http://147.102.106.44/rs/wiki/index.php?feed=atom&target=Ioanna+dramitinou&title=%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C%3A%CE%A3%CF%85%CE%BD%CE%B5%CE%B9%CF%83%CF%86%CE%BF%CF%81%CE%AD%CF%82 2026-05-07T16:03:58Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%94%CF%81%CE%B1%CE%BC%CE%B9%CF%84%CE%B9%CE%BD%CE%BF%CF%8D_%CE%99%CF%89%CE%AC%CE%BD%CE%BD%CE%B1 2021-03-03T18:40:01Z

<p>Ioanna dramitinou: </p> <hr /> <div>*[[Προειδοποίηση και εντοπισμός συμβάντων σε έξυπνες πόλεις με τη χρήση τηλεπισκοπικών σεισμικών δεδομένων εντοπισμού ανωμαλιών]]<br /> *[[Από τοπικά φασματικά είδη σε παγκόσμιες φασματικές κοινότητες. Μία εκτίμηση της βιοποικιλότητας με τη χρήση τηλεπισκόπησης]]<br /> *[[Έρευνα για την αντικειμενοστραφή κατάτμηση κτιρίων που έχουν υποστεί ζημιά από σεισμό]]<br /> *[[Χρήση δορυφορικών εικόνων CORONA για την αξιολόγηση και τον εντοπισμό ρίσκου φυσικών καταστροφών και μεταβολών αστικής ανάπτυξης]]<br /> *[[Μία αξιολόγηση των μεταβολών στις χρήσεις γης σε περιοχές μετεγκατάστασης με τη βοήθεια των GIS και της τηλεπισκόπησης στη Ζιμπάμπουε]]<br /> *[[Αναγνώριση προτύπων και ανάλυση παραδοσιακού χωριού με τη χρήση χαμηλού υψομέτρου μη επανδρωμένων αεροσκαφών]]<br /> *[[Εκτίμηση του δείκτη αστικού πρασίνου με τη χρήση δεδομένων τηλεπισκόπησης]]<br /> *[[Επιπτώσεις της καραντίνας στις συγκεντρώσεις ολικών αιωρούμενων ιζημάτων στον ποταμό Lower Min της Κίνας]]<br /> *[[Χρήση τηλεπισκοπικών τεχνικών και τεχνικών GIS στην αναγνώριση αρχαιολογικών τόπων]]<br /> *[[Εκτίμηση του φαινομένου της ΄θερμονησίδας΄ στη Βραζιλία μέσω ανάλυσης τηλεπισκοπικών δεδομένων του αισθητήρα MODIS]]<br /> <br /> <br /> [[category: ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%94%CF%81%CE%B1%CE%BC%CE%B9%CF%84%CE%B9%CE%BD%CE%BF%CF%8D_%CE%99%CF%89%CE%AC%CE%BD%CE%BD%CE%B1 2021-03-03T18:32:36Z

<p>Ioanna dramitinou: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category: ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%94%CF%81%CE%B1%CE%BC%CE%B9%CF%84%CE%B9%CE%BD%CE%BF%CF%8D_%CE%99%CF%89%CE%AC%CE%BD%CE%BD%CE%B1 2021-03-03T18:29:25Z

<p>Ioanna dramitinou: Νέα σελίδα με 'Add Your Content Here category:ΔΠΜΣ '</p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:ΔΠΜΣ ]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CE%BF%CE%B5%CE%B9%CE%B4%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CF%83%CF%85%CE%BC%CE%B2%CE%AC%CE%BD%CF%84%CF%89%CE%BD_%CF%83%CE%B5_%CE%AD%CE%BE%CF%85%CF%80%CE%BD%CE%B5%CF%82_%CF%80%CF%8C%CE%BB%CE%B5%CE%B9%CF%82_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CE%B5%CE%B9%CF%83%CE%BC%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%B1%CE%BD%CF%89%CE%BC%CE%B1%CE%BB%CE%B9%CF%8E%CE%BD 2021-02-27T19:59:40Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs_wiki_id_art4_img1.png|thumb|right|'''Εικόνα 1. Μηνιαίες τιμές θερμοκρασίας ακτινοβολίας με βάση δεδομένα MODIS για τα έτη (a) 2013, (b) 2014, (c) 2015, (d) 2016, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S0140366419321127-gr4_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art4_img2.png|thumb|right|'''Εικόνα 2. Χρονικές και χωρικές διακυμάνσεις των σχετικών φασματικών ανωμαλιών για τους μήνες (a) Μάιος 15, (b) Μάιος 20, (c) Μάιος 25, (d) Μάιος 30, (e) Ιούνιος 4, (f) Ιούνιος 9, (g) Ιούνιος 14,Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S0140366419321127-gr5_lrg.jpg]]]<br /> <br /> <br /> '''Πρωτότυπος τίτλος:''' Event alert and detection in smart cities using anomaly information from remote sensing earthquake data<br /> <br /> '''Συγγραφείς:''' Lan Liu, Cheng-fan Li,Xian-kun Sun, Jun-juan Zhao<br /> <br /> '''Πηγή: https:'''[https://www.sciencedirect.com/science/article/pii/S0140366419321127]<br /> <br /> '''Λέξεις κλειδιά:''' θερμική υπέρυθρη ακτινοβολία(TIR), MODIS, earthquake, σεισμός<br /> <br /> '''Περίληψη'''<br /> <br /> Ένας πιθανός πρόδρομος για την πρόβλεψη και προειδοποίηση σεισμικών φαινομένων αποτελεί η ασθενής θερμική υπέρυθρη(TIR) ανωμαλία που ανιχνεύεται πριν μία έντονη σεισμική δόνηση. Η συγκεκριμένη μελέτη προτείνει μία μέθοδο ανίχνευσης αυτών των ανωμαλιών με εφαρμογή στις παράκτιες έξυπνες πόλεις. Η μέθοδος βασίζεται σε δεδομένα από το φασματοραδιόμετρο MODIS μεσαίας χωρικής ακρίβειας. Τα αποτελέσματα της τηλεπισκοπικής μεθόδου για τις προαναφερόμενες ανωμαλίες βρίσκονται σε συμφωνία με τις ζώνες σεισμικής δραστηριότητας και κρίνεται πως δύναται να συμβάλλουν στην παρακολούθηση σεισμών.<br /> Εισαγωγή: Οι θερμικές υπέρυθρες ανωμαλίες συμβαίνουν σύμφωνα με την βιβλιογραφία πριν και μετά το σεισμικό φαινόμενο. Η παρούσα έρευνα επικεντρώνεται σε τρεις βασικούς τομείς:<br /> <br /> * Την ανίχνευση και εξαγωγή των ανωμαλιών <br /> * Τη συσχέτιση των ανωμαλιών με τρεις βασικούς σεισμικούς παράγοντες. Το χρόνο, την τοποθεσία και το μέγεθος του σεισμού<br /> * Το μηχανισμό σχηματισμού των ανωμαλιών <br /> <br /> Μέχρι στιγμής η διεθνής βιβλιογραφία παρουσιάζει ελλείψεις στην έρευνα για την πρόληψη σεισμικών δεδομένων σε έξυπνες πόλεις. Στο παρόν χρησιμοποιείται ως παράδειγμα ο σεισμός Xinbei Ms6.2 που έλαβε χώρα στην παρακείμενη θάλασσα του Ταιβάν, στην Κίνα. Μέσω δεδομένων MODIS έγινε εξαγωγή της ασθενούς θερμικής υπέρυθρης ανωμαλίας με χρήση κυματοειδούς ταλάντωσης(wavelet).<br /> <br /> '''Τηλεπισκοπικά δεδομένα''' <br /> <br /> Στην παρούσα μελέτη χρησιμοποιήθηκε ο αισθητήρας MODIS κυρίως λόγω χρονικής ακρίβειας με μετάδοση δεδομένων τέσσερις φορές τη μέρα και υψηλού λόγου σήματος προς θόρυβο(SNR). Χρησιμοποιήθηκαν ακόμη μετεωρολογικά δεδομένα για την περιοχή του σεισμού καθώς και δεδομένα ανακλαστικότητας για τον υπολογισμό της θερμοκρασίας ακτινοβολίας(brightness temperature) της επιφάνειας της θάλασσας.<br /> <br /> '''Υπολογισμός της θερμοκρασίας ακτινοβολίας''' <br /> <br /> Οι αισθητήρες των δορυφόρων έχουν τη δυνατότητα να παρατηρούν την θερμική υπέρυθρη ακτινοβολία των γήινων αντικειμένων. Εδώ τα δεδομένα από τον MODIS αισθητήρα για τη χρονική περίοδο 2016 χρησιμοποιούνται στην παρακάτω φόρμουλα για τον υπολογισμό της ζητούμενης θερμικής ακτινοβολίας δηλαδή της ηλεκτρομαγνητικής ακτινοβολίας που εκπέμπεται από την επιφάνεια ενός σώματος λόγω της θερμοκρασίας του.