα εισόδου του οικοσυστημικού μοντέλου Sim-CYCLE (Hazarika et al. 2005), η ακαθάριστη πρωτογενής παραγωγή δασικών προϊόντων στις Ηνωμένες πολιτείες με δεδομένα από τον αισθητήρα MODIS και η σύγκριση του με ένα απλό, διαδικαστικό μοντέλο (Nightingale et al. 2007). 
β) '''κλίμα:'''Διάφορες μεταβλητές, συμπεριλαμβανομένης της θερμοκρασίας, της σχετικής υγρασίας και της υγρασίας του εδάφους, καθορίζουν ως ένα βαθμό την επιβίωση και την παραγωγικότητα πολλών ειδών (Turner et al., 2003). Οι Ηνωμένες Πολιτείες λάνσαραν τους δορυφόρους AQUA και TERRA, οι οποίοι είναι εφοδιασμένοι με τους αισθητήρες AMSR-E, MODIS, AMSU-A, AIRS, HSB, CERES και ASTER, MODIS, CERES, MISR, MOPITT αντίστοιχα, που παρέχουν πληροφορίες (π.χ. Υδρολογικός κύκλος, Θερμοκρασία νερού, Αεροζόλ κ.ο.κ.) που βοηθούν στην κατανόηση της σχέσης κλίματος-βιοποικιλότητας. γ)δομή ενδιαιτημάτων:Με την κατανόηση των δομών των ενδιαιτημάτων των ειδών, μπορούν να εξαχθούν συμπεράσματα για την κατανομή και τα πρότυπα των ειδών. Από την άποψη αυτή, οι τεχνολογίες της RS έχουν αποδειχθεί απαραίτητες. Ενδεικτικά, οι Goetz et al. (2007) μελέτησαν τα ενδιαιτήματα πουλιών στα δάση με χρήση δεδομένων LIDAR και οι Hyde et al. (2006)μελέτησαν τη δομή των δασικών ενδιαιτημάτων με τη χρήση δεδομένων LIDAR, SAR/InSAR,, Landsat-7, και QuickBird 

'''4.2 Υδάτινοι πόροι''' 
Το νερό είναι ζωτικής σημασίας για την ανθρωπότητα. Έχουν αναπτυχθεί μια σειρά από αλγορίθμους για τον εντοπισμό των υδάτινων όγκων σε τηλεπισκοπικές εικόνες: ο NDWI (McFeeters, 1996), ο modified NDWI (Xu, 2006), και ο automated water extraction index (Feyisa et al., 2014). Αισθητήρες, όπως οι Landsat, ASTER, SPOT, and MODIS χρησιμοποιούνται για την παρακολούθηση και τη χαρτογράφηση της ποιότητας των υδάτων (Mishra et al., 2013), ( Yunus et al. 2020). Οι Kamerosky et al. (2015) χρησιμοποίησαν εικόνες MERIS για την παρακολούθηση της υπεράνθησης του φυτοπλαγκτού στην Indian River Lagoon στην Florinda, USA. Οι Pisano et al., 2015 εντόπισα πετρελαιοκηλίδες σε υδάτινους όγκους με εικόνες MODIS και οι Joshi and D’Sa, 2015 χαρτογράφησαν τις εποχικές διαφοροποιήσεις της έγχρωμης αποσυντιθέμενης οργανικής ύλης. Τέλος, έχουν διεξαχθεί μια σειρά από έρευνες που εκτιμούν την ποσότητα και την ποιότητα των υδάτων διαχρονικά, όπως, η έρευνα των Chang et al. (2015) για την εκτίμηση της ποιότητας των υδάτων και της κατάστασης του οικοσυστήματος, όπως συνδέονται με τον κύκλο των θρεπτικών συστατικών σε βάθος 40ετίας.
Επίσης, χρησιμοποιούνται έμμεσες μέθοδοι για την διερεύνηση των υπόγειων υδάτων. Κατά κανόνα, η RS χρησιμοποιείται στην μελέτη των υπογείων υδάτων για την οριοθέτηση της γεωμορφολογίας και των γραμμάτων χαρτών, των επιφανειακών λιθολογικών χαρακτηριστικών, των πλαγιών, και της κάλυψης και χρήσεων της γης (Avtar et al., 2010; Ganapuram et al., 2009; Jha et al., 2007). Ενδεικτικά, αναφέρονται οι έρευνες των Schultz and Engman (2000) για την ανίχνευση των ζωνών τροφοδότησης και απορροής των υπόγειων υδάτων και η συνδυαστική χρήση RS και γεωφυσικών δεδομένων για την εις βάθος εξερεύνηση των υπόγειων υδάτων (Arafa-Hamed, 2013; Khan et al., 2014). 
'''4.3 Ορυκτοί πόροι''' 
Για πολλές χώρες, οι ορυκτοί πόροι συμβάλλουν σημαντικά στα κρατικά έσοδα.Αρκετές χώρες συνεργάστηκαν για να φέρουν διαφορετικές δορυφορικές πλατφόρμες σε συγκεκριμένα τροχιές με αισθητήρες τηλεπισκόπησης. Αυτές οι πλατφόρμες και οι αισθητήρες παρέχουν περαιτέρω πληροφορίες σχετικά με τους άφθονους πόρους της Γης με υψηλότερη ακρίβεια (Belward and Skøien, 2015; Sabins, 1999). Διάφορες μελέτες εξετάζουν τους ορυκτούς πόρους με χρήση υπερφασματικών εικόνων (Kodikara et al., 2012; Van der Meer et al., 2012; Vicente and de Souza Filho, 2011). Οι Gabr et al. (2010) χρησιμοποίησαν πολλαπλές εικόνες ASTER για τον εντοπισμό των ζωνών αλλοίωσης που σχετίζονται με τις αποθέσεις χρυσού στο Abu-Marawat. Οι Pour et al. (2013) χρησιμοποίησαν Landsat-7 Enhanced Thematic Mapper (ETM) και Hyperion δεδομένα για τον εντοπισμό ζωνών υδροθερμικών αλλοιώσεων και των σχετικών δομικών στοιχείων, ενώ σε άλλη έρευνα χρησιμοποιήθηκαν τεχνικές χαρτογράφησης βάσει των επιμέρους εικονοστοιχείων για το διαχωρισμό και τη χαρτογράφηση μεταβολών ορυκτών γύρω από κοιτάσματα χαλκού στο Ιράν (Zadeh et al. 2014). 
'''5.Εκτίμηση του περιβάλλοντος και φυσικών κινδύνων''' 
Στον Πίνακα 2 παρουσιάζεται η ανασκόπηση σε σχέση με τη συμβολή της RS για την εκτίμηση του περιβάλλοντος και φυσικών καταστροφών, όπως οι πλημμύρες και οι κατολισθήσεις και οι δασικές πυρκαγιές 


Τέλος, η τηλεπισκόπηση χρησιμοποιείται για την παρακολούθηση και την ανίχνευση δασικών πυρκαγιών. Δείκτες βλάστησης, όπως οι Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI), Normalized Burn Ratio (NBR) and Normalized Difference Vegetation Index (NDVIreXn) που χρησιμοποιούν κανάλια του ερυθρού εφαρμόζονται ικανοποιητικά για την έρευνα μετά από δασικές πυρκαγιές (Navarro et al., 2017). Οι εφαρμογές εξόρυξης δεδομένων είναι δημοφιλείς για τον καθορισμό του βέλτιστου συνδυασμού μεταβλητών και μοντελοποίησης που σχετίζεται με την εκτίμηση για επικείμενες δασικές πυρκαγιές (Hong et al., 2018). Σε αυτά τα μοντέλα, μεταβλητές μετεωρολογικών, τοπογραφικών και βλαστικών δεικτών που προέρχονται από δορυφορικά δεδομένα ενσωματώνονται ως παράγοντες για την απόκτηση των απαραίτητων πληροφοριών για την υγρασία του εδάφους και την εξατμισοδιαπνοή. 

'''6. Κοινωνικοοικονομική ανάπτυξη''' 
Οι εφαρμογές της τηλεπισκόπησης χρησιμοποιούνται ευρέως για την κοινωνικοοικονομική ανάπτυξη μέσω της ανάκτησης συγκεκριμένων δεδομένων. H κοινωνικοοικονομική ανάπτυξη εξετάζεται υπό το πρίσμα των μεταφορών, της εκτίμησης του πληθυσμού και της εκτίμησης της ποιότητας ζωής. H RS κατέχει κεντρική θέση στις μελλοντικές μελέτες της κοινωνικοοικονομικής ανάπτυξης, καθώς προσφέρουν καλύτερη κατανόηση των ανθρώπινων δραστηριοτήτων με τη χρήση δεδομένων υψηλής ανάλυσης και χαμηλού κόστους. Στον Πίνακα 3 παρουσιάζονται οι κύριες μελέτες και δείκτες που αναπτύχθηκαν για την τηλεπισκοπική μελέτη της κοινωνικοοικονομικής ανάπτυξης: 


'''7.Συμπεράσματα:''' 
Στην παρούσα μελέτη διερευνήθηκε η συμβολή της τηλεπισκόπησης στην διατήρηση του πλανήτη και της επίγειας ζωής. Τα Ηνωμένα Έθνη χαρακτήρισα την RS ως απαραίτητο εργαλείο για την επίτευξη των στόχων της Στόχοι βιώσιμης ανάπτυξης (SDGs). Η RS μπορεί να χρησιμοποιηθεί όχι μόνο για την ανάπτυξη ολοκληρωμένων πολιτικών για την προώθηση της βιώσιμης ανάπτυξης, αλλά και για την αποτελεσματική εφαρμογή και παρακολούθηση τους και λήψη αποφάσεων. Ωστόσο, για να είναι αποτελεσματικές και αξιόπιστες οι εφαρμογές της RS, πρέπει να υπάρχουν επαρκείς πληροφορίες και να λαμβάνονται από πολλαπλές πηγές. Ειδικότερα, η ανάπτυξη νέων φασματικών δεικτών, που βασίζονται στη βελτιωμένη τεχνολογία αισθητήρων, είναι καίριας σημασίας για την επίτευξη βιώσιμων στόχων ανάπτυξης.
Ωστόσο, η χρήση της τηλεπισκόπησης στις αναπτυσσόμενες χώρες για την παρακολούθηση των στόχων της βιώσιμης ανάπτυξης παραμένει διακύβευμα. Στην κατεύθυνση ενίσχυσης της χρήσης RS για την υποβοήθηση της προσπάθειας για βιώσιμη ανάπτυξη στις αναπτυσσόμενες χώρες, απαιτείται η δημιουργία περισσότερων και προσβάσιμων βάσεων δεδομένων, καθώς και συνεργασίες μεταξύ των κέντρων λήψεων των αποφάσεων και των πολιτικών κέντρων μελετών των αναπτυσσόμενων χωρών και με χώρες ή οργανισμού που έχουν ήδη πρόσβαση σε πηγές GIS. 

== ΑΝΑΦΟΡΕΣ ==

Anderson, D., Young, J., 2001. Truck traffic analysis using IKONOS satellite imagery. Space Imaging Technical Brief Prepared for National Consortium on Remote Sensing in Transportation-Flows. Ohio State University Center for Mapping, Columbus. 
Angel, A., Hickman, M., 2002. Experimental Investigation of Travel Time Estimation Using Geo-Referenced Aerial Video. Transportation Research Board 81st Annual Meeting. 
Angel, A., Hickman, M., Chandnani, D., Mirchandani, P., 2002. Application of aerial video for traffic flow monitoring and management. In: Applications of Advanced Technologies in Transportation, pp. 346–353. Arafa-Hamed, T., 2013. Comprehensive clues provided by popular free remote sensing imagery to interpretation of geophysical studies explained by example cases of magnetic surveys. NRIAG J. Astro. Geophys. 2 (2), 278–286. 
Arampatzis, G., Kiranoudis, C.T., Scaloubacas, P., Assimacopoulos, D., 2004. A GIS-based decision support system for planning urban transportation policies. Eur. J. Oper. Res. 152 (2), 465–475. 
Avtar, R., Kumar, P., Oono, A., Saraswat, C., Dorji, S., Hlaing, Z., 2017. Potential application of remote sensing in monitoring ecosystem services of forests, mangroves and urban areas. Geocarto Int. 32 (8), 874–885. https://doi.org/10.1080/ 10106049.2016.1206974. 
Avtar, R., Kumar, P., Singh, C.K., Sahu, N., Verma, R.L., Thakur, J.K., Mukherjee, S., 2013a. Hydrogeochemical assessment of groundwater quality of Bundelkhand, India using statistical approach. Water Qual. Expos. Hea. 5 (3), 105–115. https://doi.org/ 10.1007/s12403-013-0094-2. 
Avtar, R., Singh, C., Shashtri, S., Singh, A., Mukherjee, S., 2010. Identification and analysis of groundwater potential zones in Ken–Betwa river linking area using remote sensing and geographic information system. Geocarto Int. 25 (5), 379–396. 
Avtar, R., Takeuchi, W., Sawada, H., 2013b. Full polarimetric PALSAR-based land cover monitoring in Cambodia for implementation of REDD policies. Int. J. Digital Earth 6 (3), 255–275. https://doi.org/10.1080/17538947.2011.620639. 
Ayalew, B., Gomez, R.B., Roper, W.E., Carrasco, O., 2003. Pavement management using hyperspectral imagery, 5097, 207–214. Belward, A.S., Skøien, J.O., 2015. Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS J. Photogrammetry Remote Sens. 103, 115–128. 
Bolch, T., 2007. Climate change and glacier retreat in northern Tien Shan (Kazakhstan/ Kyrgyzstan) using remote sensing data. Global Planet. Change 56 (1–2), 1–12. 
Brown, R.D., Robinson, D.A., 2011. Northern Hemisphere spring snow cover variability and change over 1922-2010 including an assessment of uncertainty. Cryosphere 5 (1), 219. 
Buermann, W., Saatchi, S., Smith, T.B., Zutta, B.R., Chaves, J.A., Mila, ´ B., Graham, C.H., 2008. Predicting species distributions across the Amazonian and Andean regions using remote sensing data. J. Biogeogr. 35 (7), 1160–1176. 
Carrasco, R., Pedraza, J., Martin-Duque, J., Mattera, M., Sanz, M., Bodoque, J., 2003. Hazard zoning for landslides connected to torrential floods in the Jerte Valley (Spain) by using GIS techniques. Nat. Hazards 30 (3), 361–381. 
Casagli, N., Cigna, F., Bianchini, S., Holbling, ¨ D., Füreder, P., Righini, G., Del Conte, S., Friedl, B., Schneiderbauer, S., Iasio, C., 2016. Landslide mapping and monitoring by using radar and optical remote sensing: examples from the EC-FP7 project SAFER. Remote Sens. Appl.: Soc. Environ. 4, 92–108. 
Center, P., 1999. Maricopa Association of Governments Pedestrian Plan 2000. CEOS Disaster Management Support, G., Wood, H.M., 2003. The Use of Earth Observing Satellites for Hazard Support: Assessments & Scenarios: Final Report of the CEOS Disaster Management Support Group: Chair’s Overview. National Oceanic and Atmospheric Administration, US Department of Commerce. 
Chang, N.-B., Imen, S., Vannah, B., 2015. Remote sensing for monitoring surface water quality status and ecosystem state in relation to the nutrient cycle: a 40-year perspective. Crit. Rev. Environ. Sci. Technol. 45 (2), 101–166. https://doi.org/ 10.1080/10643389.2013.829981. 
Cord, A.F., Klein, D., Mora, F., Dech, S., 2014. Comparing the suitability of classified land cover data and remote sensing variables for modeling distribution patterns of plants. Ecol. Model. 272, 129–140. 
Council, T.R.B.N.R., 2000. Highway Capacity Manual. TRB Business Office. 
Daoud, A., Hallerod, ¨ B., Guha-Sapir, D., 2016. What is the association between absolute child poverty, poor governance, and natural disasters? A global comparison of some of the realities of climate change. PLoS One 11 (4). 
Dudhani, S., Sinha, A.K., Inamdar, S.S., 2006. Assessment of small hydropower potential using remote sensing data for sustainable development in India. Energy Pol. 34 (17), 3195–3205. https://doi.org/10.1016/j.enpol.2005.06.011. 
Duro, D.C., Coops, N.C., Wulder, M.A., Han, T., 2007. Development of a large area biodiversity monitoring system driven by remote sensing. Prog. Phys. Geogr. 31 (3), 235–260. 
Feyisa, G.L., Meilby, H., Fensholt, R., Proud, S.R., 2014. Automated Water Extraction Index: a new technique for surface water mapping using Landsat imagery. Remote Sens. Environ. 140, 23–35. https://doi.org/10.1016/j.rse.2013.08.029. 
Fletcher, K., European Space Agency, European Space Research and Technology Centre (Eds.), 2007. InSAR Principles: Guidelines for SAR Interferometry Processing and Interpretation. ESA Publications, ESTEC. 
Gabr, S., Ghulam, A., Kusky, T., 2010. Detecting areas of high-potential gold mineralization using ASTER data. Ore Geol. Rev. 38 (1–2), 59–69.
Ganapuram, S., Kumar, G.V., Krishna, I.M., Kahya, E., Demirel, M.C., 2009. Mapping of groundwater potential zones in the Musi basin using remote sensing data and GIS.Adv. Eng. Software 40 (7), 506–518. 
Gili, J.A., Corominas, J., Rius, J., 2000. Using global positioning system techniques in landslide monitoring. Eng. Geol. 55 (3), 167–192.
Goetz, S., Steinberg, D., Dubayah, R., Blair, B., 2007. Laser remote sensing of canopy habitat heterogeneity as a predictor of bird species richness in an eastern temperate forest, USA. Remote Sens. Environ. 108 (3), 254–263. 
Grabner, H., Nguyen, T.T., Gruber, B., Bischof, H., 2008. On-line boosting-based car detection from aerial images. ISPRS J. Photogrammetry Remote Sens. 63 (3), 382–396. 
Gray, S., Semiat, R., Duke, M., Rahardianto, A., Cohen, Y., 2011. Reference module in earth systems and environmental sciences. Seawater Use and Desalination Technology 73–109. 
Guo, D., Weeks, A., Klee, H., 2007. Robust approach for suburban road segmentation in high-resolution aerial images. Int. J. Rem. Sens. 28 (2), 307–318.
Guzzetti, F., Mondini, A.C., Cardinali, M., Fiorucci, F., Santangelo, M., Chang, K.-T., 2012. Landslide inventory maps: new tools for an old problem. Earth Sci. Rev. 112 (1–2), 42–66. 
Haboudane, D., Miller, J., 2002. Tremblay, N.; Zarco-Tejada, PJ; Dextrase, L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sens. Environ. 81, 416–426. 
Hall, O., Duit, A., Caballero, L.N., 2008. World poverty, environmental vulnerability and population at risk for natural hazards. J. Maps 4 (1), 151–160.
Hazarika, M.K., Yasuoka, Y., Ito, A., Dye, D., 2005. Estimation of net primary productivity by integrating remote sensing data with an ecosystem model. Remote Sens. Environ. 94 (3), 298–310. 
Hester, D.B., Cakir, H.I., Nelson, S.A., Khorram, S., 2008. Per-pixel classification of high spatial resolution satellite imagery for urban land-cover mapping. Photogramm. Eng. Rem. Sens. 74 (4), 463–471. 
Hirpa, F.A., Hopson, T.M., De Groeve, T., Brakenridge, G.R., Gebremichael, M., Restrepo, P.J., 2013. Upstream satellite remote sensing for river discharge forecasting: application to major rivers in South Asia. Remote Sens. Environ. 131, 140–151. 
Holloway, J., Mengersen, K., 2018. Statistical machine learning methods and remote sensing for sustainable development goals Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A.X., Xu, C., 2018. Applying genetic algorithms to set the optimal combination of forest fire related variables and model forest fire susceptibility based on data mining models. The case of Dayu County, China. Sci. Total Environ. 630, 1044–1056. 
Hoppe, E., Bruckno, B., Campbell, E., Acton, S., Vaccari, A., Stuecheli, M., Bohane, A., Falorni, G., Morgan, J., 2016. Transportation infrastructure monitoring using satellite remote sensing. Materials and Infrastructures 1 (5), 185–198. 
Hou, Z., Xu, Q., Nuutinen, T., Tokola, T., 2013. Extraction of remote sensing-based forest management units in tropical forests.
Remote Sens. Environ. 130, 1–10. 
Hyde, P., Dubayah, R., Walker, W., Blair, J.B., Hofton, M., Hunsaker, C., 2006. Mapping forest structure for wildlife habitat analysis using multi-sensor (LiDAR, SAR/InSAR, ETM+, Quickbird) synergy. Remote Sens. Environ. 102 (1–2), 63–73. 
Jensen, John R., Cowen, D.C., 1999. Remote sensing of urban/suburban infrastructure and socio-economic attributes. Photogramm. Eng. Rem. Sens. 65, 611–622.
Jha, M.K., Chowdhury, A., Chowdary, V., Peiffer, S., 2007. Groundwater management and development by integrated remote sensing and geographic information systems: prospects and constraints. Water Resour. Manag. 21 (2), 427–467. 
Joshi, I., D’Sa, E.J., 2015. Seasonal variation of colored dissolved organic matter in Barataria Bay, Louisiana, using combined Landsat and field data. Rem. Sens. 7 (9), 12478–12502. 
Kamerosky, A., Cho, H.J., Morris, L., 2015. Monitoring of the 2011 super algal bloom in Indian River Lagoon, FL, USA, using
MERIS. Rem. Sens. 7 (2), 1441–1460. 

Kerr, J.T., Ostrovsky, M., 2003. From space to species: ecological applications for remote sensing. Trends Ecol. Evol. 18 (6), 299–305. 
Kerr, J.T., Southwood, T., Cihlar, J., 2001. Remotely sensed habitat diversity predicts butterfly species richness and community similarity in Canada. Proc. Natl. Acad. Sci. Unit. States Am. 98 (20), 11365–11370. 
Khan, S.D., Fathy, M.S., Abdelazeem, M., 2014. Remote sensing and geophysical investigations of Moghra lake in the qattara depression, Western Desert, Egypt. Geomorphology 207, 10–22. 
Kodikara, G.R., Woldai, T., van Ruitenbeek, F.J., Kuria, Z., van der Meer, F., Shepherd, K. D., Van Hummel, G., 2012. 
Hyperspectral remote sensing of evaporate minerals and associated sediments in Lake Magadi area, Kenya. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 22–32. 
Krishnaswamy, J., Bawa, K.S., Ganeshaiah, K., Kiran, M., 2009. Quantifying and mapping biodiversity and ecosystem services: utility of a multi-season NDVI based Mahalanobis distance surrogate. Remote Sens. Environ. 113 (4), 857–867. 
Leitloff, J., Hinz, S., Stilla, U., 2010. Vehicle detection in very high resolution satellite images of city areas. IEEE Trans. Geosci. Rem. Sens. 48 (7), 2795–2806. 
Li, G., Weng, Q., 2005. Using Landsat ETM+ imagery to measure population density in Indianapolis, Indiana, USA. Photogramm. Eng. Rem. Sens. 71 (8), 947–958. 
Liu, X., Clarke, K., Herold, M., 2006. Population density and image texture. Photogramm. Eng. Rem. Sens. 72 (2), 187–196. 
Lo, C.P., Faber, B.J., 1997. Integration of Landsat Thematic Mapper and census data for quality of life assessment. Remote Sens. Environ. 62 (2), 143–157. 
Malet, J.-P., Maquaire, O., Calais, E., 2002. The use of Global Positioning System techniques for the continuous monitoring of landslides: application to the SuperSauze earthflow (Alpes-de-Haute-Provence, France). Geomorphology 43 (1–2), 33–54. Manktelow, P.T., Mann, G.W., Carslaw, K.S., Spracklen, D.V., Chipperfield, M.P., 2007. Regional and global trends in sulfate aerosol since the 1980s. Geophys. Res. Lett. 34 (14). 
Marano, K.D., Wald, D.J., Allen, T.I., 2010. Global earthquake casualties due to secondary effects: a quantitative analysis for improving rapid loss analyses. Nat. Hazards 52 (2), 319–328. 
Martinuzzi, S., Vierling, L.A., Gould, W.A., Falkowski, M.J., Evans, J.S., Hudak, A.T., Vierling, K.T., 2009. Mapping snags and understory shrubs for a LiDAR-based assessment of wildlife habitat suitability. Remote Sens. Environ. 113 (12), 2533–2546. McCord, M.R., Hickman, M., Bronzini, M.S., Goel, P.K., Gomez, R.B., Merry, C.J., Mirchandani, P.B., Morrison, J.L., 2003. REMOTE SENSING OF TRANSPORTATION FLOWS. CONSORTIUM PAPER PRESENTATION. 21. 
McDermid, G., Hall, R., Sanchez-Azofeifa, G., Franklin, S., Stenhouse, G., Kobliuk, T., LeDrew, E., 2009. Remote sensing and forest inventory for wildlife habitat assessment. For. Ecol. Manag. 257 (11), 2262–2269. 
McFeeters, S.K., 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J Menon, S., Bawa, K.S., 1997. Applications of geographic information systems, remotesensing, and a landscape ecology approach to biodiversity conservation in the Western Ghats. Curr. Sci. 134–145. 
Meyer, W.B., Turner, B.L., 1992. Human population growth and global land-use/cover change. Annu. Rev. Ecol. Systemat. 23 (1), 39–61. 
Millennium Ecosystem Assessment, M.E.A., 2005. Ecosystems and Human Well-Being (Synthesis). 
Mishra, S., Mishra, D.R., Lee, Z., Tucker, C.S., 2013. Quantifying cyanobacterial phycocyanin concentration in turbid productive waters: a quasi-analytical approach. Remote Sens. Environ. 133, 141–151. 
Nakagawa, T., Yasuoka, Y., 2001. Environmental impact assessment with remote sensing at Isahaya land reclamation site. In: Proceedings of 22nd Asian Conferencce on Remote Sensing (AARS), 6. https://crisp.nus.edu.sg/~acrs2001/pdf/244nakag.pdf. Navarro, G., Caballero, I., Silva, G., Parra, P.C., V´ azquez, A., ´ Caldeira, R., 2017. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery. Int. J. Appl. Earth Obs. Geoinf. 58, 97–106. 
Nandy, S., Kushwaha, S., Dadhwal, V., 2011. Forest degradation assessment in the upper catchment of the river Tons using remote sensing and GIS. Ecol. Indicat. 11 (2), 509–513. 
Nightingale, J., Coops, N., Waring, R., Hargrove, W., 2007. Comparison of MODIS gross primary production estimates for forests across the USA with those generated by a simple process model, 3-PGS. Remote Sens. Environ. 109 (4), 500–509. 

Petley, D., 2012. Global patterns of loss of life from landslides. Geology 40 (10), 927–930. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510 
Pisano, A., Bignami, F., Santoleri, R., 2015. Oil spill detection in glint-contaminated near-infrared MODIS imagery. Rem. Sens. 7 (1), 1112–1134. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510. 
Pour, Amin Beiranvand, Hashim, M., van Genderen, J., 2013. Detection of hydrothermal alteration zones in a tropical region using satellite remote sensing data: Bau goldfield, Sarawak, Malaysia. Ore Geol. Rev. 54, 181–196. 
Pozzi, F., Small, C., 2001. Exploratory analysis of suburban land cover and population density in the USA, pp. 250–254. 
Ranade, P., 2007. Environmental impact assessment of land use planing around the leased limestone mine using remote sensing techniques. J. Health Sci. Environ. 4 (1), 61–65. 
Rogers, D., Emwanu, T., Robinson, T., 2006. Poverty Mapping in Uganda: an Analysis Using Remotely Sensed and Other Environmental Data.
Rosen, P.A., Hensley, S., Joughin, I.R., Li, F.K., Madsen, S.N., Rodriguez, E., Goldstein, R. M., 2000. Synthetic aperture radar interferometry. Proc. IEEE 88 (3), 333–382. 
Rossa, A.M., Del Guerra, F.L., Borga, M., Zanon, F., Settin, T., Leuenberger, D., 2010. Radar-driven high-resolution hydro-meteorological forecasts of the 26 September 2007 Venice flash flood. J. Hydrol. 394 (1–2), 230–244. 
Saatchi, S., Buermann, W., Ter Steege, H., Mori, S., Smith, T.B., 2008. Modeling distribution of Amazonian tree species and diversity using remote sensing measurements. Remote Sens. Environ. 112 (5), 2000–2017. 
Sabins, F.F., 1999. Remote sensing for mineral exploration. Ore Geol. Rev. 14 (3–4), 157–183. 
Schultz, G.A., Engman, E.T., 2000. Present use and future perspectives of remote sensing in hydrology and water management. IAHS-AISH Publ. 267, 545–551. 
Sharma, G., Merry, C., Goel, P., McCord, M., 2006. Vehicle detection in 1-m resolution satellite and airborne imagery. Int. J. Rem. Sens. 27 (4), 779–797. 
Singhroy, V., Ohkura, H., Glenn, N., 2002. Earth observation for landslide assessment. IEEE In.t. Geosci. Remote Sens. Sympos 2, 765–767. 
Spagnolini, U., Rampa, V., 1999. Multitarget detection/tracking for monostatic ground penetrating radar: application to pavement profiling. IEEE Trans. Geosci. Rem. Sens. 37 (1), 383–394. 
Tabor, J.A., Hutchinson, C.F., 1994. Using Indigenous Knowledge, Remote Sensing and GIS for Sustainable Development. https://agris.fao.org/agris-search/search.do?reco rdID=GB2013200846. 
Tsimbos, C., Kotsifakis, G., Verropoulou, G., Kalogirou, S., 2011. Life expectancy in Greece 1991–2007: regional variations and spatial clustering. J. Maps 7 (1), 280–290. 
Turner, W., Spector, S., Gardiner, N., Fladeland, M., Sterling, E., Steininger, M., 2003. Remote sensing for biodiversity science and conservation. Trends Ecol. Evol. 18 (6), 306–314. van der Meer, F.D.,
Van der Werff, H.M., van Ruitenbeek, F.J., Hecker, Chris a., Bakker, Wim H., Noomen, Marleen F., Mark van Der Meijde, E.John M., Carranza, J., Boudewijn De Smeth, Tsehaie Woldai, 2012. Multi-and hyperspectral geologic remote sensing: a review. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 112–128. 
Vicente, L.E., de Souza Filho, C.R., 2011. Identification of mineral components in tropical soils using reflectance spectroscopy and advanced spaceborne thermal emission and reflection radiometer (ASTER) data. Remote Sens. Environ. 115 (8), 1824–1836. 
Vignola, F., Michalsky, J., Stoffel, T., 2019. Solar and Infrared Radiation Measurements. CRC press. 
Vina, ˜ A., Bearer, S., Zhang, H., Ouyang, Z., Liu, J., 2008. Evaluating MODIS data for mapping wildlife habitat distribution. Remote Sens. Environ. 112 (5), 2160–2169. 

Waring, R., Coops, N., Landsberg, J., 2010. Improving predictions of forest growth using the 3-PGS model with observations made by remote sensing. For. Ecol. Manag. 259 (9), 1722–1729. 

Wiens, J., Sutter, R., Anderson, M., Blanchard, J., Barnett, A., Aguilar-Amuchastegui, N., Avery, C., Laine, S., 2009. Selecting and conserving lands for biodiversity: the role of remote sensing. Remote Sens. Environ. 113 (7), 1370–1381. 
Williams, J.G., Rosser, N.J., Kincey, M.E., Benjamin, J., Oven, K.J., Densmore, A.L., Milledge, D.G., Robinson, T.R., 2017. Satellite-based emergency mapping: landslides triggered by the 2015 Nepal earthquake. Nat. Hazards Earth Syst. Sci. 18, 185–205. Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Rem. Sens. 27 (14), 3025–3033. https://doi.org/10.1080/01431160600589179. 
Yan, G., Zhou, S., Zhou, L., Xi, J., Tian, Y., Teng, H., 2013. Integrating remote sensing and proximal sensors for the detection of soil moisture and salinity variability in coastal areas. J. Int. Agri. 12 (4), 723–731. 
Yang, J., Gong, P., Fu, R., Zhang, M., Chen, J., Liang, S., Xu, B., Shi, J., Dickinson, R., 2013a. The role of satellite remote sensing in climate change studies. Nat. Clim. Change 3 (10), 875. 
Yu, X., Shi, Z., 2015. Vehicle detection in remote sensing imagery based on salient information and local shape feature. Optik-International Journal for Light and Electron Optics 126 (20), 2485–2490. 
Yunus, A.P., Masago, Y., Hijioka, Y., 2020. COVID-19 and surface water quality: improved lake water quality during the lockdown. Sci. Total Environ. 731, 139012. http://www.sciencedirect.com/science/article/pii/S0048969720325298. 
Zadeh, M.H., Tangestani, M.H., Roldan, F.V., Yusta, I., 2014. Sub-pixel mineral mapping of a porphyry copper belt using EO-1 Hyperion data. Adv. Space Res. 53 (3), 440–451. 
Zhou, G., Wei, D., 2008. Survey and Analysis of Land Satellite Remote Sensing Applied in Highway Transportations Infrastructure and System Engineering, 4. IV–479.

[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Αποτιμώντας τις προοπτικές της βιώσιμης ανάπτυξης μέσω της τηλεπισκόπησης: Μια ανασκόπηση

2021-01-27T00:24:38Z

Ioanna Karani:

'''Πρωτότυπος τίτλος:''' Assessing sustainable development prospects through remote sensing: A review 
'''Συγγραφείς:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi
Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan 
'''Citation:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan, Assessing sustainable development prospects through remote sensing: A review,Remote Sensing Applications: Society and Environment, Volume 20, 2020, 100402, ISSN 2352-9385, [https://doi.org/10.1016/j.rsase.2020.100402]. 
'''Πηγή:'''[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect] 

'''Λέξεις κλειδιά:'''Natural resource management; Sustainability; Natural hazards; Decision support system; Indices 

'''Σκοπός της έρευνας:'''
Η παρούσα έρευνα στοχεύει να πραγματοποιήσεις μια εκτεταμένη ανασκόπηση στη συμβολή της τηλεπισκόπησης (RS) στις προσπάθειες προς τη βιώσιμη ανάπτυξη, με έμφαση στη διαχείριση των φυσικών πόρων και στην εκτίμηση των φυσικών καταστροφών. 
'''1. Εισαγωγή:''' 
Η επιτυχία της βιώσιμης ανάπτυξης σε οποιαδήποτε περιοχή βασίζεται στο τι είναι γνωστό σε σχέση με τη διαχείριση των φυσικών πόρων και τους κινδύνους στην περιοχή (Taborand Hutchinson,1994). H δυνατότητα της RS να καταγράφει τα γήινα συστήματα σε διάφορες χωρικές και χρονικές κλίμακες την καθιστά κατάλληλη για τη διαχείριση προκλήσεων σε περιβαλλοντικό,οικολογικό και κοινωνικοοικονομικό επίπεδο. 
Μια σειρά από έρευνες -σημεία αναφοράς- έχουν διεξαχθεί, καλύπτοντας ποικίλους επιμέρους τομείς που άπτονται της βιώσιμης ανάπτυξης, όπως οι φυσικοί κίνδυνοι και οι κοινωνικοοικονομική ανάπτυξη (Avtar et al., 2013; Dudhani et al., 2006; Holloway and Mengersen, 2018). Ειδικότερα, τα τελευταία τριάντα χρόνια η RS χρησιμοποιείται ευρέως για την εκτίμηση των προσπαθειών στην κατεύθυνση της βιώσιμης ανάπτυξης. Οι εξελίξεις στην τεχνολογία της RS και η διαθεσιμότητα μεγάλων όγκων δεδομένων έχουν οδηγήσει σε τεράστιες βελτιώσεις στην ανάλυση δεδομένων, ειδικά όταν συνδυάζονται με GIS και με αλγόριθμους μηχανικής μάθησης.<br
Σήμερα, η RS, η οποία θεωρείται επιστημονικό εργαλείο, εφαρμόζεται σχεδόν σε κάθε τομέα της της γεωπεριβαλλοντικής επιστήμης. Λαμβάνοντας υπόψη τη σημασία της αειφόρου ανάπτυξης στον 21ο αιώνα, η παρούσα ανασκόπηση αποσκοπεί στην αξιολόγηση του τρόπου με τον οποίο οι εξελίξεις στην τεχνολογία της RS έχουν επηρεάσει τρεις σημαντικούς τομείς της βιώσιμης ανάπτυξης: τη διαχείριση των φυσικών πόρων, την παρατήρηση του περιβάλλοντος και την παρακολούθηση των κινδύνων και, τέλος, την κοινωνικοοικονομική ανάπτυξη. 
'''2.Δεδομένα:''' 
Τα άρθρα που συμπεριλήφθηκαν στην παρούσα ανασκόπηση αντλήθηκαν από τις εξής ηλεκτρονικές πηγές: 
* Scopus 
* Web of Science 
* Google Scholar 
'''3.Διάγραμμα της ανασκόπησης:''' 
Η ροή της ανασκόπησης αποτυπώνεται σχηματικά στην Εικόνα 1:
[[ Εικόνα: A10_e1.jpg| frame|center| Εικόνα 1:Διάγραμμα ροής ανασκόπησης, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect]]]


'''4. Διαχείριση και ανάπτυξη των φυσικών πόρων:''' 
'''4.1 Βιοποικιλότητα''' 
Η βιοποικιλότητα και οι υπηρεσίες που προσφέρουν τα οικοσυστήματα είναι ζωτικής σημασίας για την επίγεια , καθώς προσφέρουν υπηρεσίες πρώτων υλών, υποστηρικτικές, ρυθμιστικές και πολιτιστικές (Millennium Ecosystem Assessment, 2005; Avtar et al., 2017).Η RS χρησιμοποιείται ευρέως για τη μελέτη διαφόρων οικολογικών λειτουργιών, όπως τα φυσικά και ανθρωπογενή αίτια της αλλαγής τοπίου (Gould, 2000; Kerr et al., 2001; Kerr and Ostrovsky, 2003; McDermid et al., 2009). 
Η RS μπορεί να χρησιμοποιηθεί για την άμεση παρακολούθηση της βιοποικιλότητας, με τη χρήση δορυφόρων και αισθητήρων για την άντληση πληροφοριών σε σχέση με τη συγκέντρωση των ειδών σε οικολογικές κοινότητες ή και μεμονωμένους οργανισμούς. Επίσης, άμεσα με τη χρήση τηλεσκοπικών δεδομένων μπορούν να εκτιμηθούν οι χρήσεις γης και η κάλυψη της γης, πληροφορίες ιδιαίτερα χρήσιμες για την ανίχνευση της κατανομής και της συγκέντρωσης των ειδών σε εκτεταμένες περιοχές (Kerr and Ostrovsky, 2003). Οι άμεσες τηλεσκοπικές μέθοδοι για την παρακολούθηση της βιοποικιλότητας παρουσιάζονται στον Πίνακα 1. 


Ακόμη, υπάρχουν και έμμεσες μέθοδοι παρακολούθησης της βιοποικιλότητας που βασίζονται στην παρακολούθηση των εξής παραγόντων: 
α) '''πρωτογενής παραγωγή:''' Ενδεικτικά αναφέρονται οι παρακάτω εφαρμογές:ο δείκτης NDVI ή άλλοι παρόμοιοι δείκτες βλάστησης και σύνδεση τους με τη φαινολογία των φυτών (Turner et al., 2003), χρήση του δείκτη φυλλωδών περιοχών με δεδομένα από τον αισθητήρα MODIS ως δεδομένα εισόδου του οικοσυστημικού μοντέλου Sim-CYCLE (Hazarika et al. 2005), η ακαθάριστη πρωτογενής παραγωγή δασικών προϊόντων στις Ηνωμένες πολιτείες με δεδομένα από τον αισθητήρα MODIS και η σύγκριση του με ένα απλό, διαδικαστικό μοντέλο (Nightingale et al. 2007). 
β) '''κλίμα:'''Διάφορες μεταβλητές, συμπεριλαμβανομένης της θερμοκρασίας, της σχετικής υγρασίας και της υγρασίας του εδάφους, καθορίζουν ως ένα βαθμό την επιβίωση και την παραγωγικότητα πολλών ειδών (Turner et al., 2003). Οι Ηνωμένες Πολιτείες λάνσαραν τους δορυφόρους AQUA και TERRA, οι οποίοι είναι εφοδιασμένοι με τους αισθητήρες AMSR-E, MODIS, AMSU-A, AIRS, HSB, CERES και ASTER, MODIS, CERES, MISR, MOPITT αντίστοιχα, που παρέχουν πληροφορίες (π.χ. Υδρολογικός κύκλος, Θερμοκρασία νερού, Αεροζόλ κ.ο.κ.) που βοηθούν στην κατανόηση της σχέσης κλίματος-βιοποικιλότητας. γ)δομή ενδιαιτημάτων:Με την κατανόηση των δομών των ενδιαιτημάτων των ειδών, μπορούν να εξαχθούν συμπεράσματα για την κατανομή και τα πρότυπα των ειδών. Από την άποψη αυτή, οι τεχνολογίες της RS έχουν αποδειχθεί απαραίτητες. Ενδεικτικά, οι Goetz et al. (2007) μελέτησαν τα ενδιαιτήματα πουλιών στα δάση με χρήση δεδομένων LIDAR και οι Hyde et al. (2006)μελέτησαν τη δομή των δασικών ενδιαιτημάτων με τη χρήση δεδομένων LIDAR, SAR/InSAR,, Landsat-7, και QuickBird 

'''4.2 Υδάτινοι πόροι''' 
Το νερό είναι ζωτικής σημασίας για την ανθρωπότητα. Έχουν αναπτυχθεί μια σειρά από αλγορίθμους για τον εντοπισμό των υδάτινων όγκων σε τηλεπισκοπικές εικόνες: ο NDWI (McFeeters, 1996), ο modified NDWI (Xu, 2006), και ο automated water extraction index (Feyisa et al., 2014). Αισθητήρες, όπως οι Landsat, ASTER, SPOT, and MODIS χρησιμοποιούνται για την παρακολούθηση και τη χαρτογράφηση της ποιότητας των υδάτων (Mishra et al., 2013), ( Yunus et al. 2020). Οι Kamerosky et al. (2015) χρησιμοποίησαν εικόνες MERIS για την παρακολούθηση της υπεράνθησης του φυτοπλαγκτού στην Indian River Lagoon στην Florinda, USA. Οι Pisano et al., 2015 εντόπισα πετρελαιοκηλίδες σε υδάτινους όγκους με εικόνες MODIS και οι Joshi and D’Sa, 2015 χαρτογράφησαν τις εποχικές διαφοροποιήσεις της έγχρωμης αποσυντιθέμενης οργανικής ύλης. Τέλος, έχουν διεξαχθεί μια σειρά από έρευνες που εκτιμούν την ποσότητα και την ποιότητα των υδάτων διαχρονικά, όπως, η έρευνα των Chang et al. (2015) για την εκτίμηση της ποιότητας των υδάτων και της κατάστασης του οικοσυστήματος, όπως συνδέονται με τον κύκλο των θρεπτικών συστατικών σε βάθος 40ετίας.
Επίσης, χρησιμοποιούνται έμμεσες μέθοδοι για την διερεύνηση των υπόγειων υδάτων. Κατά κανόνα, η RS χρησιμοποιείται στην μελέτη των υπογείων υδάτων για την οριοθέτηση της γεωμορφολογίας και των γραμμάτων χαρτών, των επιφανειακών λιθολογικών χαρακτηριστικών, των πλαγιών, και της κάλυψης και χρήσεων της γης (Avtar et al., 2010; Ganapuram et al., 2009; Jha et al., 2007). Ενδεικτικά, αναφέρονται οι έρευνες των Schultz and Engman (2000) για την ανίχνευση των ζωνών τροφοδότησης και απορροής των υπόγειων υδάτων και η συνδυαστική χρήση RS και γεωφυσικών δεδομένων για την εις βάθος εξερεύνηση των υπόγειων υδάτων (Arafa-Hamed, 2013; Khan et al., 2014). 
'''4.3 Ορυκτοί πόροι''' 
Για πολλές χώρες, οι ορυκτοί πόροι συμβάλλουν σημαντικά στα κρατικά έσοδα.Αρκετές χώρες συνεργάστηκαν για να φέρουν διαφορετικές δορυφορικές πλατφόρμες σε συγκεκριμένα τροχιές με αισθητήρες τηλεπισκόπησης. Αυτές οι πλατφόρμες και οι αισθητήρες παρέχουν περαιτέρω πληροφορίες σχετικά με τους άφθονους πόρους της Γης με υψηλότερη ακρίβεια (Belward and Skøien, 2015; Sabins, 1999). Διάφορες μελέτες εξετάζουν τους ορυκτούς πόρους με χρήση υπερφασματικών εικόνων (Kodikara et al., 2012; Van der Meer et al., 2012; Vicente and de Souza Filho, 2011). Οι Gabr et al. (2010) χρησιμοποίησαν πολλαπλές εικόνες ASTER για τον εντοπισμό των ζωνών αλλοίωσης που σχετίζονται με τις αποθέσεις χρυσού στο Abu-Marawat. Οι Pour et al. (2013) χρησιμοποίησαν Landsat-7 Enhanced Thematic Mapper (ETM) και Hyperion δεδομένα για τον εντοπισμό ζωνών υδροθερμικών αλλοιώσεων και των σχετικών δομικών στοιχείων, ενώ σε άλλη έρευνα χρησιμοποιήθηκαν τεχνικές χαρτογράφησης βάσει των επιμέρους εικονοστοιχείων για το διαχωρισμό και τη χαρτογράφηση μεταβολών ορυκτών γύρω από κοιτάσματα χαλκού στο Ιράν (Zadeh et al. 2014). 
'''5.Εκτίμηση του περιβάλλοντος και φυσικών κινδύνων''' 
Στον Πίνακα 2 παρουσιάζεται η ανασκόπηση σε σχέση με τη συμβολή της RS για την εκτίμηση του περιβάλλοντος και φυσικών καταστροφών, όπως οι πλημμύρες και οι κατολισθήσεις και οι δασικές πυρκαγιές 


Τέλος, η τηλεπισκόπηση χρησιμοποιείται για την παρακολούθηση και την ανίχνευση δασικών πυρκαγιών. Δείκτες βλάστησης, όπως οι Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI), Normalized Burn Ratio (NBR) and Normalized Difference Vegetation Index (NDVIreXn) που χρησιμοποιούν κανάλια του ερυθρού εφαρμόζονται ικανοποιητικά για την έρευνα μετά από δασικές πυρκαγιές (Navarro et al., 2017). Οι εφαρμογές εξόρυξης δεδομένων είναι δημοφιλείς για τον καθορισμό του βέλτιστου συνδυασμού μεταβλητών και μοντελοποίησης που σχετίζεται με την εκτίμηση για επικείμενες δασικές πυρκαγιές (Hong et al., 2018). Σε αυτά τα μοντέλα, μεταβλητές μετεωρολογικών, τοπογραφικών και βλαστικών δεικτών που προέρχονται από δορυφορικά δεδομένα ενσωματώνονται ως παράγοντες για την απόκτηση των απαραίτητων πληροφοριών για την υγρασία του εδάφους και την εξατμισοδιαπνοή. 

'''6. Κοινωνικοοικονομική ανάπτυξη''' 
Οι εφαρμογές της τηλεπισκόπησης χρησιμοποιούνται ευρέως για την κοινωνικοοικονομική ανάπτυξη μέσω της ανάκτησης συγκεκριμένων δεδομένων. H κοινωνικοοικονομική ανάπτυξη εξετάζεται υπό το πρίσμα των μεταφορών, της εκτίμησης του πληθυσμού και της εκτίμησης της ποιότητας ζωής. H RS κατέχει κεντρική θέση στις μελλοντικές μελέτες της κοινωνικοοικονομικής ανάπτυξης, καθώς προσφέρουν καλύτερη κατανόηση των ανθρώπινων δραστηριοτήτων με τη χρήση δεδομένων υψηλής ανάλυσης και χαμηλού κόστους. Στον Πίνακα 3 παρουσιάζονται οι κύριες μελέτες και δείκτες που αναπτύχθηκαν για την τηλεπισκοπική μελέτη της κοινωνικοοικονομικής ανάπτυξης: 


'''7.Συμπεράσματα:''' 
Στην παρούσα μελέτη διερευνήθηκε η συμβολή της τηλεπισκόπησης στην διατήρηση του πλανήτη και της επίγειας ζωής. Τα Ηνωμένα Έθνη χαρακτήρισα την RS ως απαραίτητο εργαλείο για την επίτευξη των στόχων της Στόχοι βιώσιμης ανάπτυξης (SDGs). Η RS μπορεί να χρησιμοποιηθεί όχι μόνο για την ανάπτυξη ολοκληρωμένων πολιτικών για την προώθηση της βιώσιμης ανάπτυξης, αλλά και για την αποτελεσματική εφαρμογή και παρακολούθηση τους και λήψη αποφάσεων. Ωστόσο, για να είναι αποτελεσματικές και αξιόπιστες οι εφαρμογές της RS, πρέπει να υπάρχουν επαρκείς πληροφορίες και να λαμβάνονται από πολλαπλές πηγές. Ειδικότερα, η ανάπτυξη νέων φασματικών δεικτών, που βασίζονται στη βελτιωμένη τεχνολογία αισθητήρων, είναι καίριας σημασίας για την επίτευξη βιώσιμων στόχων ανάπτυξης.
Ωστόσο, η χρήση της τηλεπισκόπησης στις αναπτυσσόμενες χώρες για την παρακολούθηση των στόχων της βιώσιμης ανάπτυξης παραμένει διακύβευμα. Στην κατεύθυνση ενίσχυσης της χρήσης RS για την υποβοήθηση της προσπάθειας για βιώσιμη ανάπτυξη στις αναπτυσσόμενες χώρες, απαιτείται η δημιουργία περισσότερων και προσβάσιμων βάσεων δεδομένων, καθώς και συνεργασίες μεταξύ των κέντρων λήψεων των αποφάσεων και των πολιτικών κέντρων μελετών των αναπτυσσόμενων χωρών και με χώρες ή οργανισμού που έχουν ήδη πρόσβαση σε πηγές GIS. 

== ΑΝΑΦΟΡΕΣ ==

Anderson, D., Young, J., 2001. Truck traffic analysis using IKONOS satellite imagery. Space Imaging Technical Brief Prepared for National Consortium on Remote Sensing in Transportation-Flows. Ohio State University Center for Mapping, Columbus. 
Angel, A., Hickman, M., 2002. Experimental Investigation of Travel Time Estimation Using Geo-Referenced Aerial Video. Transportation Research Board 81st Annual Meeting. 
Angel, A., Hickman, M., Chandnani, D., Mirchandani, P., 2002. Application of aerial video for traffic flow monitoring and management. In: Applications of Advanced Technologies in Transportation, pp. 346–353. Arafa-Hamed, T., 2013. Comprehensive clues provided by popular free remote sensing imagery to interpretation of geophysical studies explained by example cases of magnetic surveys. NRIAG J. Astro. Geophys. 2 (2), 278–286. 
Arampatzis, G., Kiranoudis, C.T., Scaloubacas, P., Assimacopoulos, D., 2004. A GIS-based decision support system for planning urban transportation policies. Eur. J. Oper. Res. 152 (2), 465–475. 
Avtar, R., Kumar, P., Oono, A., Saraswat, C., Dorji, S., Hlaing, Z., 2017. Potential application of remote sensing in monitoring ecosystem services of forests, mangroves and urban areas. Geocarto Int. 32 (8), 874–885. https://doi.org/10.1080/ 10106049.2016.1206974. 
Avtar, R., Kumar, P., Singh, C.K., Sahu, N., Verma, R.L., Thakur, J.K., Mukherjee, S., 2013a. Hydrogeochemical assessment of groundwater quality of Bundelkhand, India using statistical approach. Water Qual. Expos. Hea. 5 (3), 105–115. https://doi.org/ 10.1007/s12403-013-0094-2. 
Avtar, R., Singh, C., Shashtri, S., Singh, A., Mukherjee, S., 2010. Identification and analysis of groundwater potential zones in Ken–Betwa river linking area using remote sensing and geographic information system. Geocarto Int. 25 (5), 379–396. 
Avtar, R., Takeuchi, W., Sawada, H., 2013b. Full polarimetric PALSAR-based land cover monitoring in Cambodia for implementation of REDD policies. Int. J. Digital Earth 6 (3), 255–275. https://doi.org/10.1080/17538947.2011.620639. 
Ayalew, B., Gomez, R.B., Roper, W.E., Carrasco, O., 2003. Pavement management using hyperspectral imagery, 5097, 207–214. Belward, A.S., Skøien, J.O., 2015. Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS J. Photogrammetry Remote Sens. 103, 115–128. 
Bolch, T., 2007. Climate change and glacier retreat in northern Tien Shan (Kazakhstan/ Kyrgyzstan) using remote sensing data. Global Planet. Change 56 (1–2), 1–12. 
Brown, R.D., Robinson, D.A., 2011. Northern Hemisphere spring snow cover variability and change over 1922-2010 including an assessment of uncertainty. Cryosphere 5 (1), 219. 
Buermann, W., Saatchi, S., Smith, T.B., Zutta, B.R., Chaves, J.A., Mila, ´ B., Graham, C.H., 2008. Predicting species distributions across the Amazonian and Andean regions using remote sensing data. J. Biogeogr. 35 (7), 1160–1176. 
Carrasco, R., Pedraza, J., Martin-Duque, J., Mattera, M., Sanz, M., Bodoque, J., 2003. Hazard zoning for landslides connected to torrential floods in the Jerte Valley (Spain) by using GIS techniques. Nat. Hazards 30 (3), 361–381. 
Casagli, N., Cigna, F., Bianchini, S., Holbling, ¨ D., Füreder, P., Righini, G., Del Conte, S., Friedl, B., Schneiderbauer, S., Iasio, C., 2016. Landslide mapping and monitoring by using radar and optical remote sensing: examples from the EC-FP7 project SAFER. Remote Sens. Appl.: Soc. Environ. 4, 92–108. 
Center, P., 1999. Maricopa Association of Governments Pedestrian Plan 2000. CEOS Disaster Management Support, G., Wood, H.M., 2003. The Use of Earth Observing Satellites for Hazard Support: Assessments & Scenarios: Final Report of the CEOS Disaster Management Support Group: Chair’s Overview. National Oceanic and Atmospheric Administration, US Department of Commerce. 
Chang, N.-B., Imen, S., Vannah, B., 2015. Remote sensing for monitoring surface water quality status and ecosystem state in relation to the nutrient cycle: a 40-year perspective. Crit. Rev. Environ. Sci. Technol. 45 (2), 101–166. https://doi.org/ 10.1080/10643389.2013.829981. 
Cord, A.F., Klein, D., Mora, F., Dech, S., 2014. Comparing the suitability of classified land cover data and remote sensing variables for modeling distribution patterns of plants. Ecol. Model. 272, 129–140. 
Council, T.R.B.N.R., 2000. Highway Capacity Manual. TRB Business Office. 
Daoud, A., Hallerod, ¨ B., Guha-Sapir, D., 2016. What is the association between absolute child poverty, poor governance, and natural disasters? A global comparison of some of the realities of climate change. PLoS One 11 (4). 
Dudhani, S., Sinha, A.K., Inamdar, S.S., 2006. Assessment of small hydropower potential using remote sensing data for sustainable development in India. Energy Pol. 34 (17), 3195–3205. https://doi.org/10.1016/j.enpol.2005.06.011. 
Duro, D.C., Coops, N.C., Wulder, M.A., Han, T., 2007. Development of a large area biodiversity monitoring system driven by remote sensing. Prog. Phys. Geogr. 31 (3), 235–260. 
Feyisa, G.L., Meilby, H., Fensholt, R., Proud, S.R., 2014. Automated Water Extraction Index: a new technique for surface water mapping using Landsat imagery. Remote Sens. Environ. 140, 23–35. https://doi.org/10.1016/j.rse.2013.08.029. 
Fletcher, K., European Space Agency, European Space Research and Technology Centre (Eds.), 2007. InSAR Principles: Guidelines for SAR Interferometry Processing and Interpretation. ESA Publications, ESTEC. 
Gabr, S., Ghulam, A., Kusky, T., 2010. Detecting areas of high-potential gold mineralization using ASTER data. Ore Geol. Rev. 38 (1–2), 59–69.
Ganapuram, S., Kumar, G.V., Krishna, I.M., Kahya, E., Demirel, M.C., 2009. Mapping of groundwater potential zones in the Musi basin using remote sensing data and GIS.Adv. Eng. Software 40 (7), 506–518. 
Gili, J.A., Corominas, J., Rius, J., 2000. Using global positioning system techniques in landslide monitoring. Eng. Geol. 55 (3), 167–192.
Goetz, S., Steinberg, D., Dubayah, R., Blair, B., 2007. Laser remote sensing of canopy habitat heterogeneity as a predictor of bird species richness in an eastern temperate forest, USA. Remote Sens. Environ. 108 (3), 254–263. 
Grabner, H., Nguyen, T.T., Gruber, B., Bischof, H., 2008. On-line boosting-based car detection from aerial images. ISPRS J. Photogrammetry Remote Sens. 63 (3), 382–396. 
Gray, S., Semiat, R., Duke, M., Rahardianto, A., Cohen, Y., 2011. Reference module in earth systems and environmental sciences. Seawater Use and Desalination Technology 73–109. 
Guo, D., Weeks, A., Klee, H., 2007. Robust approach for suburban road segmentation in high-resolution aerial images. Int. J. Rem. Sens. 28 (2), 307–318.
Guzzetti, F., Mondini, A.C., Cardinali, M., Fiorucci, F., Santangelo, M., Chang, K.-T., 2012. Landslide inventory maps: new tools for an old problem. Earth Sci. Rev. 112 (1–2), 42–66. 
Haboudane, D., Miller, J., 2002. Tremblay, N.; Zarco-Tejada, PJ; Dextrase, L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sens. Environ. 81, 416–426. 
Hall, O., Duit, A., Caballero, L.N., 2008. World poverty, environmental vulnerability and population at risk for natural hazards. J. Maps 4 (1), 151–160.
Hazarika, M.K., Yasuoka, Y., Ito, A., Dye, D., 2005. Estimation of net primary productivity by integrating remote sensing data with an ecosystem model. Remote Sens. Environ. 94 (3), 298–310. 
Hester, D.B., Cakir, H.I., Nelson, S.A., Khorram, S., 2008. Per-pixel classification of high spatial resolution satellite imagery for urban land-cover mapping. Photogramm. Eng. Rem. Sens. 74 (4), 463–471. 
Hirpa, F.A., Hopson, T.M., De Groeve, T., Brakenridge, G.R., Gebremichael, M., Restrepo, P.J., 2013. Upstream satellite remote sensing for river discharge forecasting: application to major rivers in South Asia. Remote Sens. Environ. 131, 140–151. 
Holloway, J., Mengersen, K., 2018. Statistical machine learning methods and remote sensing for sustainable development goals Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A.X., Xu, C., 2018. Applying genetic algorithms to set the optimal combination of forest fire related variables and model forest fire susceptibility based on data mining models. The case of Dayu County, China. Sci. Total Environ. 630, 1044–1056. 
Hoppe, E., Bruckno, B., Campbell, E., Acton, S., Vaccari, A., Stuecheli, M., Bohane, A., Falorni, G., Morgan, J., 2016. Transportation infrastructure monitoring using satellite remote sensing. Materials and Infrastructures 1 (5), 185–198. 
Hou, Z., Xu, Q., Nuutinen, T., Tokola, T., 2013. Extraction of remote sensing-based forest management units in tropical forests.
Remote Sens. Environ. 130, 1–10. 
Hyde, P., Dubayah, R., Walker, W., Blair, J.B., Hofton, M., Hunsaker, C., 2006. Mapping forest structure for wildlife habitat analysis using multi-sensor (LiDAR, SAR/InSAR, ETM+, Quickbird) synergy. Remote Sens. Environ. 102 (1–2), 63–73. 
Jensen, John R., Cowen, D.C., 1999. Remote sensing of urban/suburban infrastructure and socio-economic attributes. Photogramm. Eng. Rem. Sens. 65, 611–622.
Jha, M.K., Chowdhury, A., Chowdary, V., Peiffer, S., 2007. Groundwater management and development by integrated remote sensing and geographic information systems: prospects and constraints. Water Resour. Manag. 21 (2), 427–467. 
Joshi, I., D’Sa, E.J., 2015. Seasonal variation of colored dissolved organic matter in Barataria Bay, Louisiana, using combined Landsat and field data. Rem. Sens. 7 (9), 12478–12502. 
Kamerosky, A., Cho, H.J., Morris, L., 2015. Monitoring of the 2011 super algal bloom in Indian River Lagoon, FL, USA, using
MERIS. Rem. Sens. 7 (2), 1441–1460. 