<br /> [[Εικόνα:rs_wiki_id_art4_img3.png|center|]]<br /> <br /> Όπου T (x, y, t) είναι η μέση τιμή της ακτινοβολίας των σημείων (x, y) τη στιγμή t σε μία χρονική περίοδο N χρόνων<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η επεξεργασία των δεδομένων MODIS οδήγησε στα παρακάτω αποτελέσματα:<br /> <br /> Η μέση τιμή της θερμοκρασίας ακτινοβολίας στη νότια θαλάσσια περιοχή είναι υψηλή σε αντίθεση με τη νότια περιοχή. <br /> Η ανάλυση της σεισμικής θερμικής υπέρυθρης ανωμαλίας στον σεισμό Xinbei Ms6.2 συμπεραίνεται πως η περιοχή που εμφανίζεται η ανωμαλία δεν περιορίζεται στο Τμήμα γύρω από το επίκεντρο του σεισμού, η χρονική διάρκεια είναι σχετικά μεγάλη ενώ η υψηλότερη τιμή φαίνεται να εμφανίζεται στη βορειοανατολική πλευρά του επίκεντρου.<br /> Αναφορικά με την ανάλυση της σχέσης των ανωμαλιών και του μεγέθους του σεισμού εξάγονται τα παρακάτω αποτελέσματα. Καθώς το μέγεθος του σεισμού αυξάνεται, αυξάνεται και η περιοχή της ανωμαλίας στο φάσμα. Στην περίπτωση που το μέγεθος του σεισμού είναι μεγάλο η περιοχή κάλυψης των σεισμικών ανωμαλιών είναι ευρεία.<br /> <br /> '''Συμπεράσματα''' <br /> <br /> Σε αυτή την πειραματική μελέτη, διεξάγεται η ανίχνευση και προειδοποίηση σεισμικών φαινομένων σε έξυπνες πόλεις μέσω σεισμικών τηελεπισκοπικών δεδομένων για τις σεισμικές ανωμαλίες. Τα αποτελέσματα δείχνουν πως η χωρική κατανομή των θερμικών υπέρυθρων ανωμαλιών σχετίζεται στενά με την κατανομή των ρηγμάτων και το μέγεθος του σεισμού.<br /> <br /> [[category:Διαχείριση κινδύνων]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art4_img3.png 2021-02-27T19:58:21Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%80%CF%8C_%CF%84%CE%BF%CF%80%CE%B9%CE%BA%CE%AC_%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AC_%CE%B5%CE%AF%CE%B4%CE%B7_%CF%83%CE%B5_%CF%80%CE%B1%CE%B3%CE%BA%CF%8C%CF%83%CE%BC%CE%B9%CE%B5%CF%82_%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AD%CF%82_%CE%BA%CE%BF%CE%B9%CE%BD%CF%8C%CF%84%CE%B7%CF%84%CE%B5%CF%82._%CE%9C%CE%AF%CE%B1_%CE%B5%CE%BA%CF%84%CE%AF%CE%BC%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B2%CE%B9%CE%BF%CF%80%CE%BF%CE%B9%CE%BA%CE%B9%CE%BB%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2021-02-27T19:56:23Z

<p>Ioanna dramitinou: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' From local spectral species to global spectral communities: A benchmark for ecosystem diversity estimate by remote sensing<br /> '''Συγγραφείς:''' Duccio Rocchini , Nicole Salvatori, Carl Beierkuhnlein, Alessandro Chiarucci, Florian de Boissieu f, Michael Forster, Carol X. Garzon-Lopez, Thomas W. Gillespie, Heidi C. Hauffe, Kate S, Birgit Kleinschmit, Jonathan Lenoir, Marco Malavasi b, Vítĕzslav Moudrý , Harini Nagendra, Davnah Payne, Petra ˇSímov, Michele Torresani, Martin Wegmann , Jean-Baptiste Feret <br /> <br /> '''Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S157495412030145X]<br /> <br /> '''Λέξεις Κλειδιά:''' φασματικά είδη, spectral species,βιοποικιλότητα, ομαδοποίηση δεδομένων<br /> <br /> '''Περίληψη''' <br /> <br /> Οι ραγδαίες αλλαγές στην παγκόσμια βιοποικιλότητα έχουν καταστήσει την παρακολούθηση αλλά και συνεχή εκτίμηση της εξαιρετικά αναγκαία. Η ανάπτυξη τεχνολογιών πέρα από τις παραδοσιακές έρευνες πεδίου, έχει σημειώσει σημαντική πρόοδο. Η προσέγγιση της παρούσας έρευνας επικεντρώνεται στην υπόθεση της φασματικής ποικιλότητας και συγκεκριμένα στην έννοια των φασματικών ειδών την οποία επιχειρεί να διευρύνει. Η χρήση υψηλής ανάλυσης τηλεπισκοπικών δεδομένων σε τοπική κλίμακα έχει τη δυνατότητα να γίνει αρωγός στην αναγνώριση ξεχωριστών φασματικών οντοτήτων, τα φασματικά είδη. Στο παρόν επιχειρείται να προεκταθεί αυτή η έννοια σε πιο ευρέα φασματικά όρια και σε μεγαλύτερο επίπεδο βιολογικών οργανισμών με τη χρήση δορυφορικών δεδομένων από εικόνες MODIS.<br /> <br /> '''Εισαγωγή'''<br /> <br /> Σύμφωνα με τη βιβλιογραφία, οι τεχνικές τηλεπισκόπησης έχουν αποδειχθεί εξαιρετικά χρήσιμες στην ανίχνευση της βιοποικιλότητας. Γενικότερα η βλάστηση απορροφά την μπλε και την κόκκινη ακτινοβολία ενώ ανακλά την εγγύς υπέρυθρη ακτινοβολία. Η γνώση αυτή έχει οδηγήσει στον ευρέως χρησιμοποιούμενο NDVI δείκτη κανονικοποιημένης διαφοράς για τη βλάστηση. Ο δείκτης αυτός κυμαίνεται μεταξύ -1 και 1 με τις αρνητικές τιμές να αντιστοιχούν σε περιοχές με ύδατα ή χιόνι και τις μηδενικές τιμές να αντιστοιχούν σε περιοχές δίχως βλάστηση. Ο δείκτης επομένως μπορεί να χρησιμοποιηθεί για την ποσοτικοποίηση της βιοποικιλότητας. <br /> Η έννοια των φασματικών ειδών αποτελεί μία από τις πιο ισχυρές μεθόδους εκτίμησης βιοποικιλότητας. Ο αλγόριθμος που χρησιμοποιείται επιτρέπει το διαχωρισμό του φασματικού χώρου σε υπο-μονάδες οι οποίες αναγνωρίζονται ως φασματικά είδη. Δύο είναι οι θεμέλιες αρχές αυτής της μεθόδου. Aρχικά η υπόθεση της φασματικής ποικιλότητας σύμφωνα με την οποία όσο μεγαλύτερη είναι η περιβαλλοντική ετερογένεια τόσο μεγαλύτερη θα είναι και η ποικιλομορφία των ειδών. H δεύτερη αρχή βασίζεται στους οπτικούς τύπους της βλάστησης και σχετίζεται με τη χρήση αισθητήρων που παράγουν υψηλής ανάλυσης εικόνες ικανές να μετρήσουν τα διαφορετικά σήματα από τη φαινολογία και τη δομή της βλάστησης. <br /> Η μέθοδος που εφαρμόζεται στο παρόν βασίζεται σε έναν μη επιβλεπόμενο αλγόριθμο ομαδοποίησης. Αρχικά πραγματοποιείται μία μέθοδος PCA (Ανάλυση Κύριων Συνιστωσών)και στη συνέχεια γίνεται μία ομαδοποίηση k-means.<br /> Μέχρι στιγμής η έννοια των φασματικών ειδών έχει εφαρμοστεί μόνο σε τοπική κλίμακα, επομένως ο σκοπός της εργασίας είναι η επέκταση της μεθόδου αυτής σε μεγαλύτερα χωρικά πλαίσια προς μία φασματική κοινωνία μέσω τη δημιουργίας ενός χάρτη ετερογένειας σε μεγάλη γεωγραφική κλίμακα για την εκτίμησης της άλφα(α)- και βήτα(β)- ποικιλότητας στην Ευρώπη. Ως α-ποικιλότητα ορίζεται ο αριθμός των ταξινομικών βαθμίδων σε ένα ορισμένο περιβάλλον ενώ ως β-ποικιλότητα ορίζεται η ποικιλία των ταξινομικών βαθμίδων που απαντώνται εντός του ίδιου περιβάλλοντος.<br /> <br /> [[Εικόνα:Rs_wiki_id_art3_img1.png|thumb|right|'''Εικόνα 1.Διαγραμματική απεικόνιση των βημάτων του αλγόριθμου.Πηγή:'''[https://ars.els-cdn.com/content/image/1-s2.0-S157495412030145X-gr1_lrg.jpg]]]<br /> [[Εικόνα:Rs_wiki_id_art3_img2.png|thumb|right|'''Εικόνα 2. Ομάδα 12 εικόνων από τον αισθητήρα MODIS, η οποία επεξεργάστηκε με βάση τον αλγόριθμο φασματικών ειδών ώστε να παραχθούν οι χάρτες α και β ποικιλότητας. Πηγή:'''[https://ars.els-cdn.com/content/image/1-s2.0-S157495412030145X-gr2_lrg.jpg]]]<br /> <br /> '''Περιγραφή Αλγορίθμου'''<br /> <br /> Ο αλγόριθμος των φασματικών ειδών αναπτύχθηκε αρχικά για την χαρτογράφηση της δασικής κάλυψης με τη χρήση απεικονίσεων φασματοκοποίας χωρικής ακρίβειας 2 μέτρων. Ακολουθώντας την υπόθεση ότι τα είδη διακρίνονται φασματικά ο αλγόριθμος προσαρμόστηκε με την προσέγγιση κατάτμησης του φασματικού χώρου όπως ορίζουν τα τηλεπισκοπικά δεδομένα. Το αποτέλεσμα του αλγορίθμου επομένως οδηγεί σε ένα χάρτη κατανομής των φασματικών κοινοτήτων. Η παρούσα μελέτη επικεντρώνεται στις μετρήσεις της α- και β- ποικιλότητας. Στον αλγόριθμο η α-ποικιλότητα υπολογίζεται εντός μιας 'γειτονιάς’(plot)έκτασης n*n pixel σύμφωνα με τον δείκτη Shannon όπως φαίνεται παρακάτω:<br /> [[Εικόνα:Rs_wiki_id_art3_img3.png|center|]]<br /> <br /> όπου το ‘ps’ είναι η αναλογία κάθε φασματικού είδους ‘s’ σε κάθε 'γειτονιά'. H β-ποικιλότητα υπολογίζεται αντίστοιχα σύμφωνα με τον BC δείκτη :<br /> <br /> [[Εικόνα:Rs_wiki_id_art3_img4.png|center|]]<br /> <br /> Όπου το ‘BCij’ ορίζει την ετερογένεια μεταξύ των γειτονιών i και j. Τα xis και xjs αφορούν στην αφθονία των φασματικών ειδών s στις γειτονιές i και j. Μόλις υπολογιστεί ο δείκτης BC για το σύνολο των γειτονιών, δημιουργείται ένας πίνακας ετερογένειας που μπορεί να απεικονιστεί ως έγχρωμος χάρτης. Πρέπει να τονιστεί πως ενώ ο δέκτης Shanon έχει ένα θεωρητικό ανώτατο όριο, ο δείκτης BC κυμαίνεται μεταξύ 0 και 1 όπου το 0 υποδεικνύει ομοιογένεια και το 1 ετερογένεια. Ο τελικός σκοπός του αλγορίθμου ήταν η δημιουργία ενός χάρτη ετερογένειας. Τα βήματα απεικονίζονται και σχηματικά στην εικόνα 1. <br /> <br /> '''Εφαρμογή του αλγορίθμου'''<br /> <br /> Ο σκοπός ήταν η εφαρμογή του αλγορίθμου σε μία περιοχή με κλίμακα ηπείρου όπως είναι η Ευρώπη. Επομένως συλλέχθηκαν δεδομένα MODIS με χωρική ακρίβεια 500 μέτρα τα οποία κάλυπταν ολόκληρη την Ευρώπη. Τα δεδομένα αποκτήθηκαν μέσω του ιστοχώρου USGS. Στη συνέχεια υπολογίστηκε ο δείκτης NDVI για κάθε μήνα σε μία διαφορετική εικόνα. Δημιουργήθηκε έτσι ένα δείγμα 12 εικόνων με δείκτη <br /> NDVI. Λόγω της μικρής χωρικής ακρίβειας η τιμή ανακλαστικότητας που σχετίζεται με ένα μοναδιαίο είδος φυτού, εμπλέκεται με την τιμή ανακλαστικότητας άλλων ειδών εντός του ίδιου Pixel.<br /> <br /> Για τον διαχωρισμό των φασματικών ειδών προκειμένου να οριστεί ο αριθμός των ομαδοποιήσεων, χρησιμοποιήθηκε ο υψηλότερος αριθμός ομαδοποιήσεων με σταθερά αποτελέσματα έπειτα από μια επαναληπτική διαδικασία δοκιμής και λάθους φτάνοντας τις 200 ομαδοποιήσεις. Μόλις φατνία με παρόμοιες τιμές NDVI ομαδοποιήθηκαν μαζί, υπολογίστηκε ο δείκτης Shannon σε μία έκταση 10 επί 10 φατνίων με χωρική ακρίβεια 5 χιλιόμετρα. Η α-ποικιλότητα φαίνεται στην εικόνα 2. Ο χάρτης της β-ποικιλότητας έδειξε μια σαφή διάκριση μεταξύ διαφορετικών περιοχών της Ευρώπης.<br /> <br /> '''Συμπεράσματα''' <br /> <br /> Στην παρούσα εργασία προτάθηκε μία μέθοδος βασισμένη σε μη επιβλεπόμενες ομαδοποιήσεις φασματικών δεδομένων, συνδέοντας κάθε φατνίο με ένα φασματικό είδος και στη συνέχεια υπολογίζοντας την ποικιλότητα βάσει ετερογενών συστημάτων μέτρησης. Στην κλίμακα της παρούσας εργασίας η σχέση ένα προς ένα μεταξύ φασματικών ειδών και φυτών στο πεδίο δεν επετεύχθη, ωστόσο η έννοια των φασματικών ειδών παραμένει ισχυρή καθώς τα εντοπισμένα φασματικά είδη σχετίζονται άμεσα με υψηλότερες ιεραρχίες. Ο χάρτης β-ποικιλότητας βρέθηκε σε συμφωνία με τον χάρτη των βιοτόπων του ευρωπαϊκού περιβαλλοντικού οργανισμού. Σε γενικές γραμμές και οι δυο χάρτες κατάφεραν να διακρίνουν τους βασικούς βιοτόπους. Το γεγονός αυτό αποδεικνύει την ικανότητα της μεθόδου να εντοπίζει διαφορές στη βλάστηση ακόμη και σε μεγάλες χωρικές κλίμακες. <br /> <br /> <br /> <br /> [[category:Εκτίμηση βιοπικοιλότητας]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art3_img4.png 2021-02-27T19:54:44Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art3_img3.png 2021-02-27T19:54:24Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%88%CF%81%CE%B5%CF%85%CE%BD%CE%B1_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CF%84%CE%B9%CE%BA%CE%B5%CE%B9%CE%BC%CE%B5%CE%BD%CE%BF%CF%83%CF%84%CF%81%CE%B1%CF%86%CE%AE_%CE%BA%CE%B1%CF%84%CE%AC%CF%84%CE%BC%CE%B7%CF%83%CE%B7_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CF%80%CE%BF%CF%85_%CE%AD%CF%87%CE%BF%CF%85%CE%BD_%CF%85%CF%80%CE%BF%CF%83%CF%84%CE%B5%CE%AF_%CE%B6%CE%B7%CE%BC%CE%B9%CE%AC_%CE%B1%CF%80%CF%8C_%CF%83%CE%B5%CE%B9%CF%83%CE%BC%CF%8C 2021-02-27T19:51:03Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs_wiki_id_art10_img1.png| thumb| right | '''Εικόνα 1. Εικόνες QuickBird. Αριστερά: Πριν το σεισμό, Δεξιά: Μετά το σεισμό, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> [[Εικόνα:rs_wiki_id_art10_img2.png| thumb| right | '''Εικόνα 2. Κατάτμηση με τη συνδυασμένη μέθοδο, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> [[Εικόνα:rs_wiki_id_art10_img3.png| thumb| right | '''Εικόνα 3. Κατάτμηση στο λογισμικό e-cognition, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> <br /> '''Αντικείμενο μελέτης:''' Έρευνα για την αντικειμενοστραφή κατάτμηση κτιρίων που έχουν υποστεί ζημιά από σεισμό βασισμένη σε συνδυασμό τηλεπισκοπικών εικόνων πολλών χαρακτηριστικών<br /> <br /> '''Πρωτότυπος τίτλος:'''The Research of building Earthquake damage Object-Oriented Segmentation Based on multi Feature Combination with Remote Sensing Image<br /> <br /> '''Συγγραφείς:''' Zhao Yana, Cao De Sheng, Ren Hua Zhong<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S1877050919308464]<br /> <br /> '''Λέξεις κλειδιά:'''object oriented, κατάτμηση, segmentation, αντικειμενοστραφή κατάτμηση<br /> <br /> '''Περίληψη'''<br /> <br /> Στην παρούσα μελέτη, γίνεται προσπάθεια βελτίωσης της μεθόδου κατάτμησης εικόνας και των αντικειμένων που αναγνωρίζονται. Με τη χρήση του αλγόριθμου ‘FSAM’ (fast scanning algorithm) εισάγονται στο φάσμα της εικόνας χαρακτηριστικά υφής και σχήματος, ενώ με τη χρήση ασαφούς λογικής πραγματοποιείται επιβλεπόμενη εκπαίδευση δειγμάτων. Προκειμένου να αναλυθεί η αποτελεσματικότητα του αλγορίθμου χρησιμοποιείται ως παράδειγμα η περιοχή Bam στο Ιράν, μέρος που είχε υποστεί φυσική καταστροφή. Τα συμπεράσματα υποδεικνύουν πιο ακριβή αποτελέσματα κατάτμησης και οδηγούν σε βελτιωμένη μελλοντική ποιότητα κατατμήσεων.<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η έρευνα αποσκοπεί στην εύρεση λύσεων των παρόντων δυσκολιών που εμφανίζουν οι μέθοδοι κατάτμησης εικόνας όπως είναι ο χρονοβόρος ορισμός της παραμέτρου της κλίμακας, ο κρίσιμος ρόλος της εμπειρίας στο τελικό αποτέλεσμα κ. α. Για να γίνει αυτό η μελέτη επικεντρώνεται στην εφαρμογή μιας τεχνικής κατάτμησης με υψηλής ανάλυσης εικόνες, συνδυάζοντας τηλεπισκοπικά δεδομένα υψηλής ανάλυσης και αντικειμενοστραφή αναγνώριση με απώτερο σκοπό την αναγνώριση κτιρίων μετά από σεισμό.