Kerr, J.T., Ostrovsky, M., 2003. From space to species: ecological applications for remote sensing. Trends Ecol. Evol. 18 (6), 299–305. 
Kerr, J.T., Southwood, T., Cihlar, J., 2001. Remotely sensed habitat diversity predicts butterfly species richness and community similarity in Canada. Proc. Natl. Acad. Sci. Unit. States Am. 98 (20), 11365–11370. 
Khan, S.D., Fathy, M.S., Abdelazeem, M., 2014. Remote sensing and geophysical investigations of Moghra lake in the qattara depression, Western Desert, Egypt. Geomorphology 207, 10–22. 
Kodikara, G.R., Woldai, T., van Ruitenbeek, F.J., Kuria, Z., van der Meer, F., Shepherd, K. D., Van Hummel, G., 2012. 
Hyperspectral remote sensing of evaporate minerals and associated sediments in Lake Magadi area, Kenya. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 22–32. 
Krishnaswamy, J., Bawa, K.S., Ganeshaiah, K., Kiran, M., 2009. Quantifying and mapping biodiversity and ecosystem services: utility of a multi-season NDVI based Mahalanobis distance surrogate. Remote Sens. Environ. 113 (4), 857–867. 
Leitloff, J., Hinz, S., Stilla, U., 2010. Vehicle detection in very high resolution satellite images of city areas. IEEE Trans. Geosci. Rem. Sens. 48 (7), 2795–2806. 
Li, G., Weng, Q., 2005. Using Landsat ETM+ imagery to measure population density in Indianapolis, Indiana, USA. Photogramm. Eng. Rem. Sens. 71 (8), 947–958. 
Liu, X., Clarke, K., Herold, M., 2006. Population density and image texture. Photogramm. Eng. Rem. Sens. 72 (2), 187–196. 
Lo, C.P., Faber, B.J., 1997. Integration of Landsat Thematic Mapper and census data for quality of life assessment. Remote Sens. Environ. 62 (2), 143–157. 
Malet, J.-P., Maquaire, O., Calais, E., 2002. The use of Global Positioning System techniques for the continuous monitoring of landslides: application to the SuperSauze earthflow (Alpes-de-Haute-Provence, France). Geomorphology 43 (1–2), 33–54. Manktelow, P.T., Mann, G.W., Carslaw, K.S., Spracklen, D.V., Chipperfield, M.P., 2007. Regional and global trends in sulfate aerosol since the 1980s. Geophys. Res. Lett. 34 (14). 
Marano, K.D., Wald, D.J., Allen, T.I., 2010. Global earthquake casualties due to secondary effects: a quantitative analysis for improving rapid loss analyses. Nat. Hazards 52 (2), 319–328. 
Martinuzzi, S., Vierling, L.A., Gould, W.A., Falkowski, M.J., Evans, J.S., Hudak, A.T., Vierling, K.T., 2009. Mapping snags and understory shrubs for a LiDAR-based assessment of wildlife habitat suitability. Remote Sens. Environ. 113 (12), 2533–2546. McCord, M.R., Hickman, M., Bronzini, M.S., Goel, P.K., Gomez, R.B., Merry, C.J., Mirchandani, P.B., Morrison, J.L., 2003. REMOTE SENSING OF TRANSPORTATION FLOWS. CONSORTIUM PAPER PRESENTATION. 21. 
McDermid, G., Hall, R., Sanchez-Azofeifa, G., Franklin, S., Stenhouse, G., Kobliuk, T., LeDrew, E., 2009. Remote sensing and forest inventory for wildlife habitat assessment. For. Ecol. Manag. 257 (11), 2262–2269. 
McFeeters, S.K., 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J Menon, S., Bawa, K.S., 1997. Applications of geographic information systems, remotesensing, and a landscape ecology approach to biodiversity conservation in the Western Ghats. Curr. Sci. 134–145. 
Meyer, W.B., Turner, B.L., 1992. Human population growth and global land-use/cover change. Annu. Rev. Ecol. Systemat. 23 (1), 39–61. 
Millennium Ecosystem Assessment, M.E.A., 2005. Ecosystems and Human Well-Being (Synthesis). 
Mishra, S., Mishra, D.R., Lee, Z., Tucker, C.S., 2013. Quantifying cyanobacterial phycocyanin concentration in turbid productive waters: a quasi-analytical approach. Remote Sens. Environ. 133, 141–151. 
Nakagawa, T., Yasuoka, Y., 2001. Environmental impact assessment with remote sensing at Isahaya land reclamation site. In: Proceedings of 22nd Asian Conferencce on Remote Sensing (AARS), 6. https://crisp.nus.edu.sg/~acrs2001/pdf/244nakag.pdf. Navarro, G., Caballero, I., Silva, G., Parra, P.C., V´ azquez, A., ´ Caldeira, R., 2017. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery. Int. J. Appl. Earth Obs. Geoinf. 58, 97–106. 
Nandy, S., Kushwaha, S., Dadhwal, V., 2011. Forest degradation assessment in the upper catchment of the river Tons using remote sensing and GIS. Ecol. Indicat. 11 (2), 509–513. 
Nightingale, J., Coops, N., Waring, R., Hargrove, W., 2007. Comparison of MODIS gross primary production estimates for forests across the USA with those generated by a simple process model, 3-PGS. Remote Sens. Environ. 109 (4), 500–509. 

Petley, D., 2012. Global patterns of loss of life from landslides. Geology 40 (10), 927–930. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510 
Pisano, A., Bignami, F., Santoleri, R., 2015. Oil spill detection in glint-contaminated near-infrared MODIS imagery. Rem. Sens. 7 (1), 1112–1134. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510. 
Pour, Amin Beiranvand, Hashim, M., van Genderen, J., 2013. Detection of hydrothermal alteration zones in a tropical region using satellite remote sensing data: Bau goldfield, Sarawak, Malaysia. Ore Geol. Rev. 54, 181–196. 
Pozzi, F., Small, C., 2001. Exploratory analysis of suburban land cover and population density in the USA, pp. 250–254. 
Ranade, P., 2007. Environmental impact assessment of land use planing around the leased limestone mine using remote sensing techniques. J. Health Sci. Environ. 4 (1), 61–65. 
Rogers, D., Emwanu, T., Robinson, T., 2006. Poverty Mapping in Uganda: an Analysis Using Remotely Sensed and Other Environmental Data.
Rosen, P.A., Hensley, S., Joughin, I.R., Li, F.K., Madsen, S.N., Rodriguez, E., Goldstein, R. M., 2000. Synthetic aperture radar interferometry. Proc. IEEE 88 (3), 333–382. 
Rossa, A.M., Del Guerra, F.L., Borga, M., Zanon, F., Settin, T., Leuenberger, D., 2010. Radar-driven high-resolution hydro-meteorological forecasts of the 26 September 2007 Venice flash flood. J. Hydrol. 394 (1–2), 230–244. 
Saatchi, S., Buermann, W., Ter Steege, H., Mori, S., Smith, T.B., 2008. Modeling distribution of Amazonian tree species and diversity using remote sensing measurements. Remote Sens. Environ. 112 (5), 2000–2017. 
Sabins, F.F., 1999. Remote sensing for mineral exploration. Ore Geol. Rev. 14 (3–4), 157–183. 
Schultz, G.A., Engman, E.T., 2000. Present use and future perspectives of remote sensing in hydrology and water management. IAHS-AISH Publ. 267, 545–551. 
Sharma, G., Merry, C., Goel, P., McCord, M., 2006. Vehicle detection in 1-m resolution satellite and airborne imagery. Int. J. Rem. Sens. 27 (4), 779–797. 
Singhroy, V., Ohkura, H., Glenn, N., 2002. Earth observation for landslide assessment. IEEE In.t. Geosci. Remote Sens. Sympos 2, 765–767. 
Spagnolini, U., Rampa, V., 1999. Multitarget detection/tracking for monostatic ground penetrating radar: application to pavement profiling. IEEE Trans. Geosci. Rem. Sens. 37 (1), 383–394. 
Tabor, J.A., Hutchinson, C.F., 1994. Using Indigenous Knowledge, Remote Sensing and GIS for Sustainable Development. https://agris.fao.org/agris-search/search.do?reco rdID=GB2013200846. 
Tsimbos, C., Kotsifakis, G., Verropoulou, G., Kalogirou, S., 2011. Life expectancy in Greece 1991–2007: regional variations and spatial clustering. J. Maps 7 (1), 280–290. 
Turner, W., Spector, S., Gardiner, N., Fladeland, M., Sterling, E., Steininger, M., 2003. Remote sensing for biodiversity science and conservation. Trends Ecol. Evol. 18 (6), 306–314. van der Meer, F.D.,
Van der Werff, H.M., van Ruitenbeek, F.J., Hecker, Chris a., Bakker, Wim H., Noomen, Marleen F., Mark van Der Meijde, E.John M., Carranza, J., Boudewijn De Smeth, Tsehaie Woldai, 2012. Multi-and hyperspectral geologic remote sensing: a review. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 112–128. 
Vicente, L.E., de Souza Filho, C.R., 2011. Identification of mineral components in tropical soils using reflectance spectroscopy and advanced spaceborne thermal emission and reflection radiometer (ASTER) data. Remote Sens. Environ. 115 (8), 1824–1836. 
Vignola, F., Michalsky, J., Stoffel, T., 2019. Solar and Infrared Radiation Measurements. CRC press. 
Vina, ˜ A., Bearer, S., Zhang, H., Ouyang, Z., Liu, J., 2008. Evaluating MODIS data for mapping wildlife habitat distribution. Remote Sens. Environ. 112 (5), 2160–2169. 

Waring, R., Coops, N., Landsberg, J., 2010. Improving predictions of forest growth using the 3-PGS model with observations made by remote sensing. For. Ecol. Manag. 259 (9), 1722–1729. 

Wiens, J., Sutter, R., Anderson, M., Blanchard, J., Barnett, A., Aguilar-Amuchastegui, N., Avery, C., Laine, S., 2009. Selecting and conserving lands for biodiversity: the role of remote sensing. Remote Sens. Environ. 113 (7), 1370–1381. 
Williams, J.G., Rosser, N.J., Kincey, M.E., Benjamin, J., Oven, K.J., Densmore, A.L., Milledge, D.G., Robinson, T.R., 2017. Satellite-based emergency mapping: landslides triggered by the 2015 Nepal earthquake. Nat. Hazards Earth Syst. Sci. 18, 185–205. Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Rem. Sens. 27 (14), 3025–3033. https://doi.org/10.1080/01431160600589179. 
Yan, G., Zhou, S., Zhou, L., Xi, J., Tian, Y., Teng, H., 2013. Integrating remote sensing and proximal sensors for the detection of soil moisture and salinity variability in coastal areas. J. Int. Agri. 12 (4), 723–731. 
Yang, J., Gong, P., Fu, R., Zhang, M., Chen, J., Liang, S., Xu, B., Shi, J., Dickinson, R., 2013a. The role of satellite remote sensing in climate change studies. Nat. Clim. Change 3 (10), 875. 
Yu, X., Shi, Z., 2015. Vehicle detection in remote sensing imagery based on salient information and local shape feature. Optik-International Journal for Light and Electron Optics 126 (20), 2485–2490. 
Yunus, A.P., Masago, Y., Hijioka, Y., 2020. COVID-19 and surface water quality: improved lake water quality during the lockdown. Sci. Total Environ. 731, 139012. http://www.sciencedirect.com/science/article/pii/S0048969720325298. 
Zadeh, M.H., Tangestani, M.H., Roldan, F.V., Yusta, I., 2014. Sub-pixel mineral mapping of a porphyry copper belt using EO-1 Hyperion data. Adv. Space Res. 53 (3), 440–451. 
Zhou, G., Wei, D., 2008. Survey and Analysis of Land Satellite Remote Sensing Applied in Highway Transportations Infrastructure and System Engineering, 4. IV–479.

[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Εντοπισμός εν δυνάμει ζωνών για την παραγωγή αιολικής ενέργειας σε περιοχή εντός ερήμου στην Ινδία...

2021-01-27T00:17:23Z

Ioanna Karani:

Πλήρης τίτλος :Εντοπισμός εν δυνάμει ζωνών για την παραγωγή αιολικής ενέργειας σε περιοχή εντός ερήμου στην Ινδία: Ανάπτυξη πολυκριτηριακής προσέγγισης με τη χρήση τηλεπισκόπησης και GIS 
'''Πρωτότυπος τίτλος:''' Potential zones identification for harvesting wind energy resources in desert region of India–A multi criteria evaluation approach using remote sensing and GIS. 
'''Συγγραφείς:'''Jayant Jangid, Apurba Kumar Bera, Manoj Joseph, Vishal Singh, T.P. Singh, B.K. Pradhan, Sandipan Das 
'''Citation:'''Jayant Jangid, Apurba Kumar Bera, Manoj Joseph, Vishal Singh, T.P. Singh, B.K. Pradhan, Sandipan Das, Potential zones identification for harvesting wind energy resources in desert region of India – A multi criteria evaluation approach using remote sensing and GIS,Renewable and Sustainable Energy Reviews,Volume 65, 2016,Pages 1-10, ISSN 1364-0321, [https://doi.org/10.1016/j.rser.2016.06.078]. 
'''Πηγή:''' [https://doi.org/10.1016/j.rser.2016.06.078 Science Direct] 
'''Λέξεις κλειδιά:'''Renewable energy; Wind energy; Remote sensing; GIS; India 

 Αντικείμενος και στόχος της εφαρμογής: 
Η παρούσα έρευνα βρίσκει εφαρμογή στον τομέα της παραγωγής ενέργειας και συγκεκριμένα στοχεύει στον εντοπισμό των καταλληλότερων θέσεων εγκατάστασης αιολικών πάρκων, με τη χρήση τηλεπισκόπησης και GIS. 
'''1. Εισαγωγή:''' 
Η ενέργεια αποτελεί την πρωτεύουσα κινητήρια δύναμη για κάθε οικονομική ανάπτυξη και τη βιομηχανοποίηση παγκοσμίως. Η Ινδία ως αναπτυσσόμενη χώρα βιώνει από πρώτο χέρι τον ολοένα και μεγαλύτερο ρόλο των ενεργειακών απαιτήσεων. Στο μεγαλύτερο μέρος τους οι ανάγκες αυτές καλύπτονται από ορυκτά καύσιμα, τα οποία επιβαρύνουν τη συγκέντρωση των αερίων του θερμοκηπίου και λοιπή ατμοσφαιρική ρύπανση [5],[7]. Η αιολική ενέργεια συνιστά μία από τις σημαντικότερες ανανεώσιμες πηγές ενέργειας. Η Ινδία αποτελεί την πέμπτη χώρα παγκοσμίως σε ό,τι έχει να κάνει με την εγκατεστημένη ισχύ αιολικής ενέργειας [4]. Ωστόσο, η επιλογή της βέλτιστης θέσης για την εγκατάσταση ενός αιολικού πάρκου αποτελεί ένα από τα κυριότερα τεχνικά προβλήματα που πρέπει να επιλυθούν κατά τη δημιουργία ενός αιολικού πάρκου. 
'''2 Περιοχή μελέτης:''' 

[[ Εικόνα: A9_e1.jpg| thumb|right| Εικόνα 1: Περιοχή μελέτης, Πηγή: [https://doi.org/10.1016/j.rser.2016.06.078] ]]

Ως περιοχή μελέτης επιλέγεται η έρημη, άγονη περιοχή Jodhpur μέρος της ευρύτερης περιοχής της Rajasthan στην Ινδία (Εικόνα 1). Η Rajasthan, ήδη από το 2000, προωθεί την παραγωγή ενέργειας από ανανεώσιμες πηγές ενέργειας. Οι άνεμοι στην περιοχή είναι κυρίως βορειοδυτικοί ή βόρειοι τον Ιανουάριο και ελαφρώς δυτικοί ή δυτικοί-νοτιοδυτικοί τον Απρίλιο. Οι μέσες ταχύτητες ανέμου κατά τη διάρκεια των κρύων περιόδων κυμαίνονται από 4 έως 10 km / h. Η υψηλότερη ταχύτητα ανέμου της τάξης των 20-30 km / h παρατηρείται στις αρχές και τα μέσα του καλοκαιριού. 
'''4. Δεδομένα:''' 
'''4.1 Τηλεπισκοπικά δεδομένα:''' 
Χρησιμοποιήθηκαν δορυφορικές εικόνες S-P6 LISS III, οι οποίες γεωαναφέρθηκαν, ενώ χρησιμοποιήθηκε ψευδο-έγχρωμο σύνθετο. Η ημερομηνία λήψης των εικόνων είναι η 24/01/2010.
Επίσης, συλλέχθηκαν δεδομένα πεδίου με χρήση GPS.
'''4.2 Λοιπά δεδομένα:''' 
Συλλέχθηκαν, επίσης, και τα κάτωθι δεδομένα: 
* ΝASA'sShuttle Radar Topography Mission (STRM 90 m) dataset USA's National Aeronautics and Space Administration (NASA) webpage δεδομένα για τον υπολογισμό των κλίσεων. 
* Τοπογραφικά δεδομένα “Survey of India toposheets” για το οδικό δίκτυο 
* Στοιχεία για τις ετήσιες ταχύτητες ανέμων απο το “Indian Meteorological department” 
* Κριτήρια για την χωροθέτηση των αιολικών πάρκων από τη βιβλιογραφία και βάσει των εθνικών και διεθνών προδιαγραφών [1],[2],[6],[8]. 

'''5. Μέθοδος:''' 
Σχηματικά η μέθοδος που ακολουθήθηκε στην παρούσα έρευνα για τον εντοπισμό της βέλτιστης θέσης εγκατάστασης αιολικών πάρκων, παρουσιάζεται στην Εικόνα 2:
[[ Εικόνα: A9_e2.jpg|frame|center| Εικόνα 2: Μέθοδος έρευνας, Πηγή: [https://doi.org/10.1016/j.rser.2016.06.078] ]]

[[ Εικόνα: A9_e3.jpg| thumb|right| Εικόνα 3: Χάρτης χρήσεων γης και κάλυψης γης στην περιοχή μελέτης, Πηγή:[https://doi.org/10.1016/j.rser.2016.06.078] ]]

'''6.Χρήση λογισμικών:''' 
Στη συνέχεια χρησιμοποιήθηκε το λογισμικό Arcgis Desktop 10.0. χρησιμοποιήθηκε για την παραγωγή χαρτών της ταχύτητας των ανέμων, του χάρτη των κλίσεων και να δημιουργηθούν οι ζώνες για την απόσταση των πάρκων από τις κατοικημένες περιοχές και το οδικό δίκτυο. Τέλος, πραγματοποιήθηκε πολυκριτηριακή ανάλυση (MCE) για την τελική χωροθέτηση των αιολικών πάρκων, οπότε και κάθε κριτήριο σταθμίστηκε για την υλοποίηση της τελικής εκτίμησης. 
'''7.Αποτελέσματα:''' 

[[ Εικόνα: A9_e4.jpg| thumb|left| Εικόνα 4: Χάρτης καταλληλότητας εγκατάστασης αιολικών πάρκων., Πηγή:[https://doi.org/10.1016/j.rser.2016.06.078] ]]

Η περιοχή χωρίστηκε σε 3 ζώνες ανάλογα με την καταλληλότητα τους για την εγκατάσταση αιολικών πάρκων: 
* Ζώνη χαμηλής καταλληλότητας 
* Ζώνη μέτριας καταλληλότητας 
* Ζώνη υψηλής καταλληλότητας 
Αφού εκτιμήθηκε η έκταση των τριών ζωνών στην περιοχή ανά μήνα, δημιουργήθηκε ο τελικός χάρτης με τις εν δυνάμει θέσεις εγκατάστασης αιολικών πάρκων (Εικόνα 4). 
'''8.Συμπεράσματα:''' 
Συνολικά, η παρούσα έρευνα παρέχει μια μεθοδολογία και ένα εργαλείο για όσους λαμβάνουν αποφάσεις και ενδιαφέρονται για την εγκατάσταση αιολικών πάρκων στην περιοχή μελέτης, ενώ ταυτόχρονα αποτελεί ένα πολύ καλό υπόβαθρο για την περαιτέρω έρευνα και την ανάπτυξη εργασιών που σχετίζονται με τον τομέα των ανανεώσιμων πηγών ενέργειας. 

== ΑΝΑΦΟΡΕΣ ==


1. Al-Yahyai S, Charabi Y, Gastli A, Al-Badi A. Wind farm land suitability indexing using multi-criteria analysis. Renew Energy 2012;44:80–7.

2. Beata SS, Joachim V. GIS-based approach for the evaluation of wind energy potential: A case study for the Kujawsko–Pomorskie Voivodeship. Renew Sustain Energy Rev 2011;15:1696–707.

3. Hofer T, Sunak Y, Siddique H, Madlener R. Wind farm siting using a spatial Analytic Hierarchy Process approach: A case study of the Städteregion Aachen. Appl Energy 2016;163:222–43.

4. Human Resource Development Strategies for Indian Renewable Energy Sector. Final Report, Ministry of New & Renewable Energy Govt. of India. Available from: 〈http://mnre.gov.in/file-manager/UserFiles/MNRE_HRD_Report.pdf〉; 2010. [accessed: 08.06.13].

5. Mostafaeipour A. Feasibility study of harnessing wind energy for turbine installation in province of Yadz in Iran. Renew Sustain Energy Rev 2010;14:93– 111.

6. Ramachandra TV, Hegde G, Krishnadas G. Potential assessment and decentralized applications of wind energy in Uttara Kannada, Karnataka. Int J Renew Energy Res 2014;4(1):1–10.

7. Ucar A, Balo F. Assessment of wind power potential for turbine installation in coastal areas of Turkey. Renew Sustain Energy Rev 2010;14:1901–12.

8. Van Haaren R, Fthenakis V. GIS-based wind farm site selection using spatial multi-criteria analysis (SMCA): evaluating the case for New York State. Renew Sustain Energy Rev 2011;15(7):3332–40.

[[category:Ενέργεια]]

Εντοπισμός εν δυνάμει ζωνών για την παραγωγή αιολικής ενέργειας σε περιοχή εντός ερήμου στην Ινδία...

2021-01-27T00:17:02Z

Ioanna Karani:

Πλήρης τίτλος :Εντοπισμός εν δυνάμει ζωνών για την παραγωγή αιολικής ενέργειας σε περιοχή εντός ερήμου στην Ινδία: Ανάπτυξη πολυκριτηριακής προσέγγισης με τη χρήση τηλεπισκόπησης και GIS 
'''Πρωτότυπος τίτλος:''' Potential zones identification for harvesting wind energy resources in desert region of India–A multi criteria evaluation approach using remote sensing and GIS. 
'''Συγγραφείς:'''Jayant Jangid, Apurba Kumar Bera, Manoj Joseph, Vishal Singh, T.P. Singh, B.K. Pradhan, Sandipan Das 
'''Citation:'''Jayant Jangid, Apurba Kumar Bera, Manoj Joseph, Vishal Singh, T.P. Singh, B.K. Pradhan, Sandipan Das, Potential zones identification for harvesting wind energy resources in desert region of India – A multi criteria evaluation approach using remote sensing and GIS,Renewable and Sustainable Energy Reviews,Volume 65, 2016,Pages 1-10, ISSN 1364-0321, [https://doi.org/10.1016/j.rser.2016.06.078]. 
'''Πηγή:''' [https://doi.org/10.1016/j.rser.2016.06.078 Science Direct] 
'''Λέξεις κλειδιά:'''Renewable energy; Wind energy; Remote sensing; GIS; India 

 Αντικείμενος και στόχος της εφαρμογής: 
Η παρούσα έρευνα βρίσκει εφαρμογή στον τομέα της παραγωγής ενέργειας και συγκεκριμένα στοχεύει στον εντοπισμό των καταλληλότερων θέσεων εγκατάστασης αιολικών πάρκων, με τη χρήση τηλεπισκόπησης και GIS. 
'''1. Εισαγωγή:''' 
Η ενέργεια αποτελεί την πρωτεύουσα κινητήρια δύναμη για κάθε οικονομική ανάπτυξη και τη βιομηχανοποίηση παγκοσμίως. Η Ινδία ως αναπτυσσόμενη χώρα βιώνει από πρώτο χέρι τον ολοένα και μεγαλύτερο ρόλο των ενεργειακών απαιτήσεων. Στο μεγαλύτερο μέρος τους οι ανάγκες αυτές καλύπτονται από ορυκτά καύσιμα, τα οποία επιβαρύνουν τη συγκέντρωση των αερίων του θερμοκηπίου και λοιπή ατμοσφαιρική ρύπανση [5],[7]. Η αιολική ενέργεια συνιστά μία από τις σημαντικότερες ανανεώσιμες πηγές ενέργειας. Η Ινδία αποτελεί την πέμπτη χώρα παγκοσμίως σε ό,τι έχει να κάνει με την εγκατεστημένη ισχύ αιολικής ενέργειας [4]. Ωστόσο, η επιλογή της βέλτιστης θέσης για την εγκατάσταση ενός αιολικού πάρκου αποτελεί ένα από τα κυριότερα τεχνικά προβλήματα που πρέπει να επιλυθούν κατά τη δημιουργία ενός αιολικού πάρκου. 
'''2 Περιοχή μελέτης:''' 

[[ Εικόνα: A9_e1.jpg| thumb|right| Εικόνα 1: Περιοχή μελέτης, Πηγή: [https://doi.org/10.1016/j.rser.2016.06.078] ]]

Ως περιοχή μελέτης επιλέγεται η έρημη, άγονη περιοχή Jodhpur μέρος της ευρύτερης περιοχής της Rajasthan στην Ινδία (Εικόνα 1). Η Rajasthan, ήδη από το 2000, προωθεί την παραγωγή ενέργειας από ανανεώσιμες πηγές ενέργειας. Οι άνεμοι στην περιοχή είναι κυρίως βορειοδυτικοί ή βόρειοι τον Ιανουάριο και ελαφρώς δυτικοί ή δυτικοί-νοτιοδυτικοί τον Απρίλιο. Οι μέσες ταχύτητες ανέμου κατά τη διάρκεια των κρύων περιόδων κυμαίνονται από 4 έως 10 km / h. Η υψηλότερη ταχύτητα ανέμου της τάξης των 20-30 km / h παρατηρείται στις αρχές και τα μέσα του καλοκαιριού. 
'''4. Δεδομένα:''' 
'''4.1 Τηλεπισκοπικά δεδομένα:''' 
Χρησιμοποιήθηκαν δορυφορικές εικόνες S-P6 LISS III, οι οποίες γεωαναφέρθηκαν, ενώ χρησιμοποιήθηκε ψευδο-έγχρωμο σύνθετο. Η ημερομηνία λήψης των εικόνων είναι η 24/01/2010.
Επίσης, συλλέχθηκαν δεδομένα πεδίου με χρήση GPS.
'''4.2 Λοιπά δεδομένα:''' 
Συλλέχθηκαν, επίσης, και τα κάτωθι δεδομένα: 
* ΝASA'sShuttle Radar Topography Mission (STRM 90 m) dataset USA's National Aeronautics and Space Administration (NASA) webpage δεδομένα για τον υπολογισμό των κλίσεων. 
* Τοπογραφικά δεδομένα “Survey of India toposheets” για το οδικό δίκτυο 
* Στοιχεία για τις ετήσιες ταχύτητες ανέμων απο το “Indian Meteorological department” 
* Κριτήρια για την χωροθέτηση των αιολικών πάρκων από τη βιβλιογραφία και βάσει των εθνικών και διεθνών προδιαγραφών [1],[2],[6],[8]. 

'''5. Μέθοδος:''' 
Σχηματικά η μέθοδος που ακολουθήθηκε στην παρούσα έρευνα για τον εντοπισμό της βέλτιστης θέσης εγκατάστασης αιολικών πάρκων, παρουσιάζεται στην Εικόνα 2:
[[ Εικόνα: A9_e2.jpg|frame|center| Εικόνα 2: Μέθοδος έρευνας, Πηγή: [https://doi.org/10.1016/j.rser.2016.06.078] ]]

[[ Εικόνα: A9_e3.jpg| thumb|right| Εικόνα 3: Χάρτης χρήσεων γης και κάλυψης γης στην περιοχή μελέτης, Πηγή:[https://doi.org/10.1016/j.rser.2016.06.078] ]]

'''6.Χρήση λογισμικών:''' 
Στη συνέχεια χρησιμοποιήθηκε το λογισμικό Arcgis Desktop 10.0. χρησιμοποιήθηκε για την παραγωγή χαρτών της ταχύτητας των ανέμων, του χάρτη των κλίσεων και να δημιουργηθούν οι ζώνες για την απόσταση των πάρκων από τις κατοικημένες περιοχές και το οδικό δίκτυο. Τέλος, πραγματοποιήθηκε πολυκριτηριακή ανάλυση (MCE) για την τελική χωροθέτηση των αιολικών πάρκων, οπότε και κάθε κριτήριο σταθμίστηκε για την υλοποίηση της τελικής εκτίμησης. 
'''7.Αποτελέσματα:''' 

[[ Εικόνα: A9_e4.jpg| thumb|left| Εικόνα 4: Χάρτης καταλληλότητας εγκατάστασης αιολικών πάρκων., Πηγή:[https://doi.org/10.1016/j.rser.2016.06.078] ]]

Η περιοχή χωρίστηκε σε 3 ζώνες ανάλογα με την καταλληλότητα τους για την εγκατάσταση αιολικών πάρκων: 
* Ζώνη χαμηλής καταλληλότητας 
* Ζώνη μέτριας καταλληλότητας 
* Ζώνη υψηλής καταλληλότητας 
Αφού εκτιμήθηκε η έκταση των τριών ζωνών στην περιοχή ανά μήνα, δημιουργήθηκε ο τελικός χάρτης με τις εν δυνάμει θέσεις εγκατάστασης αιολικών πάρκων (Εικόνα 4). 
'''8.Συμπεράσματα:''' 
Συνολικά, η παρούσα έρευνα παρέχει μια μεθοδολογία και ένα εργαλείο για όσους λαμβάνουν αποφάσεις και ενδιαφέρονται για την εγκατάσταση αιολικών πάρκων στην περιοχή μελέτης, ενώ ταυτόχρονα αποτελεί ένα πολύ καλό υπόβαθρο για την περαιτέρω έρευνα και την ανάπτυξη εργασιών που σχετίζονται με τον τομέα των ανανεώσιμων πηγών ενέργειας. 
[ΑΝΑΦΟΡΕΣ]

1. Al-Yahyai S, Charabi Y, Gastli A, Al-Badi A. Wind farm land suitability indexing using multi-criteria analysis. Renew Energy 2012;44:80–7.

2. Beata SS, Joachim V. GIS-based approach for the evaluation of wind energy potential: A case study for the Kujawsko–Pomorskie Voivodeship. Renew Sustain Energy Rev 2011;15:1696–707.

3. Hofer T, Sunak Y, Siddique H, Madlener R. Wind farm siting using a spatial Analytic Hierarchy Process approach: A case study of the Städteregion Aachen. Appl Energy 2016;163:222–43.

4. Human Resource Development Strategies for Indian Renewable Energy Sector. Final Report, Ministry of New & Renewable Energy Govt. of India. Available from: 〈http://mnre.gov.in/file-manager/UserFiles/MNRE_HRD_Report.pdf〉; 2010. [accessed: 08.06.13].

5. Mostafaeipour A. Feasibility study of harnessing wind energy for turbine installation in province of Yadz in Iran. Renew Sustain Energy Rev 2010;14:93– 111.

6. Ramachandra TV, Hegde G, Krishnadas G. Potential assessment and decentralized applications of wind energy in Uttara Kannada, Karnataka. Int J Renew Energy Res 2014;4(1):1–10.

7. Ucar A, Balo F. Assessment of wind power potential for turbine installation in coastal areas of Turkey. Renew Sustain Energy Rev 2010;14:1901–12.

8. Van Haaren R, Fthenakis V. GIS-based wind farm site selection using spatial multi-criteria analysis (SMCA): evaluating the case for New York State. Renew Sustain Energy Rev 2011;15(7):3332–40.

[[category:Ενέργεια]]

Μετρώντας την φτώχεια σε αστικό περιβάλλον με τη χρήση δεδομένων από πολλές πηγές και τον αλγόριθμο Random Forest: H περίπτωση της Guangzhou

2021-01-27T00:16:48Z

Ioanna Karani:

'''Πρωτότυπος τίτλος:'''Measuring urban poverty using multi-source data and a random forest algorithm: A case study in Guangzhou 
'''Συγγραφείς:'''Tong Niu, Yimin Chen, Yuan Yuan 
'''Citation:'''Tong Niu, Yimin Chen, Yuan Yuan, Measuring urban poverty using multi-source data and a random forest algorithm: A case study in Guangzhou, Sustainable Cities and Society, Volume 54, 2020, 102014, ISSN 2210-6707, [https://doi.org/10.1016/j.scs.2020.102014]. 
'''Πηγή:'''[https://doi.org/10.1016/j.scs.2020.102014 Science Direct] 
'''Λέξεις κλειδιά:'''Urban poverty; Multi-source; Data Poverty Index; General Deprivation Index ;Random forest 

 Αντικέιμενο και στόχος έρευνας: 
Η παρούσα έρευνα στοχεύει στην ανάπτυξη ενός δείκτη, ο οποίος προκύπτει από την επεξεργασία big data των social media και τηλεπισκοπησης, για την εκτίμηση της φτώχειας σε αστικό περιβάλλον. 
'''1.Εισαγωγή:''' 
Το 50% του πληθυσμού βρίσκεται συγκεντρωμένο στις αστικές περιοχές. Το ποσοστό αυτό αναμένεται να φτάσει στο 66% έως και το 2050 [15]. Ταυτόχρονα, ένα από τα σημαντικότερα προβλήματα της ανθρωπότητας σε παγκόσμιο επίπεδο, αναδεικνύεται η φτώχεια στις αστικές περιοχές, ενώ αποτελεί και αγκάθι στο δρόμο για την επίτευξη των βιώσιμων στόχων ανάπτυξης [11]. Υπό αυτό το πρίσμα είναι ιδιαίτερα σημαντική η έγκαιρη και έγκυρη εκτίμηση των πληττόμενων περιοχών και του πληττόμενου πληθυσμού για την ανάπτυξη πολιτικών για την αναχαίτιση της φτώχειας και κατ’ επέκταση είναι απαραίτητη και σημαντική η έρευνα του φαινομένου. 
'''2.Σύνδεση με πρότερη έρευνα και ο ρόλος της τηλεπισκόπησης:''' 
Η έρευνα για την φτώχεια βασίζεται κατά κύριο λόγο σε δημογραφικά δεδομένα[5],[8]. Έχουν αναπτυχθεί μια σειρά από δείκτες σε σχέση με την αστική φτώχεια (όπως [18],[1],[16]) , οι οποίες δύνανται να εντοπίσουν τη χωρική κατανομή του φαινομένου σε διάφορα επίπεδα. Ωστόσο, χαρακτηρίζονται από δύο βασικές αδυναμίες: α) τα δημογραφικά δεδομένα συλλέγονται ανά μακρά χρονικά διαστήματα και β) δεν μπορεί να αποτυπώσει την επίδραση του τεχνητού περιβάλλοντος στο φαινόμενο, παρά το γεγονός ότι κρίνεται σημαντική πτυχή του [12],[14].
Οι παραπάνω ανεπάρκειες επιχειρείται να επιλυθούν με τη χρήση των μεγάλων δεδομένων. Έτσι, αξιοποιούνται δεδομένα τηλεπισκόπησης, τα οποία παρέχουν πληθώρα δεδομένων για το τεχνητό περιβάλλον και έχουν χρησιμοποιηθεί ευρέως κοινωνικό οικονομικές συνθήκες όπως η φτώχεια [6],[21]. Κυρίαρχα χρησιμοποιούνται δορυφορικά πολυφασματικά δεδομένα, υψηλής χωρικής διακριτικής ικανότητας [6], αλλά και φωτογραφίες νυχτερινού φωτός οι οποίες χρησιμοποιούνται ευρέως για την μέτρηση της φτώχειας, λόγω του ότι αναπαριστούν επαρκώς τις ανθρώπινες δραστηριότητες [3],[7],[10]. Χρησιμοποιούνται, ακόμη, δεδομένα κοινωνικών δικτύων, όπως τα Points of Interest (POIs) [19], τα οποία αποτυπώνουν τις κοινωνικοοικονομικές συνθήκες στο εσωτερικού του αστικού ιστού.
Επίσης, οι αλγόριθμοι της μηχανικής μάθησης έχουν τη δυνατότητα να χειρίζονται τις πολύπλοκες σχέσεις μεταξύ των δεδομένων που εμπλέκονται στην εκτίμηση του φαινομένου. Μεταξύ των αλγορίθμων προκρίνεται ο αλγόριθμος Random Forest ο οποίος δουλεύει ικανοποιητικά με πολυδιάστατα δεδομένα, την πολυσυγγραμμικότητα και είναι λιγότερο ευαίσθητος στην υπερπροσαρμογή [2],[16].
Στην παρούσα έρευνα αξιοποιούνται δεδομένα τηλεπισκόπησης για την παραγωγή δεικτών πτυχών της φτώχειας από διάφορες πηγές, οι οποίοι με τη χρήση του αλγορίθμου RF συγκροτούν τον δείκτη MDPI (Multi-source Data Poverty Index). H χρήση διαφόρων πηγών για τα δεδομένα ευνοεί την ανάδειξη πολλαπλών πτυχών της φτώχειας και μια ολοκληρωμένη προσέγγιση της πολυδιάστατης φτώχειας. Τέλος, σαν επίπεδο αναφοράς χρησιμοποιείται ο δείκτης GDI [9] βάσει δημογραφικών δεδομένων. 

[[ Εικόνα: A8_e1.jpg | thumb| right| Εικόνα 1: Περιοχή μελέτης, Πηγή:[https://doi.org/10.1016/j.scs.2020.102014 Science Direct]]]



'''3. Περιοχή μελέτης:''' 
Ως περιοχή μελέτης επιλέγεται η πόλη Guangzhou ( Εικόνα 1)στην κεντρική περιοχή της επαρχίας Province, μητρόπολη μιας απο τις πιο εύπορες περιοχές της Κίνας, της Guangdong–Hong Kong–Macao Greater Bay. Στα πλαίσια της έρευνας η πόλη χωρίζεται σε τρεις ομόκεντρες ζώνες: μια αστική (inner city), μια ημιαστική (outer suburb areas) και μια αγροτική ζώνη(outer city areas). Η έρευνα μελετά την αστική και ημιαστική ζώνη στην οποία κατοικεί το 77,83% του πληθυσμού της πόλης. 
'''5. Δεδομένα:''' 
'''
5.1 Δεδομένα τηλεπισκόπησης:''' 
Οι δορυφορικές εικόνες προέρχονται από τον δορυφόρο Landsat 8 και αντλήθηκαν από το site Earth Explorer και αφορούν στην 2015.01.03. Η χωρική ανάλυση των εικόνων είναι 30m . 
Οι εικόνες νυχτερινού φωτός NPP-VIIRS DNB (visible infrared imaging radiometer suite day/night band) είναι μηνιαίες και χωρίς σύννεφα (NOAA/NGDC,[http://www.ngdc.noaa.gov/eog/viirs/download_monthly.html]). Τα μηνιαία σύνθετα απο Γενάρη ως το Δεκέμβρη του 2015 συγχωνεύονται σε ένα ενιαίο, ετήσιο σύνθετο βάσει των μέσων μηνιαίων ψηφιακών τιμών. Ακραίες ψηφιακές τιμές απορρίπτονται και αντικαθίστανται από το μέσο όρο των 8 γειτονικών τους ψηφιακών τιμών. 
'''5.2 Κοινωνικά δεδομένα:''' 
Τα POI δεδομένα αφορούν σε σημεία ενδιαφέροντος υποδομών και υπηρεσιών, όπως εμπορικά κέντρα, σχολικά κτίρια, γραφεία, νοσοκομεία και σταθμούς μετρό. Τα δεδομένα αντλήθηκαν από το Place API of Baidu Maps.
Τα δεδομένα σε σχέση με τις τιμές των ενοικίων αντλήθηκαν από την έρευνα των Chen et al. (2016). 
'''5.3 Δημογραφικά δεδομένα:''' 
Τα δημογραφικά δεδομένα προέρχονται από τις κρατικές υπηρεσίες της πόλης και αναφέρονται στον πληθυσμό, την εκπαίδευση, την απασχόληση και τις συνθήκες διαβίωσης.
Τα δεδομένα για τη μέτρηση της πραγματικής φτώχειας, δηλαδή ο δείκτης GDI για κάθε κοινότητα της πόλης αντλήθηκαν από την έρευνα των Yuan et al. (2018). 

'''6. Μέθοδος:''' 
Σχηματικά μέθοδος που ακολουθήθηκε στην έρευνα αυτή παρουσιάζεται στην Εικόνα 2: .

[[ Εικόνα: A8_e2.jpg|frame|center| Εικόνα 2:Μέθοδος έρευνας, Πηγή: [https://doi.org/10.1016/j.scs.2020.102014 Science Direct] ]]

'''6.1 Υποδομές και υπηρεσίες:''' 
Τα POI χρησιμοποιούνται για την ανάπτυξη του δείκτη υποδομών και υπηρεσιών, ο οποίος εκτιμά την πρόσβαση των κατοίκων της κάθε κοινότητας σε ουσιώδεις παροχές και υπηρεσίες. Χρησιμοποιείται η μέθοδος εκτίμησης πυρήνα και ο εμπειρικός κανόνας του Silverman [13] για τον υπολογισμό του εύρους. Στη συνέχεια τα αποτελέσματα συγχωνεύθηκαν σε επίπεδο μέσων όρων, έτσι ώστε να αντιπροσωπεύει το σύνολο της κοινότητας. 
'''6.2 Κάλυψη γής:''' 
Βάσει των δορυφορικών εικόνων Landsat 8 υπολογίζονται τρεις κανονικοποιημένοι δείκτες και συγκεκριμένα οι Normalized Difference Vegetation Index (NDVI), ο Normalized Difference Built-up Index (NDBI), και ο Normalized Difference Water Index (NDWI), οι οποίοι υποδεικνύουν την κάλυψη γης σε βλάστηση, σε κτιριακό δυναμικό και υδάτινες επιφάνειες. Οι δείκτες αυτοί είναι ιδιαίτερα χρήσιμοι για την απεικόνιση του τεχνητού αστικού περιβάλλοντος. Οι δείκτες ορίζονται ως εξής : 

[[ Εικόνα : A8_e3.jpg|frame|center| Εικόνα 3: Δείκτες για την κάλυψη γης, Πηγή:[https://doi.org/10.1016/j.scs.2020.102014 Science Direct] ]]
 
[[ Εικόνα : A8_e4.jpg|thumb |right| Εικόνα 4: Δείκτης MDPI , Πηγή:[https://doi.org/10.1016/j.scs.2020.102014 Science Direct] ]]
[[ Εικόνα : A8_e5.jpg|thumb |right| Εικόνα 5: Κατανομή δεικτών , Πηγή:[https://doi.org/10.1016/j.scs.2020.102014 Science Direct] ]]
, με βάση τα κανάλια της Landsat εικόνας.

'''6.3 Υφές των κτιρίων:'''
Δομικά χαρακτηριστικά και χαρακτηριστικά σε σχέση με την υφή αξιοποιούνται για τον διαχωρισμό οργανικών, συνωστισμένων και συγκεχυμένων χωρικών μοτίβων έναντι των πιο δομημένων, ταξινομημένων και ομογενών πιο εύπορων αστικών γειτονιών. Για την εξαγωγή των δεδομένων για τα παραπάνω χαρακτηριστικά χρησιμοποιείται το λογισμικό ΕNVI5.1, το οποίο δέχεται τηλεσκοπικά δεδομένα ως είσοδο, μαζί με το πρόσθετο FETEX2. Τέλος, εφαρμόστηκε ανάλυση κύριων συνιστωσών, προκειμένου να διατηρηθεί όσο γίνεται η αρχική πληροφορία και να μειωθούν οι εισερχόμενες μεταβλητές. 
'''6.4 Ένταση των δραστηριοτήτων:''' 
Για τον προσδιορισμό της έντασης των δραστηριοτήτων σε επίπεδο κοινότητας χρησιμοποιούνται οι VIIRS εικόνες. Υλοποιείται ο παρακάτω απλός υπολογισμός:


 L̅i=Li/Ai 

, L̅i η μέση ψηφιακή τιμή για την για την κοινότητα i, Li το άθροισμα των ψηφιακών τιμών στην κοινότητα i
και Ai η φωτιζόμενη περιοχή της κοινότητας i ( αριθμός των pixels με ψηφιακή τιμή θετική) 
'''6.5 Οικιστικά έξοδα:''' 
Το κόστος στέγασης αποτελεί ένα μεγάλο μερίδιο των εξόδων των νοικοκυριών, ειδικότερα των πιο φτωχών. Τα δεδομένα για τα έξοδα ενοικίασης προέρχονται από την έρευνα των Chen et al. (2016). Η μέση μονάδα ενοικίου ανά οικοδομικό τετράγωνο της κάθε κοινότητας εκτιμήθηκαν και συγχωνεύθηκαν για να δημιουργηθεί η μονάδα ενοικίου ανά κοινότητα. 
'''6.6 Random Forest αλγόριθμος:''' 
Στην παρούσα έρευνα χρησιμοποιήθηκε ο αλγόριθμος Random Forest και η πλατφόρμα WEKA για την εξαγωγή του καλύτερου συνδυασμού των παραπάνω δεικτών, για την ανάπτυξη του δείκτη MDPI και με αναφορά τον δείκτη GDI. 
'''7. Αποτελέσματα:''' 
Στην Εικόνα 3 απεικονίζεται η χωρική κατανομή των επιμέρους δεικτών, όπως προέκυψε με χρήση του GIS και της ταξινόμησης Jenks Natural Breaks . Όλοι οι δείκτες, εκτός του δείκτη NDVI και της υφής των κτιρίων που παρουσιάζουν θετική συσχέτιση με τον δείκτη GDI, εμφανίζουν αρνητική συσχέτιση με τον δείκτη GDI. Οπότε, συνολικά, είναι κατάλληλα για την ανάπτυξη του RF μοντέλου. 
Στη συνέχεια χρησιμοποιώντας τον συντελεστή συσχέτισης Spearman υπολογίζεται για τους δείκτες MDPI και GDI ο συντελεστής συσχέτισης .954 με p-value of 0.000. Επίσης, το διάμεσο σχετικό σφάλμα είναι της τάξης του 18.3%, αναδεικνύοντας την αξιοπιστία του RF μοντέλου.
Τα αποτελέσματα του δείκτη MDPI παρουσιάζονται στην Εικόνα 4. 
 

== ΑΝΑΦΟΡΕΣ ==


1. Alkire, S., & Santos, M. E. (2014). Measuring acute poverty in the developing world: Robustness and scope of the multidimensional poverty index. World Development, 59, 251–274.

2. Belgiu, M., & Dragut, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011.

3. Cao, X., Wang, J., Chen, J., & Shi, F. (2014). Spatialization of electricity consumption of China using saturation-corrected

4. Chen, Y. M., Liu, X. P., Li, X., Liu, Y. L., & Xu, X. C. (2016). Mapping the fine-scale spatial pattern of housing rent in the metropolitan area by using online rental listings and ensemble learning. Applied Geography, 75, 200–212. https://doi.org/10.1016/j. Apgeog.2016.08.011.
5. Dehury, B., & Mohanty, S. K. (2015). Regional estimates of multidimensional poverty in India. Economics the Open-Access Open-Assessment E-Journal, 9(36), 1–35.

6. Hall, G. B., Malcolm, N. W., & Piwowar, J. M. (2001). Integration of remote sensing and GIS to detect pockets of urban
poverty: The case of Rosario, Argentina. Transactions in GIS, 5(3), 235–253.

7. Keola, S., Andersson, M., & Hall, O. (2015). Monitoring economic development from space: Using nighttime light and land cover data to measure economic growth. World Development, 66, 322–334.

8. Klemens, B., Coppola, A., & Shron, M. (2015). Estimating local poverty measures using satellite images: A pilot application to Central America. The World Bank

9. Langlois, A., & Kitchen, P. (2001). Identifying and measuring dimensions of urban deprivation in Montreal: An analysis of the 1996 census data. Urban Studies, 38(1), 119–139.

10. Liu, Z., He, C., Zhang, Q., Huang, Q., & Yang, Y. (2012). Extracting the dynamics of urban expansion in China using DMSP-OLS nighttime light data from 1992 to 2008. Landscape and Urban Planning, 106(1), 62–72.

11. Padda, I. U. H., & Hameed, A. (2018). Estimating multidimensional poverty levels in rural Pakistan: A contribution to
sustainable development policies. Journal of Cleaner Production, 197, 435–442.

12. Perdue, W. (2008). Obesity, poverty, and the built environment: Challenges and opportunities. Georgetown Journal on Poverty Law Policy, 15, 821.

13. Silverman, B. W. (2018). Density estimation for statistics and data analysis. Routledge

14. Tung, E. L., Peek, M. E., Makelarski, J. A., Escamilla, V., & Lindau, S. T. (2016). Adult BMI and access to built environment resources in a high-poverty, urban geography. American Journal of Preventive Medicine, 51(5), e119–e127.

15. UN (2014). World urbanization prospects: The 2014 revision-highlights. UN.

16. Wan, C., & Su, S. (2017). China’s social deprivation: Measurement, spatiotemporal pattern and urban applications. Habitat International, 62, 22–42

17. Wang, L., Zhou, X., Zhu, X., Dong, Z., & Guo, W. (2016). Estimation of biomass in wheat using random forest regression algorithm and remote sensing data. The Crop Journal, 4(3), 212–219.

18. Weziak-Bialowolska, D., & Dijkstra, L. (2014). Regional human poverty index: Poverty in the regions of the european. Luxemburg: Publications office of the European Union.

19. Ye, M., Yin, P., Lee, W.-C., & Lee, D.-L. (2011). Exploiting geographical influence for collaborative point-of-interest recommendation. Paper Presented at the Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval.

20. Yuan, Y., Xu, M., Cao, X. Y., & Liu, S. J. (2018). Exploring urban-rural disparity of the multiple deprivation index in Guangzhou City from 2000 to 2010. Cities, 79, 1–11. https://doi.org/10.1016/j.cities.2018.02.016.

21. Zhao, X., Yu, B., Liu, Y., Chen, Z., Li, Q., Wang, C., & Wu, J. (2019). Estimation of poverty using random forest regression
with multi-source data: A case study in Bangladesh. Remote Sensing, 11(4), 375.

[[category:Αστικός και περιφερειακός σχεδιασμός]]

Υπολογισμός των αστικών αναγκών για θέρμανση: Αναλύοντας τις προσεγγίσεις δύο μοντέλων και χρήση της τηλεπισκόπησης ...