<br /> <br /> '''Περιοχή Μελέτης''' <br /> <br /> Η περιοχή μελέτης αφορά την πόλη BAM που βρίσκεται νοτιοανατολικά του Ιράν. Το Δεκέμβριο του 2003 χτυπήθηκε από σεισμό 6.6 ρίχτερ με αποτέλεσμα τα κτίρια στην αρχαίο κέντρο να καταστραφούν σε ποσοστό μεγαλύτερο του 80%.<br /> <br /> '''Τηλεπισκοπικά Δεδομένα'''<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν για την ανάλυση του φαινομένου πριν και μετά το σεισμό ήταν δορυφορικές εικόνες πολυφασματικές και παγχρωματικές QuickBird. Το μέγεθος των εικόνων ήταν 600 επί 500 pixel και η χωρική ακρίβεια 0.6 μέτρα.(εικόνα 1).<br /> <br /> '''Μεθοδολογία'''<br /> <br /> O σκοπός είναι η σύγκριση της υφιστάμενης μεθόδου κατάτμησης εικόνας με μία συνδυασμένη μέθοδο κατάτμησης εικόνων υψηλής ανάλυσης βασισμένη στη βελτιωμένη συνένωση περιοχών με τη χρήση ασαφούς λογικής στον υπολογισμό των παραμέτρων.<br /> Η αρχική κατάτμηση γίνεται με τον αλγόριθμο FSAM με βήμα 0.1 ώστε να προκύψει η αρχική συνένωση επακόλουθων περιοχών. Στη συνέχεια υπολογίζεται η φασματική ετερογένεια των αντικειμένων με βάση το παρακάτω μοντέλο:<br /> <br /> [[Εικόνα:rs_wiki_id_art10_img4.png|center |]]<br /> <br /> Ακολουθεί η μέτρηση της ετερογένειας σχήματος των αντικειμένων(hshape). Ο δείκτης αυτός δημιουργείται από τον υπολογισμό των δεικτών συμπαγότητας(hcompactness) και ομαλότητας(hsmoothness) βάζοντας τα κατάλληλα βάρη(ω) όπως φαίνεται παρακάτω:<br /> [[Εικόνα:rs_wiki_id_art10_img5.png|center |]]<br /> <br /> Ακολουθεί ο υπολογισμός της ετερογένειας της υφής των αντικειμένων(texture), ενώ προτείνεται και ένα βελτιωμένο τοπικό δυαδικό πρότυπο (local binary pattern) ως περιγραφέας χαρακτηριστικού υφής. Η μέτρηση της ολικής ετερογένειας γίνεται με βάση την παρακάτω εξίσωση:<br /> [[Εικόνα:rs_wiki_id_art10_img6.png|center |]]<br /> <br /> Η μέθοδος ασαφούς λογικής χρησιμοποιείται για την επιβλεπόμενη εκπαίδευση και ταξινόμηση της εικόνας που έχει κατατμηθεί.<br /> <br /> '''Αποτελέσματα-Συμπεράσματα'''<br /> <br /> Στις εικόνες 2 και 3 συγκρίνονται τα αποτελέσματα από την παραπάνω μέθοδο και την παραδοσιακή μέθοδο που πραγματοποιήθηκε στο λογισμικό e-cognition. Συνολικά φαίνεται πως η κατάτμηση έχει οδηγήσει σε ακριβή πληροφορία για την οριοθέτηση των κτιρίων και συμφωνεί με την υφιστάμενη κατάσταση. Με βάση την ποσοτική αξιολόγηση των αποτελεσμάτων κατάτμησης φαίνεται πως η μέθοδος που περιγράφεται στο παρόν καταλήγει σε πιο πιο συμπαγή αποτελέσματα σε σχέση με την παραδοσιακή μέθοδο.<br /> <br /> [[category:Σεισμοί]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art10_img6.png 2021-02-27T19:50:04Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art10_img5.png 2021-02-27T19:49:49Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%88%CF%81%CE%B5%CF%85%CE%BD%CE%B1_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CF%84%CE%B9%CE%BA%CE%B5%CE%B9%CE%BC%CE%B5%CE%BD%CE%BF%CF%83%CF%84%CF%81%CE%B1%CF%86%CE%AE_%CE%BA%CE%B1%CF%84%CE%AC%CF%84%CE%BC%CE%B7%CF%83%CE%B7_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CF%80%CE%BF%CF%85_%CE%AD%CF%87%CE%BF%CF%85%CE%BD_%CF%85%CF%80%CE%BF%CF%83%CF%84%CE%B5%CE%AF_%CE%B6%CE%B7%CE%BC%CE%B9%CE%AC_%CE%B1%CF%80%CF%8C_%CF%83%CE%B5%CE%B9%CF%83%CE%BC%CF%8C 2021-02-27T19:48:00Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs_wiki_id_art10_img1.png| thumb| right | '''Εικόνα 1. Εικόνες QuickBird. Αριστερά: Πριν το σεισμό, Δεξιά: Μετά το σεισμό, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> [[Εικόνα:rs_wiki_id_art10_img2.png| thumb| right | '''Εικόνα 2. Κατάτμηση με τη συνδυασμένη μέθοδο, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> [[Εικόνα:rs_wiki_id_art10_img3.png| thumb| right | '''Εικόνα 3. Κατάτμηση στο λογισμικό e-cognition, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> <br /> '''Αντικείμενο μελέτης:''' Έρευνα για την αντικειμενοστραφή κατάτμηση κτιρίων που έχουν υποστεί ζημιά από σεισμό βασισμένη σε συνδυασμό τηλεπισκοπικών εικόνων πολλών χαρακτηριστικών<br /> <br /> '''Πρωτότυπος τίτλος:'''The Research of building Earthquake damage Object-Oriented Segmentation Based on multi Feature Combination with Remote Sensing Image<br /> <br /> '''Συγγραφείς:''' Zhao Yana, Cao De Sheng, Ren Hua Zhong<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S1877050919308464]<br /> <br /> '''Λέξεις κλειδιά:'''object oriented, κατάτμηση, segmentation, αντικειμενοστραφή κατάτμηση<br /> <br /> '''Περίληψη'''<br /> <br /> Στην παρούσα μελέτη, γίνεται προσπάθεια βελτίωσης της μεθόδου κατάτμησης εικόνας και των αντικειμένων που αναγνωρίζονται. Με τη χρήση του αλγόριθμου ‘FSAM’ (fast scanning algorithm) εισάγονται στο φάσμα της εικόνας χαρακτηριστικά υφής και σχήματος, ενώ με τη χρήση ασαφούς λογικής πραγματοποιείται επιβλεπόμενη εκπαίδευση δειγμάτων. Προκειμένου να αναλυθεί η αποτελεσματικότητα του αλγορίθμου χρησιμοποιείται ως παράδειγμα η περιοχή Bam στο Ιράν, μέρος που είχε υποστεί φυσική καταστροφή. Τα συμπεράσματα υποδεικνύουν πιο ακριβή αποτελέσματα κατάτμησης και οδηγούν σε βελτιωμένη μελλοντική ποιότητα κατατμήσεων.<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η έρευνα αποσκοπεί στην εύρεση λύσεων των παρόντων δυσκολιών που εμφανίζουν οι μέθοδοι κατάτμησης εικόνας όπως είναι ο χρονοβόρος ορισμός της παραμέτρου της κλίμακας, ο κρίσιμος ρόλος της εμπειρίας στο τελικό αποτέλεσμα κ. α. Για να γίνει αυτό η μελέτη επικεντρώνεται στην εφαρμογή μιας τεχνικής κατάτμησης με υψηλής ανάλυσης εικόνες, συνδυάζοντας τηλεπισκοπικά δεδομένα υψηλής ανάλυσης και αντικειμενοστραφή αναγνώριση με απώτερο σκοπό την αναγνώριση κτιρίων μετά από σεισμό.<br /> <br /> '''Περιοχή Μελέτης''' <br /> <br /> Η περιοχή μελέτης αφορά την πόλη BAM που βρίσκεται νοτιοανατολικά του Ιράν. Το Δεκέμβριο του 2003 χτυπήθηκε από σεισμό 6.6 ρίχτερ με αποτέλεσμα τα κτίρια στην αρχαίο κέντρο να καταστραφούν σε ποσοστό μεγαλύτερο του 80%.<br /> <br /> '''Τηλεπισκοπικά Δεδομένα'''<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν για την ανάλυση του φαινομένου πριν και μετά το σεισμό ήταν δορυφορικές εικόνες πολυφασματικές και παγχρωματικές QuickBird. Το μέγεθος των εικόνων ήταν 600 επί 500 pixel και η χωρική ακρίβεια 0.6 μέτρα.(εικόνα 1).<br /> <br /> '''Μεθοδολογία'''<br /> <br /> O σκοπός είναι η σύγκριση της υφιστάμενης μεθόδου κατάτμησης εικόνας με μία συνδυασμένη μέθοδο κατάτμησης εικόνων υψηλής ανάλυσης βασισμένη στη βελτιωμένη συνένωση περιοχών με τη χρήση ασαφούς λογικής στον υπολογισμό των παραμέτρων.