2021-01-27T00:16:12Z

Ioanna Karani:

Πλήρης τίτλος: Υπολογισμός των αστικών αναγκών για θέρμανση: Αναλύοντας τις προσεγγίσεις δύο μοντέλων και χρήση της τηλεπισκόπησης για δεδομένα εισόδου και τεκμηρίωση. 
 Πρωτότυπος τίτλος: Calculating urban heat demands: An analysis of two modelling approaches and remote sensing for input data and validation. 
 Συγγραφείς: Ivan Dochev, Philip Gorzalka, Verena Weiler, Jacob Estevam Schmiedt, Magdalena Linkiewicz, Ursula Eicker,
Bernhard Hoffschmidt, Irene Peters, Bastian Schröter 
'''Citation:'''Ivan Dochev, Philip Gorzalka, Verena Weiler, Jacob Estevam Schmiedt, Magdalena Linkiewicz, Ursula Eicker, Bernhard Hoffschmidt, Irene Peters, Bastian Schröter, Calculating urban heat demands: An analysis of two modelling approaches and remote sensing for input data and validation, Energy and Buildings, Volume 226, 2020, 110378, ISSN 0378-7788, [https://doi.org/10.1016/j.enbuild.2020.110378]. 
'''Πηγή:''' [https://doi.org/10.1016/j.enbuild.2020.110378 Science Direct] 
'''Λέξεις κλειδιά:''' heat demand estimation, thermal mapping, semantic 3D city models 

 Σκοπός της έρευνας: Υπολογισμός των θερμικών ενεργειακών αναγκών των κτιρίων σε αστικό περιβάλλον με τη συνδρομή της τηλεπισκόπησης. 
'''1. Εισαγωγή:''' 
Στο βαθμό που η κλιματική αλλαγή εντείνεται, λαμβάνονται μια σειρά από μέτρα για την αναχαίτιση της σε εθνικό, περιφερειακό και δημοτικό επίπεδο. Ιδιαίτερα υποσχόμενος τομέας για τη μείωση εκπομπών αερίων του θερμοκηπίου είναι ο κτιριακός, η ενεργειακή κατανάλωση του οποίου υπολογίζεται σε 40% στις Ηνωμένες Πολιτείες και την Ευρώπη. Δεδομένου ότι η ανέγερση νέων κτιρίων είναι περιορισμένη, το βάρος στρέφεται στην ενεργειακή αναβάθμιση του υπάρχοντος κτιριακού δυναμικού. Προς αυτή την κατεύθυνση είναι χρήσιμα εργαλεία για την κατανόηση της τωρινής κατάστασης, αλλά και των μελλοντικών προοπτικών, όπως το UBEM (Urban Energy Building Modelling). 
'''2. Σύνδεση με πρότερη έρευνα και ο ρόλος της τηλεπισκόπησης:''' 
Οι διάφορες μέθοδοι που έχουν αναπτυχθεί ως ώρας υπόκεινται σε δύο γενικές κατηγορίες [14]: 
α) Top-down: κατανέμει τη συνολική ενέργεια που καταναλώθηκε στις επιμέρους μονάδες (π.χ. Κτίρια, περιφέρειες, κο.κ.) βάσει των γνωστών χαρακτηριστικών των επιμέρους μονάδων που σχετίζονται με την ενεργειακή κατανάλωση. 
β) Bottom-up [4]: χρησιμοποιείται ένα δείγμα επιμέρους μονάδων, με γνωστές ενεργειακές ιδιότητες, το οποίο χρησιμοποιείται ως πρότυπο και τις διευρύνει είτε μέσω στατιστικών μεθόδων, είτε μέσω του ιστορικού ενεργειακής κατανάλωσης. 
Στην παρούσα έρευνα χρησιμοποιούνται δύο bottom-up προσεγγίσεις:
α) SHD (specific heat demand) approach [5]: κάνει χρήση 2D κτηματολογίου για τη δημιουργία των αρχετύπων των διαφόρων κτιρίων και τελικά τη δημιουργία ενός 2D κτηματολογίου θερμικών αναγκών 
β) λογισμικό SimStadt [8,9]: δημιουργεί το αρχέτυπο των κτιρίων βάσει των αντικειμένων του 3D CityGML μοντέλου, όπως παράγεται απο τις αεροφωτογραφίες, και τα αντιστοιχίζει στις ενεργειακές του ιδιότητες και προχώρα στον υπολογισμό των θερμικών αναγκών.
Στη συνέχεια η τηλεπισκόπηση χρησιμοποιείται και για τον δυνατόν καλύτερο προσδιορισμό παραμέτρων, χρήσιμων και για τα δύο μοντέλα, όπως τα παράθυρα και την επιφανειακή θερμοκρασία ως μέτρο θερμοπερατότητας (U-values). 

[[ Εικόνα : A7_e1.jpg| thumb|right| Εικόνα 1: Περιοχή μελέτης, Πηγή:[https://doi.org/10.1016/j.enbuild.2020.110378 Science Direct] ]]

'''3. Περιοχή μελέτης:''' 
Ως περιοχή μελέτης επιλέγεται η γειτονιά Moabit του Βερολίνου (Εικόνα 1). Πρόκειται για μια αστική περιοχή, όπου η μοντελοποίηση των θερμικών αναγκών βάσει δεδομένων για την κατανάλωση δεν είναι εφικτή, λόγω της ανομοιογένειας των χρησιμοποιούμενων μέσων θέρμανσης και της προστασίας των προσωπικών δεδομένων. Τα δεδομένα για τα δύο μοντέλα και για τις εφαρμογές της τηλεπισκόπησης είναι διαθέσιμα στην περιοχή. 

'''4. Δεδομένα:''' 
Χρησιμοποιήθηκαν δεδομένα από το κτηματολόγιο ALKIS [1], το οποίο παρέχει μια σειρά από πληροφορίες, όπως τα γεωμετρικά χαρακτηριστικά των κτισμάτων. Ακόμη, χρησιμοποιήθηκαν αεροφωτογραφίες που παραχωρήθηκαν από το DLR (Γερμανικό Κέντρο Αεροδιαστημικής), οι οποίες μεταξύ άλλων χρησιμοποιήθηκαν για την παραγωγή του 3D μοντέλου στο format του CityGML, το οποίο αναπαριστά το αστικό περιβάλλον και παρέχει πληροφορίες διαβαθμισμένης πολυπλοκότητας, απο το απλό γεωμετρικό αποτύπωμα του κτιρίου έως και παράθυρα ή και εσωτερικά χαρακτηριστικά του [6]. Αναλυτικά, οι ιδιότητες των αεροφωτογραφιών που χρησιμοποιήθηκαν αναλύονται στην παράγραφο 5.3 . Τέλος, χρησιμοποιήθηκαν δεδομένα από το IWU [10], τη γερμανική τυπολογία που κατηγοριοποιεί τις κατοικίες με βάση τη σύνθεση των νοικοκυριών και την περίοδο ανέγερσης, και παρέχει ένα σύνολο χαρακτηριστικών για τα αρχέτυπα κάθε κατηγορίας, δεδομένα από το γερμανικό πρότυπο VDI 3807 [13] με πληροφορίες για τις χρήσεις των κτιρίων και δεδομένα για το έτος ανέγερσης των κτιρίων βάσει των δεδομένων του GeoPortal και αρχειακών αεροφωτογραφιών Google Earth [3]. 
'''5. Μέθοδος:''' 
Αρχικά, στην Εικόνα 2 παρατίθεται μια σχηματική αναπαράσταση των δεδομένων, των προσεγγίσεων και των αποτελεσμάτων που συγκρίνονται στην παρούσα έρευνα.
[[ Εικόνα : A7_e2.jpg | frame | center | Εικόνα 2: Σύνοψη μεθόδων, δεδομένων και συμπερασμάτων, Πηγή:[https://doi.org/10.1016/j.enbuild.2020.110378 Science Direct] ]]

 
 

'''5.1 SHD μέθοδος:''' 
Στη μέθοδο αυτή κάθε πολύγωνο του 2D κτηματολογίου αντιστοιχίζεται με τα χαρακτηριστικά της τυπολογίας IWU. Σε περίπτωση που το κτίσμα δεν χρησιμοποιείται για οικιστικούς σκοπούς χρησιμοποιείται το γερμανικό πρότυπο VDI 3807. Επίσης, κατηγοριοποιήθηκαν και τα κτίρια μικτής χρήσης (π.χ. Κατοικία με γραφείο). Υπολογίστηκαν οι θερμικές ανάγκες των κτιρίων συναρτήσει των ορόφων των κτιρίων και του γεωμετρικού τους αποτυπώματος, των ενεργειακών χαρακτηριστικών τους βάσει IWU και της χρήσης του κτιρίου. Τέλος, υπολογίστηκε το εμβαδόν των παραθύρων/ανοιγμάτων των κτιρίων. 
'''5.2 Λογισμικό SimStadt:''' 
Η προσέγγιση αυτή κάνει χρήση της πλατφόρμας προσομοίωσης που διαμορφώθηκε από το University of Applied Sciences Stuttgart. Πληροφορίες για τη γεωμετρία των κτισμάτων από το μοντέλο CityGML συνδυάζονται με βιβλιοθήκες δομικής φυσικής και καθώς και με καιρικές βάσεις δεδομένων. Απαιτούνται, επίσης, στοιχεία για τη λειτουργία των κτιρίων και τη χρονολογία ανέγερσης, προκειμένου να αντιστοιχιστούν στις κατάλληλες βιβλιοθήκες. Έτσι, τελικά, υπολογίζονται οι θερμικές ανάγκες των κτιρίων, ως μηνιαίο ενεργειακό ισοζύγιο βάσει του γερμανικού προτύπου DIN V 18599- συνυπολογίζοντας τις πηγές και τις απώλειες θερμότητας- και αθροιστικά δίνουν την ετήσια ανάγκη για θέρμανση. 

[[Εικόνα: A7_e3.jpg| thumb| right| Εικόνα 3:3D MODEL, Πηγή: [https://doi.org/10.1016/j.enbuild.2020.110378 Science Direct] ]]

'''5.3 Τηλεπισκόπηση:''' 
'''5.3.1 3D MODEL''' 
To 3D μοντέλο δημιουργήθηκε με βάση πλάγιες RGB αεροφωτογραφίες της περιοχής μελέτης για τον Ιούλιο 2017 , από ύψος 650m με χρήση μιας “MACS - ΜODULAR AERIAL CAMERA SYSTEM” κάμερας [12]. Η σύνθεση αποτελείται απο τρείς RGB κάμερες (μια κατακόρυφη και δύο πλάγιες) και μια κατακόρυφη κάμερα στο εγγύς υπέρυθρο (NIR). Η χωρική ανάλυση των εικόνων είναι 8-14cm, ενώ επεξεργάστηκαν φωτογραμμετρικά με τη μέθοδο του Frommholz et al. [2] Έτσι, δημιουργήθηκε τα 3D πολύγωνα τα οποία εξήχθησαν στο περιβάλλον CityGML, φέροντας πληροφορίες για την γεωμετρία των κατοικιών και τα διαθέσιμα παράθυρα (Εικόνα 3). 
'''5.3.2 Εντοπισμός παραθύρων:''' 
Οι RGB εικόνες μετασχηματίστηκαν ομογραφικά για να δημιουργηθεί η ορθογώνια προβολή κάθε εικόνας στην αντίστοιχη πρόσοψη. Οι όροφοι προσδιορίστηκαν εφαρμόζοντας ανίχνευση ακμών και στη συνέχεια τα παράθυρα και τα λοιπά ανοίγματα εντοπίζονται βάσει γεωμετρικών ιδιοτήτων και χρωματικών διαβαθμίσεων. Η μέθοδος που εφαρμόστηκε είναι παρεμφερής με αυτή των Meixner and Leiber [7]. 
'''5.3.3 Υπέρυθρη Θερμογραφία:''' 
Η περιοχή μελέτης καταγράφηκε μέσω κατακόρυφης και πλάγιας υπέρυθρης θερμογραφίας (IRT) ΣΤΙς 6 Μαρτίου του 2019 στη 1 το βράδυ, από υψόμετρο 600m περίπου, με χρήση αεροπλάνου εξοπλισμένο με MACS και μη ψυχόμενους μικροβολομετρικούς αισθητήρες που καλύπτει το 7 .5 to 14μm κανάλι. Οι καταγραφές αυτές πραγματοποιήθηκαν νύχτα (ξέχωρα απο τις RGB αεροφωτογραφίες) για να αποφευχθεί η επίδραση του ηλιακού φωτός. Η χωρική ανάλυση ανέρχεται σε 35cm για σκεπές και έδαφος, ενώ είναι μικρότερη για τις προσόψεις λόγω οπτικής γωνίας. Βάσει του προσανατολισμού και των θέσεων της κάμερας, στο 3D μοντέλο που παράχθηκε παραπάνω, αποδόθηκαν οι υφές βάσει της IRT φωτογραφίας (Εικόνα 4 αριστερά). 

[[ Εικόνα: A7_e4.jpg| thumb| right | Εικόνα 4:Εφαρμογή υπέρυθρης θερμογραφίας στην περιοχή μελέτης., Πηγή:[https://doi.org/10.1016/j.enbuild.2020.110378 Science Direct] ]]

Τα αποτελέσματα των καταγραφών που σε κάθε pixel αντιστοιχίζουν μια θερμοκρασία θεωρούνται επι της ουσίας ως ακτινοβολία του μέλανος σώματος. Με χρήση του νόμου του Planck στο μήκος κύματος η θερμοκρασία μετατρέπεται σε ακτινοβολία, σταθμισμένη ως προς την φασματική απόκριση του μικροβλόμετρου. Αφού οι υφές διορθωθούν σε σχέση μς τις ατμοσφαιρικές επιρροές και λαμβάνοντας υπόψιν τις γωνίες παρατήρησης (κάμερα-επιφάνεια) υπολογίζεται η ακτινοβολία μέλανος σώματος για κάθε pixel. Στη συνέχεια, η ακτινοβολία αυτή μετατρέπεται σε επιφανειακή θερμοκρασία. 

Τέλος, για κάθε κτίριο υπολογίζεται η μέση θερμοκρασία οροφής και η μέση θερμοκρασία πρόσοψης. (Εικόνα 4 δεξιά) 
'''6. Αποτελέσματα και Συμπεράσματα:''' 

Εξετάζοντας τη συμβολή της τηλεπισκόπησης στον υπολογισμό των θερμικών αναγκών και μ των κτιρίων σε μια αστική περιοχή και μέσα από τη σύγκριση των αποτελεσμάτων διαφόρων μεθόδων προκύπτουν τα εξής συμπεράσματα: 
* O λόγος παράθυρο/τοίχο υπολογίζεται υπερκτιμημένος με βάση τα αρχέτυπα. Η τηλεπισκόπηση θα μπορούσε να βελτιώσει τη μοντελοποίηση των θερμικών αναγκών υπό τους εξής περιορισμούς: οι αεροφωτογραφίες να ληφθούν το χειμώνα για να αποφευχθεί η επιρροή της βλάστησης στις προσόψεις και η χωρική διακριτική ικανότητα τους θα πρέπει να είναι μεγαλύτερη. 
* Σε περιοχές με ελλιπή δεδομένα κτηματολογίου και υψηλής ποιότητας 3D μοντέλα, η μέθοδος 3D μοντελοποίησης που παρουσιάζεται στην παρούσα έρευνα συνδράμουν την δημιουργία 3D μοντέλων και των επιφανειακών υφών. 
* Τα αποτελέσματα της εναέριας υπέρυθρης θερμογραφίας δεν παρουσιάζουν συσχέτιση με τις τιμές του δείκτη θερμοπερατότητας, που προκύπτουν απο την τυπολογία, εκτός από την περίπτωση των σκεπών με θερμαινόμενες σοφίτες. 
Για την βελτίωση των αποτελεσμάτων προτείνεται η καλύτερη γνώση των υλικών της επιφάνειας και των ιδιοτήτων τους, καθώς και νέοι αλγόριθμοι για τη μοντελοποίηση της ανακλώμενης ακτινοβολίας και νέες μεθόδους για την εκτίμηση της εσωτερικής θερμοκρασίας. 
Συνολικά, ο συνδυασμός της τηλεπισκόπησης με αξιόπιστα μοντέλα είναι ιδιαίτερα υποσχόμενος σε σχέση με τη μοντελοποίηση των ενεργειακών αναγκών των κτιρίων σε αστικό περιβάλλον, παρά το γεγονός ό,τι απαιτείται περαιτέρω έρευνα για την εξαγωγή των παραμέτρων απο τις αεροφωτογραφίες.
 

== ΑΝΑΦΟΡΕΣ ==


1. Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder derBundesrepublik Deutschland, Authoritative Real Estate Cadastre InformationSystem (ALKIS), 2015.http://www.adv-online.de/Products/Real-Estate-Cadastre/ALKIS/ (accessed 22 December 2019)

2. D. Frommholz, M. Linkiewicz, H. Meissner, D. Dahlke, Reconstructing buildingswith discontinuities and roof overhangs from oblique aerial imagery, Int. Arch.Photogramm. Remote Sens. Spatial Inf. Sci. XLII-1/W1 (2017) 465–471,https://doi.org/10.5194/isprs-archives-XLII-1-W1-465-2017

3. Google, Google Earth 7.3.2.577.https://www.google.de/intl/de/earth/ (accessed Nov. 2019).

4. H. Lim, Z.J. Zhai, Review on stochastic modeling methods for building stockenergy prediction, Build. Simul. 10 (2017) 607–624,https://doi.org/10.1007/s12273-017-0383-y.

5. I. Dochev, H. Seller, I. Peters, Assigning energetic archetypes to a digital cadastre and estimating building heat demand. An Example from Hamburg,Germany, Environ. Clim. Technol. 24 (2020) 233–253,https://doi.org/10.2478/rtuect-2020-0014.

6. Open Geospatial Consortium, OGC City Geography Markup Language(CityGML), OpenGIS Encoding Standard OGC 12-019 (2012).

7. Philipp Meixner, Franz Leberl, From Aerial Images to a Description of RealProperties - A Framework, in: Paul Richard, José Braz (Eds.), Proceedings of theInternational Conference on Computer Vision Theory and Applications, 2,SCITEPRESS, Angers, France, 2010.doi:10.5220/0002817602830291

8. R. Nouvel, M. Zirak, V. Coors, U. Eicker, The influence of data quality on urban heating demand modeling using 3D city models, Comput. Environ. Urban Syst.64 (2017) 68–80,https://doi.org/10.1016/j.compenvurbsys.2016.12.005.

9. Romain Nouvel, Kai-Holger Brassel, Marcel Bruse, Eric Duminil, Volker Coors,Darren Robinson, SimStadt, a new
workflow-driven urban energy simulation platform for CityGML city models, in: Jean-Louis Scartezzini (Ed.), Proceedingsof CISBAT 2015 International Conference Future Buildings and Districts -Sustainability from Nano to Urban Scale, LESO-PB, EPFL, Lausanne,Switzerland, 2015, pp. 889–894,https://doi.org/10.5075/epfl-cisbat2015-889-894.

10. Senatsverwaltung für Stadtentwicklung und Wohnen, Geoportal Berlin / ALKIS Berlin: Amtliches Liegenschaftskataster Informationssystem,2019.https://fbinter.stadt-berlin.de/fb/index.jsp?loginkey=zoomStart&mapId=wmsk_alkis@senstadt (accessed 16 December 2019).

11. Senatsverwaltung für Stadtentwicklung und Wohnen, Geoportal Berlin /Gebäudealter 1992/93, 1993.https://fbinter.stadt-berlin.de/fb/index.jsp?loginkey=showMap&mapId=gebaeudealter@senstadt (accessed 6
December2019).

12. T. Bucher, R. Berger, J. Brauchle, D. Hein, F. Lehmann, B. Piltz, P. Scherbaum, K.Stebner, S. Pless, Modular Photogrammetric Sensor Systems for Real-time Information Extraction and 3D-Applications, 36. Wissenschaftlich-Technische Jahrestagung der DGPF, DGPF, Bern, Switzerland, 2016.

13. Verein Deutscher Ingenieure e.V., Characteristic consumption values for buildings - Characteristic heating-energy, electrical-energy and water consumption values, Guideline VDI 3807 Blatt 2 (2014)

14. W. Li, Y. Zhou, K. Cetin, J. Eom, Y. Wang, G. Chen, Modeling urban building energy use: A review of modeling approaches and procedures, Energy 141(2017) 2445–2457,https://doi.org/10.1016/j.energy.2017.11.071

[[category: Ενέργεια]]

Χαρτογραφώντας τα εγκαταλελειμμένα αγροτεμάχια στην Kyzyl-Orda,Καζακσταν με τη χρήση δορυφορικής τηλεπισκόπησης.

2021-01-27T00:15:35Z

Ioanna Karani:

'''Πρωτότυπος τίτλος:'''Mapping abandoned agricultural land in Kyzyl-Orda, Kazakhstan using satellite remote sensing 
'''Συγγραφείς:''' Fabian Löw, Elisabeth Fliemann, Iskandar Abdullaev, Christopher Conrad, John P.A. Lamers 
'''Citation:'''Fabian Löw, Elisabeth Fliemann, Iskandar Abdullaev, Christopher Conrad, John P.A. Lamers, Mapping abandoned agricultural land in Kyzyl-Orda, Kazakhstan using satellite remote sensing, Applied Geography, Volume 62, 2015, Pages 377-390, ISSN 0143-6228, [https://doi.org/10.1016/j.apgeog.2015.05.009]. 
'''Πηγή:''' [https://doi.org/10.1016/j.apgeog.2015.05.009 Science Direct] 
'''Λέξεις κλειδιά:''' Abandoned cropland mapping; Central Asia; Aral sea; Land use trajectories; Decision fusion; Time-series 
 
 
 

 Αντικείμενο και στόχος της εφαρμογής :
 Η συγκεκριμένη εφαρμογή αναφέρεται στον τομέα της Γεωργίας και ειδικότερα, στοχεύει στον εντοπισμό της εγκαταλελειμμένης καλλιεργήσιμης γής και στην αξιοποίηση της στη Λήψη Αποφάσεων για τη διαχείριση αυτής της γής. 
'''1.Εισαγωγή:''' 
Στις χώρες της Κεντρικής Ασίας που υπάγονταν στην πρώην Σοβιετική Ένωση, το πρόβλημα των εγκαταλελειμμένων καλλιεργήσιμων εκτάσεων είναι εκτεταμένο απο το 1991 και έπειτα [7]. Η εγκατάλειψη της αγροτικής γής συνδέεται με μια σειρά από προβλήματα, όπως υποβάθμιση του τοπίου και αυξημένο κίνδυνο διάβρωσης [10]. Έτσι, καθώς η ανθρωπότητα δουλεύει για την ικανοποίηση στόχων όπως η επισιτιστική ασφάλεια σε παγκόσμιο επίπεδο, η εγκατάλειψη καλλιεργήσιμων εκτάσεων θα πρέπει να παρακολουθείται, να περιορίζεται ή να αντισταθμίζεται μέσα από την αλλαγή της χρήσης της γης (π.χ. βοσκότοποι). 
'''2. Σύνδεση με πρότερη έρευνα και ο ρόλος της τηλεπισκόπησης:''' 
Ο εντοπισμός των εγκαταλελειμμένων εκτάσεων με χρήση τηλεπισκόπησης είναι μια πρόκληση, μιας και δεν εκφράζεται με ενιαίο τρόπο παγκοσμίως [5]. Για τη χαρτογράφηση των εκτάσεων αυτών χρησιμοποιούνται, κατά κύριο λόγο, με τη χρήση των παρακάτω εργαλείων της τηλεπισκόπησης: 
* μέσω της ανάλυσης των τάσεων, βάσει χρονοσειρών φασματικών δεικτών, όπως ο δείκτης ΝDVI.

* μέσω μεταταξινομητικής ανάλυσης των LCT( Land Cover Trajectories- Αλληλουχίες ( Πορείες) Κάλυψης Γης). 
Ιδιαίτερης σημασίας για τις διαδικασίες αυτές είναι η επάρκεια δορυφορικών δεδομένων, οι κατάλληλες προσεγγίσεις ανίχνευσεις των μεταβολών, αλλά και οι επιλεγόμενοι χρησιμοποιούμενοι αλγόριθμοι ταξινόμησης. Συνήθως επιλέγονται μη παραμετρικοί αλγόριθμοι μηχανικής μάθησης, όπως ο Random Forest (RF) [8],[11]και ο Support Vector Machine (SVM) [3],[9], οι οποίοι εφαρμόζονται αρκετά ικανοποιητικά στην ταξινόμηση διαχρονικών δεδομένων και δεδομένων διαφορετικών δεκτών [6],[12]. Σε άλλες μελέτες χρησιμοποιείται ένας συνδυασμός των αποτελεσμάτων διάφορων αλγορίθμων ταξινόμησης, γνωστός και ως “decision fusion approach (προσέγγιση της σύντηξης των αποφάσεων)”[1],[13], που φαίνεται να έχει σημαντικά αυξημένη ακρίβεια, αν και όχι πάντα εγγυημένη [2],[4], ως προς την σημαντική αύξηση. 
'''3. Περιοχή μελέτης:''' 

[[ Εικόνα : A5_e1.jpg‎ | thumb| right| Εικόνα 1: Περιοχή μελέτης, Πηγή: [https://doi.org/10.1016/j.apgeog.2015.05.009 Science Direct] ]]
 
Ως περιοχή μελέτης επιλέγεται μια περιοχή 19,8 στρεμμάτων στο Kyzyl-Orda (Εικόνα 1). H βλάστηση της περιοχής συντίθεται από παραποτάμια βλάστηση, θαμνώδεις εκτάσεις, εκτάσεις καλαμιών και φυτείες ρυζιού. Μετά από δύο χρόνια καλλιέργειας ρυζιού, οι εκτάσεις αγραναπαύονται για τρία έτη και στη συνέχεια καλλιεργούνται άλλα είδη για δύο έτη και ύστερα καλλιεργείται εκ νέου ρύζι. Οι καλλιεργήσιμες εκτάσεις γειτνιάζουν με αραιές θαμνώδεις εκτάσεις, βότανα και χέρσα γη. Οι εγκαταλελειμμένες εκτάσεις καλύπτονται από φυσική βλάστηση μέσα σε ένα διάστημα 3-5 ετών, ενώ εάν τα εδάφη χαρακτηρίζονται από έντονη υφαλμύρωση παραμένουν χέρσα. 

'''4. Δεδομένα:''' 
'''4.1 Δορυφορικά δεδομένα και προεπεξεργασία:''' 
Για την ανάλυση των εγκαταλελειμμένων αγροτεμαχίων (τα οποία υπήρξαν ενεργά επί Σοβιετικής ‘Ενωσης) μέσω LCT για την περίοδο 2009-2014, χρησιμοποιήθηκαν Landsat εικόνες χωρικής διακριτικής ικανότητας 30m (USGS;[http://earthexplorer.usgs.gov/]). Επιλέχθηκαν οι δορυφορικές εικόνες Landsat 158/029 λόγω: 
1. αφθονίας εγκαταλελειμμένων εκτάσεων 
2. δυνατότητα έρευνας στο πεδίο για συλλογή δεδομένων 
3. συγκριτικά καλής διαθεσιμότητας δεδομένων (π.χ. η νεφοκάλυψη περιορίστηκε σε μικρότερη του 10% και δεν επικαλύφθηκαν εκτάσεις) 
Τα κενά των χρονοσειρών που παρήχθησαν απο τις Landsat εικόνες καλύφθηκαν με τη χρήση RapidEye level 1 B εικόνων χωρικής
ανάλυσης 6.5m. Για όλο το 2012 δεν υπάρχουν διαθέσιμες εικόνες Landsat-5 ™ ή αλλων εικόνων υψηλής χωρικής ανάλυσης. Επιλέχθηκαν εικόνες από διάφορους μήνες ανά έτος για να απεικονιστούν όλα τα στάδια της φαινολογίας των φυτών. Οι εικόνες συγχωνεύτηκαν με δύο υψηλής ανάλυσης, γεωαναφερμένες εικόνες SPOT-5. Εφαρμόστηκε η μέθοδος του “πλησιέστερου γείτονα” για την μετατροπή των εικόνων στο UTM σύστημα αναφοράς (WGS84), ενώ όλες οι εικόνες έχουν υποστεί ατμοσφαιρική διόρθωση μέσω της μεθόδου ACTOR 2 για επίπεδα εδάφη. 
'''4.2 Διανυσματικά δεδομένα για τα αγροτεμάχια:''' 
Επειδή δεν υπάρχουν επαρκείς δορυφορικές εικόνες από την εποχή της Σοβιετικής Ένωσης, ψηφιοποιήθηκαν όλα τα αντικείμενα σε σχέση με τις χρήσεις γης για την περιοχή μελέτης με τη χρήση υψηλής χωρικής ανάλυσης εικόνες SPOT-5 για το 2011 και το Google Earth.Για την ταξινόμηση των εικόνων υπολογίστηκαν τα στατιστικά μεγέθη διαφόρων δεικτών βλάστησης για κάθε αντικείμενο. 
'''4.3 Δεδομένα ταξινόμησης:''' 
Τα δεδομένα εκπαίδευσης και ελέγχου για τους ταξινομητικούς αλγορίθμους συλλέχθηκαν με επιτόπια έρευνα και χρήση κάμερας gps με ακρίβεια γεωτοποθεσίας 2-3 μέτρων. Για τα υπόλοιπα έτη χρησιμοποιήθηκε η φωτοερμηνεία και η σύγκριση των υπογραφών του NDVI με τα δεδομένα πεδίου του 2011. Δημιουργήθηκαν 5 κατηγορίες: α) ορυζώνες, β) βότανα/τριφύλλι, γ) θάμνοι, δ) χέρσα γη και ε)νερό. Η δειγματοληψία ήταν τυχαία και μόνο για το 2011 προσαρμόστηκε στους αντικειμενικούς περιορισμούς (π.χ. κακό οδικό δίκτυο). 

'''5.Μέθοδος:''' 
Ο εντοπισμός των εγκαταλελειμμένων αγροτεμαχίων, μέσω αντικειμενοστραφούς ταξινόμησης δορυφορικών εικόνων, πραγματοποιείται μέσα από τα τέσσερα ακόλουθα βήματα: 
1. δημιουργία διανυσματικής βάσης δεδομένων όλων των αγροτεμαχίων που έχουν χρησιμοποιηθεί στην περιοχή μελέτης. 
2. δημιουργία χαρτών χρήσεων γης για το διάστημα 2009-2014. 

3. δημιουργία διαχρονικού αρχείου χρήσης γης για κάθε αντικείμενο. 

4. ανάλυση της σχέσης LCT και της διανυσματικής βάσης δεδομένων. 
Σχηματικά η μέθοδος αποδίδεται στην Εικόνα 2. 

[[ Εικόνα: A5_e2.jpg | frame | center | Εικόνα 2: Μέθοδος, Πηγή: [https://doi.org/10.1016/j.apgeog.2015.05.009 Science Direct]]]

Να σημειωθεί ότι η ταξινόμηση των ετήσιων στοιβών των δορυφορικών εικόνων πραγματοποιήθηκε τόσο μέσω του αλγορίθμου RF, όσο και του αλγορίθμου SVM. Στη συνέχεια για την επίτευξη μεγαλύτερης ακρίβειας τα αποτελέσματα των δύο αλγορίθμων συνδυάστηκαν. Επίσης, οι παρακάτω εξής πέντε πορείες χρήσης γης χρησιμοποιήθηκαν ως χαρακτηριστικότερες: 
1. Κάλυψη της έκτασης με θάμνους ή χερσαία έκταση για πάνω από 5 έτη. 
2. Μετάβαση από χέρσα γη σε ποώδη βλάστηση. 
3. Μετάβαση από ποώδη σε θαμνώδη βλάστηση. 
4. Προσωρινοί ορυζώνες. 
5. Πολλαπλές εναλλαγές ορυζώνων και ποώδους βλάστησης. 
Η τελική ταξινόμηση επικαλύφθηκε από μια σειρά χωρικών δεικτών των ορίων της γεωργικής δραστηριότητας για την καλύτερη κατανόηση του μοτίβου των εγκαταλελειμμένων αγροτεμαχίων. 

[[ Εικόνα : A5_e3.jpg | thumb | right | Εικόνα 3: Ταξινόμηση χρήσης γής., Πηγή:[https://doi.org/10.1016/j.apgeog.2015.05.009 Science Direct] ]]

 
 
 
'''6. Αποτελέσματα και Συμπεράσματα :''' 
Ο συνδυασμός των αποτελεσμάτων των δύο μη παραμετρικών αλγορίθμων ταξινόμησης RF και SVM, οδήγησε σε μια ταξινόμηση ακρίβειας 97%, η οποία ήταν στατιστικά σημαντικότερη σε σχέση με την ακρίβεια του κάθε αλγορίθμου μεμονωμένα. Αναλύοντας, τώρα, την πορεία των χρήσεων της γης παρατηρήθηκε πως εγκαταλελειμμένα τμήματα αγροτεμαχίων εντοπίστηκαν στο 50% περίπου των αγροτεμαχίων στο Kyzyl-Οrda με ακρίβεια της τάξης του 80% κατά προσέγγιση. Το ποσοστό των αταξινόμητων εκτάσεων αποδίδονται σε σφάλματα της ταξινόμησης. Ενδεικτικά αποτελέσματα παρατίθενται στην Εικόνα 3. 

Συνολικά, η συγκεκριμένη μελέτη ανέδειξε μια αρκετά ακριβή μέθοδο εντοπισμού των εγκαταλελειμμένων εκτάσεων, ακόμη και όταν επικυριαρχούν σύνθετα μοτίβα εναλλαγής των καλλιεργειών στην περιοχή και τα αποτελέσματα της οποίας μπορούν να φανούν ιδιαίτερα χρήσιμα στους υπεύθυνους και τους φορείς Λήψης Αποφάσεων.

 

== ΑΝΑΦΟΡΕΣ ==


1. Fauvel, M., Chanussot, J., & Benediktsson, J. A. (2006). Decision fusion for the classification of urban remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 2494e2497. http://dx.doi.org/10.1109/IGARSS.2006.645.

2. Foody, G. M., Boyd, D. S., & Sanchez-Hernandez, C. (2007). Mapping a specific class with an ensemble of classifiers. International Journal of Remote Sensing, 28, 1733e1746

3. Huang, C., Davis, L. S., & Townshend, J. R. G. (2002). An assessment of support vector machines for land cover classification.International Journal of Remote Sensing,23,725e749.http://dx.doi.org/10.1080/01431160110040323

4. Jeon, B., & Landgrebe, D. A. (1999). Decision fusion approach for multitemporal classification. IEEE Transactions on Geoscience and Remote Sensing, 37, 1227e1233.

5. Lambin, E. F., & Meyfroidt, P. (2011). Global land use change, economic globalization, and the looming land scarcity. PNAS, 108, 3465e3472.
6. Loosvelt, L., Peters, J., & Skriver, H. (2012). Impact of reducing polarimetric SAR input on the uncertainty of crop classifications based on the random forests algorithm. IEEE Transactions on Geoscience and Remote Sensing, 50, 4185e4200.

7. Müller, D., Kuemmerle, T., Rusu, M., & Griffiths, P. (2009). Lost in transition: determinants of post-socialist cropland abandonment in Romania.Journal of LandF. Low et al. / Applied Geography 62 (2015) 377e390389, Use Science, 4,109e129.http://dx.doi.org/10.1080/17474230802645881

8. Pal, M. (2005). Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26,
217e222 .

9. Pal, M., & Mather, P. M. (2005). Support vector machines for classification in remote sensing. International Journal of Remote Sensing, 26, 1007e1011.

10. Power, A. G. (2010).Ecosystem services and agriculture: Tradeoffs and synergies ecosystem services and agriculture: Tradeoffs and synergies. Society (pp.2959e2971).http://dx.doi.org/10.1098/rstb.2010.0143.

11. Waske, B., & Braun, M. (2009). Classifier ensembles for land cover mapping using multitemporal SAR imagery.ISPRS Journal of Photogrammetry and RemoteSensing, 64, 450e457.http://dx.doi.org/10.1016/j.isprsjprs.2009.01.003.

12. Waske, B., & van der Linden, S. (2008). Classifying multilevel imagery from SAR and optical sensors by decision fusion.IEEE Transactions on Geoscience and RemoteSensing, 46, 1457e1466.

13. Waske, B., van der Linden, S., Benediktsson, J. A., Rabe, A., & Hostert, P. (2010). Sensitivity of support vector machines
to random feature selection in classification of hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 48, 2880e2889.

[[category:Γεωργία]]

COVID-19 και οι επιπτώσεις του στο περιβάλλον: Βελτιωμένα τα επίπεδα μόλυνσης κατά την περίοδο του lockdown...

2021-01-27T00:15:10Z

Ioanna Karani:

Πλήρης Τίτλος: COVID-19 και οι επιπτώσεις του στο περιβάλλον: Βελτιωμένα τα επίπεδα μόλυνσης κατά την περίοδο του lockdown- Η περίπτωση της περιοχής Ahmedabad στην Ινδία. 
'''Πρωτότυπος τίτλος:''' COVID-19 and its impact on environment: Improved pollution levels during the lockdown period – A case from Ahmedabad, India 
'''Συγγραφείς:''' Mohammad Adil Aman, Mohd Sadiq Salman, Ali P. Yunus 
'''Citation:''' Mohammad Adil Aman, Mohd Sadiq Salman, Ali P. Yunus, COVID-19 and its impact on environment: Improved pollution levels during the lockdown period – A case from Ahmedabad, India, Remote Sensing Applications: Society and Environment, Volume 20, 2020, 100382, ISSN 2352-9385, [ https://doi.org/10.1016/j.rsase.2020.100382] . 
'''Πηγή''':[https://doi.org/10.1016/j.rsase.2020.100382 Science Direct] 
'''Λέξεις κλειδιά:'''COVID-19;Surface water quality;Sabarmati river;Turbidity;Suspended particulate matter (SPM) 

 Aντικείμενο και Στόχος έρευνας: 
Η παρούσα έρευνα στοχεύει στην ανίχνευση των μεταβολών στα επίπεδα μόλυνσης του περιβάλλοντος , συγκεκριμένα των υδάτων
, κατά την περίοδο του lοck-down στην πόλη Ahmedabad της Ινδίας, χρησιμοποιώντας δορυφορικά δεδομένα και την τηλεπισκόπηση για την εκτίμηση της θολότητας των υδάτων, ως μέτρο μόλυνσης τους. 
'''1.Εισαγωγή:''' 
Το γενικευμένο lock-down, που επιβλήθηκε στην Ινδία, αποτελεί πρωτόγνωρο φαινόμενο για την ινδική πραγματικότητα. Οι ανθρωπογενείς δραστηριότητες περιορίστηκαν στο ελάχιστο, με αποτέλεσμα να έχουν περιοριστεί οι εκπομπές και τα βιομηχανικά απορρίμματα και απόβλητα στα αστικά κέντρα της Ινδίας. Ταυτόχρονα, οι ανθρωπογενείς δραστηριότητες είναι αυτές που θεωρούνται υπαίτιες για τη μόλυνση του περιβάλλοντος σε διάφορα επίπεδα [1],[15],[19],[26]. Τα βραχυπρόθεσμα, θετικά αποτελέσματα του lock-down και του περιορισμού των ανθρωπογενών δραστηριοτήτων στην ατμοσφαιρική ρύπανση έχουν αναλυθεί σε μια σειρά από έρευνες [9] . Ωστόσο, η έρευνα σε σχέση με την υδρόσφαιρα είναι περιορισμένη. Έρευνες σε σχέση με την υποχώρηση της μόλυνσης στο “Grand Canal” της Ιταλίας και [5]του ποταμού Γάγγη της Ινδίας [14], καθώς και σε σχέση με την απότομη μείωση των ατμοσφαιρικών ρύπων- οι οποίοι συνδέονται και με την θολότητα των υδάτων [31]- σε διάφορα μέρη του πλανήτη[10],[24],[21], υπογραμμίζουν την αναγκαιότητα μελέτης των μακροπρόθεσμων και βραχυπρόθεσμων περιβαλλοντικών επιπτώσεων, λόγω της καινοφανούς πραγματικότητας που διαμορφώθηκε από την επιβολή των γενικευμένων lock-downs. 
'''2.Σύνδεση με την υπάρχουσα έρευνα και ο ρόλος της τηλεπισκόπησης:''' 
Η ανάλυση της ποιότητας και της μόλυνσης των υδάτων βασίζεται σε μετρήσεις φυσικών, χημικών και βιολογικών ιδιοτήτων, οι οποίες κατά κανόνα λαμβάνονται με έρευνα πεδίου. Ωστόσο, οι έρευνες πεδίου είναι χρονοβόρες και κοστοβόρες, ενώ δεν ενδείκνυνται για ανάλυση σε περιφερειακό επίπεδο [8],[18]. Τελευταία, η τηλεπισκόπηση χρησιμοποιείται ευρέως για την διεξαγωγή τέτοιων ερευνών ξεπερνώντας τους ως άνω περιορισμούς [4],[30], επιτρέποντας την μελέτη εκτεταμένων περιοχών και την ανίχνευση μεταβολών μέσα στο χρόνο τακτικά [2],[3],[6],[27],[32], αναλύοντας τα φασματικά χαρακτηριστικά των αποχρώσεων των υδάτων [28]. Στην παρούσα έρευνα η συγκέντρωση Αιωρούμενων Σωματιδίων (ΑΣ) και κατ΄επέκταση η θολότητα των υδάτων χρησιμοποιούνται για την ανίχνευση των επιπέδων μόλυνσης των υδάτων. Ιδιαίτερα δημοφιλή μοντέλα για τέτοιου είδους έρευνες είναι αυτά που στηρίζονται στη μηχανική μάθηση συνδυαστικά με την τηλεπισκόπηση και το GIS [7]. Mέσα στα χρόνια μια σειρά από δορυφορικούς δέκτες, όπως οι Sentinal-2, Landsat series, Spot series, MODIS Aqua and Terra, SeaWiFS and OceanSAT, χρησιμοποιούνται για την χαρτογράφηση των ΑΣ στα υδρολογικά συστήματα [11],[29],[25].

[[ Εικόνα : A6_e1.jpg| thumb| right| Εικόνα 1: Περιοχή μελέτης, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100382 Science Direct] ]]

 

'''3. Περιοχή μελέτης:''' 
Στην παρούσα έρευνα επιλέγεται ως περιοχή μελέτης ο ποταμός Sabamarti. Η ποιότητα των νερών του ποταμού χαρακτηρίζεται μέτρια προς φτωχή, ενώ τα τελευταία χρόνια το σύστημα αυτοκαθαρισμού του ποταμού έχει υποβαθμιστεί [12]. Συγκεκριμένα, επιλέγεται να μελετηθεί η περιοχή του ποταμού που διασχίζει την ινδική Μητρόπολη Ahmedabad (Εικόνα 1) , η οποία κατατάσσεται ανάμεσα στις περιοχές της Ινδίας με τα περισσότερα κρούσματα και στην οποία η μόλυνση του ποταμού οφείλεται κυρίαρχα σε δραστηριότητες του ανθρώπου, βιομηχανικές δραστηριότητες κ.ο.κ. [20] 
'''4. Δορυφορικά Δεδομένα:''' 
Χρησιμοποιούνται δεδομένα από τον δορυφόρο Landsat8 και συγκεκριμένα τον δορυφορικό δέκτη OLI. Συγκεκριμένα χρησιμοποιήθηκαν 13 εικόνες LANDSAT 8 OLI Level-2 (Surface Reflectance), από τον ιστότοπο USGS. Χρησιμοποιήθηκαν 5 εικόνες απο τα έτη 2015 έως και 2019, 3 εικόνες πριν την περίοδο του lock-down και 5 εικόνες κατά την περίοδο του lock-down. 

'''4.1 Χρονική διακριτική ικανότητα :''' 

Η χρονική διακριτική ικανότητα του LANDSAT 8 OLI ανέρχεται σε 16 ημέρες. Ωστόσο, η περιοχή μελέτης υπόκειται σε δυο παρακείμενες σκηνές (WRS path 148 and 149) και με τον τρόπο αυτό βελτιώνεται η χρονική ανάλυση της εικόνας. 
'''4.2 Προεπεξεργασία Δορυφορικών Εικόνων:''' 
Ατμοσφαιρική Διόρθωση: 
Όλες οι εικόνες έχουν υποστεί ατμοσφαιρική διόρθωση χρησιμοποιώντας το εξειδικευμένο λογισμικό ατμοσφαιρικής διόρθωσης Landsat 8 Surface Reflectance Code (LaSRC). Αρχικά, παράγεται η απεικόνιση της ανακλαστικότητας των ανώτερων στρωμάτων της ατμόσφαιρας (ΤΟΑ Reflectance) χρησιμοποιώντας παραμέτρους βαθμονόμησης και στη συνέχεια εφαρμόζονται ατμοσφαιρικές διορθώσεις στην εικόνα αυτή και έτσι δημιουργείται η απεικόνιση της επιφανειακής ανακλαστικότητας (Surface Reflectance). 
'''5. Ο Αλγόριθμος SPM ( ΑΣ):''' 
Έρευνες έχουν δείξει πως η θολότητα των υδάτων μπορεί να εκτιμηθεί χρησιμοποιώντας αλγορίθμους που βασίζονται σε ένα μόνο δορυφορικό κανάλι, στο βαθμό που αυτό θα επιλεχθεί κατάλληλα. Στην παρούσα έρευνα χρησιμοποιείται ο αλγόριθμος που αναπτύχθηκε από τους Nechad et al. (2010) [17]:

 S= {A ρ * ρw/[(1-ρw)*Cρ] } 

, όπου ρw η ανακλαστικότητα των ρέοντων υδάτων στο κανάλι RED και Aρ, Cρ εμπειρικές παράμετροι. 
 
[[ Εικόνα : A6_e3.jpg |thumb| right | Εικόνα 2: Μέση συγκέντρωση ΑΣ αμέσως πριν και κατά τη διάρκεια του lock-down, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100382 Science Direct] ]]

[[ Εικόνα : A6_e4.jpg |thumb| left | Εικόνα 3:Μέση συγκέντρωση για τον μήνα Απρίλιο 2015-2020 , Πηγή:[https://doi.org/10.1016/j.rsase.2020.100382 Science Direct] ]] 
 

'''6. Αποτελέσματα και Συμπεράσματα:''' 

Συνολικά, αποδεικνύεται πως η συγκέντρωση ΑΣ σε επίπεδο μέσων όρων είναι η ελάχιστη κατά τη διάρκεια του lock-down σε σχέση με την περίοδο ακριβώς πριν την καραντίνα (Εικόνα 2), αλλά και σε σχέση με τις αντίστοιχες μέσες συγκεντρώσεις κατά τον
μήνα Απρίλιο από τα έτη 2015 έως και 2019 (Εικόνα 3). Την μείωση της συγκέντρωσης ΑΣ κατά την περίοδο του lock-down επιβεβαιώνουν και τα δεδομένα του Central Pollution Board for Ahmedabad city.
 
 
 
 
 
 
 
 
 
 


== ΑΝΑΦΟΡΕΣ ==



1. Akimoto, H., 2003. Global air quality and pollution. Science 302 (5651), 1716–1719.

2. Ali, P.Y., Jie, D., Khan, A., Sravanthi, N., Rao, L.A., Hao, C., 2019. Channel migration characteristics of the Yamuna River from 1954 to 2015 in the vicinity of Agra, India: a case study using remote sensing and GIS. Int. J. River Basin Manag. 17 (3), 367–375.

3. Alparslan, E., Aydoner, ¨ C., Tufekci, V., Tüfekci, H., 2007. Water quality assessment at Omerli ¨ Dam using remote sensing techniques. Environ. Monit. Assess. 135 (1–3), 391.

4. Avtar, R., Sahu, N., Aggarwal, A.K., Chakraborty, S., Kharrazi, A., Yunus, A.P., Dou, J., Kurniawan, T.A., 2019. Exploring renewable energy resources using remote sensing and GIS—a review. Resources 8 (3), 149.

5. Clifford, C., 2020. March 18). The Water in Venice, Italy’s Canals Is Running Clear amid the COVID-19 Lockdown—Take a Look. CNBC. https://www.cnbc.com/2020
/03/18/photos-water-in-venice-italys-canals-clear-amid-covid-19-lockdown.html.

6. Dekker, A., Zamurovi´c-Nenad, Z., ˇ Hoogenboom, H., Peters, S., 1996. Remote sensing, ecological water quality modelling and in situ measurements: a case study in shallow lakes. Hydrol. Sci. J. 41 (4), 531–547.

7. Dou, J., Yunus, A.P., Merghadi, A., Shirzadi, A., Nguyen, H., Hussain, Y., Avtar, R., Chen, Y., Pham, B.T., Yamagishi, H., 2020. Different sampling strategies for predicting landslide susceptibilities are deemed less consequential with deep learning. Sci. Total Environ. 720, 137320.

8. Duan, W., He, B., Takara, K., Luo, P., Nover, D., Sahu, N., Yamashiki, Y., 2013. Spatiotemporal evaluation of water quality incidents in Japan between 1996 and 2007. Chemosphere 93 (6), 946–953.

9. ESA, 2020. COVID-19: Nitrogen Dioxide over China. ESA. March 19. https://www.esa. int/Applications/Observing_the_Earth/Copernicus/Sentinel-5P/COVID-19_nitrogen_ dioxide_over_China.

10. Ficetola, G.F., Rubolini, D., 2020. Climate Affects Global Patterns of COVID-19 Early Outbreak Dynamics. MedRxiv.

11. Gholizadeh, M.H., Melesse, A.M., Reddi, L., 2016. A comprehensive review on water quality parameters estimation using remote sensing techniques. Sensors 16 (8), 1298.

12. Haldar, S., Mandal, S.K., Thorat, R., Goel, S., Baxi, K.D., Parmer, N.P., Patel, V., Basha, S., Mody, K., 2014. Water pollution of Sabarmati River - a harbinger to potential disaster. Environ. Monit. Assess. 186 (4), 2231–2242.

13. Henriques, M., 2020. Will Covid-19 Have a Lasting Impact on the Environment. BBC News. https://www.bbc.com/future/article/20200326-covid-19-the-impact-of-co ronavirus-on-the-environment. May 27

14. Mani, K.A.S., 2020. The Lockdown Cleaned the Ganga More than ‘Namami Gange’ Ever Did. Science-The Wire. April 19. https://science.thewire.in/environment/ganga-rive r-lockdown-cleaner-namami-gange-sewage-treatment-ecological-flow/.

15. Masood, N., Zakaria, M.P., Halimoon, N., Aris, A.Z., Magam, S.M., Kannan, N., Mustafa, S., Ali, M.M., Keshavarzifard,
M., Vaezzadeh, V., others, 2016. Anthropogenic waste indicators (AWIs), particularly PAHs and LABs, in Malaysian sediments: application of aquatic environment for identifying anthropogenic pollution. Mar. Pollut. Bull. 102 (1), 160–175.

16. Merghadi, A., Yunus, A.P., Dou, J., Whiteley, J., ThaiPham, B., Bui, D.T., Avtar, R., Abderrahmane, B., 2020. Machine learning methods for landslide susceptibility studies: a comparative overview of algorithm performance. Earth Sci. Rev. 103225.

17. Nechad, B., Ruddick, K., Park, Y., 2010. Calibration and validation of a generic multisensor algorithm for mapping of total suspended matter in turbid waters. Remote Sens. Environ. 114 (4), 854–866.

18. Ritchie, J.C., Zimba, P.V., Everitt, J.H., 2003. Remote sensing techniques to assess water quality. Photogramm. Eng.
Rem. Sens. 69 (6), 695–704.

19. Schlacher, T.A., Lucrezi, S., Connolly, R.M., Peterson, C.H., Gilby, B.L., Maslo, B., Olds, A.D., Walker, S.J., Leon, J.X., Huijbers, C.M., others, 2016. Human threats to sandy beaches: a meta-analysis of ghost crabs illustrates global anthropogenic impacts. Estuar. Coast Shelf Sci. 169, 56–73.
20. Shah, K.A., Joshi, G.S., 2017. Evaluation of water quality index for River Sabarmati, Gujarat, India. Appl. Water Sci. 7 (3), 1349–1358.

21. Sharma, S., Zhang, M., Gao, J., Zhang, H., Kota, S.H., others, 2020. Effect of restricted emissions during COVID-19 on
air quality in India. Sci. Total Environ. 728, 138878.

22. Stone, M., 2020. Carbon Emissions Are Falling Sharply Due to Coronavirus. But Not for Long. National Geographic. March 4. https://www.nationalgeographic.com/scienc e/2020/04/coronavirus-causing-carbon-emissions-to-fall-but-not-for-long/.

23. Stumpf, R.P., Pennock, J.R., 1989. Calibration of a general optical equation for remote sensing of suspended sediments in a moderately turbid estuary. J. Geophys. Res.: Oceans 94 (C10), 14363–14371

24. Tobias, A., Carnerero, C., Reche, C., Massagu´e, J., Via, M., Minguillon, ´ M.C., Alastuey, A., Querol, X., 2020. Changes in air quality during the lockdown in Barcelona (Spain) one month into the SARS-CoV-2 epidemic. Sci. Total Environ. 138540.

25. Vanhellemont, Q., Ruddick, K., 2014. Turbid wakes associated with offshore wind turbines observed with Landsat 8. Remote Sens. Environ. 145, 105–115.

26. Volkamer, R., Jimenez, J.L., San Martini, F., Dzepina, K., Zhang, Q., Salcedo, D., Molina, L.T., Worsnop, D.R., Molina,
M.J., 2006. Secondary organic aerosol formation from anthropogenic air pollution: rapid and higher than expected. Geophys. Res. Lett. 33 (17).

27. Wang, X.J., Ma, T., 2001. Application of remote sensing techniques in monitoring and assessing the water quality of Taihu Lake. Bull. Environ. Contam. Toxicol. 67 (6), 863–870.

28. Wang, Xiaoyan, Yang, W., 2019. Water quality monitoring and evaluation using remotesensing techniques in China: a systematic review. Ecosys. Health Sustain. 5 (1), 47–56.

29. Wei, J., Lee, Z., Garcia, R., Zoffoli, L., Armstrong, R.A., Shang, Z., Sheldon, P., Chen, R.F., 2018. An assessment of
Landsat-8 atmospheric correction schemes and remote sensing reflectance products in coral reefs and coastal turbid waters. Remote Sens. Environ. 215, 18–32.

30. Yunus, A.P., Dou, J., Song, X., Avtar, R., 2019. Improved bathymetric mapping of coastal and lake environments using Sentinel-2 and Landsat-8 images. Sensors 19 (12), 2788.

31. Yunus, A.P., Masago, Y., Hijioka, Y., 2020. COVID-19 and surface water quality: improved lake water quality during the lockdown. Sci. Total Environ. 139012.

32. Zhu, Z., Dou, J., 2018. Current status of reclaimed water in China: an overview. IDA J. Desalination Water Reuse 8 (3), 293–307.

[[category:Ανίχνευση ρύπανσης υδάτινων όγκων]]

Χαρτογράφηση των χρήσεων γής και της κάλυψης γης και της δυναμικής τους στη "δεξαμενή" του ποταμού Awash με χρήση τηλεπισκόπησης και GIS

2021-01-27T00:14:52Z

Ioanna Karani:

Πρωτότυπος τίτλος:Mapping of land-use/land-cover changes and its dynamics in Awash River Basin using remote sensing and GIS 
'''Συγγραφείς:'''Mahtsente Tadese, Lalit Kumar, Richard Koech, Benjamin K. Kogo 
'''Citation:'''Mahtsente Tadese, Lalit Kumar, Richard Koech, Benjamin K. Kogo, Mapping of land-use/land-cover changes and its dynamics in Awash River Basin using remote sensing and GIS, Remote Sensing Applications: Society and Environment, Volume 19, 2020, 100352, ISSN 2352-9385, [https://doi.org/10.1016/j.rsase.2020.100352]. 
 Πηγή: [https://doi.org/10.1016/j.rsase.2020.100352 ScienceDirect] 
'''Λέξεις κλειδιά:'''Land-use/land-cover; Dynamics; Cropland; Forest; Population 
 
 
 
 Αντικείμενο εφαρμογής : Χρήσεις γης και κάλυψη γης 

'''1. Χρήση και στόχος εφαρμογής:''' 
Η παρούσα έρευνα μελετά τις χρήσεις γης και την κάλυψη γης, καθώς και τη δυναμική του, κάνοντας χρήση τηλεπισκόπησης και GIS και στοχεύει στην υποβοήθηση του σχεδιασμού στρατηγικών και πρακτικών στα πλαίσια της βιωσιμότητας του περιβάλλοντος και των οικοσυστημάτων, καθώς και στην διαχείριση της επισιτιστικής ανασφάλειας στην περιοχή. 
'''2. Εισαγωγή:''' 
Η κάλυψη γης και οι χρήσεις γης (LUCL) και ειδικότερα οι μεταβολές αυτών αποτελούν έναν από τους παράγοντες που οδηγούν σε οικολογικές μεταβολές σε τοπικό περιφερειακό και παγκόσμιο επίπεδο. Οι μεταβολές αυτές μπορεί να συνδέονται έμμεσα ή άμεσα με ανθρώπινες παρεμβάσεις (Etter et al., 2006; Manandhar et al., 2009) και μπορούν να επηρεάσουν ή και να επηρεαστούν απο το κλίμα. Επίσης, στην Αιθιοπία μελέτες έχουν αποδείξει τη σχέση μεταξύ LUCL με την υποβάθμιση της γης σε διάφορα μέρη της χώρας (Amsaluet al.,2007, Hurniet al., 2010, Garedewet al., 2009, Mesheshaet al.,2014, Tsegayeet al.,2010). Τέλος,η κατανόηση των μεταβολών της LUCL σε επίπεδο "δεξαμενή"ς, μαζί με τις αιτίες που προκαλούν τις μεταβολές αυτές, είναι ζωτικής σημασίας για την ανάπτυξη κατάλληλων πολιτικών και πρακτικών για τη διαχείριση του περιβάλλοντος. 
'''3. Ο ρόλος της τηλεπισκόπησης:''' 
Η χαρτογράφηση των μεταβολών χρήσεις γης με τη χρήση της τηλεπισκόπησης αποτελεί μια ποσοτική περιγραφή των αλλαγών της γης και βοηθά στον προσδιορισμό για το ποσοστό, την έκταση και το μοτίβο της δυναμικής των χρήσεων γης. Μια σειρά από διαφορετικές μεθόδους ταξινόμησης έχουν αναπτυχθεί και εφαρμοστεί ευρέως για τη χαρτογράφηση των LUCL. Οι μέθοδοι αυτοί είναι οι εξής: α) επιβλεπόμενη ταξινόμηση (μέγιστης πιθανοφάνειας, ελάχιστης απόστασης και παραλληλεπιπέδου), β) μη επιβλεπόμενης ταξινόμησης (ISODATA και Κ-means) και γ) μη παραμετρική (arest-neighbour classification, fuzzy classification, neutral networks and support vector machines)(Lu et al., 2004; Zhang et al., 2000; Al-Doski et al., 2013) . Μεταξύ αυτών οι μέθοδοι επιβλεπομενης ταξινόμησης είναι οι πιο δημοφιλείς (Rawat and Kumar, 2015; Kogo et al., 2019; Kibet Langat et al., 2019). Η χωρική ανάλυση αποτελεί κρίσιμο στοιχείο για την ταξινόμηση των εικόνων και επομένως η εκτίμηση της ακρίβειας των ταξινομημένων εικόνων είναι ιδιαίτερα σημαντική για την ανάπτυξη αξιόπιστων μεθόδων ταξινόμησης με χρήση της τηλεπισκόπησης (Owojori and Xie, 2005), και μπορεί να επιτευχθεί με τη χρήση μεθόδων όπως το μη παραμετρικό kappa test (Rosenfield and Fitzpatrick-Lins, 1986). Μια σειρά από έρευνες ταυτοποίησαν τη δυναμική της κάλυψης της γης με χρήση τηλεπισκόπησης σε διάφορες περιοχές της Αιθιοπίας (Garedew et al., 2009; Alemu, 2015; Kidane and Alemu, 2015; Bekele et al., 2019; Dinka, 2012). 
'''4. Περιοχή μελέτης:''' 

[[Εικόνα : Ik21_a4_e1.jpg |thumb|right| Εικόνα 1: Περιοχή Μελέτης, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100352 ScienceDirect]]]

Ως περιοχή μελέτης επιλέχθηκε η "δεξαμενή" του ποταμού Awash (Awash River Basin-ARB) (Εικόνα 1). Η έκταση της είναι ίση με 112,000 km 2 και οι επιφανειακές απορροές ανέρχονται σε 4.9 δισεκατομμύρια . Η περιοχή χωρίζεται σε τρεις υποπεριοχές με βάσει φυσικά και κοινωνικοοικονομικά κριτήρια: i) Upper Awash (περιοχές άνω των 1500m), ii) Middle Awash ( περιοχές στα 1000-1500m) και iii) Lower Awash (περιοχές στα 500-1000m και η ανατολική "δεξαμενή"). Μέχρι και την διεξαγωγή της παρούσας έρευνας δεν υπήρχαν πληροφορίες σε σχέση με τις μεταβολές της LUCL και τα αποτελέσματα της πληθυσμιακής μεγέθυνσης. 
'''5. Δεδομένα:''' 
'''5.1 Τηλεπισκοπικά δεδομένα:''' 
Χρησιμοποιήθηκαν εικόνες Landsat των ετών 1988, 2002 και 2018 (Πίνακας 1) για την ανάλυση της δυναμικής των μεταβολών στις χρήσεις γης σε διάστημα 30 ετών. Δόθηκε, επίσης, προσοχή στη διαθεσιμότητα εικόνων χωρίς νεφοκάλυψη. Οι εικόνες αντλήθηκαν από τον Earth Explorer ([https://earthexplorer.usgs.gov/]) του USGS . Χρησιμοποιήθηκαν 9 εικόνες για να καλυφθεί η περιοχή μελέτης με path/row 66–169/52–54 για τις επιλεγμένες χρονιές. 


[[Εικόνα : Ik21_a4_e2.jpg| frame | center| Πίνακας 1: Δορυφορικά δεδομένα, Πηγή: [https://doi.org/10.1016/j.rsase.2020.100352 ScienceDirect] ]]

Τα δεδομένα πεδίου της περιοχής μελέτης για την αξιολόγηση της ταξινόμησης λήφθηκαν τον Σεπτέμβριο του 2018 με χρήση GPS, ενώ συνεπικουρικά χρησιμοποιήθηκαν αρχειακές εικόνες Google Earth. 
'''5.2 Δημογραφικά δεδομένα:''' 
Τα απαραίτητα δεδομένα για την εκτίμηση της μεταβολής του πληθυσμού αντλήθηκαν από τις Αρχές της "δεξαμενή"ς Awash για τα έτη 2007, 2014 και 2019 και μέσα από βιβλιογραφική ανασκόπηση για το έτος 1985. 

'''6. Μέθοδος:''' 
Η μέθοδος που ακολουθήθηκε, σε σχέση με την επεξεργασία των δορυφορικών δεδομένων, στην παρούσα έρευνα αποδίδεται σχηματικά στην Εικόνα 2. 
[[ Εικόνα: Ik21_a4_e3.jpg| frame| center| Εικόνα 2: Διάγραμμα ροής, Πηγή: [https://doi.org/10.1016/j.rsase.2020.100352 ScienceDirect] ]]


'''6.1 Προεπεξεργασία εικόνων:''' 
Η προεπεξεργασία των εικόνων, για την καθιέρωση μιας άμεσης σύνδεσης των βιοφυσικών φαινομένων και των δεδομένων που χρησιμοποιήθηκαν, είναι κρίσιμη για την ανίχνευση των μεταβολών (Coppin et al., 2004). Διορθώθηκαν ατμοσφαιρικά και φασματικά σφάλματα, καθώς και σφάλματα λωριδοποίησης , ενώ αφαιρέθηκαν και τα σκοτεινά αντικείμενα Τέλος, εννιά δορυφορικές εικόνες χρησιμοποιήθηκαν για να δημιουργηθεί το μωσαϊκό που αναπαριστά την περιοχή μελέτης και στη συνέχεια καλύφθηκε με το shapefile της περιοχής. 
'''6.2 Ταξινόμηση:''' 
Δεδομένα πεδίου και η γνώση της περιοχής χρησιμοποιήθηκαν για την δημιουργία των δεδομένων εκπαίδευσης και την ερμηνεία. Δημιουργήθηκαν έξι κλάσεις: καλλιέργειες, θαμνώδεις περιοχές, κτίσματα, δάσος, υγρότοποι και υδάτινοι όγκοι. Για κάθε κλάση δημιουργήθηκαν 327 δεδομένα εκπαίδευσης κατ’ ελάχιστο μέσω ψηφιοποίησης κατάλληλων πολυγώνων. Ο αριθμός των πολυγώνων που ψηφιοποιήθηκαν διαφέρει βάσει των εκάστοτε μεταβλητών και με στόχο τη διευκόλυνση της ταυτοποίησης κάθε χρήσης γης. Η οπτικοποίηση των χαρακτηριστικών πραγματοποιήθηκε με ψευδο-έγχρωμα σύνθετα. Στη συγκεκριμένη έρευνα χρησιμοποιήθηκε επιβλεπόμενη ταξινόμηση ανά pixel και συγκεκριμένα ο αλγόριθμος μέγιστης πιθανοφάνειας (Rawat and Kumar, 2015; Lille-sand et al., 2015). 
'''6.3 Μεταταξινομητική επεξεργασία:''' 
Αρχικά, εκτιμήθηκε η ακρίβεια των ταξινομημένων εικόνων ως προς τα δεδομένα αναφοράς (Jianya et al., 2008; Congalton and Green, 2002). Η διαδικασία αυτή υλοποιήθηκε με δύο τρόπους: 
A. Σύγκριση των αποτελεσμάτων της ταξινόμησης με την γνώση για την περιοχή και αρχειακές εικόνες Google Earth για τα
έτη 1988 και 2002 και με τα δεδομένα πεδίου για το έτος 2018. 
B. Με το μη παραμετρικό Kappa test 
Στη συνέχεια, η ανίχνευση των μεταβολών στην κάλυψη της γης πραγματοποιήθηκε σε περιβάλλον ENVI για τα έτη 1988/2002 και 2002/2018. Ενώ, τέλος, πίνακες διπλής εισόδου σε επίπεδο pixel χρησιμοποιήθηκαν για την ανίχνευση του τύπου και της έκτασης των μεταβολών στην κάλυψη της γης. 
'''6.4 Μεταβολή του πληθυσμού:''' 
Η επεξεργασία των δεδομένων έγινε σε περιβάλλον Εxcel. Για την εκτίμηση του πληθυσμού τα έτη 1988, 2002 και 2004 χρησιμοποιήθηκε η γραμμή τάσης για τα έτη 1985 και 2009. Tέλος, μελετήθηκε η στατιστικη σχέση μεταξύ της αύξηση του πληθυσμού και της LULC με χρήση του συντελεστή συσχέτισης Pearson. 
'''7. Αποτελέσματα:''' 

[[ Εικόνα : Ik21_a4_e4.jpg| thumb| right | Εικόνα 3:Χρήσεις γης περιοχής μελέτης για τα έτη 1988,2002 και 2018, Πηγή: [https://doi.org/10.1016/j.rsase.2020.100352 ScienceDirect] ]]
[[ Εικόνα : Ik21_a4_e5.jpg| thumb| left | Εικόνα 4:Κάλυψη γης της ζώνης Lower Awash για τα έτη 1988, 2002 και 2018, Πηγή: [https://doi.org/10.1016/j.rsase.2020.100352 ScienceDirect] ]]


Αρχικά να σημειωθεί πως η ακρίβεια των ταξινομημένων εικόνων ανέρχεται σε 86,9, 88,7 και 92,6% για τις εικόνες 1988, 2002 και 2018 αντίστοιχα. Και στις τρεις περιπτώσεις ξεπερνά το κατώτερο όριο του 85% που τέθηκε από τον Anderson(1976).Οι συντελεστές Kappa ήταν 0,83 για το 1988 & 2002 και 0,88 για το 2018.Η ανάλυση έδειξε πως οι καλλιεργήσιμες εκτάσεις και τα κτίσματα επεκτάθηκαν εις βάρος των δασικών και θαμνωδων εκτάσεων, με τους θάμνους και τα δάση να μειώνονται κατά 4% και 25% αντίστοιχα κατά την περίοδο των 30 ετών. Τα υψηλά επίπεδα αποψίλωσης, σε συνδυασμό με την αύξηση του πληθυσμού, την αστικοποίηση και την επέκταση των καλλιεργήσιμων εκτάσεων, έχουν επηρεάσει τους διαθέσιμους υδάτινους πόρους και την απορροή στην περιοχή.
Σε σχέση με τη μεταβολή του πληθυσμού διαπιστώνεται ότι ρυθμός αύξησης του πληθυσμού του ARB ήταν 3,1% και 2,2% για την περίοδο 1988–2002 και 2002–2018 αντίστοιχα.
Τέλος, βάσει του συντελεστή συσχέτισης Pearson, προκύπτει ότι υπάρχει ισχυρή συσχέτιση: 
* μεταξύ της αύξησης του πληθυσμού και της αύξησης της κατοικημένης έκτασης (r = 0.9677) 
* μεταξύ της επέκτασης των καλλιεργήσιμων εκτάσεων (r =0,9990), της μείωσης των θάμνων (r=-0,9897) και της μείωσης της δασικής κάλυψης (r =-0,8990) 

Στην Εικόνα 3 παρουσιάζονται τα αποτελέσματα σε σχέση με τις χρήσεις γης για τα τρία έτη.Στην Εικόνα 4 παρουσιάζεται η κάλυψη γης ενδεικτικά για μία από τις τρεις ζώνες της περιοχής μελέτης και συγκεκριμένα για την Lower Awash ζώνη και για τα τρία έτη. 
'''8. Συμπεράσματα:''' 
Τα πορίσματα της μελέτης αυτής μπορούν να συμβάλουν στο σχεδιασμό στρατηγικών και πρακτικών περιβαλλοντικής διαχείρισης για τη διασφάλιση της βιωσιμότητας του οικοσυστήματος και των φυσικών πόρων. Η μελέτη δεν περιλαμβάνει ανάλυση της καταλληλότητας χρήσης γης, η οποία είναι ζωτικής σημασίας για τη δημιουργία βιώσιμης διαχείρισης των φυσικών πόρων στην ARB. Επιπλέον, η ποσοτικοποιημένη επίδραση της αλλαγής της χρήσης γης σε υδάτινους πόρους και στην άρδευση είναι σημαντική για τον σχεδιασμό βιώσιμων πολιτικών και στρατηγικών για τη διαχείριση της γης και των υδάτων. Ως εκ τούτου, συνιστάται περαιτέρω μελέτη σχετικά με τον αντίκτυπο της αλλαγής της κάλυψης γης στους διαθέσιμους υδάτινους πόρους και την ανάλυση της καταλληλότητας της γης.
 
 
 
 
 

== ΑΝΑΦΟΡΕΣ ==



Al-Doski, J., Mansorl, S.B., Shafri, H.Z.M., 2013. Image Classification in Remote Sensing. Department of Civil Engineering, Faculty of Engineering, University Putra, Malaysia.

Alemu, B., 2015. The effect of land use land cover change on land degradation in the highlands of Ethiopia. J. Environ. Earth Sci. 5, 1–12.

Amsalu, A., Stroosnijder, L., de Graaff, J., 2007. Long-term dynamics in land resource use and the driving forces in the Beressa watershed, highlands of Ethiopia. J. Environ. Manag. 83 (4), 448–459.

Anderson, J.R., 1976. A Land Use and Land Cover Classification System for Use with Remote Sensor Data, vol. 964. US Government Printing Office.

Bekele, D., et al., 2019. Land use and land cover dynamics in the Keleta watershed, Awash River basin, Ethiopia. Environ. Hazards 18 (3), 246–265.

Congalton, R.G., Green, K., 2002. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. CRC press.

Coppin, P., et al., 2004. Review ArticleDigital change detection methods in ecosystem monitoring: a review. Int. J. Rem. Sens. 25 (9), 1565–1596.

Dinka, M.O., 2012. Analysing decadal land use/cover dynamics of the Lake Basaka catchment (Main Ethiopian Rift) using LANDSAT imagery and GIS. Lakes Reservoirs Res. Manag. 17 (1), 11–24.

Etter, A., et al., 2006. Regional patterns of agricultural land use and deforestation in Colombia. Agric. Ecosyst. Environ. 114 (2-4),
369–386.

Garedew, E., et al., 2009. Land-use and land-cover dynamics in the central rift valley of Ethiopia. Environ. Manag. 44 (4), 683–694. Hurni, H., et al., 2010. Land Degradation and Sustainable Land Management in the Highlands of Ethiopia.

Jianya, G., et al., 2008. A review of multi-temporal remote sensing data change detection algorithms. Int. Arch. Photogram. Rem. Sens. Spatial Inf. Sci. 37 (B7), 757–762.

Kibet Langat, P., et al., 2019. Monitoring of Land Use/Land-Cover Dynamics Using Remote Sensing: A Case of Tana River Basin. Geocarto International, Kenya, pp. 1–20 just-accepted.

Kidane, D., Alemu, B., 2015. The effect of upstream land use practices on soil erosion and sedimentation in the Upper Blue Nile Basin, Ethiopia. Research Journal of Agriculture and Environmental Management 4 (2), 55–68.

Kogo, B.K., Kumar, L., Koech, R., 2019. Analysis of spatio-temporal dynamics of land use and cover changes in Western Kenya. Geocarto Int. 1–16.
Lillesand, T., Kiefer, R.W., Chipman, J., 2015. Remote Sensing and Image Interpretation. John Wiley & Sons. Lu, D., et al., 2004. Change detection techniques. Int. J. Rem. Sens. 25 (12), 2365–2401.

Manandhar, R., Odeh, I., Ancev, T., 2009. Improving the accuracy of land use and land cover classification of Landsat data using post-classification enhancement. Rem. Sens. 1 (3), 330–344.

Meshesha, D.T., et al., 2014. Land-use change and its socio-environmental impact in Eastern Ethiopia’s highland. Reg. Environ. Change 14 (2), 757–768.

Owojori, A., Xie, H., 2005. Landsat image-based LULC changes of San Antonio, Texas using advanced atmospheric correction and object-oriented image analysis approaches. In: 5th International Symposium on Remote Sensing of Urban Areas. Tempe, AZ.

Rawat, J., Kumar, M., 2015. Monitoring land use/cover change using remote sensing and GIS techniques: a case study of Hawalbagh block, district Almora, Uttarakhand, India. The Egyptian Journal of Remote Sensing and Space Science 18 (1), 77–84.
Rosenfield, G.H., Fitzpatrick-Lins, K., 1986. A coefficient of agreement as a measure of thematic classification accuracy. Photogramm. Eng. Rem. Sens. 52 (2), 223–227.

Tsegaye, D., et al., 2010. Land-use/cover dynamics in Northern Afar rangelands, Ethiopia. Agric. Ecosyst. Environ. 139 (1-2), 174–180.
Zhang, S.-q., Zhang, S.-k., Zhang, J.-y., 2000. A study on wetland classification model of remote sensing in the Sangjiang Plain. Chin. Geogr. Sci. 10 (1), 68–73.T
[[category:Αστικός και περιφερειακός σχεδιασμός]]

Χρήση εικόνων Landsat 8 για την εκτίμηση του βάθους και της ποιότητας των υδάτων στη "δεξαμενή" νερού El Guajaro στην Κολομβία

2021-01-27T00:14:24Z

Ioanna Karani:

[[category:Παρακολούθηση, χαρτογράφηση και ανάλυση ποταμών, λιμνών και υγροτόπων]]

'''Πρωτότυπος τίτλος:'''Use of LANDSAT 8 images for depth and water quality assessment of El Guajaro reservoir, Colombia 
'''Συγγραφείς:'''Luis Carlos González-Márquez, Franklin M. Torres-Bejarano, Ana Carolina Torregroza-Espinosa, Ivette Renée Hansen-Rodríguez, Hugo B. Rodríguez-Gallegos 
'''Citation:'''Luis Carlos González-Márquez, Franklin M. Torres-Bejarano, Ana Carolina Torregroza-Espinosa, Ivette Renée Hansen-Rodríguez, Hugo B. Rodríguez-Gallegos, Use of LANDSAT 8 images for depth and water quality assessment of El Guájaro reservoir, Colombia, Journal of South American Earth Sciences, Volume 82, 2018, Pages 231-238, ISSN 0895-9811, [https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub]. 

'''Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub ScienceDirect] 
'''Λέξεις κλειδιά:'''Water quality; Remote sensing; Statistical models; Multispectral analysis 
 
 
 
 Αντικείμενο εγαρμογής: Αξιλόγηση ποιότητας και χαρακτηριστικών υδάτων. 
 
 
 

'''1. Σκοπός και χρήση της εφαρμογής:''' 
Η παρούσα έρευνα στοχεύει στην ανάπτυξη μεθοδολογίας για την εκτίμηση του βάθους και την ποιότητα των υδάτων συνδυάζοντας δορυφορικές εικόνες, επιτόπιες μετρήσεις και στατιστικά μοντέλα. 
'''2. Εισαγωγή:''' 
Το κλίμα, οι ορογενετικές διαδικασίες, καθώς και η βιο-γεωγραφική θέση της Κολομβίας συνέβαλαν στην αφθονία υδάτων στην χώρα(Minambiente, 2010; Castellanos, 2015). Η εθνική πολιτική για την ολοκληρωμένη διαχείριση των υδάτων επισημαίνει την έλλειψη περιοδικής και συστηματικής μελέτης των υδάτων. Ταυτόχρονα, είναι προφανές πως η ποιότητα των υδάτων μεταβάλλεται, επηρεάζοντας τόσο τη διαθεσιμότητα, όσο και την καταλληλότητα για ορισμένες χρήσεις, με διαφορετική ένταση ανά περιοχή και υδάτινο σώμα. Συνεπώς, αναδεικνύεται η αναγκαιότητα για πρόσβαση σε επαρκούς κάλυψης, συνεκτικότητας και ανάλυσης πληροφορίες για την πιο ολοκληρωμένη χωροχρονική μελέτη των υδάτων (Minambiente, 2010). Συνολικά, η πρόσβαση σε πληροφορίες σε σχέση με την ποιότητα των υδάτων στην Κολομβία και ειδικά στην περιοχή της Καραϊβικής χαρακτηρίζεται από δυσκολίες, ενώ ταυτόχρονα οι διαθέσιμες πληροφορίες είναι περιορισμένες και κατακερματισμένες. 
'''3. Ο ρόλος της τηλεπισκόπησης:''' 
Παραδοσιακά η μελέτη των υδάτινων σωμάτων βασίζεται στην επιτόπια δειγματοληψία και την ανάλυση των δειγμάτων σε εργαστηριακό περιβάλλον, πρακτική η οποία είναι χρονοβόρα και κοστοβόρα και δεν ενδείκνυται για την παρατήρηση των χωροχρονικών μεταβολών σε μεγάλες περιοχές (He et al., 2008). Ακόμη, δεν διευκολύνεται η τακτική παρατήρηση των υδάτων, η οποία είναι ιδιαίτερα σημαντική για την ολοκληρωμένη διαχείριση τους (Wang and Ma, 2001). Δεδομένου ότι η ορατότητα του νερού επηρεάζεται από παράγοντες που σχετίζονται με την ποιότητα του (Pavelsky and Smith, 2009), αναπτύχθηκαν αλγόριθμοι για την παρακολούθηση παραμέτρων της ποιότητας των υδάτων με εργαλεία τηλεπισκόπησης (He et al., 2008; El Saadi et al., 2014) Η τηλεπισκόπηση επιτρέπει την παρακολούθηση εκτεταμένων περιοχών, χωρίς τα υψηλά κόστη της επιτόπιας έρευνας (Hadjimitsis et al., 2010). Εμπόδιο στην μελέτη της ποιότητας των υδάτων με εργαλεία τηλεπισκόπησης μπορεί να σταθεί η επίδραση των ατμοσφαιρικών παραγόντων, αν και έχουν αναπτυχθεί μεθοδολογίες για την απαλοιφή της . Σε γενικές γραμμές, μια σειρά από έρευνες έχουν διεξαχθεί με χρήση εργαλείων τηλεπισκόπησης για την μελέτη παραμέτρων της ποιότητας των υδάτων, όπως η συγκέντρωση χλωροφύλλης, η διαπερατότητα, η θολότητα κ.ο.κ. (Ritchie et al., 2003; Hellweger et al., 2004; Dona et al., 2015; Harvey et al., 2015), αλλά και για τον προσδιορισμό θέσεων υδατοκαλλιεργειών με χρήση πολυφασματικών ή υπερφασματικών εικόνων (Rajitha et al., 2007; Alexandridis et al., 2008; Abd-Elrahman et al., 2011). 
'''4. Περιοχή μελέτης:''' 
Ως περιοχή μελέτης επιλέγεται η "δεξαμενή" El Guajaro (Εικόνα 1) στην Κολομβία. Στην αρχική της κατάσταση, η λίμνη χαρακτηρίζονταν από χωρητικότητα ίση με 400,000,000 m3 και έκταση ίση με 16,000 ha και μέσο βάθος 5 μέτρων. Σήμερα, η έκταση της λίμνης υπολογίζεται σε 11,647 ha, η περίμετρο της σε 114.28 km και πραγματικό όγκο ίσο με 240,000,000 m3 (IDEAM, 2015). Επίσης, η λίμνη διαθέτει δύο διαύλους επικοινωνίας με το κανάλι του φράγματος για τον έλεγχο του επιπέδου της λίμνης (Torres Bejarano et al., 2015). Τα νερά της "δεξαμενή"ς αξιοποιούνται ποικιλοτρόπως: για ανθρώπινη κατανάλωση, για άρδευση γεωργικών προϊόντων και καλλιέργειες ψαριών κ.ο.κ. 
'''5. Δεδομένα''' 
[[ Εικόνα: Ik21_a3_e1.jpg | thumb | right | Εικόνα 1: Περιοχή μελέτης, Πηγή: [https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub ScienceDirect] ]]


'''5.1 Δεδομένα πεδίου:''' 
Πραγματοποιήθηκαν δύο συμπληρωματικές δειγματοληψίες στην περιοχή, πριν την περίοδο των βροχοπτώσεων, στις 28/02/2015 (Δείγμα 1) και στις 16/03/2015 (Δείγμα 2) και οι ημερομηνίες επιλέχθηκαν έτσι ώστε να συμπίπτουν με την ημερομηνία λήψης των εικόνων Landsat 8. Τα δείγματα, προέρχονται από όλη την έκταση της λίμνης για να είναι αντιπροσωπευτικά, ενώ εξαιρέθηκαν οι περιοχές βλάστησης στην επιφάνεια της λίμνης (Εικόνα 1). Μετρήθηκαν οι θερμοκρασία, η ηλεκτρική αγωγιμότητα (ΕΟ), το διαλυμένο οξυγόνο (DO), το pH, η θολότητα και το βάθος. 
'''5.2 Δορυφορικά δεδομένα:''' 
Χρησιμοποιήθηκαν δύο εικόνες Landsat 8 (path, 9; row, 53) με ημερομηνίες λήψης 28/02/2015 και 16/03/2015. Τα δεδομένα αντλήθηκαν από την ιστοσελίδα [http://glovis.usgs.gov/]. Η νεφοκάλυψη και για τις δύο εικόνες ανέρχεται σε 3%. Ο τύπος των εικόνων είναι level 1 GeoTIFF. Στον δορυφόρο είναι προσαρμοσμένοι δύο αισθητήρες ο OLI και ο ΤIRS. Οι εικόνες διαθέτουν 11 κανάλια διαφορετικής χωρικής διακριτικής ικανότητας. Tα κανάλια (bands) b1 (coast/aerosol), b2 (blue), b3 (green), b4 (red), b5 (near infrared, NIR), b6 and b7 (short wave infrared bands SWIR1, and SWIR2), όπως και το κανάλι b9 (cirrus) έχουν χωρική διακριτική ικανότητα της τάξης των 30m , το κανάλι b8 (panchromatic) 15 m και τα κανάλια b10 και b11 (TIR-1 and TIR-2) 100 m, η οποία επαναπροσδιορίζεται στα 30m. 
'''6. Μέθοδος:''' 
Η μέθοδος που χρησιμοποιήθηκε στην παρούσα έρευνα παρουσιάζεται σχηματικά στην Εικόνα 2. 
[[ Εικόνα : Ik21_a3_e2.jpg | frame | center| Εικόνα 2: Διάγραμμα ροής της παρούσας έρευνας. ]] 


'''6.1 Προεπεξεργασία και Επεξεργασία δορυφορικών εικόνων:''' 
Η εικόνες Landsat 8 υπέστησαν ραδιομετρική και ατμοσφαιρική διόρθωση. Κατά την ραδιομετρική διόρθωση η σχετικές τιμές των pixel ή οι ψηφιακές τους τιμές μετασχηματίζονται σε μετρήσεις ακτινοβολίας ανά μονάδα μήκους κύματος του φωτός ή σε ανακλαστικότητα. Κατά την ατμοσφαιρική διόρθωση περιορίζεται η επίδραση των ατμοσφαιρικών παραγόντων και οι ραδιομετρικές τιμές μετασχηματίζονται σε ακτινοβολία ή ανακλαστικότητα εδάφους. Με τον τρόπο αυτό οι μετρήσεις των βιοφυσικών παραμέτρων είναι δυνατόν να εκτιμηθούν και να συγκριθούν στο χώρο και στον χρόνο (Chavez, 1988). Στην παρούσα έρευνα η ατμοσφαιρική διόρθωση εφαρμόστηκε στα κανάλια του ορατού φάσματος στα κανάλια NIR και SWIR1, SWIR2 μέσω της μεθόδου αφαίρεσης του μέλανος σώματος (Chavez, 1988). Με βάση τη μέθοδο αυτή θεωρείται ότι μερικά από τα πιο σκούρα αντικείμενα έχουν τιμές ανακλαστικότητας κοντά στο 0, αλλά λόγω της διασποράς και της ατμοσφαιρικής απορρόφησης, τιμές ανακλαστικότητας διάφορες του 0 κατατάσσονται στα pixel των σκούρων αντικειμένων και οι τιμές αυτές πρέπει να αφαιρεθούν απο τα διάφορα φασματικά κανάλια της εικόνας. Για την επεξεργασία χρησιμοποιήθηκε το λογισμικό ENVI και η έκδοση 5.2 .
Οι υδάτινες περιοχές οριοθετήθηκαν με τη χρήση του δείκτη Normalized Differential Water Index (NDWI) (McFeeters, 1996; Khattab and Merkel, 2013). Ο δείκτης ορίζεται ως εξής: 


 NDWI=(b3-NIR)/(b3+NIR) 



, όπου b3 το πράσινο κανάλι και NIR το κανάλι του εγγύος υπέρυθρου (b5).
Για την επεξεργασία χρησιμοποιήθηκε το λογισμικό ENVI. Δημιουργήθηκε μάσκα στην οποία στα εικονοστοιχεία που αντιστοιχούσαν στην επιφάνεια του νερού αποδόθηκε η τιμή 1, ενώ στα υπόλοιπα(λ.χ. Βλάστηση, έδαφος) η τιμή 0. Στη συνέχεια η μάσκα αυτή πολλαπλασιάστηκε με τις εικόνες Landsat 8 που έχουν διορθωθεί ραδιομετρικά και ατμοσφαιρικά. 
'''6.2 Στατιστική ανάλυση:''' 
Για τον προσδιορισμό των στατιστικών μοντέλων, τα αποτελέσματα της δεύτερη δειγματοληψίας χρησιμοποιήθηκαν ως εξαρτημένες μεταβλητές και τα δεδομένα για την ανακλαστικότητα των διάφορων συνδυασμών φασματικών καναλιών των επεξεργασμένων Landsat 8 εικόνων ως ανεξάρτητες μεταβλητές. Η κανονικότητα των δεδομένων ελέγχθηκε με τον έλεγχο e Shapiro-Wilk test, χρησιμοποιώντας το λογισμικό Real Statistics Resource Pack (Zaiontz, 2015), ενώ όσα δεδομένα δεν ακολουθούσαν κανονική κατανομή κανονικοποιήθηκαν . Για την παραγωγή και την επαλήθευση των μοντέλων χρησιμοποιήθηκαν τα δεδομένα των δύο δειγματοληψιών. Τα μοντέλα παράχθηκαν με βηματική παλινδρόμηση και η επαλήθευση πραγματοποιήθηκε με απλή γραμμική παλινδρόμηση σε περιβάλλον Matlab (version 2015). 
'''6.3 Χαρτογράφηση παραμέτρων:''' 
Τέλος, τα μοντέλα αναπαράχθηκαν με το Band Math tool of ENVI και οι τιμές ανακλαστικότητας αντιστοιχήθηκαν σε τιμές ΕC, Turbidity (θολότητα), pH, DO και depth (βάθος). Η χαρτογράφηση των παραμέτρων πραγματοποιήθηκε στο λογισμικό ArcMap 10.2. 
[[ Εικόνα : Ik21_a3_e4.JPG| thumb | right | Πίνακας 1: Στατιστικά μοντέλα των παραμέτρων και του βάθους, R 2 και RMSE., Πηγή:[https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub ScienceDirect] ]]
'''7. Αποτελέσματα:''' 

Τα μοντέλα τα οποία ήταν στατιστικά σημαντικά (p<0.05) και τα οποία προσαρμόζονται καλύτερα στα επιτόπια δεδομένα της δεύτερης δειγματοληψίας για τις παραμέτρους EC, turbidity, pH, DO και depth παρουσιάζονται στον Πίνακα 1. Στον Πίνακα 1 παρουσιάζεται, επίσης, και το μέσο τετραγωνικό σφάλμα. 
Γενικά, η ανάλυση παλινδρόμησης έδειξε καλή συσχέτιση ( R2 >0.06149) μεταξύ της ανακλαστικότητας των διάφορων φασματικών καναλιών των εικόνων Landsat 8 και των μετρήσεων των παραμέτρων και του βάθους στη λίμνη. Ωστόσο, μόνο το μοντέλο για την ηλεκτρική αγωγιμότητα επαληθεύτηκε σε τελική ανάλυση.
Τα αποτελέσματα της χαρτογράφησης των παραμέτρων και του βάθους παρουσιάζονται στην Εικόνα 3. 
 
 

[[ Εικόνα: Ik21_a3_e5.jpg| thumb| left| Εικόνα 3: Χαρτογράφηση παραμέτρων και βάθους., Πηγή:[https://www.sciencedirect.com/science/article/pii/S0895981117303802?via=ihub ScienceDirect] ]]
 
 
 

'''8. Συμπεράσματα:''' 
Η επαλήθευση του μοντέλου ΕC που παράγεται στην παρούσα έρευνα δείχνει ότι μπορεί να χρησιμοποιηθεί για την αξιολόγηση της χρονικής και χωρικής διακύμανσης αυτής της παραμέτρου, σε περιόδους με καιρικές συνθήκες παρόμοιες με εκείνες που επικρατούσαν κατά την περίοδο συλλογή των δεδομένων για την παραγωγή του μοντέλου. Η μη επαλήθευση των παραγόμενων μοντέλων για την εκτίμηση της χρονικής διακύμανσης της θολότητας, του pH, του DO και του βάθους, δεν περιορίζει τη χρησιμότητά τους για την αξιολόγηση της χωρικής διακύμανσης από μικρό αριθμό παραμέτρων που αξιολογούνται επιτόπου.
Συνολικά, τα μοντέλα που δημιουργήθηκαν από τις εικόνες Landsat 8 αποτελούν ένα χρήσιμο εργαλείο για την χωρική και χρονική ανάλυση της ποιότητας των υδάτων της "δεξαμενή"ς του El Guájaro και να συμβάλει στην περιβαλλοντική, οικονομική και κοινωνική διαχείριση της. 
 
 
 

 
 
 
 

== ΑΝΑΦΟΡΕΣ ==


Abd-Elrahman, A., Croxton, M., Pande-Chettri, R., Toor, G.S., Smith, S., Hill, J., Jul. 2011. In situ estimation of water quality parameters in freshwater aquaculture ponds using hyperspectral imaging system. ISPRS J. Photogramm. Remote Sens. 66 (4), 463e472. https://doi.org/10.1016/j.isprsjprs.2011.02.005.

Alexandridis, T.K., Topaloglou, C.A., Lazaridou, E., Zalidis, G.C., Jan. 2008. The performance of satellite images in mapping aquacultures. Ocean Coast. Manag. 51 (8e9), 638e644. https://doi.org/10.1016/j.ocecoaman.2008.06.002

Castellanos, C., 2015. Humedales, riqueza a conservar. Rev. Ambient. el Reto [Online]. Available: http://elretoambiental.webnode.es/news/informe-especialhumedales-riqueza-a-conservar/. (Accessed 14 September 2015).

Chavez, P.S., Apr. 1988. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sens. Environ. 24 (3), 459e479. https://doi.org/10.1016/0034-4257(88)90019-3.

Dona, C., Chang, N.B., Caselles, V., S ~ anchez, J.M., Camacho, A., Delegido, J., Vannah, B.W., Mar. 2015. Integrated satellite data fusion and mining for monitoring lake water quality status of the Albufera de Valencia in Spain. J. Environ. Manag. 151, 416e426. https://doi.org/10.1016/j.jenvman.2014.12.003.

El Saadi, A.M., Yousry, M.M., Jahin, H.S., 2014. Statistical estimation of Rosetta branch water quality using multi-spectral data. Water Sci. 28 (1), 18e30. https://doi.org/10.1016/j.wsj.2014.10.001.

Hadjimitsis, D.G., Hadjimitsis, M.G., Toulios, L., Clayton, C., Jan. 2010. Use of space technology for assisting water quality
assessment and monitoring of inland water bodies. Phys. Chem. Earth Parts A/B/C 35 (1e2), 115e120. https://doi.org/ 10.1016/j.pce.2010.03.033.

Harvey, E.T., Kratzer, S., Philipson, P., Mar. 2015. Satellite-based water quality monitoring for improved spatial and temporal retrieval of chlorophyll-a in coastal waters. Remote Sens. Environ. 158, 417e430. https://doi.org/10.1016/j. rse.2014.11.017.

He, W., Chen, S., Liu, X., Chen, J., 2008. Water quality monitoring in a slightlypolluted inland water body through remote sensingdcase study of the Guanting Reservoir in Beijing, China. Environ. Sci. Eng. https://doi.org/10.1007/ s11783-008-0027-7. Hellweger, F.L., Schlosser, P., Lall, U., Weissel, J.K., Nov. 2004. Use of satellite imagery for water quality studies in New York Harbor. Estuar. Coast. Shelf Sci. 61 (3), 437e448. http://doi:10.1016/j.ecss.2004.06.019. IDEAM, 2015. Estudio Nacional del Agua 2014, Bogot a, D. C.

IDEAM, 2015. Estudio Nacional del Agua 2014, Bogot a, D. C.
Khattab, M.F.O., Merkel, B.J., Jul. 2013. Application of Landsat 5 and Landsat 7 images data for water quality mapping in Mosul Dam Lake, Northern Iraq. Arab. J. Geosci. 7 (9), 3557e3573. https://doi.org/10.1007/s12517-013-1026-y

McFeeters, S.K., May 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J. Remote Sens. 17 (7), 1425e1432. https://doi.org/10.1080/01431169608948714.

Minambiente, 2010. Política Nacional para la Gestion Integral del Recurso Hídrico, Bogota.

Pavelsky, T.M., Smith, L.C., Nov. 2009. Remote sensing of suspended sediment concentration, flow velocity, and lake recharge in the Peace-Athabasca Delta, Canada. Water Resour. Res. 45 (11), W11417. https://doi.org/10.1029/ 2008wr007424

Rajitha, K., Mukherjee, C.K., Vinu Chandran, R., Jan. 2007. Applications of remote sensing and GIS for sustainable management of shrimp culture in India. Aquacult. Eng. 36 (1), 1e17. https://doi.org/10.1016/j.aquaeng.2006.05.003.

Ritchie, J.C., Zimba, P.V., Everitt, J.H., Jun. 2003. Remote sensing techniques to assess water quality. Photogramm. Eng. Remote Sens. 69 (6), 695e704. https://doi.org/ 10.14358/PERS.69.6.695.

Torres-Bejarano, F., Padilla Coba, J., Rodríguez Cuevas, C., Ramírez Leon, H., Cantero Rodelo, R., Jun. 2015. La modelacion hidrodin amica para la gesti on hídrica del embalse del Gu ajaro, Colombia. Rev. Int. Metodos Num er. C alc. Diseno Ing. 32 ~ (3), 163e172. https://doi.org/10.1016/j.rimni.2015.04.001.

Wang, X., Ma, T., 2001. Application of remote sensing techniques in monitoring and assessing the water quality of Taihu Lake. Bull. Environ. Contam. Toxicol. 67 (6), 863e870. https://doi.org/10.1007/s00128-001-0202-z.

Zaiontz, C., 2015. Real Statistics Resource Pack Software.

Ένα καινοτόμο και ευφυές σύστημα με βάση την τηλεπισκόπηση και μαθηματικά μοντέλα για την βελτίωση της εκτίμησης απόδοσης της σοδειάς

2021-01-27T00:13:41Z

Ioanna Karani:

'''Πρωτότυπος τίτλος''': An innovative intelligent system based on remote sensing and mathematical models for improving crop yield estimation 
'''Συγγραφέας''': Mohamad M. Awad 
'''Citation:''' Mohamad M. Awad, An innovative intelligent system based on remote sensing and mathematical models for improving crop yield estimation, Information Processing in Agriculture, Volume 6, Issue 3, 2019,316-325, ISSN 2214-3173, https://doi.org/10.1016/j.inpa.2019.04.001 
'''Πηγή''': [https://doi.org/10.1016/j.inpa.2019.04.001 Science Direct.] 

'''Λέξεις κλειδιά:''' απόδοση σοδειάς, περιβάλλον, τηλεπισκόπηση, επεξεργασία εικόνων, εξατμισοδιαπνοή, ευφυές σύστημα 
 
 
 
 Αντικείμενο Eφαρμογής : Εκτίμηση απόδοσης σοδειάς 
 
 
 
'''1.Περίληψη-Στόχος της εφαρμογής:''' 
Οι δύο βασικοί περιορισμοί στην χρήση της τηλεπισκόπησης για την εκτίμησης της απόδοσης της σοδειάς συνίστανται: α) στις κλιματικές συνθήκες (νεφοκάλυψη) και β) στην χαμηλή χρονική διακριτική ικανότητα των δορυφορικών εικόνων. Μέχρι πρότινος, οι ως άνω περιορισμοί επιχειρήθηκε να επιλυθούν, από μια σειρά από ερευνητές, μέσω της χρήσης δορυφορικών εικόνων υψηλής χρονικής και χαμηλής χωρικής διακριτικής ικανότητας. Στην παρούσα έρευνα, το πρόβλημα προσεγγίζεται με τη χρήση μαθηματικών μοντέλων, μεθόδων, τεχνικών και ευφυών συστημάτων που βασίζονται σε δεδομένα τηλεπισκόπησης, έτσι ώστε να βελτιωθεί η εκτίμηση της απόδοσης της σοδειάς. 
'''2.Σύνδεση με την υπάρχουσα έρευνα:''' 
Η παρούσα έρευνα τροποποιεί και βελτιώνει τη μέθοδο που αναπτύχθηκε από τους Bastiaansses and Ali (2003) [5] για την περιγραφή των χρονικών και χωρικών μεταβολών της υγρασίας του εδάφους, μέσω της χρήσης της εξίσωσης του ενεργειακού ισοζυγίου και του μοντέλου Mapping EvapoTranspiration at high Resolution with Internalized Calibration (METRIC) [1]. Επίσης, το μοντέλο Monteith [2] τροποποιείται με την ανάπτυξη ενός νέου μαθηματικού μοντέλου. 
[[ Εικόνα : Ik21_a2_e1.png‎ | thumb| right| Εικόνα 1: Περιοχή μελέτης, Πηγή:[https://doi.org/10.1016/j.inpa.2019.04.001 Science Direct.] ]]

'''3. Περιοχή Μελέτης:''' 

Το σύστημα που αναπτύσσεται στην παρούσα μελέτη εφαρμόζεται στην κοιλάδα Bekaa (Εικόνα 1),τη μεγαλύτερη αγροτική περιοχή του Λιβάνου. Οι κύριες καλλιέργειες τις περιοχής είναι το σιτάρι και η πατάτα. Τέλος, στην περιοχή βρίσκονται εγκατεστημένοι δύο σταθμοί Bowe Ratio για την μέτρηση διάφορων κλιματικών παραμέτρων, απαραίτητων για τη διαχείριση της άρδευσης και την εκτίμηση της απόδοσης της σοδειάς. 
'''4. Δορυφορικά Δεδομένα:''' 
Χρησιμοποιούνται δορυφορικές εικόνες προερχόμενες από τους δορυφόρους Landsat 7 ETM+ και Landsat8. Η επιλογή των προαναφερόμενων δορυφόρων στηρίζεται στους εξής παράγοντες: 
* η ελεύθερη διάθεση των δορυφορικών εικόνων από την ιστοσελίδα του USGS
* οι μόνες ελεύθερες δορυφορικές εικόνες που έχουν υπέρυθρο, θερμικό κανάλι και υψηλή χωρική διακριτική ικανότητα 60m, εν αντιθέσει με τον δορυφόρο MODIS χωρικής διακριτικής ικανότητας 1000m. 
* η συνδυαστική χρήση των δύο δορυφόρων (Landsat 7 & Landsat 8) βελτιώνει την χρονική διακριτική ικανότητα από 16 μέρες, για τον κάθε δορυφόρο χωριστά, σε 8 ημέρες. 

'''5. Προεπεξεργασία των δορυφορικών εικόνων:''' 
Οι δορυφορικές εικόνες έχουν υποστεί τις παρακάτω διαδικασίες: 
* SLC (Scan Line Corrector) – OFF διόρθωση με βάση τη μέθοδο των Scaramuzza et al. (2018) [3] . Τα δεδομένα του Landsat 7 εμφανίζουν κενά από τις 31/05/2003, οπότε και «κατέρρευσε» το SLC. Τα δεδομένα ωστόσο παραμένουν χρήσιμα και διατηρούν τις αρχικές γεωμετρικές και ραδιομετρικές διορθώσεις. Τα εκλιπόντα δεδομένα αντικαθίστανται με δεδομένα από κάποια άλλη Landsat εικόνα, μέσω του γραμμικού μετασχηματισμού της τελευταίας. 
* Ατμοσφαιρική διόρθωση, δηλαδή διόρθωση των εικόνων στον αισθητήρα και στη συνέχεια διόρθωση των εικόνων στην επιφάνεια βάσει της μεθόδου Tasumi et al. (2008)[4] για την διόρθωση της επιφανειακής ανακλαστικότητας για το ορατό στα μικροκύματα. 
* Διορθώσεις γεωμετρίας. 


'''6. Μεθοδολογία:''' 
[[ Εικόνα : Ik21_a2_e3.PNG‎ | thumb| right| Διάγραμμα 1: Νέο μαθηματικό μοντέλο, Πηγή:[https://doi.org/10.1016/j.inpa.2019.04.001 Science Direct.] ]]

Τόσο για τις ανάγκες του νέου μαθηματικού μοντέλου, όσο και του ευφυούς συστήματος εφαρμόζεται το μοντέλο Monteith για τον υπολογισμό της συσσωρευμένης βιομάζας και το μοντέλο METRIC για τον υπολογισμό του κλάσματος της εξάτμισης και της πραγματικής εξατμισοδιαπνοής. Με τη χρήση του μοντέλου Monteith υπολογίζεται η συσσωρευμένη βιομάζα σε χρόνο t ως εξής: (kg/ m) (1) ,όπου APAR(t) είναι η απορροφούμενη φωτοσυνθετικά ενεργή ακτινοβολία σε χρόνο t (Wm-2)) - συναρτήσει του NDVI (κανονικοποιημένη διαφορά του δείκτη βλάστησης-κανάλια 3 και 4 στον δορυφόρο Landsat) και της ηλιακής ακτινοβολίας- και της αποδοτικότητας της χρήσης φωτός ε (2) (gMJ-1), όπου ε’ ο μέγιστος συντελεστής μετατροπής για την υπέργεια βιομάζα υπό ιδανικές συνθήκες, W το κλάσμα της εξάτμισης και T1 και Τ2 συναρτήσεις θερμοκρασίας(οC). Οι τελευταίες τιμές συλλέγονται είτε μέσω δορυφορικών εικόνων, είτε μέσω των σταθμών Bowe Ratio. Όσον αφορά το κλάσμα της διαπνοής, για τον υπολογισμό χρησιμοποιείται το μοντέλο METRIC, το οποίο κάνει χρήση τόσο των δορυφορικών εικόνων, οι οποίες παρέχουν δεδομένα για την διαθέσιμη ενέργεια και τις ροές θερμότητας σε μεγάλης έκτασης περιοχές για τον υπολογισμό του ενεργειακού ισοζυγίου, όσο και μεθόδους για την εξατμισοδιαπνοή που βασίζονται σε καιρικά δεδομένα. Στα πλαίσια της δεδομένης έρευνας υπολογίζεται επίσης η πραγματική εξατμισοδιαπνοή. 
'''6.1 Ανάπτυξη του νέου μαθηματικού μοντέλου:''' 
Αναπτύσσεται στην παρούσα έρευνα έναν νέο μαθηματικό μοντέλο για την εκτίμηση της βιομάζας, που στοχεύει να αντισταθμίσεις τις ελλείψεις των δεδομένων που εξάγονται από τις δορυφορικές εικόνες, παρεμβάλλοντας υπαρκτά δεδομένα και ελαχιστοποιώντας τα σφάλματα.
Στόχος είναι να προσαρμοστεί μια καμπύλη στα δεδομένα για την απόδοση της σοδειάς, που εξάγονται από τις δορυφορικές εικόνες, χρησιμοποιώντας έναν αλγόριθμο βελτιστοποίησης μη γραμμικό και χωρίς περιορισμούς. Συγκεκριμένα, χρησιμοποιείται ο αλγόριθμος “Trust-Region Methods for Nonlinear Minimization”.
Αφού υπολογιστεί η συσσώρευση βιομάζας για κάθε δορυφορική εικόνα βάσει του μοντέλου Monteith, τα δεδομένα για τη βιομάζα και την ημερομηνία συλλογής τους, χρησιμοποιούνται από τον αλγόριθμο βελτιστοποίησης για την παραγωγή του νέου μοντέλου (Διάγραμμα 1).
Έτσι, προκύπτει η νέα συσσωρευμένη βιομάζα από τη σπορά έως και τη σοδειά:
 
[[ Εικόνα :Ik21_a2_e7.PNG | center| 200px]]

(kg/ha) , όπου Ν ο αριθμός των ημερών, xi η μέρα i ανάπτυξης της καλλιέργειας και Q(xi) η νέα βιομάζα όπως υπολογίστηκε από το μοντέλο και τα τηλεσκοπικά δεδομένα για την ημέρα i. 
'''6.2 Ευφυές Σύστημα:''' 
Στη συνέχεια αναπτύσσεται το Ευφυές Σύστημα – Intelligence System (IS) για την εκτίμηση της απόδοσης της σοδειάς, έτσι ώστε σε κάθε στιγμή, απρόσκοπτα να μπορεί να εκτελεί τις διαδικασίες και να εξυπηρετεί τη λήψη αποφάσεων, όπως απεικονίζεται στο Διάγραμμα 2: 
[[ Εικόνα : Ik21_a2_e4.jpg| center ]]
 
[[ Εικόνα : Ik21_a2_e5.jpg| thumb |right | Εικόνα 2: (a) Δοκιμαστική περιοχή, (b) Πραγματική εξατμισοδιαπνοή και ( c ) Κλάσμα εξάτμισης, Πηγή:[https://doi.org/10.1016/j.inpa.2019.04.001 Science Direct.] ]]

[[ Εικόνα : Ik21_a2_e6.jpg| thumb |left | Εικόνα 3: αριστερά: υπέργεια βιομάζα πατάτας, δεξιά: κόνδυλοι πατάτας, στη δοκιμαστική περιοχή., Πηγή:[https://doi.org/10.1016/j.inpa.2019.04.001 Science Direct.] ]]

 


'''7. Χρήσιμα αποτελέσματα και συμπεράσματα:''' 
Το Ευφυές Σύστημα χρησιμοποιήθηκε για την εκτίμηση της απόδοσης της σοδειάς της πατάτας στην κοιλάδα Bekka. Χρησιμοποιήθηκαν 7 δορυφορικές εικόνες. Δοκιμαστική περιοχή της κοιλάδας αποτυπώνεται στην Εικόνα 2. Αποτελέσματα που προέκυψαν κατά την χρησιμοποίηση των δορυφορικών εικόνων στην διαδικασία του IS αποτυπώνονται, επίσης, στην Εικόνα 2. 
Το IS κατάφερε να εκτιμήσει ικανοποιητικά την απόδοσης της σοδειάς της πατάτας (Εικόνα 3).Tα αποτελέσματα του IS διασταυρώθηκαν τόσο με την πραγματική σοδειά, όσο και με τις εκτιμήσεις καλλιεργητών πατάτας. Και στις δύο περιπτώσεις διαπιστώθηκε συμφωνία των αποτελεσμάτων της τάξης του 96%. 
Γενικό συμπέρασμα αποτελεί πως το ευφυές σύστημα που αναπτύχθηκε, πέρα από βελτιώσεις – διευρύνσεις που επιδέχεται (λ.χ. προσθήκη επιπλέον χαρακτηριστικών, διαχείριση περισσότερων αγροτικών πρακτικών) , είναι ακριβές και αξιόπιστο ως προς την εκτίμηση της απόδοσης της σοδειάς. 
 
 
 
 

== ΑΝΑΦΟΡΕΣ: ==

[1] Allen R, Tasumi M, Trezza R. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC) model, Journal of Irrigation and Drainage Engineering, Volume 133, Issue 4, July 2007, 380-394, 10.1061/(ASCE)0733-9437(2007)133:4(380). 
[2] Monteith, J. (1972), Solar Radiation and Productivity in Tropical Ecosystems. Journal of Applied Ecology, 9(3), 747-766, https://doi.org/10.2307/2401901. 
[3] Scaramuzza P, Micijevic E, Chander G. SLC gap-filled productsphase one methodology; 2018,link: https://landsat.usgs.gov/documents/SLC_Gap_Fill_Methodology.pdf 
[4] Tasumi M, Allen R, Trezza R. At-surface albedo from Landsat and MODIS satellites for use in energy balance studies of evapotranspiration. J Hydrol Eng 2008;13:51–63 
[5] Wim G.M. Bastiaanssen, Samia Ali A new crop yield forecasting model based on satellite measurements applied across the Indus Basin, Pakistan, Agriculture, Ecosystems & Environment, Volume 94, Issue 3,2003, 321-340, ISSN 0167-8809, https://doi.org/10.1016/S0167-8809(02)00034-8.


[[category:Πρόβλεψη φυτικής απόδοσης]]

Τεχνική ανίχνευσης υδάτινων όγκων στις ορεινές περιοχές από δορυφορικές εικόνες

2021-01-27T00:13:00Z

Ioanna Karani: /* ΑΝΑΦΟΡΕΣ */

Πρωτότυπος τίτλος: Water extraction technique in mountainous areas from satellite images

 Συγγραφείς: Jovanovska Kaplan, Gordana & Avdan Ugur

 Citation: Jovanovska Kaplan, Gordana & Avdan, Ugur. (2017). Water extraction technique in mountainous areas from satellite
images. Journal of Applied Remote Sensing. 11. 046002. 10.1117/1.JRS.11.046002.

 Πηγή:[https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate]

 Λέξεις κλειδιά :remote sensing; water body extraction; land surface temperature; normalized difference water index; Landsat

 Αντικείμενο εφαρμογής : Υδατικοί Πόροι - Ανίχνευση Υδάτινων Σωμάτων. 



''' 1. Σκοπός και χρήση εφαρμογής:''' 

Η παρούσα έρευνα στοχεύει στην ανάπτυξη του βέλτιστου δείκτη ανίχνευσης υδάτινων όγκων, με όσο το δυνατόν λιγότερο εισερχόμενο “θόρυβο” (λ.χ. σκιάσεις), και πεδίο εφαρμογής τις ορεινές περιοχές. 

'''2. Εισαγωγή:''' 

Η παρακολούθηση των υδάτων αποτελεί ουσιώδες βήμα για τη διαχείριση των υδάτινων πόρων, ωστόσο η παρακολούθηση των μεταβολών και των ποιοτικών χαρακτηριστικών των υδάτινων σωμάτων μπορεί να αποδειχθεί ιδιαίτερα χρονοβόρα και κοστοβόρα. Τα επιφανειακά ύδατα αποτελούν ζωτικό πόρο για την ανθρωπότητα και υφίστανται αλλαγές στον χρόνο και το χώρο ως συνέπεια της αλλαγής της χρήσης γης / της κάλυψης γης (LUCL), της κλιματικής αλλαγής και άλλων περιβαλλοντικών παραγόντων [1]. Η έγκαιρη παρακολούθηση των υδάτινων σωμάτων είναι ουσιώδης για τη χάραξη πολιτικής και τη λήψη αποφάσεων [2],[3]. Στην κατεύθυνση αυτή και μαζί με την εδραίωση της τηλεπισκόπησης απο το 1970 και έπειτα, τα τελευταία 20 χρόνια μια σειρά από έρευνες έχουν επικεντρωθεί στην παρακολούθηση των υδάτων με χρήση δορυφορικών εικόνων και GIS [4-6]. 