<br /> Η αρχική κατάτμηση γίνεται με τον αλγόριθμο FSAM με βήμα 0.1 ώστε να προκύψει η αρχική συνένωση επακόλουθων περιοχών. Στη συνέχεια υπολογίζεται η φασματική ετερογένεια των αντικειμένων με βάση το παρακάτω μοντέλο:<br /> <br /> [[Εικόνα:rs_wiki_id_art10_img4.png|center |]]<br /> Hspectral=Σ𝑩𝒃=𝟏σβ<br /> <br /> Ακολουθεί η μέτρηση της ετερογένειας σχήματος των αντικειμένων(hshape). Ο δείκτης αυτός δημιουργείται από τον υπολογισμό των δεικτών συμπαγότητας(hcompactness) και ομαλότητας(hsmoothness) βάζοντας τα κατάλληλα βάρη(ω) όπως φαίνεται παρακάτω:<br /> <br /> (hshape)= ωsmoothness* hsmoothness +ωcompactness* hcompactness<br /> <br /> Ακολουθεί ο υπολογισμός της ετερογένειας της υφής των αντικειμένων(texture), ενώ προτείνεται και ένα βελτιωμένο τοπικό δυαδικό πρότυπο (local binary pattern) ως περιγραφέας χαρακτηριστικού υφής. Η μέτρηση της ολικής ετερογένειας γίνεται με βάση την παρακάτω εξίσωση:<br /> <br /> h=ωcolor* hcolor + ωshape*hshape +ωtexture *htexture<br /> <br /> Η μέθοδος ασαφούς λογικής χρησιμοποιείται για την επιβλεπόμενη εκπαίδευση και ταξινόμηση της εικόνας που έχει κατατμηθεί.<br /> <br /> '''Αποτελέσματα-Συμπεράσματα'''<br /> <br /> Στις εικόνες 2 και 3 συγκρίνονται τα αποτελέσματα από την παραπάνω μέθοδο και την παραδοσιακή μέθοδο που πραγματοποιήθηκε στο λογισμικό e-cognition. Συνολικά φαίνεται πως η κατάτμηση έχει οδηγήσει σε ακριβή πληροφορία για την οριοθέτηση των κτιρίων και συμφωνεί με την υφιστάμενη κατάσταση. Με βάση την ποσοτική αξιολόγηση των αποτελεσμάτων κατάτμησης φαίνεται πως η μέθοδος που περιγράφεται στο παρόν καταλήγει σε πιο πιο συμπαγή αποτελέσματα σε σχέση με την παραδοσιακή μέθοδο.<br /> <br /> [[category:Σεισμοί]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art10_img4.png 2021-02-27T19:46:34Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%88%CF%81%CE%B5%CF%85%CE%BD%CE%B1_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CF%84%CE%B9%CE%BA%CE%B5%CE%B9%CE%BC%CE%B5%CE%BD%CE%BF%CF%83%CF%84%CF%81%CE%B1%CF%86%CE%AE_%CE%BA%CE%B1%CF%84%CE%AC%CF%84%CE%BC%CE%B7%CF%83%CE%B7_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CF%80%CE%BF%CF%85_%CE%AD%CF%87%CE%BF%CF%85%CE%BD_%CF%85%CF%80%CE%BF%CF%83%CF%84%CE%B5%CE%AF_%CE%B6%CE%B7%CE%BC%CE%B9%CE%AC_%CE%B1%CF%80%CF%8C_%CF%83%CE%B5%CE%B9%CF%83%CE%BC%CF%8C 2021-02-22T14:41:12Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs_wiki_id_art10_img1.png| thumb| right | '''Εικόνα 1. Εικόνες QuickBird. Αριστερά: Πριν το σεισμό, Δεξιά: Μετά το σεισμό, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> [[Εικόνα:rs_wiki_id_art10_img2.png| thumb| right | '''Εικόνα 2. Κατάτμηση με τη συνδυασμένη μέθοδο, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> [[Εικόνα:rs_wiki_id_art10_img3.png| thumb| right | '''Εικόνα 3. Κατάτμηση στο λογισμικό e-cognition, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> <br /> '''Αντικείμενο μελέτης:''' Έρευνα για την αντικειμενοστραφή κατάτμηση κτιρίων που έχουν υποστεί ζημιά από σεισμό βασισμένη σε συνδυασμό τηλεπισκοπικών εικόνων πολλών χαρακτηριστικών<br /> <br /> '''Πρωτότυπος τίτλος:'''The Research of building Earthquake damage Object-Oriented Segmentation Based on multi Feature Combination with Remote Sensing Image<br /> <br /> '''Συγγραφείς:''' Zhao Yana, Cao De Sheng, Ren Hua Zhong<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S1877050919308464]<br /> <br /> '''Λέξεις κλειδιά:'''object oriented, κατάτμηση, segmentation, αντικειμενοστραφή κατάτμηση<br /> <br /> '''Περίληψη'''<br /> <br /> Στην παρούσα μελέτη, γίνεται προσπάθεια βελτίωσης της μεθόδου κατάτμησης εικόνας και των αντικειμένων που αναγνωρίζονται. Με τη χρήση του αλγόριθμου ‘FSAM’ (fast scanning algorithm) εισάγονται στο φάσμα της εικόνας χαρακτηριστικά υφής και σχήματος, ενώ με τη χρήση ασαφούς λογικής πραγματοποιείται επιβλεπόμενη εκπαίδευση δειγμάτων. Προκειμένου να αναλυθεί η αποτελεσματικότητα του αλγορίθμου χρησιμοποιείται ως παράδειγμα η περιοχή Bam στο Ιράν, μέρος που είχε υποστεί φυσική καταστροφή. Τα συμπεράσματα υποδεικνύουν πιο ακριβή αποτελέσματα κατάτμησης και οδηγούν σε βελτιωμένη μελλοντική ποιότητα κατατμήσεων.<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η έρευνα αποσκοπεί στην εύρεση λύσεων των παρόντων δυσκολιών που εμφανίζουν οι μέθοδοι κατάτμησης εικόνας όπως είναι ο χρονοβόρος ορισμός της παραμέτρου της κλίμακας, ο κρίσιμος ρόλος της εμπειρίας στο τελικό αποτέλεσμα κ. α. Για να γίνει αυτό η μελέτη επικεντρώνεται στην εφαρμογή μιας τεχνικής κατάτμησης με υψηλής ανάλυσης εικόνες, συνδυάζοντας τηλεπισκοπικά δεδομένα υψηλής ανάλυσης και αντικειμενοστραφή αναγνώριση με απώτερο σκοπό την αναγνώριση κτιρίων μετά από σεισμό.<br /> <br /> '''Περιοχή Μελέτης''' <br /> <br /> Η περιοχή μελέτης αφορά την πόλη BAM που βρίσκεται νοτιοανατολικά του Ιράν. Το Δεκέμβριο του 2003 χτυπήθηκε από σεισμό 6.6 ρίχτερ με αποτέλεσμα τα κτίρια στην αρχαίο κέντρο να καταστραφούν σε ποσοστό μεγαλύτερο του 80%.<br /> <br /> '''Τηλεπισκοπικά Δεδομένα'''<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν για την ανάλυση του φαινομένου πριν και μετά το σεισμό ήταν δορυφορικές εικόνες πολυφασματικές και παγχρωματικές QuickBird. Το μέγεθος των εικόνων ήταν 600 επί 500 pixel και η χωρική ακρίβεια 0.6 μέτρα.(εικόνα 1).<br /> <br /> '''Μεθοδολογία'''<br /> <br /> O σκοπός είναι η σύγκριση της υφιστάμενης μεθόδου κατάτμησης εικόνας με μία συνδυασμένη μέθοδο κατάτμησης εικόνων υψηλής ανάλυσης βασισμένη στη βελτιωμένη συνένωση περιοχών με τη χρήση ασαφούς λογικής στον υπολογισμό των παραμέτρων.<br /> Η αρχική κατάτμηση γίνεται με τον αλγόριθμο FSAM με βήμα 0.1 ώστε να προκύψει η αρχική συνένωση επακόλουθων περιοχών. Στη συνέχεια υπολογίζεται η φασματική ετερογένεια των αντικειμένων με βάση το παρακάτω μοντέλο:<br /> <br /> Hspectral=Σ𝑩𝒃=𝟏σβ<br /> <br /> Ακολουθεί η μέτρηση της ετερογένειας σχήματος των αντικειμένων(hshape). Ο δείκτης αυτός δημιουργείται από τον υπολογισμό των δεικτών συμπαγότητας(hcompactness) και ομαλότητας(hsmoothness) βάζοντας τα κατάλληλα βάρη(ω) όπως φαίνεται παρακάτω:<br /> <br /> (hshape)= ωsmoothness* hsmoothness +ωcompactness* hcompactness<br /> <br /> Ακολουθεί ο υπολογισμός της ετερογένειας της υφής των αντικειμένων(texture), ενώ προτείνεται και ένα βελτιωμένο τοπικό δυαδικό πρότυπο (local binary pattern) ως περιγραφέας χαρακτηριστικού υφής. Η μέτρηση της ολικής ετερογένειας γίνεται με βάση την παρακάτω εξίσωση:<br /> <br /> h=ωcolor* hcolor + ωshape*hshape +ωtexture *htexture<br /> <br /> Η μέθοδος ασαφούς λογικής χρησιμοποιείται για την επιβλεπόμενη εκπαίδευση και ταξινόμηση της εικόνας που έχει κατατμηθεί.