'''3. O ρόλος της τηλεπισκόπησης:''' 

Ο πρώτος δείκτης για την ανίχνευση του νερού αναπτύχθηκε το 1995. Ακολουθώντας το σκεπτικό πίσω από την κανονικοποιημένη διαφορά του δείκτη βλάστησης NDVI, δημιουργήθηκε ο δείκτης κανονικοποιημένης διαφοράς του δείκτη νερού NDWI, ο οποίος χρησιμοποιεί δύο κανάλια, στο εγγύς και το μικροκυματικό υπέρυθρο [7]. Έπειτα, αναπτύχθηκαν και άλλοι δείκτες, όπως ο δείκτης που πρότεινε McFeeter [8] έναν δείκτη νερού που αναπτύχθηκε για να οριοθετηθούν τα χαρακτηριστικά των ακάλυπτων υδάτων και τη βελτίωση της αποτύπωσης τους στις δορυφορικές εικόνες, χρησιμοποιώντας το πράσινο και το εγγύς υπέρυθρο κανάλι. Ο Xu [9] τροποποίησε τον ώς άνω δείκτη με τη χρήση μικροκυματικού υπέρυθρου καναλιού, για τον καλύτερο διαχωρισμό υδάτινων στοιχείων και τεχνητού περιβάλλοντος. Προτάθηκε, επίσης, δείκτης με δεδομένα από τον δορυφόρο Landsat και τον αισθητήρα OLI με χρήση των καναλιών σκούρο μπλέ και μικροκυματικό υπέρυθρο [11]. Γενικά, η επιλογή του κατάλληλου δείκτη εξαρτάται από την περιοχή μελέτης.
Tέλος, αναδεικνύονται δύο σημαντικά εμπόδια για την μελέτη των υδάτων με τηλεπισκόπηση:
α) Οι τοπογραφικές σκιές και οι σκιές από σύννεφα που εύκολα συγχέονται με υδάτινους όγκους.
β) Η γωνία ηλιακού υψομέτρου , η οποία συνδέεται άμεσα με τις σκιάσεις, και πρέπει να είναι μεγαλύτερη των 40 μοιρών [1],[10],[11]. Η συνθήκη αυτή ικανοποιείται ορισμένες φορές μέσα στο χρόνο, ωστόσο η ανάγκη για παρακολούθηση των υδάτων είναι διαρκής. 

''' 4. Περιοχή μελέτης:''' 

Ως περιοχή μελέτης επιλέγονται υδάτινα σώματα από ορεινές περιοχές, με χαμηλή γωνία ηλιακού υψομέτρου ς του ηλίου την χειμερινή περίοδο. Η περιοχή μελέτης απαρτίζεται κατά 90% από τη Βόρεια Μακεδονία, μέρος της Αλβανίας και το Κόσοβο επιλέχθηκαν λόγω της τοπογραφία τους, η οποία περιέχει υψηλά όρη, ένα μεταβατικό κλίμα από το Μεσογειακό έως το Ηπειρωτικό με θερμό καλοκαίρι και κρύο χειμώνα, χιόνι καθώς και σημαντικά μεγάλα και μικρά υδάτινα σώματα. 

'''5. Δορυφορικά δεδομένα:''' 

Χρησιμοποιήθηκαν 12 δορυφορικές εικόνες Landsat από την ίδια περιοχή μελέτης με διαφορετικές γωνίες ηλιακού υψομέτρου και καιρικές συνθήκες από δορυφόρους από το Landsat 5, Landsat 7 και ο Landsat 8. Στις απεικονίσεις δεν εμφανίστηκαν λάθη και δεν υπήρχε νεφοκάλυψη. Τα χαρακτηριστικά των δορυφορικών εικόνων παρουσιάζονται στον Πίνακα 1: 



[[ Εικόνα: Ik21_arthro1_pinakas1.png | frame| center| Πίνακας 1: Δορυφορικές Εικόνες Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate]]]



Οι δορυφορικές εικόνες αντλήθηκαν από τον ιστότοπου του United States Geological Survey, με path 185/ row 31. 

''' 6. Μέθοδος''' 



[[ Εικόνα: Ik21_arthro1_eikona1.png | thumb| right| Εικόνα 1 : α) Δορυφορική εικόνα 6/06/2001 με την τοποθέτηση τυχαίων σημείων για την εκτίμηση της ακρίβειας και β) επιπρόσθετα σημεία σε υδάτινα σώματα, Πηγή:[https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]



'''6.1 Σύγκριση υφιστάμενων δεικτών για τις υδάτινες περιοχές:''' 

Επτά δείκτες νερού με διαφορετικές γωνίες ηλιακού υψομέτρου και από διαφορετικές εποχές συγκρίθηκαν για την ίδια περιοχή.
΄Ολοι οι δείκτες χρησιμοποιούν κατ΄’ ελάχιστον δύο κανάλια. Οι δείκτες είναι οι εξής:

* AWEInsh - Automated water extraction index for satellite images [1]

* NDWI [8]

* Modified NDWI [9]

* EWI- Enhanced water index [12]

* BNDWI[13]

* NDWI [14]

Τα αποτελέσματα των δεικτών συγκρίθηκαν στη συνέχεια με υψηλής ανάλυσης εικόνα απο το Google Earth, που θεωρείται ότι είναι αντιπροσωπευτική της περιοχής [15] Αποδεικνύεται, ότι όλοι οι δείκτες χαρακτηρίζονται τόσο από μειονεκτήματα, όσο και πλεονεκτήματα.
Σε πρώτο επίπεδο, μετά και την υψηλής ανάλυσης σύγκριση, τέσσερις δείκτες επιλέγονται να διερευνηθούν περαιτέρω: ο NDWI [8], ο BNDWI [13], o AWEInsh [1] και ο NDWI-DB (for Landsat 8 images). Οι μέθοδοι αυτές χρησιμοποιήθηκαν για τη σύγκριση υψηλής ανάλυσης που έγινε με τη χρήση τυχαίων σημείων σε κάθε δορυφορική εικόνα που χρησιμοποιείται σε αυτή τη μελέτη (Εικόνα 1α). Πρόσθετα σημεία τοποθετήθηκαν στα ποτάμια σώματα και σε μερικές μικρές λίμνες (Εικόνα 1β).


[[ Εικόνα: Ik21_arthro1_eikona2.png | thumb | right| Εικόνα 2 : Ανίχνευση υδάτινων σωμάτων σε περιοχή της Αλβανίας με τον δείκτη α) McFeeters’ NDWI και β) AWEInsh, Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]]



Για την εκτίμηση της ακρίβειας, υπολογίστηκε η συνολική ακρίβεια. Από τους συνολικούς υπολογισμούς ακριβείας, μπορεί να συναχθεί το συμπέρασμα ότι, με ορισμένες μικρές διαφορές,οι τέσσερις δείκτες σημείωσαν παρόμοια αποτελέσματα. Η συνολική ακρίβεια ήταν χαμηλότερη για τις δορυφορικές εικόνες με γωνία ηλιακού υψομέτρου μικρότερη από 30 μοίρες. Η συνολική ακρίβεια των εικόνων με μικρή γωνία υψομέτρου ποικίλλει από 65% σε 75%, με τις χαμηλότερες τιμές για εικόνες με πολύ μικρή γωνία ηλιακού υψομέτρου Από την ανάλυση της ακρίβειας, παρατηρήθηκε ότι τα πλέον παραπλανητικά στοιχεία είναι οι τοπογραφικές σκιές, οι σκιές σύννεφων και το χιόνι.
Τελικά, αν και οι μέθοδοι [1] και [13] έδωσαν καλύτερα αποτελέσματα σε κάποιες περιπτώσεις, επιλέγεται ο δείκτης που εισήχθη από τον McFeeter [8], για την περαιτέρω τροποποίηση, καθώς όταν άλλοι δείκτες αποτυγχάνουν να εντοπίσουν τα υδάτινα σώματα, ο δείκτης αυτός καταφέρνει να τα εντοπίσει, ειδικά τα ποτάμια και τα όρια των υδάτινων σωμάτων (Εικόνα 2). 

'''6.2 Ανάπτυξη του δείκτη Water Extraction Surface Temperature Index (WESTI)''' 

Η μέθοδος που χρησιμοποιήθηκε για την ανάπτυξη του δείκτη WESTI παρουσιάζεται σχηματικά στην Εικόνα 3 :


[[Εικόνα : Ik21_arthro1_eikona3.png| frame| center| Εικόνα 3 : Διάγραμμα ροής ανάπτυξης δείκτη WESTI., Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]



Για την ανάκτηση των φασματικών πληροφοριών σχετικά με τους υδάτινους φορείς, παρατηρήθηκαν ορισμένα σημεία σε κάθε δορυφορική εικόνα, ενώ αναλύθηκαν και οι φασματικές τους υπογραφές. . Επιλέχθηκαν συνολικά 264 σημεία υδάτινων σωμάτων, μικρότερα και μεγαλύτερα για καλύτερη αντιπροσωπευτικότητα Χρησιμοποιήθηκαν ορισμένα σημεία για την ανάλυση των εικονοστοιχείων που διαταράσσουν την ανίχνευση του νερού, όπως οι σκιάσεις και το χιόνι
Η φασματική υπογραφή του νερού και της σκιά του βουνού έδωσαν τα ίδια αποτελέσματα σε όλες τις ζώνες, με μόνο μια μικρή διαφορά στη θερμική περιοχή, όπου οι σκιές έχουν χαμηλότερες τιμές.Λαμβάνοντας υπόψη τις διαφορές που παρατηρήθηκαν το διαφοροποίηση στο θερμικό κανάλι. Για το λόγο αυτό, χρησιμοποιήθηκαν για κάθε αισθητήρα διαφορετικοί αλγόριθμοι LST [16-20], προκειμένου να επιτευχθεί η διάκριση του νερού από τα παραπλανητικά εικονοστοιχεία [15]. Στην ουσία, το LST μπορεί να περιγραφεί ως η “θερμοκρασία” του δέρματος του εδάφους [15].
Ο αλγόριθμος της παρούσας έρευνας βασίζεται σε κατάσταση που αποκλείει τα εικονοστοιχεία από την εφαρμογή του NDWI και που έχουν τιμές NDWI και LST χαμηλότερες από μηδέν. Με βάση την προϋπόθεση αυτή οι ι σκιές των βουνών, το χιόνι, ο πάγος και τα σύννεφα αφαιρούνται από τα αποτελέσματα.


[[Εικόνα : Ik21_arthro1_eikona4.png| thumb| left| Εικόνα 4 : Σύγκριση δεικτών., Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]



''' 7. Αποτελέσματα και συζήτηση:''' 

Για την εκτίμηση της ακρίβειας της μεθόδου WESTI, τα ίδια τυχαία σημεία με την ενότητα 6.1. Από την αξιολόγηση της ακρίβειας προέκυψε ότι η μέθοδος WESTI βελτίωσε την ανίχνευση των υδάτινων περιοχών. Η μεγαλύτερη βελτίωση παρατηρήθηκε στη δορυφορική εικόνα με τη μικρότερη γωνία ηλιακού υψομέτρου με συνολική ακρίβεια η οποία μεταβλήθηκε από 65,8% σε 98,0% Ακόμη και στις περιπτώσεις όπου η γωνία ηλιακού υψομέτρου δεν ήταν χαμηλή, τα αποτελέσματα έχουν βελτιωθεί.
Ο δείκτης WESTI δεν εξάλειψε με επιτυχία όλα τα παραπλανητικά στοιχεία, αλλά βελτίωσαν τα αποτελέσματα κατά περισσότερο από 80%. Τα πλεονεκτήματα του δείκτη είναι εμφανή κοιτώντας την Εικόνα 4, όπου ο δείκτης WESTI συγκρίνεται με όλους τους δείκτες που χρησιμοποιήθηκαν στην παρούσα έρευνα: 

'''8. Συμπεράσματα:''' 
Συνολικά, η μέθοδος WESTI προτείνεται για την ανίχνευση υδάτινων σωμάτων σε ορεινές περιοχές και για την απαλοιφή των τοπογραφικών σκιάσεων από εικόνες που λήφθηκαν υπο μικρό γωνιακό ηλιακό υψόμετρο. Tέλος, η μέθοδος μελλοντικά θα επαληθευθεί και σε παγκόσμιο επίπεδο. 

 
 
 
 
 
 

== ΑΝΑΦΟΡΕΣ ==
1. G. L. Feyisa et al., “Automated water extraction index: a new technique for surface water mapping using Landsat imagery,” Remote Sens. Environ. 140, 23–35 (2014).

2. C. Giardino et al., “Application of remote sensing in water resource management: the case study of Lake Trasimeno, Italy,” Water Resour. Manage. 24(14), 3885–3899 (2010).

3. R. E. Morss et al., “Flood risk, uncertainty, and scientific information for decision making: lessons from an interdisciplinary project,” Bull. Am. Meteorol. Soc. 86(11), 1593–1601 (2005).

4. A. M. Dewan et al., “Evaluating flood hazard for land-use planning in Greater Dhaka of Bangladesh using remote sensing and GIS techniques,” Water Resour. Manage. 21(9), 1601–1612 (2007).

5. S. R. Proud et al., “Rapid response flood detection using the MSG geostationary satellite,” Int. J. Appl. Earth Obs. Geoinf. 13(4), 536–544 (2011).

6. J. Gardelle et al., “Less rain, more water in ponds: a remote sensing study of the dynamics of surface waters from 1950 to present in pastoral Sahel (Gourma region, Mali),” Hydrol. Earth Syst. Sci. 14(2), 309–324 (2010).

7. B. C. Gao, “A normalized difference water index for remote sensing of vegetation liquid water from space,” Imaging Spectrom. 2480, 225–236 (1995).

8. S. K. McFeeters, “The use of the normalized difference water index (NDWI) in the delineation of open water features,” Int. J. Remote Sens. 17(7), 1425–1432 (1996).

9. H. Q. Xu, “Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery,” Int. J. Remote Sens. 27(14), 3025–3033 (2006).

10. Z. F. Liu, Z. J. Yao, and R. Wang, “Assessing methods of identifying open water bodies using Landsat 8 OLI imagery,” Environ.
Earth Sci. 75(10), 873 (2016).

11. A. S. Rogers and M. S. Kearney, “Reducing signature variability in unmixing coastal marsh thematic mapper scenes using spectral indices,” Int. J. Remote Sens. 25(12), 2317–2335 (2004).

12. P. Yan, Y. Zhang, and Y. Zhang, “A study on information extraction of water enhanced water index (EWI) and GIS system in semi-arid regions with the based noise remove techniques,” Remote Sens. Inf. 62–67 (2007).

13. Q. Wei, L. Jingxuan, and L. Lin, “Research on automatic extraction of water bodies and wetlands on HJ satellite CCD images,” Remote Sens. Inf. 4, 28–33 (2011).

14. F. Becker and Z.L. Li, “Towards a local split window method over land surfaces,” Int. J. Remote Sens. 11(3), 369–393 (1990).

15. A. Tilahun and B. Teferie, “Accuracy assessment of land use land cover classification using Google Earth,” Am. J. Environ. Prot. 4, 193–198 (2015).

16. A. Rajeshwari and N. Mani, “Estimation of land surface temperature of Dindigul district using Landsat 8 data,” Int. J. Res. Eng. Technol. 3(5), 122–126 (2014).

17. U. Avdan and G. Jovanovska, “Algorithm for automated mapping of land surface temperature using LANDSAT 8 satellite data,” J. Sens. 2016, 1480307 (2016).

18. J. A. Sobrino, J. C. Jiménez-Muñoz, and L. Paolini, “Land surface temperature retrieval from LANDSAT TM 5,” Remote Sens.
Environ. 90(4), 434–440 (2004).

19. M. Stathopoulou and C. Cartalis, “Daytime urban heat islands from Landsat ETM+ and Corine land cover data: an application to major cities in Greece,” Sol. Energy 81(3), 358–368 (2007).

20. M. I. Ndossi and U. Avdan, “Application of open source coding technologies in the production of land surface temperature (LST) maps from Landsat: a PyQGIS plugin,” Remote Sens. 8(5), 413 (2016).

[[category:Παρακολούθηση, χαρτογράφηση και ανάλυση ποταμών, λιμνών και υγροτόπων]]

Τεχνική ανίχνευσης υδάτινων όγκων στις ορεινές περιοχές από δορυφορικές εικόνες

2021-01-27T00:12:18Z

Ioanna Karani: /* ΑΝΑΦΟΡΕΣ */

Πρωτότυπος τίτλος: Water extraction technique in mountainous areas from satellite images

 Συγγραφείς: Jovanovska Kaplan, Gordana & Avdan Ugur

 Citation: Jovanovska Kaplan, Gordana & Avdan, Ugur. (2017). Water extraction technique in mountainous areas from satellite
images. Journal of Applied Remote Sensing. 11. 046002. 10.1117/1.JRS.11.046002.

 Πηγή:[https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate]

 Λέξεις κλειδιά :remote sensing; water body extraction; land surface temperature; normalized difference water index; Landsat

 Αντικείμενο εφαρμογής : Υδατικοί Πόροι - Ανίχνευση Υδάτινων Σωμάτων. 



''' 1. Σκοπός και χρήση εφαρμογής:''' 

Η παρούσα έρευνα στοχεύει στην ανάπτυξη του βέλτιστου δείκτη ανίχνευσης υδάτινων όγκων, με όσο το δυνατόν λιγότερο εισερχόμενο “θόρυβο” (λ.χ. σκιάσεις), και πεδίο εφαρμογής τις ορεινές περιοχές. 

'''2. Εισαγωγή:''' 

Η παρακολούθηση των υδάτων αποτελεί ουσιώδες βήμα για τη διαχείριση των υδάτινων πόρων, ωστόσο η παρακολούθηση των μεταβολών και των ποιοτικών χαρακτηριστικών των υδάτινων σωμάτων μπορεί να αποδειχθεί ιδιαίτερα χρονοβόρα και κοστοβόρα. Τα επιφανειακά ύδατα αποτελούν ζωτικό πόρο για την ανθρωπότητα και υφίστανται αλλαγές στον χρόνο και το χώρο ως συνέπεια της αλλαγής της χρήσης γης / της κάλυψης γης (LUCL), της κλιματικής αλλαγής και άλλων περιβαλλοντικών παραγόντων [1]. Η έγκαιρη παρακολούθηση των υδάτινων σωμάτων είναι ουσιώδης για τη χάραξη πολιτικής και τη λήψη αποφάσεων [2],[3]. Στην κατεύθυνση αυτή και μαζί με την εδραίωση της τηλεπισκόπησης απο το 1970 και έπειτα, τα τελευταία 20 χρόνια μια σειρά από έρευνες έχουν επικεντρωθεί στην παρακολούθηση των υδάτων με χρήση δορυφορικών εικόνων και GIS [4-6]. 

'''3. O ρόλος της τηλεπισκόπησης:''' 

Ο πρώτος δείκτης για την ανίχνευση του νερού αναπτύχθηκε το 1995. Ακολουθώντας το σκεπτικό πίσω από την κανονικοποιημένη διαφορά του δείκτη βλάστησης NDVI, δημιουργήθηκε ο δείκτης κανονικοποιημένης διαφοράς του δείκτη νερού NDWI, ο οποίος χρησιμοποιεί δύο κανάλια, στο εγγύς και το μικροκυματικό υπέρυθρο [7]. Έπειτα, αναπτύχθηκαν και άλλοι δείκτες, όπως ο δείκτης που πρότεινε McFeeter [8] έναν δείκτη νερού που αναπτύχθηκε για να οριοθετηθούν τα χαρακτηριστικά των ακάλυπτων υδάτων και τη βελτίωση της αποτύπωσης τους στις δορυφορικές εικόνες, χρησιμοποιώντας το πράσινο και το εγγύς υπέρυθρο κανάλι. Ο Xu [9] τροποποίησε τον ώς άνω δείκτη με τη χρήση μικροκυματικού υπέρυθρου καναλιού, για τον καλύτερο διαχωρισμό υδάτινων στοιχείων και τεχνητού περιβάλλοντος. Προτάθηκε, επίσης, δείκτης με δεδομένα από τον δορυφόρο Landsat και τον αισθητήρα OLI με χρήση των καναλιών σκούρο μπλέ και μικροκυματικό υπέρυθρο [11]. Γενικά, η επιλογή του κατάλληλου δείκτη εξαρτάται από την περιοχή μελέτης.
Tέλος, αναδεικνύονται δύο σημαντικά εμπόδια για την μελέτη των υδάτων με τηλεπισκόπηση:
α) Οι τοπογραφικές σκιές και οι σκιές από σύννεφα που εύκολα συγχέονται με υδάτινους όγκους.
β) Η γωνία ηλιακού υψομέτρου , η οποία συνδέεται άμεσα με τις σκιάσεις, και πρέπει να είναι μεγαλύτερη των 40 μοιρών [1],[10],[11]. Η συνθήκη αυτή ικανοποιείται ορισμένες φορές μέσα στο χρόνο, ωστόσο η ανάγκη για παρακολούθηση των υδάτων είναι διαρκής. 

''' 4. Περιοχή μελέτης:''' 

Ως περιοχή μελέτης επιλέγονται υδάτινα σώματα από ορεινές περιοχές, με χαμηλή γωνία ηλιακού υψομέτρου ς του ηλίου την χειμερινή περίοδο. Η περιοχή μελέτης απαρτίζεται κατά 90% από τη Βόρεια Μακεδονία, μέρος της Αλβανίας και το Κόσοβο επιλέχθηκαν λόγω της τοπογραφία τους, η οποία περιέχει υψηλά όρη, ένα μεταβατικό κλίμα από το Μεσογειακό έως το Ηπειρωτικό με θερμό καλοκαίρι και κρύο χειμώνα, χιόνι καθώς και σημαντικά μεγάλα και μικρά υδάτινα σώματα. 

'''5. Δορυφορικά δεδομένα:''' 

Χρησιμοποιήθηκαν 12 δορυφορικές εικόνες Landsat από την ίδια περιοχή μελέτης με διαφορετικές γωνίες ηλιακού υψομέτρου και καιρικές συνθήκες από δορυφόρους από το Landsat 5, Landsat 7 και ο Landsat 8. Στις απεικονίσεις δεν εμφανίστηκαν λάθη και δεν υπήρχε νεφοκάλυψη. Τα χαρακτηριστικά των δορυφορικών εικόνων παρουσιάζονται στον Πίνακα 1: 



[[ Εικόνα: Ik21_arthro1_pinakas1.png | frame| center| Πίνακας 1: Δορυφορικές Εικόνες Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate]]]



Οι δορυφορικές εικόνες αντλήθηκαν από τον ιστότοπου του United States Geological Survey, με path 185/ row 31. 

''' 6. Μέθοδος''' 



[[ Εικόνα: Ik21_arthro1_eikona1.png | thumb| right| Εικόνα 1 : α) Δορυφορική εικόνα 6/06/2001 με την τοποθέτηση τυχαίων σημείων για την εκτίμηση της ακρίβειας και β) επιπρόσθετα σημεία σε υδάτινα σώματα, Πηγή:[https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]



'''6.1 Σύγκριση υφιστάμενων δεικτών για τις υδάτινες περιοχές:''' 

Επτά δείκτες νερού με διαφορετικές γωνίες ηλιακού υψομέτρου και από διαφορετικές εποχές συγκρίθηκαν για την ίδια περιοχή.
΄Ολοι οι δείκτες χρησιμοποιούν κατ΄’ ελάχιστον δύο κανάλια. Οι δείκτες είναι οι εξής:

* AWEInsh - Automated water extraction index for satellite images [1]

* NDWI [8]

* Modified NDWI [9]

* EWI- Enhanced water index [12]

* BNDWI[13]

* NDWI [14]

Τα αποτελέσματα των δεικτών συγκρίθηκαν στη συνέχεια με υψηλής ανάλυσης εικόνα απο το Google Earth, που θεωρείται ότι είναι αντιπροσωπευτική της περιοχής [15] Αποδεικνύεται, ότι όλοι οι δείκτες χαρακτηρίζονται τόσο από μειονεκτήματα, όσο και πλεονεκτήματα.
Σε πρώτο επίπεδο, μετά και την υψηλής ανάλυσης σύγκριση, τέσσερις δείκτες επιλέγονται να διερευνηθούν περαιτέρω: ο NDWI [8], ο BNDWI [13], o AWEInsh [1] και ο NDWI-DB (for Landsat 8 images). Οι μέθοδοι αυτές χρησιμοποιήθηκαν για τη σύγκριση υψηλής ανάλυσης που έγινε με τη χρήση τυχαίων σημείων σε κάθε δορυφορική εικόνα που χρησιμοποιείται σε αυτή τη μελέτη (Εικόνα 1α). Πρόσθετα σημεία τοποθετήθηκαν στα ποτάμια σώματα και σε μερικές μικρές λίμνες (Εικόνα 1β).


[[ Εικόνα: Ik21_arthro1_eikona2.png | thumb | right| Εικόνα 2 : Ανίχνευση υδάτινων σωμάτων σε περιοχή της Αλβανίας με τον δείκτη α) McFeeters’ NDWI και β) AWEInsh, Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]]



Για την εκτίμηση της ακρίβειας, υπολογίστηκε η συνολική ακρίβεια. Από τους συνολικούς υπολογισμούς ακριβείας, μπορεί να συναχθεί το συμπέρασμα ότι, με ορισμένες μικρές διαφορές,οι τέσσερις δείκτες σημείωσαν παρόμοια αποτελέσματα. Η συνολική ακρίβεια ήταν χαμηλότερη για τις δορυφορικές εικόνες με γωνία ηλιακού υψομέτρου μικρότερη από 30 μοίρες. Η συνολική ακρίβεια των εικόνων με μικρή γωνία υψομέτρου ποικίλλει από 65% σε 75%, με τις χαμηλότερες τιμές για εικόνες με πολύ μικρή γωνία ηλιακού υψομέτρου Από την ανάλυση της ακρίβειας, παρατηρήθηκε ότι τα πλέον παραπλανητικά στοιχεία είναι οι τοπογραφικές σκιές, οι σκιές σύννεφων και το χιόνι.
Τελικά, αν και οι μέθοδοι [1] και [13] έδωσαν καλύτερα αποτελέσματα σε κάποιες περιπτώσεις, επιλέγεται ο δείκτης που εισήχθη από τον McFeeter [8], για την περαιτέρω τροποποίηση, καθώς όταν άλλοι δείκτες αποτυγχάνουν να εντοπίσουν τα υδάτινα σώματα, ο δείκτης αυτός καταφέρνει να τα εντοπίσει, ειδικά τα ποτάμια και τα όρια των υδάτινων σωμάτων (Εικόνα 2). 

'''6.2 Ανάπτυξη του δείκτη Water Extraction Surface Temperature Index (WESTI)''' 

Η μέθοδος που χρησιμοποιήθηκε για την ανάπτυξη του δείκτη WESTI παρουσιάζεται σχηματικά στην Εικόνα 3 :


[[Εικόνα : Ik21_arthro1_eikona3.png| frame| center| Εικόνα 3 : Διάγραμμα ροής ανάπτυξης δείκτη WESTI., Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]



Για την ανάκτηση των φασματικών πληροφοριών σχετικά με τους υδάτινους φορείς, παρατηρήθηκαν ορισμένα σημεία σε κάθε δορυφορική εικόνα, ενώ αναλύθηκαν και οι φασματικές τους υπογραφές. . Επιλέχθηκαν συνολικά 264 σημεία υδάτινων σωμάτων, μικρότερα και μεγαλύτερα για καλύτερη αντιπροσωπευτικότητα Χρησιμοποιήθηκαν ορισμένα σημεία για την ανάλυση των εικονοστοιχείων που διαταράσσουν την ανίχνευση του νερού, όπως οι σκιάσεις και το χιόνι
Η φασματική υπογραφή του νερού και της σκιά του βουνού έδωσαν τα ίδια αποτελέσματα σε όλες τις ζώνες, με μόνο μια μικρή διαφορά στη θερμική περιοχή, όπου οι σκιές έχουν χαμηλότερες τιμές.Λαμβάνοντας υπόψη τις διαφορές που παρατηρήθηκαν το διαφοροποίηση στο θερμικό κανάλι. Για το λόγο αυτό, χρησιμοποιήθηκαν για κάθε αισθητήρα διαφορετικοί αλγόριθμοι LST [16-20], προκειμένου να επιτευχθεί η διάκριση του νερού από τα παραπλανητικά εικονοστοιχεία [15]. Στην ουσία, το LST μπορεί να περιγραφεί ως η “θερμοκρασία” του δέρματος του εδάφους [15].
Ο αλγόριθμος της παρούσας έρευνας βασίζεται σε κατάσταση που αποκλείει τα εικονοστοιχεία από την εφαρμογή του NDWI και που έχουν τιμές NDWI και LST χαμηλότερες από μηδέν. Με βάση την προϋπόθεση αυτή οι ι σκιές των βουνών, το χιόνι, ο πάγος και τα σύννεφα αφαιρούνται από τα αποτελέσματα.


[[Εικόνα : Ik21_arthro1_eikona4.png| thumb| left| Εικόνα 4 : Σύγκριση δεικτών., Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]



''' 7. Αποτελέσματα και συζήτηση:''' 

Για την εκτίμηση της ακρίβειας της μεθόδου WESTI, τα ίδια τυχαία σημεία με την ενότητα 6.1. Από την αξιολόγηση της ακρίβειας προέκυψε ότι η μέθοδος WESTI βελτίωσε την ανίχνευση των υδάτινων περιοχών. Η μεγαλύτερη βελτίωση παρατηρήθηκε στη δορυφορική εικόνα με τη μικρότερη γωνία ηλιακού υψομέτρου με συνολική ακρίβεια η οποία μεταβλήθηκε από 65,8% σε 98,0% Ακόμη και στις περιπτώσεις όπου η γωνία ηλιακού υψομέτρου δεν ήταν χαμηλή, τα αποτελέσματα έχουν βελτιωθεί.
Ο δείκτης WESTI δεν εξάλειψε με επιτυχία όλα τα παραπλανητικά στοιχεία, αλλά βελτίωσαν τα αποτελέσματα κατά περισσότερο από 80%. Τα πλεονεκτήματα του δείκτη είναι εμφανή κοιτώντας την Εικόνα 4, όπου ο δείκτης WESTI συγκρίνεται με όλους τους δείκτες που χρησιμοποιήθηκαν στην παρούσα έρευνα: 

'''8. Συμπεράσματα:''' 
Συνολικά, η μέθοδος WESTI προτείνεται για την ανίχνευση υδάτινων σωμάτων σε ορεινές περιοχές και για την απαλοιφή των τοπογραφικών σκιάσεων από εικόνες που λήφθηκαν υπο μικρό γωνιακό ηλιακό υψόμετρο. Tέλος, η μέθοδος μελλοντικά θα επαληθευθεί και σε παγκόσμιο επίπεδο. 

 
 
 
 
 
 

== '''ΑΝΑΦΟΡΕΣ''' ==

1. G. L. Feyisa et al., “Automated water extraction index: a new technique for surface water mapping using Landsat imagery,” Remote Sens. Environ. 140, 23–35 (2014).

2. C. Giardino et al., “Application of remote sensing in water resource management: the case study of Lake Trasimeno, Italy,” Water Resour. Manage. 24(14), 3885–3899 (2010).

3. R. E. Morss et al., “Flood risk, uncertainty, and scientific information for decision making: lessons from an interdisciplinary project,” Bull. Am. Meteorol. Soc. 86(11), 1593–1601 (2005).

4. A. M. Dewan et al., “Evaluating flood hazard for land-use planning in Greater Dhaka of Bangladesh using remote sensing and GIS techniques,” Water Resour. Manage. 21(9), 1601–1612 (2007).

5. S. R. Proud et al., “Rapid response flood detection using the MSG geostationary satellite,” Int. J. Appl. Earth Obs. Geoinf. 13(4), 536–544 (2011).

6. J. Gardelle et al., “Less rain, more water in ponds: a remote sensing study of the dynamics of surface waters from 1950 to present in pastoral Sahel (Gourma region, Mali),” Hydrol. Earth Syst. Sci. 14(2), 309–324 (2010).

7. B. C. Gao, “A normalized difference water index for remote sensing of vegetation liquid water from space,” Imaging Spectrom. 2480, 225–236 (1995).

8. S. K. McFeeters, “The use of the normalized difference water index (NDWI) in the delineation of open water features,” Int. J. Remote Sens. 17(7), 1425–1432 (1996).

9. H. Q. Xu, “Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery,” Int. J. Remote Sens. 27(14), 3025–3033 (2006).

10. Z. F. Liu, Z. J. Yao, and R. Wang, “Assessing methods of identifying open water bodies using Landsat 8 OLI imagery,” Environ.
Earth Sci. 75(10), 873 (2016).

11. A. S. Rogers and M. S. Kearney, “Reducing signature variability in unmixing coastal marsh thematic mapper scenes using spectral indices,” Int. J. Remote Sens. 25(12), 2317–2335 (2004).

12. P. Yan, Y. Zhang, and Y. Zhang, “A study on information extraction of water enhanced water index (EWI) and GIS system in semi-arid regions with the based noise remove techniques,” Remote Sens. Inf. 62–67 (2007).

13. Q. Wei, L. Jingxuan, and L. Lin, “Research on automatic extraction of water bodies and wetlands on HJ satellite CCD images,” Remote Sens. Inf. 4, 28–33 (2011).

14. F. Becker and Z.L. Li, “Towards a local split window method over land surfaces,” Int. J. Remote Sens. 11(3), 369–393 (1990).

15. A. Tilahun and B. Teferie, “Accuracy assessment of land use land cover classification using Google Earth,” Am. J. Environ. Prot. 4, 193–198 (2015).

16. A. Rajeshwari and N. Mani, “Estimation of land surface temperature of Dindigul district using Landsat 8 data,” Int. J. Res. Eng. Technol. 3(5), 122–126 (2014).

17. U. Avdan and G. Jovanovska, “Algorithm for automated mapping of land surface temperature using LANDSAT 8 satellite data,” J. Sens. 2016, 1480307 (2016).

18. J. A. Sobrino, J. C. Jiménez-Muñoz, and L. Paolini, “Land surface temperature retrieval from LANDSAT TM 5,” Remote Sens.
Environ. 90(4), 434–440 (2004).

19. M. Stathopoulou and C. Cartalis, “Daytime urban heat islands from Landsat ETM+ and Corine land cover data: an application to major cities in Greece,” Sol. Energy 81(3), 358–368 (2007).

20. M. I. Ndossi and U. Avdan, “Application of open source coding technologies in the production of land surface temperature (LST) maps from Landsat: a PyQGIS plugin,” Remote Sens. 8(5), 413 (2016).

[[category:Παρακολούθηση, χαρτογράφηση και ανάλυση ποταμών, λιμνών και υγροτόπων]]

Τεχνική ανίχνευσης υδάτινων όγκων στις ορεινές περιοχές από δορυφορικές εικόνες

2021-01-27T00:12:03Z

Ioanna Karani:

Πρωτότυπος τίτλος: Water extraction technique in mountainous areas from satellite images

 Συγγραφείς: Jovanovska Kaplan, Gordana & Avdan Ugur

 Citation: Jovanovska Kaplan, Gordana & Avdan, Ugur. (2017). Water extraction technique in mountainous areas from satellite
images. Journal of Applied Remote Sensing. 11. 046002. 10.1117/1.JRS.11.046002.

 Πηγή:[https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate]

 Λέξεις κλειδιά :remote sensing; water body extraction; land surface temperature; normalized difference water index; Landsat

 Αντικείμενο εφαρμογής : Υδατικοί Πόροι - Ανίχνευση Υδάτινων Σωμάτων. 



''' 1. Σκοπός και χρήση εφαρμογής:''' 

Η παρούσα έρευνα στοχεύει στην ανάπτυξη του βέλτιστου δείκτη ανίχνευσης υδάτινων όγκων, με όσο το δυνατόν λιγότερο εισερχόμενο “θόρυβο” (λ.χ. σκιάσεις), και πεδίο εφαρμογής τις ορεινές περιοχές. 

'''2. Εισαγωγή:''' 

Η παρακολούθηση των υδάτων αποτελεί ουσιώδες βήμα για τη διαχείριση των υδάτινων πόρων, ωστόσο η παρακολούθηση των μεταβολών και των ποιοτικών χαρακτηριστικών των υδάτινων σωμάτων μπορεί να αποδειχθεί ιδιαίτερα χρονοβόρα και κοστοβόρα. Τα επιφανειακά ύδατα αποτελούν ζωτικό πόρο για την ανθρωπότητα και υφίστανται αλλαγές στον χρόνο και το χώρο ως συνέπεια της αλλαγής της χρήσης γης / της κάλυψης γης (LUCL), της κλιματικής αλλαγής και άλλων περιβαλλοντικών παραγόντων [1]. Η έγκαιρη παρακολούθηση των υδάτινων σωμάτων είναι ουσιώδης για τη χάραξη πολιτικής και τη λήψη αποφάσεων [2],[3]. Στην κατεύθυνση αυτή και μαζί με την εδραίωση της τηλεπισκόπησης απο το 1970 και έπειτα, τα τελευταία 20 χρόνια μια σειρά από έρευνες έχουν επικεντρωθεί στην παρακολούθηση των υδάτων με χρήση δορυφορικών εικόνων και GIS [4-6]. 

'''3. O ρόλος της τηλεπισκόπησης:''' 

Ο πρώτος δείκτης για την ανίχνευση του νερού αναπτύχθηκε το 1995. Ακολουθώντας το σκεπτικό πίσω από την κανονικοποιημένη διαφορά του δείκτη βλάστησης NDVI, δημιουργήθηκε ο δείκτης κανονικοποιημένης διαφοράς του δείκτη νερού NDWI, ο οποίος χρησιμοποιεί δύο κανάλια, στο εγγύς και το μικροκυματικό υπέρυθρο [7]. Έπειτα, αναπτύχθηκαν και άλλοι δείκτες, όπως ο δείκτης που πρότεινε McFeeter [8] έναν δείκτη νερού που αναπτύχθηκε για να οριοθετηθούν τα χαρακτηριστικά των ακάλυπτων υδάτων και τη βελτίωση της αποτύπωσης τους στις δορυφορικές εικόνες, χρησιμοποιώντας το πράσινο και το εγγύς υπέρυθρο κανάλι. Ο Xu [9] τροποποίησε τον ώς άνω δείκτη με τη χρήση μικροκυματικού υπέρυθρου καναλιού, για τον καλύτερο διαχωρισμό υδάτινων στοιχείων και τεχνητού περιβάλλοντος. Προτάθηκε, επίσης, δείκτης με δεδομένα από τον δορυφόρο Landsat και τον αισθητήρα OLI με χρήση των καναλιών σκούρο μπλέ και μικροκυματικό υπέρυθρο [11]. Γενικά, η επιλογή του κατάλληλου δείκτη εξαρτάται από την περιοχή μελέτης.
Tέλος, αναδεικνύονται δύο σημαντικά εμπόδια για την μελέτη των υδάτων με τηλεπισκόπηση:
α) Οι τοπογραφικές σκιές και οι σκιές από σύννεφα που εύκολα συγχέονται με υδάτινους όγκους.
β) Η γωνία ηλιακού υψομέτρου , η οποία συνδέεται άμεσα με τις σκιάσεις, και πρέπει να είναι μεγαλύτερη των 40 μοιρών [1],[10],[11]. Η συνθήκη αυτή ικανοποιείται ορισμένες φορές μέσα στο χρόνο, ωστόσο η ανάγκη για παρακολούθηση των υδάτων είναι διαρκής. 

''' 4. Περιοχή μελέτης:''' 

Ως περιοχή μελέτης επιλέγονται υδάτινα σώματα από ορεινές περιοχές, με χαμηλή γωνία ηλιακού υψομέτρου ς του ηλίου την χειμερινή περίοδο. Η περιοχή μελέτης απαρτίζεται κατά 90% από τη Βόρεια Μακεδονία, μέρος της Αλβανίας και το Κόσοβο επιλέχθηκαν λόγω της τοπογραφία τους, η οποία περιέχει υψηλά όρη, ένα μεταβατικό κλίμα από το Μεσογειακό έως το Ηπειρωτικό με θερμό καλοκαίρι και κρύο χειμώνα, χιόνι καθώς και σημαντικά μεγάλα και μικρά υδάτινα σώματα. 

'''5. Δορυφορικά δεδομένα:''' 

Χρησιμοποιήθηκαν 12 δορυφορικές εικόνες Landsat από την ίδια περιοχή μελέτης με διαφορετικές γωνίες ηλιακού υψομέτρου και καιρικές συνθήκες από δορυφόρους από το Landsat 5, Landsat 7 και ο Landsat 8. Στις απεικονίσεις δεν εμφανίστηκαν λάθη και δεν υπήρχε νεφοκάλυψη. Τα χαρακτηριστικά των δορυφορικών εικόνων παρουσιάζονται στον Πίνακα 1: 



[[ Εικόνα: Ik21_arthro1_pinakas1.png | frame| center| Πίνακας 1: Δορυφορικές Εικόνες Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate]]]



Οι δορυφορικές εικόνες αντλήθηκαν από τον ιστότοπου του United States Geological Survey, με path 185/ row 31. 

''' 6. Μέθοδος''' 



[[ Εικόνα: Ik21_arthro1_eikona1.png | thumb| right| Εικόνα 1 : α) Δορυφορική εικόνα 6/06/2001 με την τοποθέτηση τυχαίων σημείων για την εκτίμηση της ακρίβειας και β) επιπρόσθετα σημεία σε υδάτινα σώματα, Πηγή:[https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]



'''6.1 Σύγκριση υφιστάμενων δεικτών για τις υδάτινες περιοχές:''' 

Επτά δείκτες νερού με διαφορετικές γωνίες ηλιακού υψομέτρου και από διαφορετικές εποχές συγκρίθηκαν για την ίδια περιοχή.
΄Ολοι οι δείκτες χρησιμοποιούν κατ΄’ ελάχιστον δύο κανάλια. Οι δείκτες είναι οι εξής:

* AWEInsh - Automated water extraction index for satellite images [1]

* NDWI [8]

* Modified NDWI [9]

* EWI- Enhanced water index [12]

* BNDWI[13]

* NDWI [14]

Τα αποτελέσματα των δεικτών συγκρίθηκαν στη συνέχεια με υψηλής ανάλυσης εικόνα απο το Google Earth, που θεωρείται ότι είναι αντιπροσωπευτική της περιοχής [15] Αποδεικνύεται, ότι όλοι οι δείκτες χαρακτηρίζονται τόσο από μειονεκτήματα, όσο και πλεονεκτήματα.
Σε πρώτο επίπεδο, μετά και την υψηλής ανάλυσης σύγκριση, τέσσερις δείκτες επιλέγονται να διερευνηθούν περαιτέρω: ο NDWI [8], ο BNDWI [13], o AWEInsh [1] και ο NDWI-DB (for Landsat 8 images). Οι μέθοδοι αυτές χρησιμοποιήθηκαν για τη σύγκριση υψηλής ανάλυσης που έγινε με τη χρήση τυχαίων σημείων σε κάθε δορυφορική εικόνα που χρησιμοποιείται σε αυτή τη μελέτη (Εικόνα 1α). Πρόσθετα σημεία τοποθετήθηκαν στα ποτάμια σώματα και σε μερικές μικρές λίμνες (Εικόνα 1β).


[[ Εικόνα: Ik21_arthro1_eikona2.png | thumb | right| Εικόνα 2 : Ανίχνευση υδάτινων σωμάτων σε περιοχή της Αλβανίας με τον δείκτη α) McFeeters’ NDWI και β) AWEInsh, Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]]



Για την εκτίμηση της ακρίβειας, υπολογίστηκε η συνολική ακρίβεια. Από τους συνολικούς υπολογισμούς ακριβείας, μπορεί να συναχθεί το συμπέρασμα ότι, με ορισμένες μικρές διαφορές,οι τέσσερις δείκτες σημείωσαν παρόμοια αποτελέσματα. Η συνολική ακρίβεια ήταν χαμηλότερη για τις δορυφορικές εικόνες με γωνία ηλιακού υψομέτρου μικρότερη από 30 μοίρες. Η συνολική ακρίβεια των εικόνων με μικρή γωνία υψομέτρου ποικίλλει από 65% σε 75%, με τις χαμηλότερες τιμές για εικόνες με πολύ μικρή γωνία ηλιακού υψομέτρου Από την ανάλυση της ακρίβειας, παρατηρήθηκε ότι τα πλέον παραπλανητικά στοιχεία είναι οι τοπογραφικές σκιές, οι σκιές σύννεφων και το χιόνι.
Τελικά, αν και οι μέθοδοι [1] και [13] έδωσαν καλύτερα αποτελέσματα σε κάποιες περιπτώσεις, επιλέγεται ο δείκτης που εισήχθη από τον McFeeter [8], για την περαιτέρω τροποποίηση, καθώς όταν άλλοι δείκτες αποτυγχάνουν να εντοπίσουν τα υδάτινα σώματα, ο δείκτης αυτός καταφέρνει να τα εντοπίσει, ειδικά τα ποτάμια και τα όρια των υδάτινων σωμάτων (Εικόνα 2). 

'''6.2 Ανάπτυξη του δείκτη Water Extraction Surface Temperature Index (WESTI)''' 

Η μέθοδος που χρησιμοποιήθηκε για την ανάπτυξη του δείκτη WESTI παρουσιάζεται σχηματικά στην Εικόνα 3 :


[[Εικόνα : Ik21_arthro1_eikona3.png| frame| center| Εικόνα 3 : Διάγραμμα ροής ανάπτυξης δείκτη WESTI., Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]



Για την ανάκτηση των φασματικών πληροφοριών σχετικά με τους υδάτινους φορείς, παρατηρήθηκαν ορισμένα σημεία σε κάθε δορυφορική εικόνα, ενώ αναλύθηκαν και οι φασματικές τους υπογραφές. . Επιλέχθηκαν συνολικά 264 σημεία υδάτινων σωμάτων, μικρότερα και μεγαλύτερα για καλύτερη αντιπροσωπευτικότητα Χρησιμοποιήθηκαν ορισμένα σημεία για την ανάλυση των εικονοστοιχείων που διαταράσσουν την ανίχνευση του νερού, όπως οι σκιάσεις και το χιόνι
Η φασματική υπογραφή του νερού και της σκιά του βουνού έδωσαν τα ίδια αποτελέσματα σε όλες τις ζώνες, με μόνο μια μικρή διαφορά στη θερμική περιοχή, όπου οι σκιές έχουν χαμηλότερες τιμές.Λαμβάνοντας υπόψη τις διαφορές που παρατηρήθηκαν το διαφοροποίηση στο θερμικό κανάλι. Για το λόγο αυτό, χρησιμοποιήθηκαν για κάθε αισθητήρα διαφορετικοί αλγόριθμοι LST [16-20], προκειμένου να επιτευχθεί η διάκριση του νερού από τα παραπλανητικά εικονοστοιχεία [15]. Στην ουσία, το LST μπορεί να περιγραφεί ως η “θερμοκρασία” του δέρματος του εδάφους [15].
Ο αλγόριθμος της παρούσας έρευνας βασίζεται σε κατάσταση που αποκλείει τα εικονοστοιχεία από την εφαρμογή του NDWI και που έχουν τιμές NDWI και LST χαμηλότερες από μηδέν. Με βάση την προϋπόθεση αυτή οι ι σκιές των βουνών, το χιόνι, ο πάγος και τα σύννεφα αφαιρούνται από τα αποτελέσματα.


[[Εικόνα : Ik21_arthro1_eikona4.png| thumb| left| Εικόνα 4 : Σύγκριση δεικτών., Πηγή: [https://www.researchgate.net/publication/320215209_Water_extraction_technique_in_mountainous_areas_from_satellite_images ResearchGate] ]]



''' 7. Αποτελέσματα και συζήτηση:''' 

Για την εκτίμηση της ακρίβειας της μεθόδου WESTI, τα ίδια τυχαία σημεία με την ενότητα 6.1. Από την αξιολόγηση της ακρίβειας προέκυψε ότι η μέθοδος WESTI βελτίωσε την ανίχνευση των υδάτινων περιοχών. Η μεγαλύτερη βελτίωση παρατηρήθηκε στη δορυφορική εικόνα με τη μικρότερη γωνία ηλιακού υψομέτρου με συνολική ακρίβεια η οποία μεταβλήθηκε από 65,8% σε 98,0% Ακόμη και στις περιπτώσεις όπου η γωνία ηλιακού υψομέτρου δεν ήταν χαμηλή, τα αποτελέσματα έχουν βελτιωθεί.
Ο δείκτης WESTI δεν εξάλειψε με επιτυχία όλα τα παραπλανητικά στοιχεία, αλλά βελτίωσαν τα αποτελέσματα κατά περισσότερο από 80%. Τα πλεονεκτήματα του δείκτη είναι εμφανή κοιτώντας την Εικόνα 4, όπου ο δείκτης WESTI συγκρίνεται με όλους τους δείκτες που χρησιμοποιήθηκαν στην παρούσα έρευνα: 

'''8. Συμπεράσματα:''' 
Συνολικά, η μέθοδος WESTI προτείνεται για την ανίχνευση υδάτινων σωμάτων σε ορεινές περιοχές και για την απαλοιφή των τοπογραφικών σκιάσεων από εικόνες που λήφθηκαν υπο μικρό γωνιακό ηλιακό υψόμετρο. Tέλος, η μέθοδος μελλοντικά θα επαληθευθεί και σε παγκόσμιο επίπεδο. 

 
 
 
 
 
 

== '''ΑΝΑΦΟΡΕΣ''' ==
 

 

1. G. L. Feyisa et al., “Automated water extraction index: a new technique for surface water mapping using Landsat imagery,” Remote Sens. Environ. 140, 23–35 (2014).

2. C. Giardino et al., “Application of remote sensing in water resource management: the case study of Lake Trasimeno, Italy,” Water Resour. Manage. 24(14), 3885–3899 (2010).

3. R. E. Morss et al., “Flood risk, uncertainty, and scientific information for decision making: lessons from an interdisciplinary project,” Bull. Am. Meteorol. Soc. 86(11), 1593–1601 (2005).

4. A. M. Dewan et al., “Evaluating flood hazard for land-use planning in Greater Dhaka of Bangladesh using remote sensing and GIS techniques,” Water Resour. Manage. 21(9), 1601–1612 (2007).

5. S. R. Proud et al., “Rapid response flood detection using the MSG geostationary satellite,” Int. J. Appl. Earth Obs. Geoinf. 13(4), 536–544 (2011).

6. J. Gardelle et al., “Less rain, more water in ponds: a remote sensing study of the dynamics of surface waters from 1950 to present in pastoral Sahel (Gourma region, Mali),” Hydrol. Earth Syst. Sci. 14(2), 309–324 (2010).

7. B. C. Gao, “A normalized difference water index for remote sensing of vegetation liquid water from space,” Imaging Spectrom. 2480, 225–236 (1995).

8. S. K. McFeeters, “The use of the normalized difference water index (NDWI) in the delineation of open water features,” Int. J. Remote Sens. 17(7), 1425–1432 (1996).

9. H. Q. Xu, “Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery,” Int. J. Remote Sens. 27(14), 3025–3033 (2006).

10. Z. F. Liu, Z. J. Yao, and R. Wang, “Assessing methods of identifying open water bodies using Landsat 8 OLI imagery,” Environ.
Earth Sci. 75(10), 873 (2016).

11. A. S. Rogers and M. S. Kearney, “Reducing signature variability in unmixing coastal marsh thematic mapper scenes using spectral indices,” Int. J. Remote Sens. 25(12), 2317–2335 (2004).

12. P. Yan, Y. Zhang, and Y. Zhang, “A study on information extraction of water enhanced water index (EWI) and GIS system in semi-arid regions with the based noise remove techniques,” Remote Sens. Inf. 62–67 (2007).

13. Q. Wei, L. Jingxuan, and L. Lin, “Research on automatic extraction of water bodies and wetlands on HJ satellite CCD images,” Remote Sens. Inf. 4, 28–33 (2011).

14. F. Becker and Z.L. Li, “Towards a local split window method over land surfaces,” Int. J. Remote Sens. 11(3), 369–393 (1990).

15. A. Tilahun and B. Teferie, “Accuracy assessment of land use land cover classification using Google Earth,” Am. J. Environ. Prot. 4, 193–198 (2015).

16. A. Rajeshwari and N. Mani, “Estimation of land surface temperature of Dindigul district using Landsat 8 data,” Int. J. Res. Eng. Technol. 3(5), 122–126 (2014).

17. U. Avdan and G. Jovanovska, “Algorithm for automated mapping of land surface temperature using LANDSAT 8 satellite data,” J. Sens. 2016, 1480307 (2016).

18. J. A. Sobrino, J. C. Jiménez-Muñoz, and L. Paolini, “Land surface temperature retrieval from LANDSAT TM 5,” Remote Sens.
Environ. 90(4), 434–440 (2004).

19. M. Stathopoulou and C. Cartalis, “Daytime urban heat islands from Landsat ETM+ and Corine land cover data: an application to major cities in Greece,” Sol. Energy 81(3), 358–368 (2007).

20. M. I. Ndossi and U. Avdan, “Application of open source coding technologies in the production of land surface temperature (LST) maps from Landsat: a PyQGIS plugin,” Remote Sens. 8(5), 413 (2016).

[[category:Παρακολούθηση, χαρτογράφηση και ανάλυση ποταμών, λιμνών και υγροτόπων]]

Αποτιμώντας τις προοπτικές της βιώσιμης ανάπτυξης μέσω της τηλεπισκόπησης: Μια ανασκόπηση

2021-01-27T00:11:32Z

Ioanna Karani:

'''Πρωτότυπος τίτλος:''' Assessing sustainable development prospects through remote sensing: A review 
'''Συγγραφείς:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi
Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan 
'''Citation:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan, Assessing sustainable development prospects through remote sensing: A review,Remote Sensing Applications: Society and Environment, Volume 20, 2020, 100402, ISSN 2352-9385, [https://doi.org/10.1016/j.rsase.2020.100402]. 
'''Πηγή:'''[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect] 

'''Λέξεις κλειδιά:'''Natural resource management; Sustainability; Natural hazards; Decision support system; Indices 

'''Σκοπός της έρευνας:'''
Η παρούσα έρευνα στοχεύει να πραγματοποιήσεις μια εκτεταμένη ανασκόπηση στη συμβολή της τηλεπισκόπησης (RS) στις προσπάθειες προς τη βιώσιμη ανάπτυξη, με έμφαση στη διαχείριση των φυσικών πόρων και στην εκτίμηση των φυσικών καταστροφών. 
'''1. Εισαγωγή:''' 
Η επιτυχία της βιώσιμης ανάπτυξης σε οποιαδήποτε περιοχή βασίζεται στο τι είναι γνωστό σε σχέση με τη διαχείριση των φυσικών πόρων και τους κινδύνους στην περιοχή (Taborand Hutchinson,1994). H δυνατότητα της RS να καταγράφει τα γήινα συστήματα σε διάφορες χωρικές και χρονικές κλίμακες την καθιστά κατάλληλη για τη διαχείριση προκλήσεων σε περιβαλλοντικό,οικολογικό και κοινωνικοοικονομικό επίπεδο. 
Μια σειρά από έρευνες -σημεία αναφοράς- έχουν διεξαχθεί, καλύπτοντας ποικίλους επιμέρους τομείς που άπτονται της βιώσιμης ανάπτυξης, όπως οι φυσικοί κίνδυνοι και οι κοινωνικοοικονομική ανάπτυξη (Avtar et al., 2013; Dudhani et al., 2006; Holloway and Mengersen, 2018). Ειδικότερα, τα τελευταία τριάντα χρόνια η RS χρησιμοποιείται ευρέως για την εκτίμηση των προσπαθειών στην κατεύθυνση της βιώσιμης ανάπτυξης. Οι εξελίξεις στην τεχνολογία της RS και η διαθεσιμότητα μεγάλων όγκων δεδομένων έχουν οδηγήσει σε τεράστιες βελτιώσεις στην ανάλυση δεδομένων, ειδικά όταν συνδυάζονται με GIS και με αλγόριθμους μηχανικής μάθησης.<br
Σήμερα, η RS, η οποία θεωρείται επιστημονικό εργαλείο, εφαρμόζεται σχεδόν σε κάθε τομέα της της γεωπεριβαλλοντικής επιστήμης. Λαμβάνοντας υπόψη τη σημασία της αειφόρου ανάπτυξης στον 21ο αιώνα, η παρούσα ανασκόπηση αποσκοπεί στην αξιολόγηση του τρόπου με τον οποίο οι εξελίξεις στην τεχνολογία της RS έχουν επηρεάσει τρεις σημαντικούς τομείς της βιώσιμης ανάπτυξης: τη διαχείριση των φυσικών πόρων, την παρατήρηση του περιβάλλοντος και την παρακολούθηση των κινδύνων και, τέλος, την κοινωνικοοικονομική ανάπτυξη. 
'''2.Δεδομένα:''' 
Τα άρθρα που συμπεριλήφθηκαν στην παρούσα ανασκόπηση αντλήθηκαν από τις εξής ηλεκτρονικές πηγές: 
* Scopus 
* Web of Science 
* Google Scholar 
'''3.Διάγραμμα της ανασκόπησης:''' 
Η ροή της ανασκόπησης αποτυπώνεται σχηματικά στην Εικόνα 1:
[[ Εικόνα: A10_e1.jpg| frame|center| Εικόνα 1:Διάγραμμα ροής ανασκόπησης, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect]]]


'''4. Διαχείριση και ανάπτυξη των φυσικών πόρων:''' 
'''4.1 Βιοποικιλότητα''' 
Η βιοποικιλότητα και οι υπηρεσίες που προσφέρουν τα οικοσυστήματα είναι ζωτικής σημασίας για την επίγεια , καθώς προσφέρουν υπηρεσίες πρώτων υλών, υποστηρικτικές, ρυθμιστικές και πολιτιστικές (Millennium Ecosystem Assessment, 2005; Avtar et al., 2017).Η RS χρησιμοποιείται ευρέως για τη μελέτη διαφόρων οικολογικών λειτουργιών, όπως τα φυσικά και ανθρωπογενή αίτια της αλλαγής τοπίου (Gould, 2000; Kerr et al., 2001; Kerr and Ostrovsky, 2003; McDermid et al., 2009). 
Η RS μπορεί να χρησιμοποιηθεί για την άμεση παρακολούθηση της βιοποικιλότητας, με τη χρήση δορυφόρων και αισθητήρων για την άντληση πληροφοριών σε σχέση με τη συγκέντρωση των ειδών σε οικολογικές κοινότητες ή και μεμονωμένους οργανισμούς. Επίσης, άμεσα με τη χρήση τηλεσκοπικών δεδομένων μπορούν να εκτιμηθούν οι χρήσεις γης και η κάλυψη της γης, πληροφορίες ιδιαίτερα χρήσιμες για την ανίχνευση της κατανομής και της συγκέντρωσης των ειδών σε εκτεταμένες περιοχές (Kerr and Ostrovsky, 2003). Οι άμεσες τηλεσκοπικές μέθοδοι για την παρακολούθηση της βιοποικιλότητας παρουσιάζονται στον Πίνακα 1. 