<br /> <br /> '''Αποτελέσματα-Συμπεράσματα'''<br /> <br /> Στις εικόνες 2 και 3 συγκρίνονται τα αποτελέσματα από την παραπάνω μέθοδο και την παραδοσιακή μέθοδο που πραγματοποιήθηκε στο λογισμικό e-cognition. Συνολικά φαίνεται πως η κατάτμηση έχει οδηγήσει σε ακριβή πληροφορία για την οριοθέτηση των κτιρίων και συμφωνεί με την υφιστάμενη κατάσταση. Με βάση την ποσοτική αξιολόγηση των αποτελεσμάτων κατάτμησης φαίνεται πως η μέθοδος που περιγράφεται στο παρόν καταλήγει σε πιο πιο συμπαγή αποτελέσματα σε σχέση με την παραδοσιακή μέθοδο.<br /> <br /> [[category:Σεισμοί]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%88%CF%81%CE%B5%CF%85%CE%BD%CE%B1_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CF%84%CE%B9%CE%BA%CE%B5%CE%B9%CE%BC%CE%B5%CE%BD%CE%BF%CF%83%CF%84%CF%81%CE%B1%CF%86%CE%AE_%CE%BA%CE%B1%CF%84%CE%AC%CF%84%CE%BC%CE%B7%CF%83%CE%B7_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CF%80%CE%BF%CF%85_%CE%AD%CF%87%CE%BF%CF%85%CE%BD_%CF%85%CF%80%CE%BF%CF%83%CF%84%CE%B5%CE%AF_%CE%B6%CE%B7%CE%BC%CE%B9%CE%AC_%CE%B1%CF%80%CF%8C_%CF%83%CE%B5%CE%B9%CF%83%CE%BC%CF%8C 2021-02-22T14:40:17Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs_wiki_id_art10_img1.png| right | '''Εικόνα 1. Εικόνες QuickBird. Αριστερά: Πριν το σεισμό, Δεξιά: Μετά το σεισμό, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> [[Εικόνα:rs_wiki_id_art10_img2.png| right | '''Εικόνα 2. Κατάτμηση με τη συνδυασμένη μέθοδο, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> [[Εικόνα:rs_wiki_id_art10_img3.png| right | '''Εικόνα 3. Κατάτμηση στο λογισμικό e-cognition, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> <br /> '''Αντικείμενο μελέτης:''' Έρευνα για την αντικειμενοστραφή κατάτμηση κτιρίων που έχουν υποστεί ζημιά από σεισμό βασισμένη σε συνδυασμό τηλεπισκοπικών εικόνων πολλών χαρακτηριστικών<br /> <br /> '''Πρωτότυπος τίτλος:'''The Research of building Earthquake damage Object-Oriented Segmentation Based on multi Feature Combination with Remote Sensing Image<br /> <br /> '''Συγγραφείς:''' Zhao Yana, Cao De Sheng, Ren Hua Zhong<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S1877050919308464]<br /> <br /> '''Λέξεις κλειδιά:'''object oriented, κατάτμηση, segmentation, αντικειμενοστραφή κατάτμηση<br /> <br /> '''Περίληψη'''<br /> <br /> Στην παρούσα μελέτη, γίνεται προσπάθεια βελτίωσης της μεθόδου κατάτμησης εικόνας και των αντικειμένων που αναγνωρίζονται. Με τη χρήση του αλγόριθμου ‘FSAM’ (fast scanning algorithm) εισάγονται στο φάσμα της εικόνας χαρακτηριστικά υφής και σχήματος, ενώ με τη χρήση ασαφούς λογικής πραγματοποιείται επιβλεπόμενη εκπαίδευση δειγμάτων. Προκειμένου να αναλυθεί η αποτελεσματικότητα του αλγορίθμου χρησιμοποιείται ως παράδειγμα η περιοχή Bam στο Ιράν, μέρος που είχε υποστεί φυσική καταστροφή. Τα συμπεράσματα υποδεικνύουν πιο ακριβή αποτελέσματα κατάτμησης και οδηγούν σε βελτιωμένη μελλοντική ποιότητα κατατμήσεων.<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η έρευνα αποσκοπεί στην εύρεση λύσεων των παρόντων δυσκολιών που εμφανίζουν οι μέθοδοι κατάτμησης εικόνας όπως είναι ο χρονοβόρος ορισμός της παραμέτρου της κλίμακας, ο κρίσιμος ρόλος της εμπειρίας στο τελικό αποτέλεσμα κ. α. Για να γίνει αυτό η μελέτη επικεντρώνεται στην εφαρμογή μιας τεχνικής κατάτμησης με υψηλής ανάλυσης εικόνες, συνδυάζοντας τηλεπισκοπικά δεδομένα υψηλής ανάλυσης και αντικειμενοστραφή αναγνώριση με απώτερο σκοπό την αναγνώριση κτιρίων μετά από σεισμό.<br /> <br /> '''Περιοχή Μελέτης''' <br /> <br /> Η περιοχή μελέτης αφορά την πόλη BAM που βρίσκεται νοτιοανατολικά του Ιράν. Το Δεκέμβριο του 2003 χτυπήθηκε από σεισμό 6.6 ρίχτερ με αποτέλεσμα τα κτίρια στην αρχαίο κέντρο να καταστραφούν σε ποσοστό μεγαλύτερο του 80%.<br /> <br /> '''Τηλεπισκοπικά Δεδομένα'''<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν για την ανάλυση του φαινομένου πριν και μετά το σεισμό ήταν δορυφορικές εικόνες πολυφασματικές και παγχρωματικές QuickBird. Το μέγεθος των εικόνων ήταν 600 επί 500 pixel και η χωρική ακρίβεια 0.6 μέτρα.(εικόνα 1).<br /> <br /> '''Μεθοδολογία'''<br /> <br /> O σκοπός είναι η σύγκριση της υφιστάμενης μεθόδου κατάτμησης εικόνας με μία συνδυασμένη μέθοδο κατάτμησης εικόνων υψηλής ανάλυσης βασισμένη στη βελτιωμένη συνένωση περιοχών με τη χρήση ασαφούς λογικής στον υπολογισμό των παραμέτρων.<br /> Η αρχική κατάτμηση γίνεται με τον αλγόριθμο FSAM με βήμα 0.1 ώστε να προκύψει η αρχική συνένωση επακόλουθων περιοχών. Στη συνέχεια υπολογίζεται η φασματική ετερογένεια των αντικειμένων με βάση το παρακάτω μοντέλο:<br /> <br /> Hspectral=Σ𝑩𝒃=𝟏σβ<br /> <br /> Ακολουθεί η μέτρηση της ετερογένειας σχήματος των αντικειμένων(hshape). Ο δείκτης αυτός δημιουργείται από τον υπολογισμό των δεικτών συμπαγότητας(hcompactness) και ομαλότητας(hsmoothness) βάζοντας τα κατάλληλα βάρη(ω) όπως φαίνεται παρακάτω:<br /> <br /> (hshape)= ωsmoothness* hsmoothness +ωcompactness* hcompactness<br /> <br /> Ακολουθεί ο υπολογισμός της ετερογένειας της υφής των αντικειμένων(texture), ενώ προτείνεται και ένα βελτιωμένο τοπικό δυαδικό πρότυπο (local binary pattern) ως περιγραφέας χαρακτηριστικού υφής. Η μέτρηση της ολικής ετερογένειας γίνεται με βάση την παρακάτω εξίσωση:<br /> <br /> h=ωcolor* hcolor + ωshape*hshape +ωtexture *htexture<br /> <br /> Η μέθοδος ασαφούς λογικής χρησιμοποιείται για την επιβλεπόμενη εκπαίδευση και ταξινόμηση της εικόνας που έχει κατατμηθεί.<br /> <br /> '''Αποτελέσματα-Συμπεράσματα'''<br /> <br /> Στις εικόνες 2 και 3 συγκρίνονται τα αποτελέσματα από την παραπάνω μέθοδο και την παραδοσιακή μέθοδο που πραγματοποιήθηκε στο λογισμικό e-cognition. Συνολικά φαίνεται πως η κατάτμηση έχει οδηγήσει σε ακριβή πληροφορία για την οριοθέτηση των κτιρίων και συμφωνεί με την υφιστάμενη κατάσταση. Με βάση την ποσοτική αξιολόγηση των αποτελεσμάτων κατάτμησης φαίνεται πως η μέθοδος που περιγράφεται στο παρόν καταλήγει σε πιο πιο συμπαγή αποτελέσματα σε σχέση με την παραδοσιακή μέθοδο.<br /> <br /> [[category:Σεισμοί]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%88%CF%81%CE%B5%CF%85%CE%BD%CE%B1_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CF%84%CE%B9%CE%BA%CE%B5%CE%B9%CE%BC%CE%B5%CE%BD%CE%BF%CF%83%CF%84%CF%81%CE%B1%CF%86%CE%AE_%CE%BA%CE%B1%CF%84%CE%AC%CF%84%CE%BC%CE%B7%CF%83%CE%B7_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CF%80%CE%BF%CF%85_%CE%AD%CF%87%CE%BF%CF%85%CE%BD_%CF%85%CF%80%CE%BF%CF%83%CF%84%CE%B5%CE%AF_%CE%B6%CE%B7%CE%BC%CE%B9%CE%AC_%CE%B1%CF%80%CF%8C_%CF%83%CE%B5%CE%B9%CF%83%CE%BC%CF%8C 2021-02-22T14:39:15Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs_wiki_id_art10_img1.png| right | '''Εικόνα 1. Εικόνες QuickBird. Αριστερά: Πριν το σεισμό, Δεξιά: Μετά το σεισμό, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> [[Εικόνα:rs_wiki_id_art10_img2.png| right | '''Εικόνα 2. Κατάτμηση με τη συνδυασμένη μέθοδο, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> [[Εικόνα:rs_wiki_id_art10_img3.png| right | '''Εικόνα 3. Κατάτμηση στο λογισμικό e-cognition, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> <br /> '''Αντικείμενο μελέτης:''' Έρευνα για την αντικειμενοστραφή κατάτμηση κτιρίων που έχουν υποστεί ζημιά από σεισμό βασισμένη σε συνδυασμό τηλεπισκοπικών εικόνων πολλών χαρακτηριστικών<br /> <br /> '''Πρωτότυπος τίτλος:'''The Research of building Earthquake damage Object-Oriented Segmentation Based on multi Feature Combination with Remote Sensing Image<br /> <br /> '''Συγγραφείς:''' Zhao Yana, Cao De Sheng, Ren Hua Zhong<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S1877050919308464]<br /> <br /> '''Λέξεις κλειδιά:'''object oriented, κατάτμηση, segmentation, αντικειμενοστραφή κατάτμηση<br /> <br /> '''Περίληψη'''<br /> <br /> Στην παρούσα μελέτη, γίνεται προσπάθεια βελτίωσης της μεθόδου κατάτμησης εικόνας και των αντικειμένων που αναγνωρίζονται. Με τη χρήση του αλγόριθμου ‘FSAM’ (fast scanning algorithm) εισάγονται στο φάσμα της εικόνας χαρακτηριστικά υφής και σχήματος, ενώ με τη χρήση ασαφούς λογικής πραγματοποιείται επιβλεπόμενη εκπαίδευση δειγμάτων. Προκειμένου να αναλυθεί η αποτελεσματικότητα του αλγορίθμου χρησιμοποιείται ως παράδειγμα η περιοχή Bam στο Ιράν, μέρος που είχε υποστεί φυσική καταστροφή. Τα συμπεράσματα υποδεικνύουν πιο ακριβή αποτελέσματα κατάτμησης και οδηγούν σε βελτιωμένη μελλοντική ποιότητα κατατμήσεων.<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η έρευνα αποσκοπεί στην εύρεση λύσεων των παρόντων δυσκολιών που εμφανίζουν οι μέθοδοι κατάτμησης εικόνας όπως είναι ο χρονοβόρος ορισμός της παραμέτρου της κλίμακας, ο κρίσιμος ρόλος της εμπειρίας στο τελικό αποτέλεσμα κ. α. Για να γίνει αυτό η μελέτη επικεντρώνεται στην εφαρμογή μιας τεχνικής κατάτμησης με υψηλής ανάλυσης εικόνες, συνδυάζοντας τηλεπισκοπικά δεδομένα υψηλής ανάλυσης και αντικειμενοστραφή αναγνώριση με απώτερο σκοπό την αναγνώριση κτιρίων μετά από σεισμό.<br /> <br /> '''Περιοχή Μελέτης''' <br /> <br /> Η περιοχή μελέτης αφορά την πόλη BAM που βρίσκεται νοτιοανατολικά του Ιράν. Το Δεκέμβριο του 2003 χτυπήθηκε από σεισμό 6.6 ρίχτερ με αποτέλεσμα τα κτίρια στην αρχαίο κέντρο να καταστραφούν σε ποσοστό μεγαλύτερο του 80%.<br /> <br /> '''Τηλεπισκοπικά Δεδομένα'''<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν για την ανάλυση του φαινομένου πριν και μετά το σεισμό ήταν δορυφορικές εικόνες πολυφασματικές και παγχρωματικές QuickBird. Το μέγεθος των εικόνων ήταν 600 επί 500 pixel και η χωρική ακρίβεια 0.6 μέτρα.(εικόνα 1).<br /> [[Εικόνα:rs_wiki_id_art10_img1.png| center | '''Εικόνα 1. Εικόνες QuickBird. Αριστερά: Πριν το σεισμό, Δεξιά: Μετά το σεισμό, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> <br /> '''Μεθοδολογία'''<br /> <br /> O σκοπός είναι η σύγκριση της υφιστάμενης μεθόδου κατάτμησης εικόνας με μία συνδυασμένη μέθοδο κατάτμησης εικόνων υψηλής ανάλυσης βασισμένη στη βελτιωμένη συνένωση περιοχών με τη χρήση ασαφούς λογικής στον υπολογισμό των παραμέτρων.<br /> Η αρχική κατάτμηση γίνεται με τον αλγόριθμο FSAM με βήμα 0.1 ώστε να προκύψει η αρχική συνένωση επακόλουθων περιοχών. Στη συνέχεια υπολογίζεται η φασματική ετερογένεια των αντικειμένων με βάση το παρακάτω μοντέλο:<br /> <br /> Hspectral=Σ𝑩𝒃=𝟏σβ<br /> <br /> Ακολουθεί η μέτρηση της ετερογένειας σχήματος των αντικειμένων(hshape). Ο δείκτης αυτός δημιουργείται από τον υπολογισμό των δεικτών συμπαγότητας(hcompactness) και ομαλότητας(hsmoothness) βάζοντας τα κατάλληλα βάρη(ω) όπως φαίνεται παρακάτω:<br /> <br /> (hshape)= ωsmoothness* hsmoothness +ωcompactness* hcompactness<br /> <br /> Ακολουθεί ο υπολογισμός της ετερογένειας της υφής των αντικειμένων(texture), ενώ προτείνεται και ένα βελτιωμένο τοπικό δυαδικό πρότυπο (local binary pattern) ως περιγραφέας χαρακτηριστικού υφής. Η μέτρηση της ολικής ετερογένειας γίνεται με βάση την παρακάτω εξίσωση:<br /> <br /> h=ωcolor* hcolor + ωshape*hshape +ωtexture *htexture<br /> <br /> Η μέθοδος ασαφούς λογικής χρησιμοποιείται για την επιβλεπόμενη εκπαίδευση και ταξινόμηση της εικόνας που έχει κατατμηθεί.<br /> <br /> '''Αποτελέσματα-Συμπεράσματα'''<br /> <br /> Στις εικόνες 2 και 3 συγκρίνονται τα αποτελέσματα από την παραπάνω μέθοδο και την παραδοσιακή μέθοδο που πραγματοποιήθηκε στο λογισμικό e-cognition. Συνολικά φαίνεται πως η κατάτμηση έχει οδηγήσει σε ακριβή πληροφορία για την οριοθέτηση των κτιρίων και συμφωνεί με την υφιστάμενη κατάσταση. Με βάση την ποσοτική αξιολόγηση των αποτελεσμάτων κατάτμησης φαίνεται πως η μέθοδος που περιγράφεται στο παρόν καταλήγει σε πιο πιο συμπαγή αποτελέσματα σε σχέση με την παραδοσιακή μέθοδο.<br /> <br /> [[category:Σεισμοί]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%88%CF%81%CE%B5%CF%85%CE%BD%CE%B1_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CF%84%CE%B9%CE%BA%CE%B5%CE%B9%CE%BC%CE%B5%CE%BD%CE%BF%CF%83%CF%84%CF%81%CE%B1%CF%86%CE%AE_%CE%BA%CE%B1%CF%84%CE%AC%CF%84%CE%BC%CE%B7%CF%83%CE%B7_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CF%80%CE%BF%CF%85_%CE%AD%CF%87%CE%BF%CF%85%CE%BD_%CF%85%CF%80%CE%BF%CF%83%CF%84%CE%B5%CE%AF_%CE%B6%CE%B7%CE%BC%CE%B9%CE%AC_%CE%B1%CF%80%CF%8C_%CF%83%CE%B5%CE%B9%CF%83%CE%BC%CF%8C 2021-02-22T14:30:55Z

<p>Ioanna dramitinou: </p> <hr /> <div>'''Αντικείμενο μελέτης:''' Έρευνα για την αντικειμενοστραφή κατάτμηση κτιρίων που έχουν υποστεί ζημιά από σεισμό βασισμένη σε συνδυασμό τηλεπισκοπικών εικόνων πολλών χαρακτηριστικών<br /> <br /> '''Πρωτότυπος τίτλος:'''The Research of building Earthquake damage Object-Oriented Segmentation Based on multi Feature Combination with Remote Sensing Image<br /> <br /> '''Συγγραφείς:''' Zhao Yana, Cao De Sheng, Ren Hua Zhong<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S1877050919308464]<br /> <br /> '''Λέξεις κλειδιά:'''object oriented, κατάτμηση, segmentation, αντικειμενοστραφή κατάτμηση<br /> <br /> '''Περίληψη'''<br /> <br /> Στην παρούσα μελέτη, γίνεται προσπάθεια βελτίωσης της μεθόδου κατάτμησης εικόνας και των αντικειμένων που αναγνωρίζονται. Με τη χρήση του αλγόριθμου ‘FSAM’ (fast scanning algorithm) εισάγονται στο φάσμα της εικόνας χαρακτηριστικά υφής και σχήματος, ενώ με τη χρήση ασαφούς λογικής πραγματοποιείται επιβλεπόμενη εκπαίδευση δειγμάτων. Προκειμένου να αναλυθεί η αποτελεσματικότητα του αλγορίθμου χρησιμοποιείται ως παράδειγμα η περιοχή Bam στο Ιράν, μέρος που είχε υποστεί φυσική καταστροφή. Τα συμπεράσματα υποδεικνύουν πιο ακριβή αποτελέσματα κατάτμησης και οδηγούν σε βελτιωμένη μελλοντική ποιότητα κατατμήσεων.