Ακόμη, υπάρχουν και έμμεσες μέθοδοι παρακολούθησης της βιοποικιλότητας που βασίζονται στην παρακολούθηση των εξής παραγόντων: 
α) '''πρωτογενής παραγωγή:''' Ενδεικτικά αναφέρονται οι παρακάτω εφαρμογές:ο δείκτης NDVI ή άλλοι παρόμοιοι δείκτες βλάστησης και σύνδεση τους με τη φαινολογία των φυτών (Turner et al., 2003), χρήση του δείκτη φυλλωδών περιοχών με δεδομένα από τον αισθητήρα MODIS ως δεδομένα εισόδου του οικοσυστημικού μοντέλου Sim-CYCLE (Hazarika et al. 2005), η ακαθάριστη πρωτογενής παραγωγή δασικών προϊόντων στις Ηνωμένες πολιτείες με δεδομένα από τον αισθητήρα MODIS και η σύγκριση του με ένα απλό, διαδικαστικό μοντέλο (Nightingale et al. 2007). 
β) '''κλίμα:'''Διάφορες μεταβλητές, συμπεριλαμβανομένης της θερμοκρασίας, της σχετικής υγρασίας και της υγρασίας του εδάφους, καθορίζουν ως ένα βαθμό την επιβίωση και την παραγωγικότητα πολλών ειδών (Turner et al., 2003). Οι Ηνωμένες Πολιτείες λάνσαραν τους δορυφόρους AQUA και TERRA, οι οποίοι είναι εφοδιασμένοι με τους αισθητήρες AMSR-E, MODIS, AMSU-A, AIRS, HSB, CERES και ASTER, MODIS, CERES, MISR, MOPITT αντίστοιχα, που παρέχουν πληροφορίες (π.χ. Υδρολογικός κύκλος, Θερμοκρασία νερού, Αεροζόλ κ.ο.κ.) που βοηθούν στην κατανόηση της σχέσης κλίματος-βιοποικιλότητας. γ)δομή ενδιαιτημάτων:Με την κατανόηση των δομών των ενδιαιτημάτων των ειδών, μπορούν να εξαχθούν συμπεράσματα για την κατανομή και τα πρότυπα των ειδών. Από την άποψη αυτή, οι τεχνολογίες της RS έχουν αποδειχθεί απαραίτητες. Ενδεικτικά, οι Goetz et al. (2007) μελέτησαν τα ενδιαιτήματα πουλιών στα δάση με χρήση δεδομένων LIDAR και οι Hyde et al. (2006)μελέτησαν τη δομή των δασικών ενδιαιτημάτων με τη χρήση δεδομένων LIDAR, SAR/InSAR,, Landsat-7, και QuickBird 

'''4.2 Υδάτινοι πόροι''' 
Το νερό είναι ζωτικής σημασίας για την ανθρωπότητα. Έχουν αναπτυχθεί μια σειρά από αλγορίθμους για τον εντοπισμό των υδάτινων όγκων σε τηλεπισκοπικές εικόνες: ο NDWI (McFeeters, 1996), ο modified NDWI (Xu, 2006), και ο automated water extraction index (Feyisa et al., 2014). Αισθητήρες, όπως οι Landsat, ASTER, SPOT, and MODIS χρησιμοποιούνται για την παρακολούθηση και τη χαρτογράφηση της ποιότητας των υδάτων (Mishra et al., 2013), ( Yunus et al. 2020). Οι Kamerosky et al. (2015) χρησιμοποίησαν εικόνες MERIS για την παρακολούθηση της υπεράνθησης του φυτοπλαγκτού στην Indian River Lagoon στην Florinda, USA. Οι Pisano et al., 2015 εντόπισα πετρελαιοκηλίδες σε υδάτινους όγκους με εικόνες MODIS και οι Joshi and D’Sa, 2015 χαρτογράφησαν τις εποχικές διαφοροποιήσεις της έγχρωμης αποσυντιθέμενης οργανικής ύλης. Τέλος, έχουν διεξαχθεί μια σειρά από έρευνες που εκτιμούν την ποσότητα και την ποιότητα των υδάτων διαχρονικά, όπως, η έρευνα των Chang et al. (2015) για την εκτίμηση της ποιότητας των υδάτων και της κατάστασης του οικοσυστήματος, όπως συνδέονται με τον κύκλο των θρεπτικών συστατικών σε βάθος 40ετίας.
Επίσης, χρησιμοποιούνται έμμεσες μέθοδοι για την διερεύνηση των υπόγειων υδάτων. Κατά κανόνα, η RS χρησιμοποιείται στην μελέτη των υπογείων υδάτων για την οριοθέτηση της γεωμορφολογίας και των γραμμάτων χαρτών, των επιφανειακών λιθολογικών χαρακτηριστικών, των πλαγιών, και της κάλυψης και χρήσεων της γης (Avtar et al., 2010; Ganapuram et al., 2009; Jha et al., 2007). Ενδεικτικά, αναφέρονται οι έρευνες των Schultz and Engman (2000) για την ανίχνευση των ζωνών τροφοδότησης και απορροής των υπόγειων υδάτων και η συνδυαστική χρήση RS και γεωφυσικών δεδομένων για την εις βάθος εξερεύνηση των υπόγειων υδάτων (Arafa-Hamed, 2013; Khan et al., 2014). 
'''4.3 Ορυκτοί πόροι''' 
Για πολλές χώρες, οι ορυκτοί πόροι συμβάλλουν σημαντικά στα κρατικά έσοδα.Αρκετές χώρες συνεργάστηκαν για να φέρουν διαφορετικές δορυφορικές πλατφόρμες σε συγκεκριμένα τροχιές με αισθητήρες τηλεπισκόπησης. Αυτές οι πλατφόρμες και οι αισθητήρες παρέχουν περαιτέρω πληροφορίες σχετικά με τους άφθονους πόρους της Γης με υψηλότερη ακρίβεια (Belward and Skøien, 2015; Sabins, 1999). Διάφορες μελέτες εξετάζουν τους ορυκτούς πόρους με χρήση υπερφασματικών εικόνων (Kodikara et al., 2012; Van der Meer et al., 2012; Vicente and de Souza Filho, 2011). Οι Gabr et al. (2010) χρησιμοποίησαν πολλαπλές εικόνες ASTER για τον εντοπισμό των ζωνών αλλοίωσης που σχετίζονται με τις αποθέσεις χρυσού στο Abu-Marawat. Οι Pour et al. (2013) χρησιμοποίησαν Landsat-7 Enhanced Thematic Mapper (ETM) και Hyperion δεδομένα για τον εντοπισμό ζωνών υδροθερμικών αλλοιώσεων και των σχετικών δομικών στοιχείων, ενώ σε άλλη έρευνα χρησιμοποιήθηκαν τεχνικές χαρτογράφησης βάσει των επιμέρους εικονοστοιχείων για το διαχωρισμό και τη χαρτογράφηση μεταβολών ορυκτών γύρω από κοιτάσματα χαλκού στο Ιράν (Zadeh et al. 2014). 
'''5.Εκτίμηση του περιβάλλοντος και φυσικών κινδύνων''' 
Στον Πίνακα 2 παρουσιάζεται η ανασκόπηση σε σχέση με τη συμβολή της RS για την εκτίμηση του περιβάλλοντος και φυσικών καταστροφών, όπως οι πλημμύρες και οι κατολισθήσεις και οι δασικές πυρκαγιές 


Τέλος, η τηλεπισκόπηση χρησιμοποιείται για την παρακολούθηση και την ανίχνευση δασικών πυρκαγιών. Δείκτες βλάστησης, όπως οι Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI), Normalized Burn Ratio (NBR) and Normalized Difference Vegetation Index (NDVIreXn) που χρησιμοποιούν κανάλια του ερυθρού εφαρμόζονται ικανοποιητικά για την έρευνα μετά από δασικές πυρκαγιές (Navarro et al., 2017). Οι εφαρμογές εξόρυξης δεδομένων είναι δημοφιλείς για τον καθορισμό του βέλτιστου συνδυασμού μεταβλητών και μοντελοποίησης που σχετίζεται με την εκτίμηση για επικείμενες δασικές πυρκαγιές (Hong et al., 2018). Σε αυτά τα μοντέλα, μεταβλητές μετεωρολογικών, τοπογραφικών και βλαστικών δεικτών που προέρχονται από δορυφορικά δεδομένα ενσωματώνονται ως παράγοντες για την απόκτηση των απαραίτητων πληροφοριών για την υγρασία του εδάφους και την εξατμισοδιαπνοή. 

'''6. Κοινωνικοοικονομική ανάπτυξη''' 
Οι εφαρμογές της τηλεπισκόπησης χρησιμοποιούνται ευρέως για την κοινωνικοοικονομική ανάπτυξη μέσω της ανάκτησης συγκεκριμένων δεδομένων. H κοινωνικοοικονομική ανάπτυξη εξετάζεται υπό το πρίσμα των μεταφορών, της εκτίμησης του πληθυσμού και της εκτίμησης της ποιότητας ζωής. H RS κατέχει κεντρική θέση στις μελλοντικές μελέτες της κοινωνικοοικονομικής ανάπτυξης, καθώς προσφέρουν καλύτερη κατανόηση των ανθρώπινων δραστηριοτήτων με τη χρήση δεδομένων υψηλής ανάλυσης και χαμηλού κόστους. Στον Πίνακα 3 παρουσιάζονται οι κύριες μελέτες και δείκτες που αναπτύχθηκαν για την τηλεπισκοπική μελέτη της κοινωνικοοικονομικής ανάπτυξης: 


'''7.Συμπεράσματα:''' 
Στην παρούσα μελέτη διερευνήθηκε η συμβολή της τηλεπισκόπησης στην διατήρηση του πλανήτη και της επίγειας ζωής. Τα Ηνωμένα Έθνη χαρακτήρισα την RS ως απαραίτητο εργαλείο για την επίτευξη των στόχων της Στόχοι βιώσιμης ανάπτυξης (SDGs). Η RS μπορεί να χρησιμοποιηθεί όχι μόνο για την ανάπτυξη ολοκληρωμένων πολιτικών για την προώθηση της βιώσιμης ανάπτυξης, αλλά και για την αποτελεσματική εφαρμογή και παρακολούθηση τους και λήψη αποφάσεων. Ωστόσο, για να είναι αποτελεσματικές και αξιόπιστες οι εφαρμογές της RS, πρέπει να υπάρχουν επαρκείς πληροφορίες και να λαμβάνονται από πολλαπλές πηγές. Ειδικότερα, η ανάπτυξη νέων φασματικών δεικτών, που βασίζονται στη βελτιωμένη τεχνολογία αισθητήρων, είναι καίριας σημασίας για την επίτευξη βιώσιμων στόχων ανάπτυξης.
Ωστόσο, η χρήση της τηλεπισκόπησης στις αναπτυσσόμενες χώρες για την παρακολούθηση των στόχων της βιώσιμης ανάπτυξης παραμένει διακύβευμα. Στην κατεύθυνση ενίσχυσης της χρήσης RS για την υποβοήθηση της προσπάθειας για βιώσιμη ανάπτυξη στις αναπτυσσόμενες χώρες, απαιτείται η δημιουργία περισσότερων και προσβάσιμων βάσεων δεδομένων, καθώς και συνεργασίες μεταξύ των κέντρων λήψεων των αποφάσεων και των πολιτικών κέντρων μελετών των αναπτυσσόμενων χωρών και με χώρες ή οργανισμού που έχουν ήδη πρόσβαση σε πηγές GIS. 

== ΑΝΑΦΟΡΕΣ ==

Anderson, D., Young, J., 2001. Truck traffic analysis using IKONOS satellite imagery. Space Imaging Technical Brief Prepared for National Consortium on Remote Sensing in Transportation-Flows. Ohio State University Center for Mapping, Columbus. 
Angel, A., Hickman, M., 2002. Experimental Investigation of Travel Time Estimation Using Geo-Referenced Aerial Video. Transportation Research Board 81st Annual Meeting. 
Angel, A., Hickman, M., Chandnani, D., Mirchandani, P., 2002. Application of aerial video for traffic flow monitoring and management. In: Applications of Advanced Technologies in Transportation, pp. 346–353. Arafa-Hamed, T., 2013. Comprehensive clues provided by popular free remote sensing imagery to interpretation of geophysical studies explained by example cases of magnetic surveys. NRIAG J. Astro. Geophys. 2 (2), 278–286. 
Arampatzis, G., Kiranoudis, C.T., Scaloubacas, P., Assimacopoulos, D., 2004. A GIS-based decision support system for planning urban transportation policies. Eur. J. Oper. Res. 152 (2), 465–475. 
Avtar, R., Kumar, P., Oono, A., Saraswat, C., Dorji, S., Hlaing, Z., 2017. Potential application of remote sensing in monitoring ecosystem services of forests, mangroves and urban areas. Geocarto Int. 32 (8), 874–885. https://doi.org/10.1080/ 10106049.2016.1206974. 
Avtar, R., Kumar, P., Singh, C.K., Sahu, N., Verma, R.L., Thakur, J.K., Mukherjee, S., 2013a. Hydrogeochemical assessment of groundwater quality of Bundelkhand, India using statistical approach. Water Qual. Expos. Hea. 5 (3), 105–115. https://doi.org/ 10.1007/s12403-013-0094-2. 
Avtar, R., Singh, C., Shashtri, S., Singh, A., Mukherjee, S., 2010. Identification and analysis of groundwater potential zones in Ken–Betwa river linking area using remote sensing and geographic information system. Geocarto Int. 25 (5), 379–396. 
Avtar, R., Takeuchi, W., Sawada, H., 2013b. Full polarimetric PALSAR-based land cover monitoring in Cambodia for implementation of REDD policies. Int. J. Digital Earth 6 (3), 255–275. https://doi.org/10.1080/17538947.2011.620639. 
Ayalew, B., Gomez, R.B., Roper, W.E., Carrasco, O., 2003. Pavement management using hyperspectral imagery, 5097, 207–214. Belward, A.S., Skøien, J.O., 2015. Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS J. Photogrammetry Remote Sens. 103, 115–128. 
Bolch, T., 2007. Climate change and glacier retreat in northern Tien Shan (Kazakhstan/ Kyrgyzstan) using remote sensing data. Global Planet. Change 56 (1–2), 1–12. 
Brown, R.D., Robinson, D.A., 2011. Northern Hemisphere spring snow cover variability and change over 1922-2010 including an assessment of uncertainty. Cryosphere 5 (1), 219. 
Buermann, W., Saatchi, S., Smith, T.B., Zutta, B.R., Chaves, J.A., Mila, ´ B., Graham, C.H., 2008. Predicting species distributions across the Amazonian and Andean regions using remote sensing data. J. Biogeogr. 35 (7), 1160–1176. 
Carrasco, R., Pedraza, J., Martin-Duque, J., Mattera, M., Sanz, M., Bodoque, J., 2003. Hazard zoning for landslides connected to torrential floods in the Jerte Valley (Spain) by using GIS techniques. Nat. Hazards 30 (3), 361–381. 
Casagli, N., Cigna, F., Bianchini, S., Holbling, ¨ D., Füreder, P., Righini, G., Del Conte, S., Friedl, B., Schneiderbauer, S., Iasio, C., 2016. Landslide mapping and monitoring by using radar and optical remote sensing: examples from the EC-FP7 project SAFER. Remote Sens. Appl.: Soc. Environ. 4, 92–108. 
Center, P., 1999. Maricopa Association of Governments Pedestrian Plan 2000. CEOS Disaster Management Support, G., Wood, H.M., 2003. The Use of Earth Observing Satellites for Hazard Support: Assessments & Scenarios: Final Report of the CEOS Disaster Management Support Group: Chair’s Overview. National Oceanic and Atmospheric Administration, US Department of Commerce. 
Chang, N.-B., Imen, S., Vannah, B., 2015. Remote sensing for monitoring surface water quality status and ecosystem state in relation to the nutrient cycle: a 40-year perspective. Crit. Rev. Environ. Sci. Technol. 45 (2), 101–166. https://doi.org/ 10.1080/10643389.2013.829981. 
Cord, A.F., Klein, D., Mora, F., Dech, S., 2014. Comparing the suitability of classified land cover data and remote sensing variables for modeling distribution patterns of plants. Ecol. Model. 272, 129–140. 
Council, T.R.B.N.R., 2000. Highway Capacity Manual. TRB Business Office. 
Daoud, A., Hallerod, ¨ B., Guha-Sapir, D., 2016. What is the association between absolute child poverty, poor governance, and natural disasters? A global comparison of some of the realities of climate change. PLoS One 11 (4). 
Dudhani, S., Sinha, A.K., Inamdar, S.S., 2006. Assessment of small hydropower potential using remote sensing data for sustainable development in India. Energy Pol. 34 (17), 3195–3205. https://doi.org/10.1016/j.enpol.2005.06.011. 
Duro, D.C., Coops, N.C., Wulder, M.A., Han, T., 2007. Development of a large area biodiversity monitoring system driven by remote sensing. Prog. Phys. Geogr. 31 (3), 235–260. 
Feyisa, G.L., Meilby, H., Fensholt, R., Proud, S.R., 2014. Automated Water Extraction Index: a new technique for surface water mapping using Landsat imagery. Remote Sens. Environ. 140, 23–35. https://doi.org/10.1016/j.rse.2013.08.029. 
Fletcher, K., European Space Agency, European Space Research and Technology Centre (Eds.), 2007. InSAR Principles: Guidelines for SAR Interferometry Processing and Interpretation. ESA Publications, ESTEC. 
Gabr, S., Ghulam, A., Kusky, T., 2010. Detecting areas of high-potential gold mineralization using ASTER data. Ore Geol. Rev. 38 (1–2), 59–69.
Ganapuram, S., Kumar, G.V., Krishna, I.M., Kahya, E., Demirel, M.C., 2009. Mapping of groundwater potential zones in the Musi basin using remote sensing data and GIS.Adv. Eng. Software 40 (7), 506–518. 
Gili, J.A., Corominas, J., Rius, J., 2000. Using global positioning system techniques in landslide monitoring. Eng. Geol. 55 (3), 167–192.
Goetz, S., Steinberg, D., Dubayah, R., Blair, B., 2007. Laser remote sensing of canopy habitat heterogeneity as a predictor of bird species richness in an eastern temperate forest, USA. Remote Sens. Environ. 108 (3), 254–263. 
Grabner, H., Nguyen, T.T., Gruber, B., Bischof, H., 2008. On-line boosting-based car detection from aerial images. ISPRS J. Photogrammetry Remote Sens. 63 (3), 382–396. 
Gray, S., Semiat, R., Duke, M., Rahardianto, A., Cohen, Y., 2011. Reference module in earth systems and environmental sciences. Seawater Use and Desalination Technology 73–109. 
Guo, D., Weeks, A., Klee, H., 2007. Robust approach for suburban road segmentation in high-resolution aerial images. Int. J. Rem. Sens. 28 (2), 307–318.
Guzzetti, F., Mondini, A.C., Cardinali, M., Fiorucci, F., Santangelo, M., Chang, K.-T., 2012. Landslide inventory maps: new tools for an old problem. Earth Sci. Rev. 112 (1–2), 42–66. 
Haboudane, D., Miller, J., 2002. Tremblay, N.; Zarco-Tejada, PJ; Dextrase, L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sens. Environ. 81, 416–426. 
Hall, O., Duit, A., Caballero, L.N., 2008. World poverty, environmental vulnerability and population at risk for natural hazards. J. Maps 4 (1), 151–160.
Hazarika, M.K., Yasuoka, Y., Ito, A., Dye, D., 2005. Estimation of net primary productivity by integrating remote sensing data with an ecosystem model. Remote Sens. Environ. 94 (3), 298–310. 
Hester, D.B., Cakir, H.I., Nelson, S.A., Khorram, S., 2008. Per-pixel classification of high spatial resolution satellite imagery for urban land-cover mapping. Photogramm. Eng. Rem. Sens. 74 (4), 463–471. 
Hirpa, F.A., Hopson, T.M., De Groeve, T., Brakenridge, G.R., Gebremichael, M., Restrepo, P.J., 2013. Upstream satellite remote sensing for river discharge forecasting: application to major rivers in South Asia. Remote Sens. Environ. 131, 140–151. 
Holloway, J., Mengersen, K., 2018. Statistical machine learning methods and remote sensing for sustainable development goals Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A.X., Xu, C., 2018. Applying genetic algorithms to set the optimal combination of forest fire related variables and model forest fire susceptibility based on data mining models. The case of Dayu County, China. Sci. Total Environ. 630, 1044–1056. 
Hoppe, E., Bruckno, B., Campbell, E., Acton, S., Vaccari, A., Stuecheli, M., Bohane, A., Falorni, G., Morgan, J., 2016. Transportation infrastructure monitoring using satellite remote sensing. Materials and Infrastructures 1 (5), 185–198. 
Hou, Z., Xu, Q., Nuutinen, T., Tokola, T., 2013. Extraction of remote sensing-based forest management units in tropical forests.
Remote Sens. Environ. 130, 1–10. 
Hyde, P., Dubayah, R., Walker, W., Blair, J.B., Hofton, M., Hunsaker, C., 2006. Mapping forest structure for wildlife habitat analysis using multi-sensor (LiDAR, SAR/InSAR, ETM+, Quickbird) synergy. Remote Sens. Environ. 102 (1–2), 63–73. 
Jensen, John R., Cowen, D.C., 1999. Remote sensing of urban/suburban infrastructure and socio-economic attributes. Photogramm. Eng. Rem. Sens. 65, 611–622.
Jha, M.K., Chowdhury, A., Chowdary, V., Peiffer, S., 2007. Groundwater management and development by integrated remote sensing and geographic information systems: prospects and constraints. Water Resour. Manag. 21 (2), 427–467. 
Joshi, I., D’Sa, E.J., 2015. Seasonal variation of colored dissolved organic matter in Barataria Bay, Louisiana, using combined Landsat and field data. Rem. Sens. 7 (9), 12478–12502. 
Kamerosky, A., Cho, H.J., Morris, L., 2015. Monitoring of the 2011 super algal bloom in Indian River Lagoon, FL, USA, using
MERIS. Rem. Sens. 7 (2), 1441–1460. 

Kerr, J.T., Ostrovsky, M., 2003. From space to species: ecological applications for remote sensing. Trends Ecol. Evol. 18 (6), 299–305. 
Kerr, J.T., Southwood, T., Cihlar, J., 2001. Remotely sensed habitat diversity predicts butterfly species richness and community similarity in Canada. Proc. Natl. Acad. Sci. Unit. States Am. 98 (20), 11365–11370. 
Khan, S.D., Fathy, M.S., Abdelazeem, M., 2014. Remote sensing and geophysical investigations of Moghra lake in the qattara depression, Western Desert, Egypt. Geomorphology 207, 10–22. 
Kodikara, G.R., Woldai, T., van Ruitenbeek, F.J., Kuria, Z., van der Meer, F., Shepherd, K. D., Van Hummel, G., 2012. 
Hyperspectral remote sensing of evaporate minerals and associated sediments in Lake Magadi area, Kenya. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 22–32. 
Krishnaswamy, J., Bawa, K.S., Ganeshaiah, K., Kiran, M., 2009. Quantifying and mapping biodiversity and ecosystem services: utility of a multi-season NDVI based Mahalanobis distance surrogate. Remote Sens. Environ. 113 (4), 857–867. 
Leitloff, J., Hinz, S., Stilla, U., 2010. Vehicle detection in very high resolution satellite images of city areas. IEEE Trans. Geosci. Rem. Sens. 48 (7), 2795–2806. 
Li, G., Weng, Q., 2005. Using Landsat ETM+ imagery to measure population density in Indianapolis, Indiana, USA. Photogramm. Eng. Rem. Sens. 71 (8), 947–958. 
Liu, X., Clarke, K., Herold, M., 2006. Population density and image texture. Photogramm. Eng. Rem. Sens. 72 (2), 187–196. 
Lo, C.P., Faber, B.J., 1997. Integration of Landsat Thematic Mapper and census data for quality of life assessment. Remote Sens. Environ. 62 (2), 143–157. 
Malet, J.-P., Maquaire, O., Calais, E., 2002. The use of Global Positioning System techniques for the continuous monitoring of landslides: application to the SuperSauze earthflow (Alpes-de-Haute-Provence, France). Geomorphology 43 (1–2), 33–54. Manktelow, P.T., Mann, G.W., Carslaw, K.S., Spracklen, D.V., Chipperfield, M.P., 2007. Regional and global trends in sulfate aerosol since the 1980s. Geophys. Res. Lett. 34 (14). 
Marano, K.D., Wald, D.J., Allen, T.I., 2010. Global earthquake casualties due to secondary effects: a quantitative analysis for improving rapid loss analyses. Nat. Hazards 52 (2), 319–328. 
Martinuzzi, S., Vierling, L.A., Gould, W.A., Falkowski, M.J., Evans, J.S., Hudak, A.T., Vierling, K.T., 2009. Mapping snags and understory shrubs for a LiDAR-based assessment of wildlife habitat suitability. Remote Sens. Environ. 113 (12), 2533–2546. McCord, M.R., Hickman, M., Bronzini, M.S., Goel, P.K., Gomez, R.B., Merry, C.J., Mirchandani, P.B., Morrison, J.L., 2003. REMOTE SENSING OF TRANSPORTATION FLOWS. CONSORTIUM PAPER PRESENTATION. 21. 
McDermid, G., Hall, R., Sanchez-Azofeifa, G., Franklin, S., Stenhouse, G., Kobliuk, T., LeDrew, E., 2009. Remote sensing and forest inventory for wildlife habitat assessment. For. Ecol. Manag. 257 (11), 2262–2269. 
McFeeters, S.K., 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J Menon, S., Bawa, K.S., 1997. Applications of geographic information systems, remotesensing, and a landscape ecology approach to biodiversity conservation in the Western Ghats. Curr. Sci. 134–145. 
Meyer, W.B., Turner, B.L., 1992. Human population growth and global land-use/cover change. Annu. Rev. Ecol. Systemat. 23 (1), 39–61. 
Millennium Ecosystem Assessment, M.E.A., 2005. Ecosystems and Human Well-Being (Synthesis). 
Mishra, S., Mishra, D.R., Lee, Z., Tucker, C.S., 2013. Quantifying cyanobacterial phycocyanin concentration in turbid productive waters: a quasi-analytical approach. Remote Sens. Environ. 133, 141–151. 
Nakagawa, T., Yasuoka, Y., 2001. Environmental impact assessment with remote sensing at Isahaya land reclamation site. In: Proceedings of 22nd Asian Conferencce on Remote Sensing (AARS), 6. https://crisp.nus.edu.sg/~acrs2001/pdf/244nakag.pdf. Navarro, G., Caballero, I., Silva, G., Parra, P.C., V´ azquez, A., ´ Caldeira, R., 2017. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery. Int. J. Appl. Earth Obs. Geoinf. 58, 97–106. 
Nandy, S., Kushwaha, S., Dadhwal, V., 2011. Forest degradation assessment in the upper catchment of the river Tons using remote sensing and GIS. Ecol. Indicat. 11 (2), 509–513. 
Nightingale, J., Coops, N., Waring, R., Hargrove, W., 2007. Comparison of MODIS gross primary production estimates for forests across the USA with those generated by a simple process model, 3-PGS. Remote Sens. Environ. 109 (4), 500–509. 

Petley, D., 2012. Global patterns of loss of life from landslides. Geology 40 (10), 927–930. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510 
Pisano, A., Bignami, F., Santoleri, R., 2015. Oil spill detection in glint-contaminated near-infrared MODIS imagery. Rem. Sens. 7 (1), 1112–1134. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510. 
Pour, Amin Beiranvand, Hashim, M., van Genderen, J., 2013. Detection of hydrothermal alteration zones in a tropical region using satellite remote sensing data: Bau goldfield, Sarawak, Malaysia. Ore Geol. Rev. 54, 181–196. 
Pozzi, F., Small, C., 2001. Exploratory analysis of suburban land cover and population density in the USA, pp. 250–254. 
Ranade, P., 2007. Environmental impact assessment of land use planing around the leased limestone mine using remote sensing techniques. J. Health Sci. Environ. 4 (1), 61–65. 
Rogers, D., Emwanu, T., Robinson, T., 2006. Poverty Mapping in Uganda: an Analysis Using Remotely Sensed and Other Environmental Data.
Rosen, P.A., Hensley, S., Joughin, I.R., Li, F.K., Madsen, S.N., Rodriguez, E., Goldstein, R. M., 2000. Synthetic aperture radar interferometry. Proc. IEEE 88 (3), 333–382. 
Rossa, A.M., Del Guerra, F.L., Borga, M., Zanon, F., Settin, T., Leuenberger, D., 2010. Radar-driven high-resolution hydro-meteorological forecasts of the 26 September 2007 Venice flash flood. J. Hydrol. 394 (1–2), 230–244. 
Saatchi, S., Buermann, W., Ter Steege, H., Mori, S., Smith, T.B., 2008. Modeling distribution of Amazonian tree species and diversity using remote sensing measurements. Remote Sens. Environ. 112 (5), 2000–2017. 
Sabins, F.F., 1999. Remote sensing for mineral exploration. Ore Geol. Rev. 14 (3–4), 157–183. 
Schultz, G.A., Engman, E.T., 2000. Present use and future perspectives of remote sensing in hydrology and water management. IAHS-AISH Publ. 267, 545–551. 
Sharma, G., Merry, C., Goel, P., McCord, M., 2006. Vehicle detection in 1-m resolution satellite and airborne imagery. Int. J. Rem. Sens. 27 (4), 779–797. 
Singhroy, V., Ohkura, H., Glenn, N., 2002. Earth observation for landslide assessment. IEEE In.t. Geosci. Remote Sens. Sympos 2, 765–767. 
Spagnolini, U., Rampa, V., 1999. Multitarget detection/tracking for monostatic ground penetrating radar: application to pavement profiling. IEEE Trans. Geosci. Rem. Sens. 37 (1), 383–394. 
Tabor, J.A., Hutchinson, C.F., 1994. Using Indigenous Knowledge, Remote Sensing and GIS for Sustainable Development. https://agris.fao.org/agris-search/search.do?reco rdID=GB2013200846. 
Tsimbos, C., Kotsifakis, G., Verropoulou, G., Kalogirou, S., 2011. Life expectancy in Greece 1991–2007: regional variations and spatial clustering. J. Maps 7 (1), 280–290. 
Turner, W., Spector, S., Gardiner, N., Fladeland, M., Sterling, E., Steininger, M., 2003. Remote sensing for biodiversity science and conservation. Trends Ecol. Evol. 18 (6), 306–314. van der Meer, F.D.,
Van der Werff, H.M., van Ruitenbeek, F.J., Hecker, Chris a., Bakker, Wim H., Noomen, Marleen F., Mark van Der Meijde, E.John M., Carranza, J., Boudewijn De Smeth, Tsehaie Woldai, 2012. Multi-and hyperspectral geologic remote sensing: a review. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 112–128. 
Vicente, L.E., de Souza Filho, C.R., 2011. Identification of mineral components in tropical soils using reflectance spectroscopy and advanced spaceborne thermal emission and reflection radiometer (ASTER) data. Remote Sens. Environ. 115 (8), 1824–1836. 
Vignola, F., Michalsky, J., Stoffel, T., 2019. Solar and Infrared Radiation Measurements. CRC press. 
Vina, ˜ A., Bearer, S., Zhang, H., Ouyang, Z., Liu, J., 2008. Evaluating MODIS data for mapping wildlife habitat distribution. Remote Sens. Environ. 112 (5), 2160–2169. 

Waring, R., Coops, N., Landsberg, J., 2010. Improving predictions of forest growth using the 3-PGS model with observations made by remote sensing. For. Ecol. Manag. 259 (9), 1722–1729. 

Wiens, J., Sutter, R., Anderson, M., Blanchard, J., Barnett, A., Aguilar-Amuchastegui, N., Avery, C., Laine, S., 2009. Selecting and conserving lands for biodiversity: the role of remote sensing. Remote Sens. Environ. 113 (7), 1370–1381. 
Williams, J.G., Rosser, N.J., Kincey, M.E., Benjamin, J., Oven, K.J., Densmore, A.L., Milledge, D.G., Robinson, T.R., 2017. Satellite-based emergency mapping: landslides triggered by the 2015 Nepal earthquake. Nat. Hazards Earth Syst. Sci. 18, 185–205. Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Rem. Sens. 27 (14), 3025–3033. https://doi.org/10.1080/01431160600589179. 
Yan, G., Zhou, S., Zhou, L., Xi, J., Tian, Y., Teng, H., 2013. Integrating remote sensing and proximal sensors for the detection of soil moisture and salinity variability in coastal areas. J. Int. Agri. 12 (4), 723–731. 
Yang, J., Gong, P., Fu, R., Zhang, M., Chen, J., Liang, S., Xu, B., Shi, J., Dickinson, R., 2013a. The role of satellite remote sensing in climate change studies. Nat. Clim. Change 3 (10), 875. 
Yu, X., Shi, Z., 2015. Vehicle detection in remote sensing imagery based on salient information and local shape feature. Optik-International Journal for Light and Electron Optics 126 (20), 2485–2490. 
Yunus, A.P., Masago, Y., Hijioka, Y., 2020. COVID-19 and surface water quality: improved lake water quality during the lockdown. Sci. Total Environ. 731, 139012. http://www.sciencedirect.com/science/article/pii/S0048969720325298. 
Zadeh, M.H., Tangestani, M.H., Roldan, F.V., Yusta, I., 2014. Sub-pixel mineral mapping of a porphyry copper belt using EO-1 Hyperion data. Adv. Space Res. 53 (3), 440–451. 
Zhou, G., Wei, D., 2008. Survey and Analysis of Land Satellite Remote Sensing Applied in Highway Transportations Infrastructure and System Engineering, 4. IV–479.

[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Αποτιμώντας τις προοπτικές της βιώσιμης ανάπτυξης μέσω της τηλεπισκόπησης: Μια ανασκόπηση

2021-01-26T23:51:12Z

Ioanna Karani:

'''Πρωτότυπος τίτλος:''' Assessing sustainable development prospects through remote sensing: A review 
'''Συγγραφείς:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi
Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan 
'''Citation:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan, Assessing sustainable development prospects through remote sensing: A review,Remote Sensing Applications: Society and Environment, Volume 20, 2020, 100402, ISSN 2352-9385, [https://doi.org/10.1016/j.rsase.2020.100402]. 
'''Πηγή:'''[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect] 

'''Λέξεις κλειδιά:'''Natural resource management; Sustainability; Natural hazards; Decision support system; Indices 

'''Σκοπός της έρευνας:'''
Η παρούσα έρευνα στοχεύει να πραγματοποιήσεις μια εκτεταμένη ανασκόπηση στη συμβολή της τηλεπισκόπησης (RS) στις προσπάθειες προς τη βιώσιμη ανάπτυξη, με έμφαση στη διαχείριση των φυσικών πόρων και στην εκτίμηση των φυσικών καταστροφών. 
'''1. Εισαγωγή:''' 
Η επιτυχία της βιώσιμης ανάπτυξης σε οποιαδήποτε περιοχή βασίζεται στο τι είναι γνωστό σε σχέση με τη διαχείριση των φυσικών πόρων και τους κινδύνους στην περιοχή (Taborand Hutchinson,1994). H δυνατότητα της RS να καταγράφει τα γήινα συστήματα σε διάφορες χωρικές και χρονικές κλίμακες την καθιστά κατάλληλη για τη διαχείριση προκλήσεων σε περιβαλλοντικό,οικολογικό και κοινωνικοοικονομικό επίπεδο. 
Μια σειρά από έρευνες -σημεία αναφοράς- έχουν διεξαχθεί, καλύπτοντας ποικίλους επιμέρους τομείς που άπτονται της βιώσιμης ανάπτυξης, όπως οι φυσικοί κίνδυνοι και οι κοινωνικοοικονομική ανάπτυξη (Avtar et al., 2013; Dudhani et al., 2006; Holloway and Mengersen, 2018). Ειδικότερα, τα τελευταία τριάντα χρόνια η RS χρησιμοποιείται ευρέως για την εκτίμηση των προσπαθειών στην κατεύθυνση της βιώσιμης ανάπτυξης. Οι εξελίξεις στην τεχνολογία της RS και η διαθεσιμότητα μεγάλων όγκων δεδομένων έχουν οδηγήσει σε τεράστιες βελτιώσεις στην ανάλυση δεδομένων, ειδικά όταν συνδυάζονται με GIS και με αλγόριθμους μηχανικής μάθησης.<br
Σήμερα, η RS, η οποία θεωρείται επιστημονικό εργαλείο, εφαρμόζεται σχεδόν σε κάθε τομέα της της γεωπεριβαλλοντικής επιστήμης. Λαμβάνοντας υπόψη τη σημασία της αειφόρου ανάπτυξης στον 21ο αιώνα, η παρούσα ανασκόπηση αποσκοπεί στην αξιολόγηση του τρόπου με τον οποίο οι εξελίξεις στην τεχνολογία της RS έχουν επηρεάσει τρεις σημαντικούς τομείς της βιώσιμης ανάπτυξης: τη διαχείριση των φυσικών πόρων, την παρατήρηση του περιβάλλοντος και την παρακολούθηση των κινδύνων και, τέλος, την κοινωνικοοικονομική ανάπτυξη. 
'''2.Δεδομένα:''' 
Τα άρθρα που συμπεριλήφθηκαν στην παρούσα ανασκόπηση αντλήθηκαν από τις εξής ηλεκτρονικές πηγές: 
* Scopus 
* Web of Science 
* Google Scholar 
'''3.Διάγραμμα της ανασκόπησης:''' 
Η ροή της ανασκόπησης αποτυπώνεται σχηματικά στην Εικόνα 1:
[[ Εικόνα: A10_e1.jpg| frame|center| Εικόνα 1:Διάγραμμα ροής ανασκόπησης, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect]]]


'''4. Διαχείριση και ανάπτυξη των φυσικών πόρων:''' 
'''4.1 Βιοποικιλότητα''' 
Η βιοποικιλότητα και οι υπηρεσίες που προσφέρουν τα οικοσυστήματα είναι ζωτικής σημασίας για την επίγεια , καθώς προσφέρουν υπηρεσίες πρώτων υλών, υποστηρικτικές, ρυθμιστικές και πολιτιστικές (Millennium Ecosystem Assessment, 2005; Avtar et al., 2017).Η RS χρησιμοποιείται ευρέως για τη μελέτη διαφόρων οικολογικών λειτουργιών, όπως τα φυσικά και ανθρωπογενή αίτια της αλλαγής τοπίου (Gould, 2000; Kerr et al., 2001; Kerr and Ostrovsky, 2003; McDermid et al., 2009). 
Η RS μπορεί να χρησιμοποιηθεί για την άμεση παρακολούθηση της βιοποικιλότητας, με τη χρήση δορυφόρων και αισθητήρων για την άντληση πληροφοριών σε σχέση με τη συγκέντρωση των ειδών σε οικολογικές κοινότητες ή και μεμονωμένους οργανισμούς. Επίσης, άμεσα με τη χρήση τηλεσκοπικών δεδομένων μπορούν να εκτιμηθούν οι χρήσεις γης και η κάλυψη της γης, πληροφορίες ιδιαίτερα χρήσιμες για την ανίχνευση της κατανομής και της συγκέντρωσης των ειδών σε εκτεταμένες περιοχές (Kerr and Ostrovsky, 2003). Οι άμεσες τηλεσκοπικές μέθοδοι για την παρακολούθηση της βιοποικιλότητας παρουσιάζονται στον Πίνακα 1. 


Ακόμη, υπάρχουν και έμμεσες μέθοδοι παρακολούθησης της βιοποικιλότητας που βασίζονται στην παρακολούθηση των εξής παραγόντων: 
α) '''πρωτογενής παραγωγή:''' Ενδεικτικά αναφέρονται οι παρακάτω εφαρμογές:ο δείκτης NDVI ή άλλοι παρόμοιοι δείκτες βλάστησης και σύνδεση τους με τη φαινολογία των φυτών (Turner et al., 2003), χρήση του δείκτη φυλλωδών περιοχών με δεδομένα από τον αισθητήρα MODIS ως δεδομένα εισόδου του οικοσυστημικού μοντέλου Sim-CYCLE (Hazarika et al. 2005), η ακαθάριστη πρωτογενής παραγωγή δασικών προϊόντων στις Ηνωμένες πολιτείες με δεδομένα από τον αισθητήρα MODIS και η σύγκριση του με ένα απλό, διαδικαστικό μοντέλο (Nightingale et al. 2007). 
β) '''κλίμα:'''Διάφορες μεταβλητές, συμπεριλαμβανομένης της θερμοκρασίας, της σχετικής υγρασίας και της υγρασίας του εδάφους, καθορίζουν ως ένα βαθμό την επιβίωση και την παραγωγικότητα πολλών ειδών (Turner et al., 2003). Οι Ηνωμένες Πολιτείες λάνσαραν τους δορυφόρους AQUA και TERRA, οι οποίοι είναι εφοδιασμένοι με τους αισθητήρες AMSR-E, MODIS, AMSU-A, AIRS, HSB, CERES και ASTER, MODIS, CERES, MISR, MOPITT αντίστοιχα, που παρέχουν πληροφορίες (π.χ. Υδρολογικός κύκλος, Θερμοκρασία νερού, Αεροζόλ κ.ο.κ.) που βοηθούν στην κατανόηση της σχέσης κλίματος-βιοποικιλότητας. γ)δομή ενδιαιτημάτων:Με την κατανόηση των δομών των ενδιαιτημάτων των ειδών, μπορούν να εξαχθούν συμπεράσματα για την κατανομή και τα πρότυπα των ειδών. Από την άποψη αυτή, οι τεχνολογίες της RS έχουν αποδειχθεί απαραίτητες. Ενδεικτικά, οι Goetz et al. (2007) μελέτησαν τα ενδιαιτήματα πουλιών στα δάση με χρήση δεδομένων LIDAR και οι Hyde et al. (2006)μελέτησαν τη δομή των δασικών ενδιαιτημάτων με τη χρήση δεδομένων LIDAR, SAR/InSAR,, Landsat-7, και QuickBird 

'''4.2 Υδάτινοι πόροι''' 
Το νερό είναι ζωτικής σημασίας για την ανθρωπότητα. Έχουν αναπτυχθεί μια σειρά από αλγορίθμους για τον εντοπισμό των υδάτινων όγκων σε τηλεπισκοπικές εικόνες: ο NDWI (McFeeters, 1996), ο modified NDWI (Xu, 2006), και ο automated water extraction index (Feyisa et al., 2014). Αισθητήρες, όπως οι Landsat, ASTER, SPOT, and MODIS χρησιμοποιούνται για την παρακολούθηση και τη χαρτογράφηση της ποιότητας των υδάτων (Mishra et al., 2013), ( Yunus et al. 2020). Οι Kamerosky et al. (2015) χρησιμοποίησαν εικόνες MERIS για την παρακολούθηση της υπεράνθησης του φυτοπλαγκτού στην Indian River Lagoon στην Florinda, USA. Οι Pisano et al., 2015 εντόπισα πετρελαιοκηλίδες σε υδάτινους όγκους με εικόνες MODIS και οι Joshi and D’Sa, 2015 χαρτογράφησαν τις εποχικές διαφοροποιήσεις της έγχρωμης αποσυντιθέμενης οργανικής ύλης. Τέλος, έχουν διεξαχθεί μια σειρά από έρευνες που εκτιμούν την ποσότητα και την ποιότητα των υδάτων διαχρονικά, όπως, η έρευνα των Chang et al. (2015) για την εκτίμηση της ποιότητας των υδάτων και της κατάστασης του οικοσυστήματος, όπως συνδέονται με τον κύκλο των θρεπτικών συστατικών σε βάθος 40ετίας.
Επίσης, χρησιμοποιούνται έμμεσες μέθοδοι για την διερεύνηση των υπόγειων υδάτων. Κατά κανόνα, η RS χρησιμοποιείται στην μελέτη των υπογείων υδάτων για την οριοθέτηση της γεωμορφολογίας και των γραμμάτων χαρτών, των επιφανειακών λιθολογικών χαρακτηριστικών, των πλαγιών, και της κάλυψης και χρήσεων της γης (Avtar et al., 2010; Ganapuram et al., 2009; Jha et al., 2007). Ενδεικτικά, αναφέρονται οι έρευνες των Schultz and Engman (2000) για την ανίχνευση των ζωνών τροφοδότησης και απορροής των υπόγειων υδάτων και η συνδυαστική χρήση RS και γεωφυσικών δεδομένων για την εις βάθος εξερεύνηση των υπόγειων υδάτων (Arafa-Hamed, 2013; Khan et al., 2014). 
'''4.3 Ορυκτοί πόροι''' 
Για πολλές χώρες, οι ορυκτοί πόροι συμβάλλουν σημαντικά στα κρατικά έσοδα.Αρκετές χώρες συνεργάστηκαν για να φέρουν διαφορετικές δορυφορικές πλατφόρμες σε συγκεκριμένα τροχιές με αισθητήρες τηλεπισκόπησης. Αυτές οι πλατφόρμες και οι αισθητήρες παρέχουν περαιτέρω πληροφορίες σχετικά με τους άφθονους πόρους της Γης με υψηλότερη ακρίβεια (Belward and Skøien, 2015; Sabins, 1999). Διάφορες μελέτες εξετάζουν τους ορυκτούς πόρους με χρήση υπερφασματικών εικόνων (Kodikara et al., 2012; Van der Meer et al., 2012; Vicente and de Souza Filho, 2011). Οι Gabr et al. (2010) χρησιμοποίησαν πολλαπλές εικόνες ASTER για τον εντοπισμό των ζωνών αλλοίωσης που σχετίζονται με τις αποθέσεις χρυσού στο Abu-Marawat. Οι Pour et al. (2013) χρησιμοποίησαν Landsat-7 Enhanced Thematic Mapper (ETM) και Hyperion δεδομένα για τον εντοπισμό ζωνών υδροθερμικών αλλοιώσεων και των σχετικών δομικών στοιχείων, ενώ σε άλλη έρευνα χρησιμοποιήθηκαν τεχνικές χαρτογράφησης βάσει των επιμέρους εικονοστοιχείων για το διαχωρισμό και τη χαρτογράφηση μεταβολών ορυκτών γύρω από κοιτάσματα χαλκού στο Ιράν (Zadeh et al. 2014). 
'''5.Εκτίμηση του περιβάλλοντος και φυσικών κινδύνων''' 
Στον Πίνακα 2 παρουσιάζεται η ανασκόπηση σε σχέση με τη συμβολή της RS για την εκτίμηση του περιβάλλοντος και φυσικών καταστροφών, όπως οι πλημμύρες και οι κατολισθήσεις και οι δασικές πυρκαγιές 


Τέλος, η τηλεπισκόπηση χρησιμοποιείται για την παρακολούθηση και την ανίχνευση δασικών πυρκαγιών. Δείκτες βλάστησης, όπως οι Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI), Normalized Burn Ratio (NBR) and Normalized Difference Vegetation Index (NDVIreXn) που χρησιμοποιούν κανάλια του ερυθρού εφαρμόζονται ικανοποιητικά για την έρευνα μετά από δασικές πυρκαγιές (Navarro et al., 2017). Οι εφαρμογές εξόρυξης δεδομένων είναι δημοφιλείς για τον καθορισμό του βέλτιστου συνδυασμού μεταβλητών και μοντελοποίησης που σχετίζεται με την εκτίμηση για επικείμενες δασικές πυρκαγιές (Hong et al., 2018). Σε αυτά τα μοντέλα, μεταβλητές μετεωρολογικών, τοπογραφικών και βλαστικών δεικτών που προέρχονται από δορυφορικά δεδομένα ενσωματώνονται ως παράγοντες για την απόκτηση των απαραίτητων πληροφοριών για την υγρασία του εδάφους και την εξατμισοδιαπνοή. 

'''6. Κοινωνικοοικονομική ανάπτυξη''' 
Οι εφαρμογές της τηλεπισκόπησης χρησιμοποιούνται ευρέως για την κοινωνικοοικονομική ανάπτυξη μέσω της ανάκτησης συγκεκριμένων δεδομένων. H κοινωνικοοικονομική ανάπτυξη εξετάζεται υπό το πρίσμα των μεταφορών, της εκτίμησης του πληθυσμού και της εκτίμησης της ποιότητας ζωής. H RS κατέχει κεντρική θέση στις μελλοντικές μελέτες της κοινωνικοοικονομικής ανάπτυξης, καθώς προσφέρουν καλύτερη κατανόηση των ανθρώπινων δραστηριοτήτων με τη χρήση δεδομένων υψηλής ανάλυσης και χαμηλού κόστους. Στον Πίνακα 3 παρουσιάζονται οι κύριες μελέτες και δείκτες που αναπτύχθηκαν για την τηλεπισκοπική μελέτη της κοινωνικοοικονομικής ανάπτυξης: 


'''7.Συμπεράσματα:''' 
Στην παρούσα μελέτη διερευνήθηκε η συμβολή της τηλεπισκόπησης στην διατήρηση του πλανήτη και της επίγειας ζωής. Τα Ηνωμένα Έθνη χαρακτήρισα την RS ως απαραίτητο εργαλείο για την επίτευξη των στόχων της Στόχοι βιώσιμης ανάπτυξης (SDGs). Η RS μπορεί να χρησιμοποιηθεί όχι μόνο για την ανάπτυξη ολοκληρωμένων πολιτικών για την προώθηση της βιώσιμης ανάπτυξης, αλλά και για την αποτελεσματική εφαρμογή και παρακολούθηση τους και λήψη αποφάσεων. Ωστόσο, για να είναι αποτελεσματικές και αξιόπιστες οι εφαρμογές της RS, πρέπει να υπάρχουν επαρκείς πληροφορίες και να λαμβάνονται από πολλαπλές πηγές. Ειδικότερα, η ανάπτυξη νέων φασματικών δεικτών, που βασίζονται στη βελτιωμένη τεχνολογία αισθητήρων, είναι καίριας σημασίας για την επίτευξη βιώσιμων στόχων ανάπτυξης.
Ωστόσο, η χρήση της τηλεπισκόπησης στις αναπτυσσόμενες χώρες για την παρακολούθηση των στόχων της βιώσιμης ανάπτυξης παραμένει διακύβευμα. Στην κατεύθυνση ενίσχυσης της χρήσης RS για την υποβοήθηση της προσπάθειας για βιώσιμη ανάπτυξη στις αναπτυσσόμενες χώρες, απαιτείται η δημιουργία περισσότερων και προσβάσιμων βάσεων δεδομένων, καθώς και συνεργασίες μεταξύ των κέντρων λήψεων των αποφάσεων και των πολιτικών κέντρων μελετών των αναπτυσσόμενων χωρών και με χώρες ή οργανισμού που έχουν ήδη πρόσβαση σε πηγές GIS. 
 ΑΝΑΦΟΡΕΣ 
 
Anderson, D., Young, J., 2001. Truck traffic analysis using IKONOS satellite imagery. Space Imaging Technical Brief Prepared for National Consortium on Remote Sensing in Transportation-Flows. Ohio State University Center for Mapping, Columbus. 
Angel, A., Hickman, M., 2002. Experimental Investigation of Travel Time Estimation Using Geo-Referenced Aerial Video. Transportation Research Board 81st Annual Meeting. 
Angel, A., Hickman, M., Chandnani, D., Mirchandani, P., 2002. Application of aerial video for traffic flow monitoring and management. In: Applications of Advanced Technologies in Transportation, pp. 346–353. Arafa-Hamed, T., 2013. Comprehensive clues provided by popular free remote sensing imagery to interpretation of geophysical studies explained by example cases of magnetic surveys. NRIAG J. Astro. Geophys. 2 (2), 278–286. 
Arampatzis, G., Kiranoudis, C.T., Scaloubacas, P., Assimacopoulos, D., 2004. A GIS-based decision support system for planning urban transportation policies. Eur. J. Oper. Res. 152 (2), 465–475. 
Avtar, R., Kumar, P., Oono, A., Saraswat, C., Dorji, S., Hlaing, Z., 2017. Potential application of remote sensing in monitoring ecosystem services of forests, mangroves and urban areas. Geocarto Int. 32 (8), 874–885. https://doi.org/10.1080/ 10106049.2016.1206974. 
Avtar, R., Kumar, P., Singh, C.K., Sahu, N., Verma, R.L., Thakur, J.K., Mukherjee, S., 2013a. Hydrogeochemical assessment of groundwater quality of Bundelkhand, India using statistical approach. Water Qual. Expos. Hea. 5 (3), 105–115. https://doi.org/ 10.1007/s12403-013-0094-2. 
Avtar, R., Singh, C., Shashtri, S., Singh, A., Mukherjee, S., 2010. Identification and analysis of groundwater potential zones in Ken–Betwa river linking area using remote sensing and geographic information system. Geocarto Int. 25 (5), 379–396. 
Avtar, R., Takeuchi, W., Sawada, H., 2013b. Full polarimetric PALSAR-based land cover monitoring in Cambodia for implementation of REDD policies. Int. J. Digital Earth 6 (3), 255–275. https://doi.org/10.1080/17538947.2011.620639. 
Ayalew, B., Gomez, R.B., Roper, W.E., Carrasco, O., 2003. Pavement management using hyperspectral imagery, 5097, 207–214. Belward, A.S., Skøien, J.O., 2015. Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS J. Photogrammetry Remote Sens. 103, 115–128. 
Bolch, T., 2007. Climate change and glacier retreat in northern Tien Shan (Kazakhstan/ Kyrgyzstan) using remote sensing data. Global Planet. Change 56 (1–2), 1–12. 
Brown, R.D., Robinson, D.A., 2011. Northern Hemisphere spring snow cover variability and change over 1922-2010 including an assessment of uncertainty. Cryosphere 5 (1), 219. 
Buermann, W., Saatchi, S., Smith, T.B., Zutta, B.R., Chaves, J.A., Mila, ´ B., Graham, C.H., 2008. Predicting species distributions across the Amazonian and Andean regions using remote sensing data. J. Biogeogr. 35 (7), 1160–1176. 
Carrasco, R., Pedraza, J., Martin-Duque, J., Mattera, M., Sanz, M., Bodoque, J., 2003. Hazard zoning for landslides connected to torrential floods in the Jerte Valley (Spain) by using GIS techniques. Nat. Hazards 30 (3), 361–381. 
Casagli, N., Cigna, F., Bianchini, S., Holbling, ¨ D., Füreder, P., Righini, G., Del Conte, S., Friedl, B., Schneiderbauer, S., Iasio, C., 2016. Landslide mapping and monitoring by using radar and optical remote sensing: examples from the EC-FP7 project SAFER. Remote Sens. Appl.: Soc. Environ. 4, 92–108. 
Center, P., 1999. Maricopa Association of Governments Pedestrian Plan 2000. CEOS Disaster Management Support, G., Wood, H.M., 2003. The Use of Earth Observing Satellites for Hazard Support: Assessments & Scenarios: Final Report of the CEOS Disaster Management Support Group: Chair’s Overview. National Oceanic and Atmospheric Administration, US Department of Commerce. 
Chang, N.-B., Imen, S., Vannah, B., 2015. Remote sensing for monitoring surface water quality status and ecosystem state in relation to the nutrient cycle: a 40-year perspective. Crit. Rev. Environ. Sci. Technol. 45 (2), 101–166. https://doi.org/ 10.1080/10643389.2013.829981. 
Cord, A.F., Klein, D., Mora, F., Dech, S., 2014. Comparing the suitability of classified land cover data and remote sensing variables for modeling distribution patterns of plants. Ecol. Model. 272, 129–140. 
Council, T.R.B.N.R., 2000. Highway Capacity Manual. TRB Business Office. 
Daoud, A., Hallerod, ¨ B., Guha-Sapir, D., 2016. What is the association between absolute child poverty, poor governance, and natural disasters? A global comparison of some of the realities of climate change. PLoS One 11 (4). 
Dudhani, S., Sinha, A.K., Inamdar, S.S., 2006. Assessment of small hydropower potential using remote sensing data for sustainable development in India. Energy Pol. 34 (17), 3195–3205. https://doi.org/10.1016/j.enpol.2005.06.011. 
Duro, D.C., Coops, N.C., Wulder, M.A., Han, T., 2007. Development of a large area biodiversity monitoring system driven by remote sensing. Prog. Phys. Geogr. 31 (3), 235–260. 
Feyisa, G.L., Meilby, H., Fensholt, R., Proud, S.R., 2014. Automated Water Extraction Index: a new technique for surface water mapping using Landsat imagery. Remote Sens. Environ. 140, 23–35. https://doi.org/10.1016/j.rse.2013.08.029. 
Fletcher, K., European Space Agency, European Space Research and Technology Centre (Eds.), 2007. InSAR Principles: Guidelines for SAR Interferometry Processing and Interpretation. ESA Publications, ESTEC. 
Gabr, S., Ghulam, A., Kusky, T., 2010. Detecting areas of high-potential gold mineralization using ASTER data. Ore Geol. Rev. 38 (1–2), 59–69.
Ganapuram, S., Kumar, G.V., Krishna, I.M., Kahya, E., Demirel, M.C., 2009. Mapping of groundwater potential zones in the Musi basin using remote sensing data and GIS.Adv. Eng. Software 40 (7), 506–518. 
Gili, J.A., Corominas, J., Rius, J., 2000. Using global positioning system techniques in landslide monitoring. Eng. Geol. 55 (3), 167–192.
Goetz, S., Steinberg, D., Dubayah, R., Blair, B., 2007. Laser remote sensing of canopy habitat heterogeneity as a predictor of bird species richness in an eastern temperate forest, USA. Remote Sens. Environ. 108 (3), 254–263. 
Grabner, H., Nguyen, T.T., Gruber, B., Bischof, H., 2008. On-line boosting-based car detection from aerial images. ISPRS J. Photogrammetry Remote Sens. 63 (3), 382–396. 
Gray, S., Semiat, R., Duke, M., Rahardianto, A., Cohen, Y., 2011. Reference module in earth systems and environmental sciences. Seawater Use and Desalination Technology 73–109. 
Guo, D., Weeks, A., Klee, H., 2007. Robust approach for suburban road segmentation in high-resolution aerial images. Int. J. Rem. Sens. 28 (2), 307–318.
Guzzetti, F., Mondini, A.C., Cardinali, M., Fiorucci, F., Santangelo, M., Chang, K.-T., 2012. Landslide inventory maps: new tools for an old problem. Earth Sci. Rev. 112 (1–2), 42–66. 
Haboudane, D., Miller, J., 2002. Tremblay, N.; Zarco-Tejada, PJ; Dextrase, L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sens. Environ. 81, 416–426. 
Hall, O., Duit, A., Caballero, L.N., 2008. World poverty, environmental vulnerability and population at risk for natural hazards. J. Maps 4 (1), 151–160.
Hazarika, M.K., Yasuoka, Y., Ito, A., Dye, D., 2005. Estimation of net primary productivity by integrating remote sensing data with an ecosystem model. Remote Sens. Environ. 94 (3), 298–310. 
Hester, D.B., Cakir, H.I., Nelson, S.A., Khorram, S., 2008. Per-pixel classification of high spatial resolution satellite imagery for urban land-cover mapping. Photogramm. Eng. Rem. Sens. 74 (4), 463–471. 
Hirpa, F.A., Hopson, T.M., De Groeve, T., Brakenridge, G.R., Gebremichael, M., Restrepo, P.J., 2013. Upstream satellite remote sensing for river discharge forecasting: application to major rivers in South Asia. Remote Sens. Environ. 131, 140–151. 
Holloway, J., Mengersen, K., 2018. Statistical machine learning methods and remote sensing for sustainable development goals Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A.X., Xu, C., 2018. Applying genetic algorithms to set the optimal combination of forest fire related variables and model forest fire susceptibility based on data mining models. The case of Dayu County, China. Sci. Total Environ. 630, 1044–1056. 
Hoppe, E., Bruckno, B., Campbell, E., Acton, S., Vaccari, A., Stuecheli, M., Bohane, A., Falorni, G., Morgan, J., 2016. Transportation infrastructure monitoring using satellite remote sensing. Materials and Infrastructures 1 (5), 185–198. 
Hou, Z., Xu, Q., Nuutinen, T., Tokola, T., 2013. Extraction of remote sensing-based forest management units in tropical forests.
Remote Sens. Environ. 130, 1–10. 
Hyde, P., Dubayah, R., Walker, W., Blair, J.B., Hofton, M., Hunsaker, C., 2006. Mapping forest structure for wildlife habitat analysis using multi-sensor (LiDAR, SAR/InSAR, ETM+, Quickbird) synergy. Remote Sens. Environ. 102 (1–2), 63–73. 
Jensen, John R., Cowen, D.C., 1999. Remote sensing of urban/suburban infrastructure and socio-economic attributes. Photogramm. Eng. Rem. Sens. 65, 611–622.
Jha, M.K., Chowdhury, A., Chowdary, V., Peiffer, S., 2007. Groundwater management and development by integrated remote sensing and geographic information systems: prospects and constraints. Water Resour. Manag. 21 (2), 427–467. 
Joshi, I., D’Sa, E.J., 2015. Seasonal variation of colored dissolved organic matter in Barataria Bay, Louisiana, using combined Landsat and field data. Rem. Sens. 7 (9), 12478–12502. 
Kamerosky, A., Cho, H.J., Morris, L., 2015. Monitoring of the 2011 super algal bloom in Indian River Lagoon, FL, USA, using
MERIS. Rem. Sens. 7 (2), 1441–1460. 

Kerr, J.T., Ostrovsky, M., 2003. From space to species: ecological applications for remote sensing. Trends Ecol. Evol. 18 (6), 299–305. 
Kerr, J.T., Southwood, T., Cihlar, J., 2001. Remotely sensed habitat diversity predicts butterfly species richness and community similarity in Canada. Proc. Natl. Acad. Sci. Unit. States Am. 98 (20), 11365–11370. 
Khan, S.D., Fathy, M.S., Abdelazeem, M., 2014. Remote sensing and geophysical investigations of Moghra lake in the qattara depression, Western Desert, Egypt. Geomorphology 207, 10–22. 
Kodikara, G.R., Woldai, T., van Ruitenbeek, F.J., Kuria, Z., van der Meer, F., Shepherd, K. D., Van Hummel, G., 2012. 
Hyperspectral remote sensing of evaporate minerals and associated sediments in Lake Magadi area, Kenya. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 22–32. 
Krishnaswamy, J., Bawa, K.S., Ganeshaiah, K., Kiran, M., 2009. Quantifying and mapping biodiversity and ecosystem services: utility of a multi-season NDVI based Mahalanobis distance surrogate. Remote Sens. Environ. 113 (4), 857–867. 
Leitloff, J., Hinz, S., Stilla, U., 2010. Vehicle detection in very high resolution satellite images of city areas. IEEE Trans. Geosci. Rem. Sens. 48 (7), 2795–2806. 
Li, G., Weng, Q., 2005. Using Landsat ETM+ imagery to measure population density in Indianapolis, Indiana, USA. Photogramm. Eng. Rem. Sens. 71 (8), 947–958. 
Liu, X., Clarke, K., Herold, M., 2006. Population density and image texture. Photogramm. Eng. Rem. Sens. 72 (2), 187–196. 
Lo, C.P., Faber, B.J., 1997. Integration of Landsat Thematic Mapper and census data for quality of life assessment. Remote Sens. Environ. 62 (2), 143–157. 
Malet, J.-P., Maquaire, O., Calais, E., 2002. The use of Global Positioning System techniques for the continuous monitoring of landslides: application to the SuperSauze earthflow (Alpes-de-Haute-Provence, France). Geomorphology 43 (1–2), 33–54. Manktelow, P.T., Mann, G.W., Carslaw, K.S., Spracklen, D.V., Chipperfield, M.P., 2007. Regional and global trends in sulfate aerosol since the 1980s. Geophys. Res. Lett. 34 (14). 
Marano, K.D., Wald, D.J., Allen, T.I., 2010. Global earthquake casualties due to secondary effects: a quantitative analysis for improving rapid loss analyses. Nat. Hazards 52 (2), 319–328. 
Martinuzzi, S., Vierling, L.A., Gould, W.A., Falkowski, M.J., Evans, J.S., Hudak, A.T., Vierling, K.T., 2009. Mapping snags and understory shrubs for a LiDAR-based assessment of wildlife habitat suitability. Remote Sens. Environ. 113 (12), 2533–2546. McCord, M.R., Hickman, M., Bronzini, M.S., Goel, P.K., Gomez, R.B., Merry, C.J., Mirchandani, P.B., Morrison, J.L., 2003. REMOTE SENSING OF TRANSPORTATION FLOWS. CONSORTIUM PAPER PRESENTATION. 21. 
McDermid, G., Hall, R., Sanchez-Azofeifa, G., Franklin, S., Stenhouse, G., Kobliuk, T., LeDrew, E., 2009. Remote sensing and forest inventory for wildlife habitat assessment. For. Ecol. Manag. 257 (11), 2262–2269. 
McFeeters, S.K., 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J Menon, S., Bawa, K.S., 1997. Applications of geographic information systems, remotesensing, and a landscape ecology approach to biodiversity conservation in the Western Ghats. Curr. Sci. 134–145. 
Meyer, W.B., Turner, B.L., 1992. Human population growth and global land-use/cover change. Annu. Rev. Ecol. Systemat. 23 (1), 39–61. 
Millennium Ecosystem Assessment, M.E.A., 2005. Ecosystems and Human Well-Being (Synthesis). 
Mishra, S., Mishra, D.R., Lee, Z., Tucker, C.S., 2013. Quantifying cyanobacterial phycocyanin concentration in turbid productive waters: a quasi-analytical approach. Remote Sens. Environ. 133, 141–151. 
Nakagawa, T., Yasuoka, Y., 2001. Environmental impact assessment with remote sensing at Isahaya land reclamation site. In: Proceedings of 22nd Asian Conferencce on Remote Sensing (AARS), 6. https://crisp.nus.edu.sg/~acrs2001/pdf/244nakag.pdf. Navarro, G., Caballero, I., Silva, G., Parra, P.C., V´ azquez, A., ´ Caldeira, R., 2017. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery. Int. J. Appl. Earth Obs. Geoinf. 58, 97–106. 
Nandy, S., Kushwaha, S., Dadhwal, V., 2011. Forest degradation assessment in the upper catchment of the river Tons using remote sensing and GIS. Ecol. Indicat. 11 (2), 509–513. 
Nightingale, J., Coops, N., Waring, R., Hargrove, W., 2007. Comparison of MODIS gross primary production estimates for forests across the USA with those generated by a simple process model, 3-PGS. Remote Sens. Environ. 109 (4), 500–509. 

Petley, D., 2012. Global patterns of loss of life from landslides. Geology 40 (10), 927–930. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510 
Pisano, A., Bignami, F., Santoleri, R., 2015. Oil spill detection in glint-contaminated near-infrared MODIS imagery. Rem. Sens. 7 (1), 1112–1134. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510. 
Pour, Amin Beiranvand, Hashim, M., van Genderen, J., 2013. Detection of hydrothermal alteration zones in a tropical region using satellite remote sensing data: Bau goldfield, Sarawak, Malaysia. Ore Geol. Rev. 54, 181–196. 
Pozzi, F., Small, C., 2001. Exploratory analysis of suburban land cover and population density in the USA, pp. 250–254. 
Ranade, P., 2007. Environmental impact assessment of land use planing around the leased limestone mine using remote sensing techniques. J. Health Sci. Environ. 4 (1), 61–65. 
Rogers, D., Emwanu, T., Robinson, T., 2006. Poverty Mapping in Uganda: an Analysis Using Remotely Sensed and Other Environmental Data.
Rosen, P.A., Hensley, S., Joughin, I.R., Li, F.K., Madsen, S.N., Rodriguez, E., Goldstein, R. M., 2000. Synthetic aperture radar interferometry. Proc. IEEE 88 (3), 333–382. 
Rossa, A.M., Del Guerra, F.L., Borga, M., Zanon, F., Settin, T., Leuenberger, D., 2010. Radar-driven high-resolution hydro-meteorological forecasts of the 26 September 2007 Venice flash flood. J. Hydrol. 394 (1–2), 230–244. 
Saatchi, S., Buermann, W., Ter Steege, H., Mori, S., Smith, T.B., 2008. Modeling distribution of Amazonian tree species and diversity using remote sensing measurements. Remote Sens. Environ. 112 (5), 2000–2017. 
Sabins, F.F., 1999. Remote sensing for mineral exploration. Ore Geol. Rev. 14 (3–4), 157–183. 
Schultz, G.A., Engman, E.T., 2000. Present use and future perspectives of remote sensing in hydrology and water management. IAHS-AISH Publ. 267, 545–551. 
Sharma, G., Merry, C., Goel, P., McCord, M., 2006. Vehicle detection in 1-m resolution satellite and airborne imagery. Int. J. Rem. Sens. 27 (4), 779–797. 
Singhroy, V., Ohkura, H., Glenn, N., 2002. Earth observation for landslide assessment. IEEE In.t. Geosci. Remote Sens. Sympos 2, 765–767. 
Spagnolini, U., Rampa, V., 1999. Multitarget detection/tracking for monostatic ground penetrating radar: application to pavement profiling. IEEE Trans. Geosci. Rem. Sens. 37 (1), 383–394. 
Tabor, J.A., Hutchinson, C.F., 1994. Using Indigenous Knowledge, Remote Sensing and GIS for Sustainable Development. https://agris.fao.org/agris-search/search.do?reco rdID=GB2013200846. 
Tsimbos, C., Kotsifakis, G., Verropoulou, G., Kalogirou, S., 2011. Life expectancy in Greece 1991–2007: regional variations and spatial clustering. J. Maps 7 (1), 280–290. 
Turner, W., Spector, S., Gardiner, N., Fladeland, M., Sterling, E., Steininger, M., 2003. Remote sensing for biodiversity science and conservation. Trends Ecol. Evol. 18 (6), 306–314. van der Meer, F.D.,
Van der Werff, H.M., van Ruitenbeek, F.J., Hecker, Chris a., Bakker, Wim H., Noomen, Marleen F., Mark van Der Meijde, E.John M., Carranza, J., Boudewijn De Smeth, Tsehaie Woldai, 2012. Multi-and hyperspectral geologic remote sensing: a review. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 112–128. 
Vicente, L.E., de Souza Filho, C.R., 2011. Identification of mineral components in tropical soils using reflectance spectroscopy and advanced spaceborne thermal emission and reflection radiometer (ASTER) data. Remote Sens. Environ. 115 (8), 1824–1836. 
Vignola, F., Michalsky, J., Stoffel, T., 2019. Solar and Infrared Radiation Measurements. CRC press. 
Vina, ˜ A., Bearer, S., Zhang, H., Ouyang, Z., Liu, J., 2008. Evaluating MODIS data for mapping wildlife habitat distribution. Remote Sens. Environ. 112 (5), 2160–2169. 

Waring, R., Coops, N., Landsberg, J., 2010. Improving predictions of forest growth using the 3-PGS model with observations made by remote sensing. For. Ecol. Manag. 259 (9), 1722–1729. 

Wiens, J., Sutter, R., Anderson, M., Blanchard, J., Barnett, A., Aguilar-Amuchastegui, N., Avery, C., Laine, S., 2009. Selecting and conserving lands for biodiversity: the role of remote sensing. Remote Sens. Environ. 113 (7), 1370–1381. 
Williams, J.G., Rosser, N.J., Kincey, M.E., Benjamin, J., Oven, K.J., Densmore, A.L., Milledge, D.G., Robinson, T.R., 2017. Satellite-based emergency mapping: landslides triggered by the 2015 Nepal earthquake. Nat. Hazards Earth Syst. Sci. 18, 185–205. Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Rem. Sens. 27 (14), 3025–3033. https://doi.org/10.1080/01431160600589179. 
Yan, G., Zhou, S., Zhou, L., Xi, J., Tian, Y., Teng, H., 2013. Integrating remote sensing and proximal sensors for the detection of soil moisture and salinity variability in coastal areas. J. Int. Agri. 12 (4), 723–731. 
Yang, J., Gong, P., Fu, R., Zhang, M., Chen, J., Liang, S., Xu, B., Shi, J., Dickinson, R., 2013a. The role of satellite remote sensing in climate change studies. Nat. Clim. Change 3 (10), 875. 
Yu, X., Shi, Z., 2015. Vehicle detection in remote sensing imagery based on salient information and local shape feature. Optik-International Journal for Light and Electron Optics 126 (20), 2485–2490. 
Yunus, A.P., Masago, Y., Hijioka, Y., 2020. COVID-19 and surface water quality: improved lake water quality during the lockdown. Sci. Total Environ. 731, 139012. http://www.sciencedirect.com/science/article/pii/S0048969720325298. 
Zadeh, M.H., Tangestani, M.H., Roldan, F.V., Yusta, I., 2014. Sub-pixel mineral mapping of a porphyry copper belt using EO-1 Hyperion data. Adv. Space Res. 53 (3), 440–451. 
Zhou, G., Wei, D., 2008. Survey and Analysis of Land Satellite Remote Sensing Applied in Highway Transportations Infrastructure and System Engineering, 4. IV–479.
[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Αποτιμώντας τις προοπτικές της βιώσιμης ανάπτυξης μέσω της τηλεπισκόπησης: Μια ανασκόπηση

2021-01-26T23:50:34Z

Ioanna Karani:

'''Πρωτότυπος τίτλος:''' Assessing sustainable development prospects through remote sensing: A review 
'''Συγγραφείς:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi
Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan 
'''Citation:'''Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan, Assessing sustainable development prospects through remote sensing: A review,Remote Sensing Applications: Society and Environment, Volume 20, 2020, 100402, ISSN 2352-9385, [https://doi.org/10.1016/j.rsase.2020.100402]. 
'''Πηγή:'''[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect] 

'''Λέξεις κλειδιά:'''Natural resource management; Sustainability; Natural hazards; Decision support system; Indices 

'''Σκοπός της έρευνας:'''
Η παρούσα έρευνα στοχεύει να πραγματοποιήσεις μια εκτεταμένη ανασκόπηση στη συμβολή της τηλεπισκόπησης (RS) στις προσπάθειες προς τη βιώσιμη ανάπτυξη, με έμφαση στη διαχείριση των φυσικών πόρων και στην εκτίμηση των φυσικών καταστροφών. 
'''1. Εισαγωγή:''' 
Η επιτυχία της βιώσιμης ανάπτυξης σε οποιαδήποτε περιοχή βασίζεται στο τι είναι γνωστό σε σχέση με τη διαχείριση των φυσικών πόρων και τους κινδύνους στην περιοχή (Taborand Hutchinson,1994). H δυνατότητα της RS να καταγράφει τα γήινα συστήματα σε διάφορες χωρικές και χρονικές κλίμακες την καθιστά κατάλληλη για τη διαχείριση προκλήσεων σε περιβαλλοντικό,οικολογικό και κοινωνικοοικονομικό επίπεδο. 
Μια σειρά από έρευνες -σημεία αναφοράς- έχουν διεξαχθεί, καλύπτοντας ποικίλους επιμέρους τομείς που άπτονται της βιώσιμης ανάπτυξης, όπως οι φυσικοί κίνδυνοι και οι κοινωνικοοικονομική ανάπτυξη (Avtar et al., 2013; Dudhani et al., 2006; Holloway and Mengersen, 2018). Ειδικότερα, τα τελευταία τριάντα χρόνια η RS χρησιμοποιείται ευρέως για την εκτίμηση των προσπαθειών στην κατεύθυνση της βιώσιμης ανάπτυξης. Οι εξελίξεις στην τεχνολογία της RS και η διαθεσιμότητα μεγάλων όγκων δεδομένων έχουν οδηγήσει σε τεράστιες βελτιώσεις στην ανάλυση δεδομένων, ειδικά όταν συνδυάζονται με GIS και με αλγόριθμους μηχανικής μάθησης.<br
Σήμερα, η RS, η οποία θεωρείται επιστημονικό εργαλείο, εφαρμόζεται σχεδόν σε κάθε τομέα της της γεωπεριβαλλοντικής επιστήμης. Λαμβάνοντας υπόψη τη σημασία της αειφόρου ανάπτυξης στον 21ο αιώνα, η παρούσα ανασκόπηση αποσκοπεί στην αξιολόγηση του τρόπου με τον οποίο οι εξελίξεις στην τεχνολογία της RS έχουν επηρεάσει τρεις σημαντικούς τομείς της βιώσιμης ανάπτυξης: τη διαχείριση των φυσικών πόρων, την παρατήρηση του περιβάλλοντος και την παρακολούθηση των κινδύνων και, τέλος, την κοινωνικοοικονομική ανάπτυξη. 
'''2.Δεδομένα:''' 
Τα άρθρα που συμπεριλήφθηκαν στην παρούσα ανασκόπηση αντλήθηκαν από τις εξής ηλεκτρονικές πηγές: 
* Scopus 
* Web of Science 
* Google Scholar 
'''3.Διάγραμμα της ανασκόπησης:''' 
Η ροή της ανασκόπησης αποτυπώνεται σχηματικά στην Εικόνα 1:
[[ Εικόνα: A10_e1.jpg| frame|center| Εικόνα 1:Διάγραμμα ροής ανασκόπησης, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100402 ScienceDirect]]]


'''4. Διαχείριση και ανάπτυξη των φυσικών πόρων:''' 
'''4.1 Βιοποικιλότητα''' 
Η βιοποικιλότητα και οι υπηρεσίες που προσφέρουν τα οικοσυστήματα είναι ζωτικής σημασίας για την επίγεια , καθώς προσφέρουν υπηρεσίες πρώτων υλών, υποστηρικτικές, ρυθμιστικές και πολιτιστικές (Millennium Ecosystem Assessment, 2005; Avtar et al., 2017).Η RS χρησιμοποιείται ευρέως για τη μελέτη διαφόρων οικολογικών λειτουργιών, όπως τα φυσικά και ανθρωπογενή αίτια της αλλαγής τοπίου (Gould, 2000; Kerr et al., 2001; Kerr and Ostrovsky, 2003; McDermid et al., 2009). 
Η RS μπορεί να χρησιμοποιηθεί για την άμεση παρακολούθηση της βιοποικιλότητας, με τη χρήση δορυφόρων και αισθητήρων για την άντληση πληροφοριών σε σχέση με τη συγκέντρωση των ειδών σε οικολογικές κοινότητες ή και μεμονωμένους οργανισμούς. Επίσης, άμεσα με τη χρήση τηλεσκοπικών δεδομένων μπορούν να εκτιμηθούν οι χρήσεις γης και η κάλυψη της γης, πληροφορίες ιδιαίτερα χρήσιμες για την ανίχνευση της κατανομής και της συγκέντρωσης των ειδών σε εκτεταμένες περιοχές (Kerr and Ostrovsky, 2003). Οι άμεσες τηλεσκοπικές μέθοδοι για την παρακολούθηση της βιοποικιλότητας παρουσιάζονται στον Πίνακα 1. 


Ακόμη, υπάρχουν και έμμεσες μέθοδοι παρακολούθησης της βιοποικιλότητας που βασίζονται στην παρακολούθηση των εξής παραγόντων: 
α) '''πρωτογενής παραγωγή:''' Ενδεικτικά αναφέρονται οι παρακάτω εφαρμογές:ο δείκτης NDVI ή άλλοι παρόμοιοι δείκτες βλάστησης και σύνδεση τους με τη φαινολογία των φυτών (Turner et al., 2003), χρήση του δείκτη φυλλωδών περιοχών με δεδομένα από τον αισθητήρα MODIS ως δεδομένα εισόδου του οικοσυστημικού μοντέλου Sim-CYCLE (Hazarika et al. 2005), η ακαθάριστη πρωτογενής παραγωγή δασικών προϊόντων στις Ηνωμένες πολιτείες με δεδομένα από τον αισθητήρα MODIS και η σύγκριση του με ένα απλό, διαδικαστικό μοντέλο (Nightingale et al. 2007). 
β) '''κλίμα:'''Διάφορες μεταβλητές, συμπεριλαμβανομένης της θερμοκρασίας, της σχετικής υγρασίας και της υγρασίας του εδάφους, καθορίζουν ως ένα βαθμό την επιβίωση και την παραγωγικότητα πολλών ειδών (Turner et al., 2003). Οι Ηνωμένες Πολιτείες λάνσαραν τους δορυφόρους AQUA και TERRA, οι οποίοι είναι εφοδιασμένοι με τους αισθητήρες AMSR-E, MODIS, AMSU-A, AIRS, HSB, CERES και ASTER, MODIS, CERES, MISR, MOPITT αντίστοιχα, που παρέχουν πληροφορίες (π.χ. Υδρολογικός κύκλος, Θερμοκρασία νερού, Αεροζόλ κ.ο.κ.) που βοηθούν στην κατανόηση της σχέσης κλίματος-βιοποικιλότητας. γ)δομή ενδιαιτημάτων:Με την κατανόηση των δομών των ενδιαιτημάτων των ειδών, μπορούν να εξαχθούν συμπεράσματα για την κατανομή και τα πρότυπα των ειδών. Από την άποψη αυτή, οι τεχνολογίες της RS έχουν αποδειχθεί απαραίτητες. Ενδεικτικά, οι Goetz et al. (2007) μελέτησαν τα ενδιαιτήματα πουλιών στα δάση με χρήση δεδομένων LIDAR και οι Hyde et al. (2006)μελέτησαν τη δομή των δασικών ενδιαιτημάτων με τη χρήση δεδομένων LIDAR, SAR/InSAR,, Landsat-7, και QuickBird 

'''4.2 Υδάτινοι πόροι''' 
Το νερό είναι ζωτικής σημασίας για την ανθρωπότητα. Έχουν αναπτυχθεί μια σειρά από αλγορίθμους για τον εντοπισμό των υδάτινων όγκων σε τηλεπισκοπικές εικόνες: ο NDWI (McFeeters, 1996), ο modified NDWI (Xu, 2006), και ο automated water extraction index (Feyisa et al., 2014). Αισθητήρες, όπως οι Landsat, ASTER, SPOT, and MODIS χρησιμοποιούνται για την παρακολούθηση και τη χαρτογράφηση της ποιότητας των υδάτων (Mishra et al., 2013), ( Yunus et al. 2020). Οι Kamerosky et al. (2015) χρησιμοποίησαν εικόνες MERIS για την παρακολούθηση της υπεράνθησης του φυτοπλαγκτού στην Indian River Lagoon στην Florinda, USA. Οι Pisano et al., 2015 εντόπισα πετρελαιοκηλίδες σε υδάτινους όγκους με εικόνες MODIS και οι Joshi and D’Sa, 2015 χαρτογράφησαν τις εποχικές διαφοροποιήσεις της έγχρωμης αποσυντιθέμενης οργανικής ύλης. Τέλος, έχουν διεξαχθεί μια σειρά από έρευνες που εκτιμούν την ποσότητα και την ποιότητα των υδάτων διαχρονικά, όπως, η έρευνα των Chang et al. (2015) για την εκτίμηση της ποιότητας των υδάτων και της κατάστασης του οικοσυστήματος, όπως συνδέονται με τον κύκλο των θρεπτικών συστατικών σε βάθος 40ετίας.
Επίσης, χρησιμοποιούνται έμμεσες μέθοδοι για την διερεύνηση των υπόγειων υδάτων. Κατά κανόνα, η RS χρησιμοποιείται στην μελέτη των υπογείων υδάτων για την οριοθέτηση της γεωμορφολογίας και των γραμμάτων χαρτών, των επιφανειακών λιθολογικών χαρακτηριστικών, των πλαγιών, και της κάλυψης και χρήσεων της γης (Avtar et al., 2010; Ganapuram et al., 2009; Jha et al., 2007). Ενδεικτικά, αναφέρονται οι έρευνες των Schultz and Engman (2000) για την ανίχνευση των ζωνών τροφοδότησης και απορροής των υπόγειων υδάτων και η συνδυαστική χρήση RS και γεωφυσικών δεδομένων για την εις βάθος εξερεύνηση των υπόγειων υδάτων (Arafa-Hamed, 2013; Khan et al., 2014). 
'''4.3 Ορυκτοί πόροι''' 
Για πολλές χώρες, οι ορυκτοί πόροι συμβάλλουν σημαντικά στα κρατικά έσοδα.Αρκετές χώρες συνεργάστηκαν για να φέρουν διαφορετικές δορυφορικές πλατφόρμες σε συγκεκριμένα τροχιές με αισθητήρες τηλεπισκόπησης. Αυτές οι πλατφόρμες και οι αισθητήρες παρέχουν περαιτέρω πληροφορίες σχετικά με τους άφθονους πόρους της Γης με υψηλότερη ακρίβεια (Belward and Skøien, 2015; Sabins, 1999). Διάφορες μελέτες εξετάζουν τους ορυκτούς πόρους με χρήση υπερφασματικών εικόνων (Kodikara et al., 2012; Van der Meer et al., 2012; Vicente and de Souza Filho, 2011). Οι Gabr et al. (2010) χρησιμοποίησαν πολλαπλές εικόνες ASTER για τον εντοπισμό των ζωνών αλλοίωσης που σχετίζονται με τις αποθέσεις χρυσού στο Abu-Marawat. Οι Pour et al. (2013) χρησιμοποίησαν Landsat-7 Enhanced Thematic Mapper (ETM) και Hyperion δεδομένα για τον εντοπισμό ζωνών υδροθερμικών αλλοιώσεων και των σχετικών δομικών στοιχείων, ενώ σε άλλη έρευνα χρησιμοποιήθηκαν τεχνικές χαρτογράφησης βάσει των επιμέρους εικονοστοιχείων για το διαχωρισμό και τη χαρτογράφηση μεταβολών ορυκτών γύρω από κοιτάσματα χαλκού στο Ιράν (Zadeh et al. 2014). 
'''5.Εκτίμηση του περιβάλλοντος και φυσικών κινδύνων''' 
Στον Πίνακα 2 παρουσιάζεται η ανασκόπηση σε σχέση με τη συμβολή της RS για την εκτίμηση του περιβάλλοντος και φυσικών καταστροφών, όπως οι πλημμύρες και οι κατολισθήσεις και οι δασικές πυρκαγιές 


Τέλος, η τηλεπισκόπηση χρησιμοποιείται για την παρακολούθηση και την ανίχνευση δασικών πυρκαγιών. Δείκτες βλάστησης, όπως οι Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI), Normalized Burn Ratio (NBR) and Normalized Difference Vegetation Index (NDVIreXn) που χρησιμοποιούν κανάλια του ερυθρού εφαρμόζονται ικανοποιητικά για την έρευνα μετά από δασικές πυρκαγιές (Navarro et al., 2017). Οι εφαρμογές εξόρυξης δεδομένων είναι δημοφιλείς για τον καθορισμό του βέλτιστου συνδυασμού μεταβλητών και μοντελοποίησης που σχετίζεται με την εκτίμηση για επικείμενες δασικές πυρκαγιές (Hong et al., 2018). Σε αυτά τα μοντέλα, μεταβλητές μετεωρολογικών, τοπογραφικών και βλαστικών δεικτών που προέρχονται από δορυφορικά δεδομένα ενσωματώνονται ως παράγοντες για την απόκτηση των απαραίτητων πληροφοριών για την υγρασία του εδάφους και την εξατμισοδιαπνοή. 

'''6. Κοινωνικοοικονομική ανάπτυξη''' 
Οι εφαρμογές της τηλεπισκόπησης χρησιμοποιούνται ευρέως για την κοινωνικοοικονομική ανάπτυξη μέσω της ανάκτησης συγκεκριμένων δεδομένων. H κοινωνικοοικονομική ανάπτυξη εξετάζεται υπό το πρίσμα των μεταφορών, της εκτίμησης του πληθυσμού και της εκτίμησης της ποιότητας ζωής. H RS κατέχει κεντρική θέση στις μελλοντικές μελέτες της κοινωνικοοικονομικής ανάπτυξης, καθώς προσφέρουν καλύτερη κατανόηση των ανθρώπινων δραστηριοτήτων με τη χρήση δεδομένων υψηλής ανάλυσης και χαμηλού κόστους. Στον Πίνακα 3 παρουσιάζονται οι κύριες μελέτες και δείκτες που αναπτύχθηκαν για την τηλεπισκοπική μελέτη της κοινωνικοοικονομικής ανάπτυξης: 


'''7.Συμπεράσματα:''' 
Στην παρούσα μελέτη διερευνήθηκε η συμβολή της τηλεπισκόπησης στην διατήρηση του πλανήτη και της επίγειας ζωής. Τα Ηνωμένα Έθνη χαρακτήρισα την RS ως απαραίτητο εργαλείο για την επίτευξη των στόχων της Στόχοι βιώσιμης ανάπτυξης (SDGs). Η RS μπορεί να χρησιμοποιηθεί όχι μόνο για την ανάπτυξη ολοκληρωμένων πολιτικών για την προώθηση της βιώσιμης ανάπτυξης, αλλά και για την αποτελεσματική εφαρμογή και παρακολούθηση τους και λήψη αποφάσεων. Ωστόσο, για να είναι αποτελεσματικές και αξιόπιστες οι εφαρμογές της RS, πρέπει να υπάρχουν επαρκείς πληροφορίες και να λαμβάνονται από πολλαπλές πηγές. Ειδικότερα, η ανάπτυξη νέων φασματικών δεικτών, που βασίζονται στη βελτιωμένη τεχνολογία αισθητήρων, είναι καίριας σημασίας για την επίτευξη βιώσιμων στόχων ανάπτυξης.
Ωστόσο, η χρήση της τηλεπισκόπησης στις αναπτυσσόμενες χώρες για την παρακολούθηση των στόχων της βιώσιμης ανάπτυξης παραμένει διακύβευμα. Στην κατεύθυνση ενίσχυσης της χρήσης RS για την υποβοήθηση της προσπάθειας για βιώσιμη ανάπτυξη στις αναπτυσσόμενες χώρες, απαιτείται η δημιουργία περισσότερων και προσβάσιμων βάσεων δεδομένων, καθώς και συνεργασίες μεταξύ των κέντρων λήψεων των αποφάσεων και των πολιτικών κέντρων μελετών των αναπτυσσόμενων χωρών και με χώρες ή οργανισμού που έχουν ήδη πρόσβαση σε πηγές GIS. 
 ΑΝΑΦΟΡΕΣ 

Anderson, D., Young, J., 2001. Truck traffic analysis using IKONOS satellite imagery. Space Imaging Technical Brief Prepared for National Consortium on Remote Sensing in Transportation-Flows. Ohio State University Center for Mapping, Columbus. 
Angel, A., Hickman, M., 2002. Experimental Investigation of Travel Time Estimation Using Geo-Referenced Aerial Video. Transportation Research Board 81st Annual Meeting. 
Angel, A., Hickman, M., Chandnani, D., Mirchandani, P., 2002. Application of aerial video for traffic flow monitoring and management. In: Applications of Advanced Technologies in Transportation, pp. 346–353. Arafa-Hamed, T., 2013. Comprehensive clues provided by popular free remote sensing imagery to interpretation of geophysical studies explained by example cases of magnetic surveys. NRIAG J. Astro. Geophys. 2 (2), 278–286. 
Arampatzis, G., Kiranoudis, C.T., Scaloubacas, P., Assimacopoulos, D., 2004. A GIS-based decision support system for planning urban transportation policies. Eur. J. Oper. Res. 152 (2), 465–475. 
Avtar, R., Kumar, P., Oono, A., Saraswat, C., Dorji, S., Hlaing, Z., 2017. Potential application of remote sensing in monitoring ecosystem services of forests, mangroves and urban areas. Geocarto Int. 32 (8), 874–885. https://doi.org/10.1080/ 10106049.2016.1206974. 
Avtar, R., Kumar, P., Singh, C.K., Sahu, N., Verma, R.L., Thakur, J.K., Mukherjee, S., 2013a. Hydrogeochemical assessment of groundwater quality of Bundelkhand, India using statistical approach. Water Qual. Expos. Hea. 5 (3), 105–115. https://doi.org/ 10.1007/s12403-013-0094-2. 
Avtar, R., Singh, C., Shashtri, S., Singh, A., Mukherjee, S., 2010. Identification and analysis of groundwater potential zones in Ken–Betwa river linking area using remote sensing and geographic information system. Geocarto Int. 25 (5), 379–396. 
Avtar, R., Takeuchi, W., Sawada, H., 2013b. Full polarimetric PALSAR-based land cover monitoring in Cambodia for implementation of REDD policies. Int. J. Digital Earth 6 (3), 255–275. https://doi.org/10.1080/17538947.2011.620639. 
Ayalew, B., Gomez, R.B., Roper, W.E., Carrasco, O., 2003. Pavement management using hyperspectral imagery, 5097, 207–214. Belward, A.S., Skøien, J.O., 2015. Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS J. Photogrammetry Remote Sens. 103, 115–128. 
Bolch, T., 2007. Climate change and glacier retreat in northern Tien Shan (Kazakhstan/ Kyrgyzstan) using remote sensing data. Global Planet. Change 56 (1–2), 1–12. 
Brown, R.D., Robinson, D.A., 2011. Northern Hemisphere spring snow cover variability and change over 1922-2010 including an assessment of uncertainty. Cryosphere 5 (1), 219. 
Buermann, W., Saatchi, S., Smith, T.B., Zutta, B.R., Chaves, J.A., Mila, ´ B., Graham, C.H., 2008. Predicting species distributions across the Amazonian and Andean regions using remote sensing data. J. Biogeogr. 35 (7), 1160–1176. 
Carrasco, R., Pedraza, J., Martin-Duque, J., Mattera, M., Sanz, M., Bodoque, J., 2003. Hazard zoning for landslides connected to torrential floods in the Jerte Valley (Spain) by using GIS techniques. Nat. Hazards 30 (3), 361–381. 
Casagli, N., Cigna, F., Bianchini, S., Holbling, ¨ D., Füreder, P., Righini, G., Del Conte, S., Friedl, B., Schneiderbauer, S., Iasio, C., 2016. Landslide mapping and monitoring by using radar and optical remote sensing: examples from the EC-FP7 project SAFER. Remote Sens. Appl.: Soc. Environ. 4, 92–108. 
Center, P., 1999. Maricopa Association of Governments Pedestrian Plan 2000. CEOS Disaster Management Support, G., Wood, H.M., 2003. The Use of Earth Observing Satellites for Hazard Support: Assessments & Scenarios: Final Report of the CEOS Disaster Management Support Group: Chair’s Overview. National Oceanic and Atmospheric Administration, US Department of Commerce. 
Chang, N.-B., Imen, S., Vannah, B., 2015. Remote sensing for monitoring surface water quality status and ecosystem state in relation to the nutrient cycle: a 40-year perspective. Crit. Rev. Environ. Sci. Technol. 45 (2), 101–166. https://doi.org/ 10.1080/10643389.2013.829981. 
Cord, A.F., Klein, D., Mora, F., Dech, S., 2014. Comparing the suitability of classified land cover data and remote sensing variables for modeling distribution patterns of plants. Ecol. Model. 272, 129–140. 
Council, T.R.B.N.R., 2000. Highway Capacity Manual. TRB Business Office. 
Daoud, A., Hallerod, ¨ B., Guha-Sapir, D., 2016. What is the association between absolute child poverty, poor governance, and natural disasters? A global comparison of some of the realities of climate change. PLoS One 11 (4). 
Dudhani, S., Sinha, A.K., Inamdar, S.S., 2006. Assessment of small hydropower potential using remote sensing data for sustainable development in India. Energy Pol. 34 (17), 3195–3205. https://doi.org/10.1016/j.enpol.2005.06.011. 
Duro, D.C., Coops, N.C., Wulder, M.A., Han, T., 2007. Development of a large area biodiversity monitoring system driven by remote sensing. Prog. Phys. Geogr. 31 (3), 235–260. 
Feyisa, G.L., Meilby, H., Fensholt, R., Proud, S.R., 2014. Automated Water Extraction Index: a new technique for surface water mapping using Landsat imagery. Remote Sens. Environ. 140, 23–35. https://doi.org/10.1016/j.rse.2013.08.029. 
Fletcher, K., European Space Agency, European Space Research and Technology Centre (Eds.), 2007. InSAR Principles: Guidelines for SAR Interferometry Processing and Interpretation. ESA Publications, ESTEC. 
Gabr, S., Ghulam, A., Kusky, T., 2010. Detecting areas of high-potential gold mineralization using ASTER data. Ore Geol. Rev. 38 (1–2), 59–69.
Ganapuram, S., Kumar, G.V., Krishna, I.M., Kahya, E., Demirel, M.C., 2009. Mapping of groundwater potential zones in the Musi basin using remote sensing data and GIS.Adv. Eng. Software 40 (7), 506–518. 
Gili, J.A., Corominas, J., Rius, J., 2000. Using global positioning system techniques in landslide monitoring. Eng. Geol. 55 (3), 167–192.
Goetz, S., Steinberg, D., Dubayah, R., Blair, B., 2007. Laser remote sensing of canopy habitat heterogeneity as a predictor of bird species richness in an eastern temperate forest, USA. Remote Sens. Environ. 108 (3), 254–263. 
Grabner, H., Nguyen, T.T., Gruber, B., Bischof, H., 2008. On-line boosting-based car detection from aerial images. ISPRS J. Photogrammetry Remote Sens. 63 (3), 382–396. 
Gray, S., Semiat, R., Duke, M., Rahardianto, A., Cohen, Y., 2011. Reference module in earth systems and environmental sciences. Seawater Use and Desalination Technology 73–109. 
Guo, D., Weeks, A., Klee, H., 2007. Robust approach for suburban road segmentation in high-resolution aerial images. Int. J. Rem. Sens. 28 (2), 307–318.
Guzzetti, F., Mondini, A.C., Cardinali, M., Fiorucci, F., Santangelo, M., Chang, K.-T., 2012. Landslide inventory maps: new tools for an old problem. Earth Sci. Rev. 112 (1–2), 42–66. 
Haboudane, D., Miller, J., 2002. Tremblay, N.; Zarco-Tejada, PJ; Dextrase, L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sens. Environ. 81, 416–426. 
Hall, O., Duit, A., Caballero, L.N., 2008. World poverty, environmental vulnerability and population at risk for natural hazards. J. Maps 4 (1), 151–160.
Hazarika, M.K., Yasuoka, Y., Ito, A., Dye, D., 2005. Estimation of net primary productivity by integrating remote sensing data with an ecosystem model. Remote Sens. Environ. 94 (3), 298–310. 
Hester, D.B., Cakir, H.I., Nelson, S.A., Khorram, S., 2008. Per-pixel classification of high spatial resolution satellite imagery for urban land-cover mapping. Photogramm. Eng. Rem. Sens. 74 (4), 463–471. 
Hirpa, F.A., Hopson, T.M., De Groeve, T., Brakenridge, G.R., Gebremichael, M., Restrepo, P.J., 2013. Upstream satellite remote sensing for river discharge forecasting: application to major rivers in South Asia. Remote Sens. Environ. 131, 140–151. 
Holloway, J., Mengersen, K., 2018. Statistical machine learning methods and remote sensing for sustainable development goals Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A.X., Xu, C., 2018. Applying genetic algorithms to set the optimal combination of forest fire related variables and model forest fire susceptibility based on data mining models. The case of Dayu County, China. Sci. Total Environ. 630, 1044–1056. 
Hoppe, E., Bruckno, B., Campbell, E., Acton, S., Vaccari, A., Stuecheli, M., Bohane, A., Falorni, G., Morgan, J., 2016. Transportation infrastructure monitoring using satellite remote sensing. Materials and Infrastructures 1 (5), 185–198. 
Hou, Z., Xu, Q., Nuutinen, T., Tokola, T., 2013. Extraction of remote sensing-based forest management units in tropical forests.
Remote Sens. Environ. 130, 1–10. 
Hyde, P., Dubayah, R., Walker, W., Blair, J.B., Hofton, M., Hunsaker, C., 2006. Mapping forest structure for wildlife habitat analysis using multi-sensor (LiDAR, SAR/InSAR, ETM+, Quickbird) synergy. Remote Sens. Environ. 102 (1–2), 63–73. 
Jensen, John R., Cowen, D.C., 1999. Remote sensing of urban/suburban infrastructure and socio-economic attributes. Photogramm. Eng. Rem. Sens. 65, 611–622.
Jha, M.K., Chowdhury, A., Chowdary, V., Peiffer, S., 2007. Groundwater management and development by integrated remote sensing and geographic information systems: prospects and constraints. Water Resour. Manag. 21 (2), 427–467. 
Joshi, I., D’Sa, E.J., 2015. Seasonal variation of colored dissolved organic matter in Barataria Bay, Louisiana, using combined Landsat and field data. Rem. Sens. 7 (9), 12478–12502. 
Kamerosky, A., Cho, H.J., Morris, L., 2015. Monitoring of the 2011 super algal bloom in Indian River Lagoon, FL, USA, using
MERIS. Rem. Sens. 7 (2), 1441–1460. 

Kerr, J.T., Ostrovsky, M., 2003. From space to species: ecological applications for remote sensing. Trends Ecol. Evol. 18 (6), 299–305. 
Kerr, J.T., Southwood, T., Cihlar, J., 2001. Remotely sensed habitat diversity predicts butterfly species richness and community similarity in Canada. Proc. Natl. Acad. Sci. Unit. States Am. 98 (20), 11365–11370. 
Khan, S.D., Fathy, M.S., Abdelazeem, M., 2014. Remote sensing and geophysical investigations of Moghra lake in the qattara depression, Western Desert, Egypt. Geomorphology 207, 10–22. 
Kodikara, G.R., Woldai, T., van Ruitenbeek, F.J., Kuria, Z., van der Meer, F., Shepherd, K. D., Van Hummel, G., 2012. 
Hyperspectral remote sensing of evaporate minerals and associated sediments in Lake Magadi area, Kenya. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 22–32. 
Krishnaswamy, J., Bawa, K.S., Ganeshaiah, K., Kiran, M., 2009. Quantifying and mapping biodiversity and ecosystem services: utility of a multi-season NDVI based Mahalanobis distance surrogate. Remote Sens. Environ. 113 (4), 857–867. 
Leitloff, J., Hinz, S., Stilla, U., 2010. Vehicle detection in very high resolution satellite images of city areas. IEEE Trans. Geosci. Rem. Sens. 48 (7), 2795–2806. 
Li, G., Weng, Q., 2005. Using Landsat ETM+ imagery to measure population density in Indianapolis, Indiana, USA. Photogramm. Eng. Rem. Sens. 71 (8), 947–958. 
Liu, X., Clarke, K., Herold, M., 2006. Population density and image texture. Photogramm. Eng. Rem. Sens. 72 (2), 187–196. 
Lo, C.P., Faber, B.J., 1997. Integration of Landsat Thematic Mapper and census data for quality of life assessment. Remote Sens. Environ. 62 (2), 143–157. 
Malet, J.-P., Maquaire, O., Calais, E., 2002. The use of Global Positioning System techniques for the continuous monitoring of landslides: application to the SuperSauze earthflow (Alpes-de-Haute-Provence, France). Geomorphology 43 (1–2), 33–54. Manktelow, P.T., Mann, G.W., Carslaw, K.S., Spracklen, D.V., Chipperfield, M.P., 2007. Regional and global trends in sulfate aerosol since the 1980s. Geophys. Res. Lett. 34 (14). 
Marano, K.D., Wald, D.J., Allen, T.I., 2010. Global earthquake casualties due to secondary effects: a quantitative analysis for improving rapid loss analyses. Nat. Hazards 52 (2), 319–328. 
Martinuzzi, S., Vierling, L.A., Gould, W.A., Falkowski, M.J., Evans, J.S., Hudak, A.T., Vierling, K.T., 2009. Mapping snags and understory shrubs for a LiDAR-based assessment of wildlife habitat suitability. Remote Sens. Environ. 113 (12), 2533–2546. McCord, M.R., Hickman, M., Bronzini, M.S., Goel, P.K., Gomez, R.B., Merry, C.J., Mirchandani, P.B., Morrison, J.L., 2003. REMOTE SENSING OF TRANSPORTATION FLOWS. CONSORTIUM PAPER PRESENTATION. 21. 
McDermid, G., Hall, R., Sanchez-Azofeifa, G., Franklin, S., Stenhouse, G., Kobliuk, T., LeDrew, E., 2009. Remote sensing and forest inventory for wildlife habitat assessment. For. Ecol. Manag. 257 (11), 2262–2269. 
McFeeters, S.K., 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J Menon, S., Bawa, K.S., 1997. Applications of geographic information systems, remotesensing, and a landscape ecology approach to biodiversity conservation in the Western Ghats. Curr. Sci. 134–145. 
Meyer, W.B., Turner, B.L., 1992. Human population growth and global land-use/cover change. Annu. Rev. Ecol. Systemat. 23 (1), 39–61. 
Millennium Ecosystem Assessment, M.E.A., 2005. Ecosystems and Human Well-Being (Synthesis). 
Mishra, S., Mishra, D.R., Lee, Z., Tucker, C.S., 2013. Quantifying cyanobacterial phycocyanin concentration in turbid productive waters: a quasi-analytical approach. Remote Sens. Environ. 133, 141–151. 
Nakagawa, T., Yasuoka, Y., 2001. Environmental impact assessment with remote sensing at Isahaya land reclamation site. In: Proceedings of 22nd Asian Conferencce on Remote Sensing (AARS), 6. https://crisp.nus.edu.sg/~acrs2001/pdf/244nakag.pdf. Navarro, G., Caballero, I., Silva, G., Parra, P.C., V´ azquez, A., ´ Caldeira, R., 2017. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery. Int. J. Appl. Earth Obs. Geoinf. 58, 97–106. 
Nandy, S., Kushwaha, S., Dadhwal, V., 2011. Forest degradation assessment in the upper catchment of the river Tons using remote sensing and GIS. Ecol. Indicat. 11 (2), 509–513. 
Nightingale, J., Coops, N., Waring, R., Hargrove, W., 2007. Comparison of MODIS gross primary production estimates for forests across the USA with those generated by a simple process model, 3-PGS. Remote Sens. Environ. 109 (4), 500–509. 

Petley, D., 2012. Global patterns of loss of life from landslides. Geology 40 (10), 927–930. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510 
Pisano, A., Bignami, F., Santoleri, R., 2015. Oil spill detection in glint-contaminated near-infrared MODIS imagery. Rem. Sens. 7 (1), 1112–1134. 
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510. 
Pour, Amin Beiranvand, Hashim, M., van Genderen, J., 2013. Detection of hydrothermal alteration zones in a tropical region using satellite remote sensing data: Bau goldfield, Sarawak, Malaysia. Ore Geol. Rev. 54, 181–196. 
Pozzi, F., Small, C., 2001. Exploratory analysis of suburban land cover and population density in the USA, pp. 250–254. 
Ranade, P., 2007. Environmental impact assessment of land use planing around the leased limestone mine using remote sensing techniques. J. Health Sci. Environ. 4 (1), 61–65. 
Rogers, D., Emwanu, T., Robinson, T., 2006. Poverty Mapping in Uganda: an Analysis Using Remotely Sensed and Other Environmental Data.
Rosen, P.A., Hensley, S., Joughin, I.R., Li, F.K., Madsen, S.N., Rodriguez, E., Goldstein, R. M., 2000. Synthetic aperture radar interferometry. Proc. IEEE 88 (3), 333–382. 
Rossa, A.M., Del Guerra, F.L., Borga, M., Zanon, F., Settin, T., Leuenberger, D., 2010. Radar-driven high-resolution hydro-meteorological forecasts of the 26 September 2007 Venice flash flood. J. Hydrol. 394 (1–2), 230–244. 
Saatchi, S., Buermann, W., Ter Steege, H., Mori, S., Smith, T.B., 2008. Modeling distribution of Amazonian tree species and diversity using remote sensing measurements. Remote Sens. Environ. 112 (5), 2000–2017. 
Sabins, F.F., 1999. Remote sensing for mineral exploration. Ore Geol. Rev. 14 (3–4), 157–183. 
Schultz, G.A., Engman, E.T., 2000. Present use and future perspectives of remote sensing in hydrology and water management. IAHS-AISH Publ. 267, 545–551. 
Sharma, G., Merry, C., Goel, P., McCord, M., 2006. Vehicle detection in 1-m resolution satellite and airborne imagery. Int. J. Rem. Sens. 27 (4), 779–797. 
Singhroy, V., Ohkura, H., Glenn, N., 2002. Earth observation for landslide assessment. IEEE In.t. Geosci. Remote Sens. Sympos 2, 765–767. 
Spagnolini, U., Rampa, V., 1999. Multitarget detection/tracking for monostatic ground penetrating radar: application to pavement profiling. IEEE Trans. Geosci. Rem. Sens. 37 (1), 383–394. 
Tabor, J.A., Hutchinson, C.F., 1994. Using Indigenous Knowledge, Remote Sensing and GIS for Sustainable Development. https://agris.fao.org/agris-search/search.do?reco rdID=GB2013200846. 
Tsimbos, C., Kotsifakis, G., Verropoulou, G., Kalogirou, S., 2011. Life expectancy in Greece 1991–2007: regional variations and spatial clustering. J. Maps 7 (1), 280–290. 
Turner, W., Spector, S., Gardiner, N., Fladeland, M., Sterling, E., Steininger, M., 2003. Remote sensing for biodiversity science and conservation. Trends Ecol. Evol. 18 (6), 306–314. van der Meer, F.D.,
Van der Werff, H.M., van Ruitenbeek, F.J., Hecker, Chris a., Bakker, Wim H., Noomen, Marleen F., Mark van Der Meijde, E.John M., Carranza, J., Boudewijn De Smeth, Tsehaie Woldai, 2012. Multi-and hyperspectral geologic remote sensing: a review. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 112–128. 
Vicente, L.E., de Souza Filho, C.R., 2011. Identification of mineral components in tropical soils using reflectance spectroscopy and advanced spaceborne thermal emission and reflection radiometer (ASTER) data. Remote Sens. Environ. 115 (8), 1824–1836. 
Vignola, F., Michalsky, J., Stoffel, T., 2019. Solar and Infrared Radiation Measurements. CRC press. 
Vina, ˜ A., Bearer, S., Zhang, H., Ouyang, Z., Liu, J., 2008. Evaluating MODIS data for mapping wildlife habitat distribution. Remote Sens. Environ. 112 (5), 2160–2169. 

Waring, R., Coops, N., Landsberg, J., 2010. Improving predictions of forest growth using the 3-PGS model with observations made by remote sensing. For. Ecol. Manag. 259 (9), 1722–1729. 

Wiens, J., Sutter, R., Anderson, M., Blanchard, J., Barnett, A., Aguilar-Amuchastegui, N., Avery, C., Laine, S., 2009. Selecting and conserving lands for biodiversity: the role of remote sensing. Remote Sens. Environ. 113 (7), 1370–1381. 
Williams, J.G., Rosser, N.J., Kincey, M.E., Benjamin, J., Oven, K.J., Densmore, A.L., Milledge, D.G., Robinson, T.R., 2017. Satellite-based emergency mapping: landslides triggered by the 2015 Nepal earthquake. Nat. Hazards Earth Syst. Sci. 18, 185–205. Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Rem. Sens. 27 (14), 3025–3033. https://doi.org/10.1080/01431160600589179. 
Yan, G., Zhou, S., Zhou, L., Xi, J., Tian, Y., Teng, H., 2013. Integrating remote sensing and proximal sensors for the detection of soil moisture and salinity variability in coastal areas. J. Int. Agri. 12 (4), 723–731. 
Yang, J., Gong, P., Fu, R., Zhang, M., Chen, J., Liang, S., Xu, B., Shi, J., Dickinson, R., 2013a. The role of satellite remote sensing in climate change studies. Nat. Clim. Change 3 (10), 875. 
Yu, X., Shi, Z., 2015. Vehicle detection in remote sensing imagery based on salient information and local shape feature. Optik-International Journal for Light and Electron Optics 126 (20), 2485–2490. 
Yunus, A.P., Masago, Y., Hijioka, Y., 2020. COVID-19 and surface water quality: improved lake water quality during the lockdown. Sci. Total Environ. 731, 139012. http://www.sciencedirect.com/science/article/pii/S0048969720325298. 
Zadeh, M.H., Tangestani, M.H., Roldan, F.V., Yusta, I., 2014. Sub-pixel mineral mapping of a porphyry copper belt using EO-1 Hyperion data. Adv. Space Res. 53 (3), 440–451. 
Zhou, G., Wei, D., 2008. Survey and Analysis of Land Satellite Remote Sensing Applied in Highway Transportations Infrastructure and System Engineering, 4. IV–479.
[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Αποτιμώντας τις προοπτικές της βιώσιμης ανάπτυξης μέσω της τηλεπισκόπησης: Μια ανασκόπηση

2021-01-26T23:31:06Z

Ioanna Karani: Νέα σελίδα με ' '''Πρωτότυπος τίτλος:''' Assessing sustainable development prospects through remote sensing: A review '''Συγγραφείς:'''Ra...'

Αρχείο:A10 e1.jpg

2021-01-26T23:12:18Z

Ioanna Karani:

Καράνη Ιωάννα

2021-01-26T22:39:12Z

Ioanna Karani:

* [[Τεχνική ανίχνευσης υδάτινων όγκων στις ορεινές περιοχές από δορυφορικές εικόνες]]

* [[Ένα καινοτόμο και ευφυές σύστημα με βάση την τηλεπισκόπηση και μαθηματικά μοντέλα για την βελτίωση της εκτίμησης απόδοσης της σοδειάς]]

* [[Χρήση εικόνων Landsat 8 για την εκτίμηση του βάθους και της ποιότητας των υδάτων στη "δεξαμενή" νερού El Guajaro στην Κολομβία]]
* [[ Χαρτογράφηση των χρήσεων γής και της κάλυψης γης και της δυναμικής τους στη "δεξαμενή" του ποταμού Awash με χρήση τηλεπισκόπησης και GIS]]
* [[COVID-19 και οι επιπτώσεις του στο περιβάλλον: Βελτιωμένα τα επίπεδα μόλυνσης κατά την περίοδο του lockdown...]]
* [[Χαρτογραφώντας τα εγκαταλελειμμένα αγροτεμάχια στην Kyzyl-Orda,Καζακσταν με τη χρήση δορυφορικής τηλεπισκόπησης.]]

* [[Υπολογισμός των αστικών αναγκών για θέρμανση: Αναλύοντας τις προσεγγίσεις δύο μοντέλων και χρήση της τηλεπισκόπησης ...]]
* [[Μετρώντας την φτώχεια σε αστικό περιβάλλον με τη χρήση δεδομένων από πολλές πηγές και τον αλγόριθμο Random Forest: H περίπτωση της Guangzhou]]
* [[Εντοπισμός εν δυνάμει ζωνών για την παραγωγή αιολικής ενέργειας σε περιοχή εντός ερήμου στην Ινδία...]]

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

Εντοπισμός εν δυνάμει ζωνών για την παραγωγή αιολικής ενέργειας σε περιοχή εντός ερήμου στην Ινδία...

2021-01-26T22:38:26Z

Ioanna Karani: Νέα σελίδα με ' Πλήρης τίτλος :Εντοπισμός εν δυνάμει ζωνών για την παραγωγή αιολικής ενέργει...'

Πλήρης τίτλος :Εντοπισμός εν δυνάμει ζωνών για την παραγωγή αιολικής ενέργειας σε περιοχή εντός ερήμου στην Ινδία: Ανάπτυξη πολυκριτηριακής προσέγγισης με τη χρήση τηλεπισκόπησης και GIS 
'''Πρωτότυπος τίτλος:''' Potential zones identification for harvesting wind energy resources in desert region of India–A multi criteria evaluation approach using remote sensing and GIS. 
'''Συγγραφείς:'''Jayant Jangid, Apurba Kumar Bera, Manoj Joseph, Vishal Singh, T.P. Singh, B.K. Pradhan, Sandipan Das 
'''Citation:'''Jayant Jangid, Apurba Kumar Bera, Manoj Joseph, Vishal Singh, T.P. Singh, B.K. Pradhan, Sandipan Das, Potential zones identification for harvesting wind energy resources in desert region of India – A multi criteria evaluation approach using remote sensing and GIS,Renewable and Sustainable Energy Reviews,Volume 65, 2016,Pages 1-10, ISSN 1364-0321, [https://doi.org/10.1016/j.rser.2016.06.078]. 
'''Πηγή:''' [https://doi.org/10.1016/j.rser.2016.06.078 Science Direct] 
'''Λέξεις κλειδιά:'''Renewable energy; Wind energy; Remote sensing; GIS; India 

 Αντικείμενος και στόχος της εφαρμογής: 
Η παρούσα έρευνα βρίσκει εφαρμογή στον τομέα της παραγωγής ενέργειας και συγκεκριμένα στοχεύει στον εντοπισμό των καταλληλότερων θέσεων εγκατάστασης αιολικών πάρκων, με τη χρήση τηλεπισκόπησης και GIS. 
'''1. Εισαγωγή:''' 
Η ενέργεια αποτελεί την πρωτεύουσα κινητήρια δύναμη για κάθε οικονομική ανάπτυξη και τη βιομηχανοποίηση παγκοσμίως. Η Ινδία ως αναπτυσσόμενη χώρα βιώνει από πρώτο χέρι τον ολοένα και μεγαλύτερο ρόλο των ενεργειακών απαιτήσεων. Στο μεγαλύτερο μέρος τους οι ανάγκες αυτές καλύπτονται από ορυκτά καύσιμα, τα οποία επιβαρύνουν τη συγκέντρωση των αερίων του θερμοκηπίου και λοιπή ατμοσφαιρική ρύπανση [5],[7]. Η αιολική ενέργεια συνιστά μία από τις σημαντικότερες ανανεώσιμες πηγές ενέργειας. Η Ινδία αποτελεί την πέμπτη χώρα παγκοσμίως σε ό,τι έχει να κάνει με την εγκατεστημένη ισχύ αιολικής ενέργειας [4]. Ωστόσο, η επιλογή της βέλτιστης θέσης για την εγκατάσταση ενός αιολικού πάρκου αποτελεί ένα από τα κυριότερα τεχνικά προβλήματα που πρέπει να επιλυθούν κατά τη δημιουργία ενός αιολικού πάρκου. 
'''2 Περιοχή μελέτης:''' 

[[ Εικόνα: A9_e1.jpg| thumb|right| Εικόνα 1: Περιοχή μελέτης, Πηγή: [https://doi.org/10.1016/j.rser.2016.06.078] ]]

Ως περιοχή μελέτης επιλέγεται η έρημη, άγονη περιοχή Jodhpur μέρος της ευρύτερης περιοχής της Rajasthan στην Ινδία (Εικόνα 1). Η Rajasthan, ήδη από το 2000, προωθεί την παραγωγή ενέργειας από ανανεώσιμες πηγές ενέργειας. Οι άνεμοι στην περιοχή είναι κυρίως βορειοδυτικοί ή βόρειοι τον Ιανουάριο και ελαφρώς δυτικοί ή δυτικοί-νοτιοδυτικοί τον Απρίλιο. Οι μέσες ταχύτητες ανέμου κατά τη διάρκεια των κρύων περιόδων κυμαίνονται από 4 έως 10 km / h. Η υψηλότερη ταχύτητα ανέμου της τάξης των 20-30 km / h παρατηρείται στις αρχές και τα μέσα του καλοκαιριού. 
'''4. Δεδομένα:''' 
'''4.1 Τηλεπισκοπικά δεδομένα:''' 
Χρησιμοποιήθηκαν δορυφορικές εικόνες S-P6 LISS III, οι οποίες γεωαναφέρθηκαν, ενώ χρησιμοποιήθηκε ψευδο-έγχρωμο σύνθετο. Η ημερομηνία λήψης των εικόνων είναι η 24/01/2010.
Επίσης, συλλέχθηκαν δεδομένα πεδίου με χρήση GPS.
'''4.2 Λοιπά δεδομένα:''' 
Συλλέχθηκαν, επίσης, και τα κάτωθι δεδομένα: 
* ΝASA'sShuttle Radar Topography Mission (STRM 90 m) dataset USA's National Aeronautics and Space Administration (NASA) webpage δεδομένα για τον υπολογισμό των κλίσεων. 
* Τοπογραφικά δεδομένα “Survey of India toposheets” για το οδικό δίκτυο 
* Στοιχεία για τις ετήσιες ταχύτητες ανέμων απο το “Indian Meteorological department” 
* Κριτήρια για την χωροθέτηση των αιολικών πάρκων από τη βιβλιογραφία και βάσει των εθνικών και διεθνών προδιαγραφών [1],[2],[6],[8]. 

'''5. Μέθοδος:''' 
Σχηματικά η μέθοδος που ακολουθήθηκε στην παρούσα έρευνα για τον εντοπισμό της βέλτιστης θέσης εγκατάστασης αιολικών πάρκων, παρουσιάζεται στην Εικόνα 2:
[[ Εικόνα: A9_e2.jpg|frame|center| Εικόνα 2: Μέθοδος έρευνας, Πηγή: [https://doi.org/10.1016/j.rser.2016.06.078] ]]

[[ Εικόνα: A9_e3.jpg| thumb|right| Εικόνα 3: Χάρτης χρήσεων γης και κάλυψης γης στην περιοχή μελέτης, Πηγή:[https://doi.org/10.1016/j.rser.2016.06.078] ]]

'''6.Χρήση λογισμικών:''' 
Στη συνέχεια χρησιμοποιήθηκε το λογισμικό Arcgis Desktop 10.0. χρησιμοποιήθηκε για την παραγωγή χαρτών της ταχύτητας των ανέμων, του χάρτη των κλίσεων και να δημιουργηθούν οι ζώνες για την απόσταση των πάρκων από τις κατοικημένες περιοχές και το οδικό δίκτυο. Τέλος, πραγματοποιήθηκε πολυκριτηριακή ανάλυση (MCE) για την τελική χωροθέτηση των αιολικών πάρκων, οπότε και κάθε κριτήριο σταθμίστηκε για την υλοποίηση της τελικής εκτίμησης. 
'''7.Αποτελέσματα:''' 

[[ Εικόνα: A9_e4.jpg| thumb|left| Εικόνα 4: Χάρτης καταλληλότητας εγκατάστασης αιολικών πάρκων., Πηγή:[https://doi.org/10.1016/j.rser.2016.06.078] ]]

Η περιοχή χωρίστηκε σε 3 ζώνες ανάλογα με την καταλληλότητα τους για την εγκατάσταση αιολικών πάρκων: 
* Ζώνη χαμηλής καταλληλότητας 
* Ζώνη μέτριας καταλληλότητας 
* Ζώνη υψηλής καταλληλότητας 
Αφού εκτιμήθηκε η έκταση των τριών ζωνών στην περιοχή ανά μήνα, δημιουργήθηκε ο τελικός χάρτης με τις εν δυνάμει θέσεις εγκατάστασης αιολικών πάρκων (Εικόνα 4). 
'''8.Συμπεράσματα:''' 
Συνολικά, η παρούσα έρευνα παρέχει μια μεθοδολογία και ένα εργαλείο για όσους λαμβάνουν αποφάσεις και ενδιαφέρονται για την εγκατάσταση αιολικών πάρκων στην περιοχή μελέτης, ενώ ταυτόχρονα αποτελεί ένα πολύ καλό υπόβαθρο για την περαιτέρω έρευνα και την ανάπτυξη εργασιών που σχετίζονται με τον τομέα των ανανεώσιμων πηγών ενέργειας. 
'''ΑΝΑΦΟΡΕΣ'''

1. Al-Yahyai S, Charabi Y, Gastli A, Al-Badi A. Wind farm land suitability indexing using multi-criteria analysis. Renew Energy 2012;44:80–7.

2. Beata SS, Joachim V. GIS-based approach for the evaluation of wind energy potential: A case study for the Kujawsko–Pomorskie Voivodeship. Renew Sustain Energy Rev 2011;15:1696–707.

3. Hofer T, Sunak Y, Siddique H, Madlener R. Wind farm siting using a spatial Analytic Hierarchy Process approach: A case study of the Städteregion Aachen. Appl Energy 2016;163:222–43.

4. Human Resource Development Strategies for Indian Renewable Energy Sector. Final Report, Ministry of New & Renewable Energy Govt. of India. Available from: 〈http://mnre.gov.in/file-manager/UserFiles/MNRE_HRD_Report.pdf〉; 2010. [accessed: 08.06.13].

5. Mostafaeipour A. Feasibility study of harnessing wind energy for turbine installation in province of Yadz in Iran. Renew Sustain Energy Rev 2010;14:93– 111.

6. Ramachandra TV, Hegde G, Krishnadas G. Potential assessment and decentralized applications of wind energy in Uttara Kannada, Karnataka. Int J Renew Energy Res 2014;4(1):1–10.

7. Ucar A, Balo F. Assessment of wind power potential for turbine installation in coastal areas of Turkey. Renew Sustain Energy Rev 2010;14:1901–12.

8. Van Haaren R, Fthenakis V. GIS-based wind farm site selection using spatial multi-criteria analysis (SMCA): evaluating the case for New York State. Renew Sustain Energy Rev 2011;15(7):3332–40.

[[category:Ενέργεια]]

Αρχείο:A9 e4.jpg

2021-01-26T21:35:24Z

Ioanna Karani:

Αρχείο:A9 e3.jpg

2021-01-26T21:35:15Z

Ioanna Karani:

Αρχείο:A9 e2.jpg

2021-01-26T21:35:04Z

Ioanna Karani:

Αρχείο:A9 e1.jpg

2021-01-26T21:34:41Z

Ioanna Karani:

Μετρώντας την φτώχεια σε αστικό περιβάλλον με τη χρήση δεδομένων από πολλές πηγές και τον αλγόριθμο Random Forest: H περίπτωση της Guangzhou

2021-01-26T21:21:35Z

Ioanna Karani:

'''Πρωτότυπος τίτλος:'''Measuring urban poverty using multi-source data and a random forest algorithm: A case study in Guangzhou 
'''Συγγραφείς:'''Tong Niu, Yimin Chen, Yuan Yuan 
'''Citation:'''Tong Niu, Yimin Chen, Yuan Yuan, Measuring urban poverty using multi-source data and a random forest algorithm: A case study in Guangzhou, Sustainable Cities and Society, Volume 54, 2020, 102014, ISSN 2210-6707, [https://doi.org/10.1016/j.scs.2020.102014]. 
'''Πηγή:'''[https://doi.org/10.1016/j.scs.2020.102014 Science Direct] 
'''Λέξεις κλειδιά:'''Urban poverty; Multi-source; Data Poverty Index; General Deprivation Index ;Random forest 

 Αντικέιμενο και στόχος έρευνας: 
Η παρούσα έρευνα στοχεύει στην ανάπτυξη ενός δείκτη, ο οποίος προκύπτει από την επεξεργασία big data των social media και τηλεπισκοπησης, για την εκτίμηση της φτώχειας σε αστικό περιβάλλον. 
'''1.Εισαγωγή:''' 
Το 50% του πληθυσμού βρίσκεται συγκεντρωμένο στις αστικές περιοχές. Το ποσοστό αυτό αναμένεται να φτάσει στο 66% έως και το 2050 [15]. Ταυτόχρονα, ένα από τα σημαντικότερα προβλήματα της ανθρωπότητας σε παγκόσμιο επίπεδο, αναδεικνύεται η φτώχεια στις αστικές περιοχές, ενώ αποτελεί και αγκάθι στο δρόμο για την επίτευξη των βιώσιμων στόχων ανάπτυξης [11]. Υπό αυτό το πρίσμα είναι ιδιαίτερα σημαντική η έγκαιρη και έγκυρη εκτίμηση των πληττόμενων περιοχών και του πληττόμενου πληθυσμού για την ανάπτυξη πολιτικών για την αναχαίτιση της φτώχειας και κατ’ επέκταση είναι απαραίτητη και σημαντική η έρευνα του φαινομένου. 
'''2.Σύνδεση με πρότερη έρευνα και ο ρόλος της τηλεπισκόπησης:''' 
Η έρευνα για την φτώχεια βασίζεται κατά κύριο λόγο σε δημογραφικά δεδομένα[5],[8]. Έχουν αναπτυχθεί μια σειρά από δείκτες σε σχέση με την αστική φτώχεια (όπως [18],[1],[16]) , οι οποίες δύνανται να εντοπίσουν τη χωρική κατανομή του φαινομένου σε διάφορα επίπεδα. Ωστόσο, χαρακτηρίζονται από δύο βασικές αδυναμίες: α) τα δημογραφικά δεδομένα συλλέγονται ανά μακρά χρονικά διαστήματα και β) δεν μπορεί να αποτυπώσει την επίδραση του τεχνητού περιβάλλοντος στο φαινόμενο, παρά το γεγονός ότι κρίνεται σημαντική πτυχή του [12],[14].
Οι παραπάνω ανεπάρκειες επιχειρείται να επιλυθούν με τη χρήση των μεγάλων δεδομένων. Έτσι, αξιοποιούνται δεδομένα τηλεπισκόπησης, τα οποία παρέχουν πληθώρα δεδομένων για το τεχνητό περιβάλλον και έχουν χρησιμοποιηθεί ευρέως κοινωνικό οικονομικές συνθήκες όπως η φτώχεια [6],[21]. Κυρίαρχα χρησιμοποιούνται δορυφορικά πολυφασματικά δεδομένα, υψηλής χωρικής διακριτικής ικανότητας [6], αλλά και φωτογραφίες νυχτερινού φωτός οι οποίες χρησιμοποιούνται ευρέως για την μέτρηση της φτώχειας, λόγω του ότι αναπαριστούν επαρκώς τις ανθρώπινες δραστηριότητες [3],[7],[10]. Χρησιμοποιούνται, ακόμη, δεδομένα κοινωνικών δικτύων, όπως τα Points of Interest (POIs) [19], τα οποία αποτυπώνουν τις κοινωνικοοικονομικές συνθήκες στο εσωτερικού του αστικού ιστού.
Επίσης, οι αλγόριθμοι της μηχανικής μάθησης έχουν τη δυνατότητα να χειρίζονται τις πολύπλοκες σχέσεις μεταξύ των δεδομένων που εμπλέκονται στην εκτίμηση του φαινομένου. Μεταξύ των αλγορίθμων προκρίνεται ο αλγόριθμος Random Forest ο οποίος δουλεύει ικανοποιητικά με πολυδιάστατα δεδομένα, την πολυσυγγραμμικότητα και είναι λιγότερο ευαίσθητος στην υπερπροσαρμογή [2],[16].
Στην παρούσα έρευνα αξιοποιούνται δεδομένα τηλεπισκόπησης για την παραγωγή δεικτών πτυχών της φτώχειας από διάφορες πηγές, οι οποίοι με τη χρήση του αλγορίθμου RF συγκροτούν τον δείκτη MDPI (Multi-source Data Poverty Index). H χρήση διαφόρων πηγών για τα δεδομένα ευνοεί την ανάδειξη πολλαπλών πτυχών της φτώχειας και μια ολοκληρωμένη προσέγγιση της πολυδιάστατης φτώχειας. Τέλος, σαν επίπεδο αναφοράς χρησιμοποιείται ο δείκτης GDI [9] βάσει δημογραφικών δεδομένων. 

[[ Εικόνα: A8_e1.jpg | thumb| right| Εικόνα 1: Περιοχή μελέτης, Πηγή:[https://doi.org/10.1016/j.scs.2020.102014 Science Direct]]]



'''3. Περιοχή μελέτης:''' 
Ως περιοχή μελέτης επιλέγεται η πόλη Guangzhou ( Εικόνα 1)στην κεντρική περιοχή της επαρχίας Province, μητρόπολη μιας απο τις πιο εύπορες περιοχές της Κίνας, της Guangdong–Hong Kong–Macao Greater Bay. Στα πλαίσια της έρευνας η πόλη χωρίζεται σε τρεις ομόκεντρες ζώνες: μια αστική (inner city), μια ημιαστική (outer suburb areas) και μια αγροτική ζώνη(outer city areas). Η έρευνα μελετά την αστική και ημιαστική ζώνη στην οποία κατοικεί το 77,83% του πληθυσμού της πόλης. 
'''5. Δεδομένα:''' 
'''
5.1 Δεδομένα τηλεπισκόπησης:''' 
Οι δορυφορικές εικόνες προέρχονται από τον δορυφόρο Landsat 8 και αντλήθηκαν από το site Earth Explorer και αφορούν στην 2015.01.03. Η χωρική ανάλυση των εικόνων είναι 30m . 
Οι εικόνες νυχτερινού φωτός NPP-VIIRS DNB (visible infrared imaging radiometer suite day/night band) είναι μηνιαίες και χωρίς σύννεφα (NOAA/NGDC,[http://www.ngdc.noaa.gov/eog/viirs/download_monthly.html]). Τα μηνιαία σύνθετα απο Γενάρη ως το Δεκέμβρη του 2015 συγχωνεύονται σε ένα ενιαίο, ετήσιο σύνθετο βάσει των μέσων μηνιαίων ψηφιακών τιμών. Ακραίες ψηφιακές τιμές απορρίπτονται και αντικαθίστανται από το μέσο όρο των 8 γειτονικών τους ψηφιακών τιμών. 
'''5.2 Κοινωνικά δεδομένα:''' 
Τα POI δεδομένα αφορούν σε σημεία ενδιαφέροντος υποδομών και υπηρεσιών, όπως εμπορικά κέντρα, σχολικά κτίρια, γραφεία, νοσοκομεία και σταθμούς μετρό. Τα δεδομένα αντλήθηκαν από το Place API of Baidu Maps.
Τα δεδομένα σε σχέση με τις τιμές των ενοικίων αντλήθηκαν από την έρευνα των Chen et al. (2016). 
'''5.3 Δημογραφικά δεδομένα:''' 
Τα δημογραφικά δεδομένα προέρχονται από τις κρατικές υπηρεσίες της πόλης και αναφέρονται στον πληθυσμό, την εκπαίδευση, την απασχόληση και τις συνθήκες διαβίωσης.
Τα δεδομένα για τη μέτρηση της πραγματικής φτώχειας, δηλαδή ο δείκτης GDI για κάθε κοινότητα της πόλης αντλήθηκαν από την έρευνα των Yuan et al. (2018). 

'''6. Μέθοδος:''' 
Σχηματικά μέθοδος που ακολουθήθηκε στην έρευνα αυτή παρουσιάζεται στην Εικόνα 2: .

[[ Εικόνα: A8_e2.jpg|frame|center| Εικόνα 2:Μέθοδος έρευνας, Πηγή: [https://doi.org/10.1016/j.scs.2020.102014 Science Direct] ]]

'''6.1 Υποδομές και υπηρεσίες:''' 
Τα POI χρησιμοποιούνται για την ανάπτυξη του δείκτη υποδομών και υπηρεσιών, ο οποίος εκτιμά την πρόσβαση των κατοίκων της κάθε κοινότητας σε ουσιώδεις παροχές και υπηρεσίες. Χρησιμοποιείται η μέθοδος εκτίμησης πυρήνα και ο εμπειρικός κανόνας του Silverman [13] για τον υπολογισμό του εύρους. Στη συνέχεια τα αποτελέσματα συγχωνεύθηκαν σε επίπεδο μέσων όρων, έτσι ώστε να αντιπροσωπεύει το σύνολο της κοινότητας. 
'''6.2 Κάλυψη γής:''' 
Βάσει των δορυφορικών εικόνων Landsat 8 υπολογίζονται τρεις κανονικοποιημένοι δείκτες και συγκεκριμένα οι Normalized Difference Vegetation Index (NDVI), ο Normalized Difference Built-up Index (NDBI), και ο Normalized Difference Water Index (NDWI), οι οποίοι υποδεικνύουν την κάλυψη γης σε βλάστηση, σε κτιριακό δυναμικό και υδάτινες επιφάνειες. Οι δείκτες αυτοί είναι ιδιαίτερα χρήσιμοι για την απεικόνιση του τεχνητού αστικού περιβάλλοντος. Οι δείκτες ορίζονται ως εξής : 

[[ Εικόνα : A8_e3.jpg|frame|center| Εικόνα 3: Δείκτες για την κάλυψη γης, Πηγή:[https://doi.org/10.1016/j.scs.2020.102014 Science Direct] ]]
 
[[ Εικόνα : A8_e4.jpg|thumb |right| Εικόνα 4: Δείκτης MDPI , Πηγή:[https://doi.org/10.1016/j.scs.2020.102014 Science Direct] ]]
[[ Εικόνα : A8_e5.jpg|thumb |right| Εικόνα 5: Κατανομή δεικτών , Πηγή:[https://doi.org/10.1016/j.scs.2020.102014 Science Direct] ]]
, με βάση τα κανάλια της Landsat εικόνας.

'''6.3 Υφές των κτιρίων:'''
Δομικά χαρακτηριστικά και χαρακτηριστικά σε σχέση με την υφή αξιοποιούνται για τον διαχωρισμό οργανικών, συνωστισμένων και συγκεχυμένων χωρικών μοτίβων έναντι των πιο δομημένων, ταξινομημένων και ομογενών πιο εύπορων αστικών γειτονιών. Για την εξαγωγή των δεδομένων για τα παραπάνω χαρακτηριστικά χρησιμοποιείται το λογισμικό ΕNVI5.1, το οποίο δέχεται τηλεσκοπικά δεδομένα ως είσοδο, μαζί με το πρόσθετο FETEX2. Τέλος, εφαρμόστηκε ανάλυση κύριων συνιστωσών, προκειμένου να διατηρηθεί όσο γίνεται η αρχική πληροφορία και να μειωθούν οι εισερχόμενες μεταβλητές. 
'''6.4 Ένταση των δραστηριοτήτων:''' 
Για τον προσδιορισμό της έντασης των δραστηριοτήτων σε επίπεδο κοινότητας χρησιμοποιούνται οι VIIRS εικόνες. Υλοποιείται ο παρακάτω απλός υπολογισμός:


 L̅i=Li/Ai 

, L̅i η μέση ψηφιακή τιμή για την για την κοινότητα i, Li το άθροισμα των ψηφιακών τιμών στην κοινότητα i
και Ai η φωτιζόμενη περιοχή της κοινότητας i ( αριθμός των pixels με ψηφιακή τιμή θετική) 
'''6.5 Οικιστικά έξοδα:''' 
Το κόστος στέγασης αποτελεί ένα μεγάλο μερίδιο των εξόδων των νοικοκυριών, ειδικότερα των πιο φτωχών. Τα δεδομένα για τα έξοδα ενοικίασης προέρχονται από την έρευνα των Chen et al. (2016). Η μέση μονάδα ενοικίου ανά οικοδομικό τετράγωνο της κάθε κοινότητας εκτιμήθηκαν και συγχωνεύθηκαν για να δημιουργηθεί η μονάδα ενοικίου ανά κοινότητα. 
'''6.6 Random Forest αλγόριθμος:''' 
Στην παρούσα έρευνα χρησιμοποιήθηκε ο αλγόριθμος Random Forest και η πλατφόρμα WEKA για την εξαγωγή του καλύτερου συνδυασμού των παραπάνω δεικτών, για την ανάπτυξη του δείκτη MDPI και με αναφορά τον δείκτη GDI. 
'''7. Αποτελέσματα:''' 
Στην Εικόνα 3 απεικονίζεται η χωρική κατανομή των επιμέρους δεικτών, όπως προέκυψε με χρήση του GIS και της ταξινόμησης Jenks Natural Breaks . Όλοι οι δείκτες, εκτός του δείκτη NDVI και της υφής των κτιρίων που παρουσιάζουν θετική συσχέτιση με τον δείκτη GDI, εμφανίζουν αρνητική συσχέτιση με τον δείκτη GDI. Οπότε, συνολικά, είναι κατάλληλα για την ανάπτυξη του RF μοντέλου. 
Στη συνέχεια χρησιμοποιώντας τον συντελεστή συσχέτισης Spearman υπολογίζεται για τους δείκτες MDPI και GDI ο συντελεστής συσχέτισης .954 με p-value of 0.000. Επίσης, το διάμεσο σχετικό σφάλμα είναι της τάξης του 18.3%, αναδεικνύοντας την αξιοπιστία του RF μοντέλου.
Τα αποτελέσματα του δείκτη MDPI παρουσιάζονται στην Εικόνα 4. 
 
'''ΑΝΑΦΟΡΕΣ'''

1. Alkire, S., & Santos, M. E. (2014). Measuring acute poverty in the developing world: Robustness and scope of the multidimensional poverty index. World Development, 59, 251–274.

2. Belgiu, M., & Dragut, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011.

3. Cao, X., Wang, J., Chen, J., & Shi, F. (2014). Spatialization of electricity consumption of China using saturation-corrected

4. Chen, Y. M., Liu, X. P., Li, X., Liu, Y. L., & Xu, X. C. (2016). Mapping the fine-scale spatial pattern of housing rent in the metropolitan area by using online rental listings and ensemble learning. Applied Geography, 75, 200–212. https://doi.org/10.1016/j. Apgeog.2016.08.011.
5. Dehury, B., & Mohanty, S. K. (2015). Regional estimates of multidimensional poverty in India. Economics the Open-Access Open-Assessment E-Journal, 9(36), 1–35.

6. Hall, G. B., Malcolm, N. W., & Piwowar, J. M. (2001). Integration of remote sensing and GIS to detect pockets of urban
poverty: The case of Rosario, Argentina. Transactions in GIS, 5(3), 235–253.

7. Keola, S., Andersson, M., & Hall, O. (2015). Monitoring economic development from space: Using nighttime light and land cover data to measure economic growth. World Development, 66, 322–334.

8. Klemens, B., Coppola, A., & Shron, M. (2015). Estimating local poverty measures using satellite images: A pilot application to Central America. The World Bank

9. Langlois, A., & Kitchen, P. (2001). Identifying and measuring dimensions of urban deprivation in Montreal: An analysis of the 1996 census data. Urban Studies, 38(1), 119–139.

10. Liu, Z., He, C., Zhang, Q., Huang, Q., & Yang, Y. (2012). Extracting the dynamics of urban expansion in China using DMSP-OLS nighttime light data from 1992 to 2008. Landscape and Urban Planning, 106(1), 62–72.

11. Padda, I. U. H., & Hameed, A. (2018). Estimating multidimensional poverty levels in rural Pakistan: A contribution to
sustainable development policies. Journal of Cleaner Production, 197, 435–442.

12. Perdue, W. (2008). Obesity, poverty, and the built environment: Challenges and opportunities. Georgetown Journal on Poverty Law Policy, 15, 821.

13. Silverman, B. W. (2018). Density estimation for statistics and data analysis. Routledge

14. Tung, E. L., Peek, M. E., Makelarski, J. A., Escamilla, V., & Lindau, S. T. (2016). Adult BMI and access to built environment resources in a high-poverty, urban geography. American Journal of Preventive Medicine, 51(5), e119–e127.

15. UN (2014). World urbanization prospects: The 2014 revision-highlights. UN.

16. Wan, C., & Su, S. (2017). China’s social deprivation: Measurement, spatiotemporal pattern and urban applications. Habitat International, 62, 22–42

17. Wang, L., Zhou, X., Zhu, X., Dong, Z., & Guo, W. (2016). Estimation of biomass in wheat using random forest regression algorithm and remote sensing data. The Crop Journal, 4(3), 212–219.

18. Weziak-Bialowolska, D., & Dijkstra, L. (2014). Regional human poverty index: Poverty in the regions of the european. Luxemburg: Publications office of the European Union.

19. Ye, M., Yin, P., Lee, W.-C., & Lee, D.-L. (2011). Exploiting geographical influence for collaborative point-of-interest recommendation. Paper Presented at the Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval.

20. Yuan, Y., Xu, M., Cao, X. Y., & Liu, S. J. (2018). Exploring urban-rural disparity of the multiple deprivation index in Guangzhou City from 2000 to 2010. Cities, 79, 1–11. https://doi.org/10.1016/j.cities.2018.02.016.

21. Zhao, X., Yu, B., Liu, Y., Chen, Z., Li, Q., Wang, C., & Wu, J. (2019). Estimation of poverty using random forest regression
with multi-source data: A case study in Bangladesh. Remote Sensing, 11(4), 375.

[[category:Αστικός και περιφερειακός σχεδιασμός]]

Καράνη Ιωάννα

2021-01-26T21:20:00Z

Ioanna Karani:

* [[Τεχνική ανίχνευσης υδάτινων όγκων στις ορεινές περιοχές από δορυφορικές εικόνες]]

* [[Ένα καινοτόμο και ευφυές σύστημα με βάση την τηλεπισκόπηση και μαθηματικά μοντέλα για την βελτίωση της εκτίμησης απόδοσης της σοδειάς]]

* [[Χρήση εικόνων Landsat 8 για την εκτίμηση του βάθους και της ποιότητας των υδάτων στη "δεξαμενή" νερού El Guajaro στην Κολομβία]]
* [[ Χαρτογράφηση των χρήσεων γής και της κάλυψης γης και της δυναμικής τους στη "δεξαμενή" του ποταμού Awash με χρήση τηλεπισκόπησης και GIS]]
* [[COVID-19 και οι επιπτώσεις του στο περιβάλλον: Βελτιωμένα τα επίπεδα μόλυνσης κατά την περίοδο του lockdown...]]
* [[Χαρτογραφώντας τα εγκαταλελειμμένα αγροτεμάχια στην Kyzyl-Orda,Καζακσταν με τη χρήση δορυφορικής τηλεπισκόπησης.]]

* [[Υπολογισμός των αστικών αναγκών για θέρμανση: Αναλύοντας τις προσεγγίσεις δύο μοντέλων και χρήση της τηλεπισκόπησης ...]]
* [[Μετρώντας την φτώχεια σε αστικό περιβάλλον με τη χρήση δεδομένων από πολλές πηγές και τον αλγόριθμο Random Forest: H περίπτωση της Guangzhou]]

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

Μετρώντας την φτώχεια σε αστικό περιβάλλον με τη χρήση δεδομένων από πολλές πηγές και τον αλγόριθμο Random Forest: H περίπτωση της Guangzhou

2021-01-26T21:19:04Z

Ioanna Karani:

'''Πρωτότυπος τίτλος:'''Measuring urban poverty using multi-source data and a random forest algorithm: A case study in Guangzhou 
'''Συγγραφείς:'''Tong Niu, Yimin Chen, Yuan Yuan 
'''Citation:'''Tong Niu, Yimin Chen, Yuan Yuan, Measuring urban poverty using multi-source data and a random forest algorithm: A case study in Guangzhou, Sustainable Cities and Society, Volume 54, 2020, 102014, ISSN 2210-6707, [https://doi.org/10.1016/j.scs.2020.102014]. 
'''Πηγή:'''[https://doi.org/10.1016/j.scs.2020.102014 Science Direct] 
'''Λέξεις κλειδιά:'''Urban poverty; Multi-source; Data Poverty Index; General Deprivation Index ;Random forest 

 Αντικέιμενο και στόχος έρευνας: 
Η παρούσα έρευνα στοχεύει στην ανάπτυξη ενός δείκτη, ο οποίος προκύπτει από την επεξεργασία big data των social media και τηλεπισκοπησης, για την εκτίμηση της φτώχειας σε αστικό περιβάλλον. 
'''1.Εισαγωγή:''' 
Το 50% του πληθυσμού βρίσκεται συγκεντρωμένο στις αστικές περιοχές. Το ποσοστό αυτό αναμένεται να φτάσει στο 66% έως και το 2050 [15]. Ταυτόχρονα, ένα από τα σημαντικότερα προβλήματα της ανθρωπότητας σε παγκόσμιο επίπεδο, αναδεικνύεται η φτώχεια στις αστικές περιοχές, ενώ αποτελεί και αγκάθι στο δρόμο για την επίτευξη των βιώσιμων στόχων ανάπτυξης [11]. Υπό αυτό το πρίσμα είναι ιδιαίτερα σημαντική η έγκαιρη και έγκυρη εκτίμηση των πληττόμενων περιοχών και του πληττόμενου πληθυσμού για την ανάπτυξη πολιτικών για την αναχαίτιση της φτώχειας και κατ’ επέκταση είναι απαραίτητη και σημαντική η έρευνα του φαινομένου. 
'''2.Σύνδεση με πρότερη έρευνα και ο ρόλος της τηλεπισκόπησης:''' 
Η έρευνα για την φτώχεια βασίζεται κατά κύριο λόγο σε δημογραφικά δεδομένα[5],[8]. Έχουν αναπτυχθεί μια σειρά από δείκτες σε σχέση με την αστική φτώχεια (όπως [18],[1],[16]) , οι οποίες δύνανται να εντοπίσουν τη χωρική κατανομή του φαινομένου σε διάφορα επίπεδα. Ωστόσο, χαρακτηρίζονται από δύο βασικές αδυναμίες: α) τα δημογραφικά δεδομένα συλλέγονται ανά μακρά χρονικά διαστήματα και β) δεν μπορεί να αποτυπώσει την επίδραση του τεχνητού περιβάλλοντος στο φαινόμενο, παρά το γεγονός ότι κρίνεται σημαντική πτυχή του [12],[14].
Οι παραπάνω ανεπάρκειες επιχειρείται να επιλυθούν με τη χρήση των μεγάλων δεδομένων. Έτσι, αξιοποιούνται δεδομένα τηλεπισκόπησης, τα οποία παρέχουν πληθώρα δεδομένων για το τεχνητό περιβάλλον και έχουν χρησιμοποιηθεί ευρέως κοινωνικό οικονομικές συνθήκες όπως η φτώχεια [6],[21]. Κυρίαρχα χρησιμοποιούνται δορυφορικά πολυφασματικά δεδομένα, υψηλής χωρικής διακριτικής ικανότητας [6], αλλά και φωτογραφίες νυχτερινού φωτός οι οποίες χρησιμοποιούνται ευρέως για την μέτρηση της φτώχειας, λόγω του ότι αναπαριστούν επαρκώς τις ανθρώπινες δραστηριότητες [3],[7],[10]. Χρησιμοποιούνται, ακόμη, δεδομένα κοινωνικών δικτύων, όπως τα Points of Interest (POIs) [19], τα οποία αποτυπώνουν τις κοινωνικοοικονομικές συνθήκες στο εσωτερικού του αστικού ιστού.
Επίσης, οι αλγόριθμοι της μηχανικής μάθησης έχουν τη δυνατότητα να χειρίζονται τις πολύπλοκες σχέσεις μεταξύ των δεδομένων που εμπλέκονται στην εκτίμηση του φαινομένου. Μεταξύ των αλγορίθμων προκρίνεται ο αλγόριθμος Random Forest ο οποίος δουλεύει ικανοποιητικά με πολυδιάστατα δεδομένα, την πολυσυγγραμμικότητα και είναι λιγότερο ευαίσθητος στην υπερπροσαρμογή [2],[16].
Στην παρούσα έρευνα αξιοποιούνται δεδομένα τηλεπισκόπησης για την παραγωγή δεικτών πτυχών της φτώχειας από διάφορες πηγές, οι οποίοι με τη χρήση του αλγορίθμου RF συγκροτούν τον δείκτη MDPI (Multi-source Data Poverty Index). H χρήση διαφόρων πηγών για τα δεδομένα ευνοεί την ανάδειξη πολλαπλών πτυχών της φτώχειας και μια ολοκληρωμένη προσέγγιση της πολυδιάστατης φτώχειας. Τέλος, σαν επίπεδο αναφοράς χρησιμοποιείται ο δείκτης GDI [9] βάσει δημογραφικών δεδομένων. 

[[ Εικόνα: A8_e1.jpg | thumb| right| Εικόνα 1: Περιοχή μελέτης, Πηγή:[https://doi.org/10.1016/j.scs.2020.102014 Science Direct]]]



'''3. Περιοχή μελέτης:''' 
Ως περιοχή μελέτης επιλέγεται η πόλη Guangzhou ( Εικόνα 1)στην κεντρική περιοχή της επαρχίας Province, μητρόπολη μιας απο τις πιο εύπορες περιοχές της Κίνας, της Guangdong–Hong Kong–Macao Greater Bay. Στα πλαίσια της έρευνας η πόλη χωρίζεται σε τρεις ομόκεντρες ζώνες: μια αστική (inner city), μια ημιαστική (outer suburb areas) και μια αγροτική ζώνη(outer city areas). Η έρευνα μελετά την αστική και ημιαστική ζώνη στην οποία κατοικεί το 77,83% του πληθυσμού της πόλης. 
'''5. Δεδομένα:''' 
'''
5.1 Δεδομένα τηλεπισκόπησης:''' 
Οι δορυφορικές εικόνες προέρχονται από τον δορυφόρο Landsat 8 και αντλήθηκαν από το site Earth Explorer και αφορούν στην 2015.01.03. Η χωρική ανάλυση των εικόνων είναι 30m . 
Οι εικόνες νυχτερινού φωτός NPP-VIIRS DNB (visible infrared imaging radiometer suite day/night band) είναι μηνιαίες και χωρίς σύννεφα (NOAA/NGDC,[http://www.ngdc.noaa.gov/eog/viirs/download_monthly.html]). Τα μηνιαία σύνθετα απο Γενάρη ως το Δεκέμβρη του 2015 συγχωνεύονται σε ένα ενιαίο, ετήσιο σύνθετο βάσει των μέσων μηνιαίων ψηφιακών τιμών. Ακραίες ψηφιακές τιμές απορρίπτονται και αντικαθίστανται από το μέσο όρο των 8 γειτονικών τους ψηφιακών τιμών. 
'''5.2 Κοινωνικά δεδομένα:''' 
Τα POI δεδομένα αφορούν σε σημεία ενδιαφέροντος υποδομών και υπηρεσιών, όπως εμπορικά κέντρα, σχολικά κτίρια, γραφεία, νοσοκομεία και σταθμούς μετρό. Τα δεδομένα αντλήθηκαν από το Place API of Baidu Maps.
Τα δεδομένα σε σχέση με τις τιμές των ενοικίων αντλήθηκαν από την έρευνα των Chen et al. (2016). 
'''5.3 Δημογραφικά δεδομένα:''' 
Τα δημογραφικά δεδομένα προέρχονται από τις κρατικές υπηρεσίες της πόλης και αναφέρονται στον πληθυσμό, την εκπαίδευση, την απασχόληση και τις συνθήκες διαβίωσης.
Τα δεδομένα για τη μέτρηση της πραγματικής φτώχειας, δηλαδή ο δείκτης GDI για κάθε κοινότητα της πόλης αντλήθηκαν από την έρευνα των Yuan et al. (2018). 

'''6. Μέθοδος:''' 
Σχηματικά μέθοδος που ακολουθήθηκε στην έρευνα αυτή παρουσιάζεται στην Εικόνα 2: .

[[ Εικόνα: A8_e2.jpg|frame|center| Εικόνα 2:Μέθοδος έρευνας, Πηγή: [https://doi.org/10.1016/j.scs.2020.102014 Science Direct] ]]

'''6.1 Υποδομές και υπηρεσίες:''' 
Τα POI χρησιμοποιούνται για την ανάπτυξη του δείκτη υποδομών και υπηρεσιών, ο οποίος εκτιμά την πρόσβαση των κατοίκων της κάθε κοινότητας σε ουσιώδεις παροχές και υπηρεσίες. Χρησιμοποιείται η μέθοδος εκτίμησης πυρήνα και ο εμπειρικός κανόνας του Silverman [13] για τον υπολογισμό του εύρους. Στη συνέχεια τα αποτελέσματα συγχωνεύθηκαν σε επίπεδο μέσων όρων, έτσι ώστε να αντιπροσωπεύει το σύνολο της κοινότητας. 
'''6.2 Κάλυψη γής:''' 
Βάσει των δορυφορικών εικόνων Landsat 8 υπολογίζονται τρεις κανονικοποιημένοι δείκτες και συγκεκριμένα οι Normalized Difference Vegetation Index (NDVI), ο Normalized Difference Built-up Index (NDBI), και ο Normalized Difference Water Index (NDWI), οι οποίοι υποδεικνύουν την κάλυψη γης σε βλάστηση, σε κτιριακό δυναμικό και υδάτινες επιφάνειες. Οι δείκτες αυτοί είναι ιδιαίτερα χρήσιμοι για την απεικόνιση του τεχνητού αστικού περιβάλλοντος. Οι δείκτες ορίζονται ως εξής : 

[[ Εικόνα : A8_e3.jpg|frame|center| Εικόνα 3: Δείκτες για την κάλυψη γης, Πηγή:[https://doi.org/10.1016/j.scs.2020.102014 Science Direct] ]]
 
[[ Εικόνα : A8_e4.jpg|thumb |right| Εικόνα 4: Δείκτης MDPI , Πηγή:[https://doi.org/10.1016/j.scs.2020.102014 Science Direct] ]]
[[ Εικόνα : A8_e5.jpg|thumb |right| Εικόνα 5: Κατανομή δεικτών , Πηγή:[https://doi.org/10.1016/j.scs.2020.102014 Science Direct] ]]
, με βάση τα κανάλια της Landsat εικόνας.

'''6.3 Υφές των κτιρίων:'''
Δομικά χαρακτηριστικά και χαρακτηριστικά σε σχέση με την υφή αξιοποιούνται για τον διαχωρισμό οργανικών, συνωστισμένων και συγκεχυμένων χωρικών μοτίβων έναντι των πιο δομημένων, ταξινομημένων και ομογενών πιο εύπορων αστικών γειτονιών. Για την εξαγωγή των δεδομένων για τα παραπάνω χαρακτηριστικά χρησιμοποιείται το λογισμικό ΕNVI5.1, το οποίο δέχεται τηλεσκοπικά δεδομένα ως είσοδο, μαζί με το πρόσθετο FETEX2. Τέλος, εφαρμόστηκε ανάλυση κύριων συνιστωσών, προκειμένου να διατηρηθεί όσο γίνεται η αρχική πληροφορία και να μειωθούν οι εισερχόμενες μεταβλητές. 
'''6.4 Ένταση των δραστηριοτήτων:''' 
Για τον προσδιορισμό της έντασης των δραστηριοτήτων σε επίπεδο κοινότητας χρησιμοποιούνται οι VIIRS εικόνες. Υλοποιείται ο παρακάτω απλός υπολογισμός:


 L̅i=Li/Ai 

, L̅i η μέση ψηφιακή τιμή για την για την κοινότητα i, Li το άθροισμα των ψηφιακών τιμών στην κοινότητα i
και Ai η φωτιζόμενη περιοχή της κοινότητας i ( αριθμός των pixels με ψηφιακή τιμή θετική) 
'''6.5 Οικιστικά έξοδα:''' 
Το κόστος στέγασης αποτελεί ένα μεγάλο μερίδιο των εξόδων των νοικοκυριών, ειδικότερα των πιο φτωχών. Τα δεδομένα για τα έξοδα ενοικίασης προέρχονται από την έρευνα των Chen et al. (2016). Η μέση μονάδα ενοικίου ανά οικοδομικό τετράγωνο της κάθε κοινότητας εκτιμήθηκαν και συγχωνεύθηκαν για να δημιουργηθεί η μονάδα ενοικίου ανά κοινότητα. 
'''6.6 Random Forest αλγόριθμος:''' 
Στην παρούσα έρευνα χρησιμοποιήθηκε ο αλγόριθμος Random Forest και η πλατφόρμα WEKA για την εξαγωγή του καλύτερου συνδυασμού των παραπάνω δεικτών, για την ανάπτυξη του δείκτη MDPI και με αναφορά τον δείκτη GDI. 
'''7. Αποτελέσματα:''' 
Στην Εικόνα 3 απεικονίζεται η χωρική κατανομή των επιμέρους δεικτών, όπως προέκυψε με χρήση του GIS και της ταξινόμησης Jenks Natural Breaks . Όλοι οι δείκτες, εκτός του δείκτη NDVI και της υφής των κτιρίων που παρουσιάζουν θετική συσχέτιση με τον δείκτη GDI, εμφανίζουν αρνητική συσχέτιση με τον δείκτη GDI. Οπότε, συνολικά, είναι κατάλληλα για την ανάπτυξη του RF μοντέλου. 
Στη συνέχεια χρησιμοποιώντας τον συντελεστή συσχέτισης Spearman υπολογίζεται για τους δείκτες MDPI και GDI ο συντελεστής συσχέτισης .954 με p-value of 0.000. Επίσης, το διάμεσο σχετικό σφάλμα είναι της τάξης του 18.3%, αναδεικνύοντας την αξιοπιστία του RF μοντέλου.
Τα αποτελέσματα του δείκτη MDPI παρουσιάζονται στην Εικόνα 4. 
'''ΑΝΑΦΟΡΕΣ'''

1. Alkire, S., & Santos, M. E. (2014). Measuring acute poverty in the developing world: Robustness and scope of the multidimensional poverty index. World Development, 59, 251–274.

2. Belgiu, M., & Dragut, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011.

3. Cao, X., Wang, J., Chen, J., & Shi, F. (2014). Spatialization of electricity consumption of China using saturation-corrected

4. Chen, Y. M., Liu, X. P., Li, X., Liu, Y. L., & Xu, X. C. (2016). Mapping the fine-scale spatial pattern of housing rent in the metropolitan area by using online rental listings and ensemble learning. Applied Geography, 75, 200–212. https://doi.org/10.1016/j. Apgeog.2016.08.011.
5. Dehury, B., & Mohanty, S. K. (2015). Regional estimates of multidimensional poverty in India. Economics the Open-Access Open-Assessment E-Journal, 9(36), 1–35.

6. Hall, G. B., Malcolm, N. W., & Piwowar, J. M. (2001). Integration of remote sensing and GIS to detect pockets of urban
poverty: The case of Rosario, Argentina. Transactions in GIS, 5(3), 235–253.

7. Keola, S., Andersson, M., & Hall, O. (2015). Monitoring economic development from space: Using nighttime light and land cover data to measure economic growth. World Development, 66, 322–334.

8. Klemens, B., Coppola, A., & Shron, M. (2015). Estimating local poverty measures using satellite images: A pilot application to Central America. The World Bank

9. Langlois, A., & Kitchen, P. (2001). Identifying and measuring dimensions of urban deprivation in Montreal: An analysis of the 1996 census data. Urban Studies, 38(1), 119–139.

10. Liu, Z., He, C., Zhang, Q., Huang, Q., & Yang, Y. (2012). Extracting the dynamics of urban expansion in China using DMSP-OLS nighttime light data from 1992 to 2008. Landscape and Urban Planning, 106(1), 62–72.

11. Padda, I. U. H., & Hameed, A. (2018). Estimating multidimensional poverty levels in rural Pakistan: A contribution to
sustainable development policies. Journal of Cleaner Production, 197, 435–442.

12. Perdue, W. (2008). Obesity, poverty, and the built environment: Challenges and opportunities. Georgetown Journal on Poverty Law Policy, 15, 821.

13. Silverman, B. W. (2018). Density estimation for statistics and data analysis. Routledge

14. Tung, E. L., Peek, M. E., Makelarski, J. A., Escamilla, V., & Lindau, S. T. (2016). Adult BMI and access to built environment resources in a high-poverty, urban geography. American Journal of Preventive Medicine, 51(5), e119–e127.

15. UN (2014). World urbanization prospects: The 2014 revision-highlights. UN.

16. Wan, C., & Su, S. (2017). China’s social deprivation: Measurement, spatiotemporal pattern and urban applications. Habitat International, 62, 22–42

17. Wang, L., Zhou, X., Zhu, X., Dong, Z., & Guo, W. (2016). Estimation of biomass in wheat using random forest regression algorithm and remote sensing data. The Crop Journal, 4(3), 212–219.

18. Weziak-Bialowolska, D., & Dijkstra, L. (2014). Regional human poverty index: Poverty in the regions of the european. Luxemburg: Publications office of the European Union.

19. Ye, M., Yin, P., Lee, W.-C., & Lee, D.-L. (2011). Exploiting geographical influence for collaborative point-of-interest recommendation. Paper Presented at the Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval.

20. Yuan, Y., Xu, M., Cao, X. Y., & Liu, S. J. (2018). Exploring urban-rural disparity of the multiple deprivation index in Guangzhou City from 2000 to 2010. Cities, 79, 1–11. https://doi.org/10.1016/j.cities.2018.02.016.

21. Zhao, X., Yu, B., Liu, Y., Chen, Z., Li, Q., Wang, C., & Wu, J. (2019). Estimation of poverty using random forest regression
with multi-source data: A case study in Bangladesh. Remote Sensing, 11(4), 375.

[[category:Αστικός και περιφερειακός σχεδιασμός]]

Αρχείο:A8 e5.jpg

2021-01-26T20:44:09Z

Ioanna Karani: ανέβασμα νέας έκδοσης του "Αρχείο:A8 e5.jpg"

Μετρώντας την φτώχεια σε αστικό περιβάλλον με τη χρήση δεδομένων από πολλές πηγές και τον αλγόριθμο Random Forest: H περίπτωση της Guangzhou

2021-01-26T19:08:35Z

Ioanna Karani:

Μετρώντας την φτώχεια σε αστικό περιβάλλον με τη χρήση δεδομένων από πολλές πηγές και τον αλγόριθμο Random Forest: H περίπτωση της Guangzhou

2021-01-26T19:06:40Z

Ioanna Karani: Νέα σελίδα με ' '''Πρωτότυπος τίτλος:'''Measuring urban poverty using multi-source data and a random forest algorithm: A case study in Guangzhou '...'

Αρχείο:A8 e6.jpg

2021-01-26T19:06:25Z

Ioanna Karani:

Αρχείο:A8 e5.jpg

2021-01-26T19:06:17Z

Ioanna Karani:

Αρχείο:A8 e4.jpg

2021-01-26T19:06:07Z

Ioanna Karani:

Αρχείο:A8 e3.jpg

2021-01-26T19:05:59Z

Ioanna Karani:

Αρχείο:A8 e2.jpg

2021-01-26T19:05:50Z

Ioanna Karani:

Αρχείο:A8 e1.jpg

2021-01-26T19:05:42Z

Ioanna Karani:

Καράνη Ιωάννα

2021-01-26T18:03:28Z

Ioanna Karani:

* [[Τεχνική ανίχνευσης υδάτινων όγκων στις ορεινές περιοχές από δορυφορικές εικόνες]]

* [[Ένα καινοτόμο και ευφυές σύστημα με βάση την τηλεπισκόπηση και μαθηματικά μοντέλα για την βελτίωση της εκτίμησης απόδοσης της σοδειάς]]

* [[Χρήση εικόνων Landsat 8 για την εκτίμηση του βάθους και της ποιότητας των υδάτων στη "δεξαμενή" νερού El Guajaro στην Κολομβία]]
* [[ Χαρτογράφηση των χρήσεων γής και της κάλυψης γης και της δυναμικής τους στη "δεξαμενή" του ποταμού Awash με χρήση τηλεπισκόπησης και GIS]]
* [[COVID-19 και οι επιπτώσεις του στο περιβάλλον: Βελτιωμένα τα επίπεδα μόλυνσης κατά την περίοδο του lockdown...]]
* [[Χαρτογραφώντας τα εγκαταλελειμμένα αγροτεμάχια στην Kyzyl-Orda,Καζακσταν με τη χρήση δορυφορικής τηλεπισκόπησης.]]

* [[Υπολογισμός των αστικών αναγκών για θέρμανση: Αναλύοντας τις προσεγγίσεις δύο μοντέλων και χρήση της τηλεπισκόπησης ...]]

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