<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η έρευνα αποσκοπεί στην εύρεση λύσεων των παρόντων δυσκολιών που εμφανίζουν οι μέθοδοι κατάτμησης εικόνας όπως είναι ο χρονοβόρος ορισμός της παραμέτρου της κλίμακας, ο κρίσιμος ρόλος της εμπειρίας στο τελικό αποτέλεσμα κ. α. Για να γίνει αυτό η μελέτη επικεντρώνεται στην εφαρμογή μιας τεχνικής κατάτμησης με υψηλής ανάλυσης εικόνες, συνδυάζοντας τηλεπισκοπικά δεδομένα υψηλής ανάλυσης και αντικειμενοστραφή αναγνώριση με απώτερο σκοπό την αναγνώριση κτιρίων μετά από σεισμό.<br /> <br /> '''Περιοχή Μελέτης''' <br /> <br /> Η περιοχή μελέτης αφορά την πόλη BAM που βρίσκεται νοτιοανατολικά του Ιράν. Το Δεκέμβριο του 2003 χτυπήθηκε από σεισμό 6.6 ρίχτερ με αποτέλεσμα τα κτίρια στην αρχαίο κέντρο να καταστραφούν σε ποσοστό μεγαλύτερο του 80%.<br /> <br /> '''Τηλεπισκοπικά Δεδομένα'''<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν για την ανάλυση του φαινομένου πριν και μετά το σεισμό ήταν δορυφορικές εικόνες πολυφασματικές και παγχρωματικές QuickBird. Το μέγεθος των εικόνων ήταν 600 επί 500 pixel και η χωρική ακρίβεια 0.6 μέτρα.(εικόνα 1).<br /> [[Εικόνα:rs_wiki_id_art10_img1.png| center | '''Εικόνα 1. Εικόνες QuickBird. Αριστερά: Πριν το σεισμό, Δεξιά: Μετά το σεισμό, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> <br /> '''Μεθοδολογία'''<br /> <br /> O σκοπός είναι η σύγκριση της υφιστάμενης μεθόδου κατάτμησης εικόνας με μία συνδυασμένη μέθοδο κατάτμησης εικόνων υψηλής ανάλυσης βασισμένη στη βελτιωμένη συνένωση περιοχών με τη χρήση ασαφούς λογικής στον υπολογισμό των παραμέτρων.<br /> Η αρχική κατάτμηση γίνεται με τον αλγόριθμο FSAM με βήμα 0.1 ώστε να προκύψει η αρχική συνένωση επακόλουθων περιοχών. Στη συνέχεια υπολογίζεται η φασματική ετερογένεια των αντικειμένων με βάση το παρακάτω μοντέλο:<br /> <br /> Hspectral=Σ𝑩𝒃=𝟏σβ<br /> <br /> Ακολουθεί η μέτρηση της ετερογένειας σχήματος των αντικειμένων(hshape). Ο δείκτης αυτός δημιουργείται από τον υπολογισμό των δεικτών συμπαγότητας(hcompactness) και ομαλότητας(hsmoothness) βάζοντας τα κατάλληλα βάρη(ω) όπως φαίνεται παρακάτω:<br /> <br /> (hshape)= ωsmoothness* hsmoothness +ωcompactness* hcompactness<br /> <br /> Ακολουθεί ο υπολογισμός της ετερογένειας της υφής των αντικειμένων(texture), ενώ προτείνεται και ένα βελτιωμένο τοπικό δυαδικό πρότυπο (local binary pattern) ως περιγραφέας χαρακτηριστικού υφής. Η μέτρηση της ολικής ετερογένειας γίνεται με βάση την παρακάτω εξίσωση:<br /> <br /> h=ωcolor* hcolor + ωshape*hshape +ωtexture *htexture<br /> <br /> Η μέθοδος ασαφούς λογικής χρησιμοποιείται για την επιβλεπόμενη εκπαίδευση και ταξινόμηση της εικόνας που έχει κατατμηθεί.<br /> <br /> '''Αποτελέσματα-Συμπεράσματα'''<br /> <br /> Στις εικόνες 2 και 3 συγκρίνονται τα αποτελέσματα από την παραπάνω μέθοδο και την παραδοσιακή μέθοδο που πραγματοποιήθηκε στο λογισμικό e-cognition. Συνολικά φαίνεται πως η κατάτμηση έχει οδηγήσει σε ακριβή πληροφορία για την οριοθέτηση των κτιρίων και συμφωνεί με την υφιστάμενη κατάσταση. Με βάση την ποσοτική αξιολόγηση των αποτελεσμάτων κατάτμησης φαίνεται πως η μέθοδος που περιγράφεται στο παρόν καταλήγει σε πιο πιο συμπαγή αποτελέσματα σε σχέση με την παραδοσιακή μέθοδο.<br /> <br /> [[category:Σεισμοί]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%88%CF%81%CE%B5%CF%85%CE%BD%CE%B1_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CF%84%CE%B9%CE%BA%CE%B5%CE%B9%CE%BC%CE%B5%CE%BD%CE%BF%CF%83%CF%84%CF%81%CE%B1%CF%86%CE%AE_%CE%BA%CE%B1%CF%84%CE%AC%CF%84%CE%BC%CE%B7%CF%83%CE%B7_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CF%80%CE%BF%CF%85_%CE%AD%CF%87%CE%BF%CF%85%CE%BD_%CF%85%CF%80%CE%BF%CF%83%CF%84%CE%B5%CE%AF_%CE%B6%CE%B7%CE%BC%CE%B9%CE%AC_%CE%B1%CF%80%CF%8C_%CF%83%CE%B5%CE%B9%CF%83%CE%BC%CF%8C 2021-02-22T14:30:24Z

<p>Ioanna dramitinou: </p> <hr /> <div><br /> '''Αντικείμενο μελέτης:''' Έρευνα για την αντικειμενοστραφή κατάτμηση κτιρίων που έχουν υποστεί ζημιά από σεισμό βασισμένη σε συνδυασμό τηλεπισκοπικών εικόνων πολλών χαρακτηριστικών<br /> <br /> '''Πρωτότυπος τίτλος:'''The Research of building Earthquake damage Object-Oriented Segmentation Based on multi Feature Combination with Remote Sensing Image<br /> <br /> '''Συγγραφείς:''' Zhao Yana, Cao De Sheng, Ren Hua Zhong<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S1877050919308464]<br /> <br /> '''Λέξεις κλειδιά:'''object oriented, κατάτμηση, segmentation, αντικειμενοστραφή κατάτμηση<br /> <br /> '''Περίληψη'''<br /> <br /> Στην παρούσα μελέτη, γίνεται προσπάθεια βελτίωσης της μεθόδου κατάτμησης εικόνας και των αντικειμένων που αναγνωρίζονται. Με τη χρήση του αλγόριθμου ‘FSAM’ (fast scanning algorithm) εισάγονται στο φάσμα της εικόνας χαρακτηριστικά υφής και σχήματος, ενώ με τη χρήση ασαφούς λογικής πραγματοποιείται επιβλεπόμενη εκπαίδευση δειγμάτων. Προκειμένου να αναλυθεί η αποτελεσματικότητα του αλγορίθμου χρησιμοποιείται ως παράδειγμα η περιοχή Bam στο Ιράν, μέρος που είχε υποστεί φυσική καταστροφή. Τα συμπεράσματα υποδεικνύουν πιο ακριβή αποτελέσματα κατάτμησης και οδηγούν σε βελτιωμένη μελλοντική ποιότητα κατατμήσεων.<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η έρευνα αποσκοπεί στην εύρεση λύσεων των παρόντων δυσκολιών που εμφανίζουν οι μέθοδοι κατάτμησης εικόνας όπως είναι ο χρονοβόρος ορισμός της παραμέτρου της κλίμακας, ο κρίσιμος ρόλος της εμπειρίας στο τελικό αποτέλεσμα κ. α. Για να γίνει αυτό η μελέτη επικεντρώνεται στην εφαρμογή μιας τεχνικής κατάτμησης με υψηλής ανάλυσης εικόνες, συνδυάζοντας τηλεπισκοπικά δεδομένα υψηλής ανάλυσης και αντικειμενοστραφή αναγνώριση με απώτερο σκοπό την αναγνώριση κτιρίων μετά από σεισμό.<br /> <br /> '''Περιοχή Μελέτης''' <br /> <br /> Η περιοχή μελέτης αφορά την πόλη BAM που βρίσκεται νοτιοανατολικά του Ιράν. Το Δεκέμβριο του 2003 χτυπήθηκε από σεισμό 6.6 ρίχτερ με αποτέλεσμα τα κτίρια στην αρχαίο κέντρο να καταστραφούν σε ποσοστό μεγαλύτερο του 80%.<br /> <br /> '''Τηλεπισκοπικά Δεδομένα'''<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν για την ανάλυση του φαινομένου πριν και μετά το σεισμό ήταν δορυφορικές εικόνες πολυφασματικές και παγχρωματικές QuickBird. Το μέγεθος των εικόνων ήταν 600 επί 500 pixel και η χωρική ακρίβεια 0.6 μέτρα.(εικόνα 1).<br /> [[Εικόνα:rs_wiki_id_art10_img1.png| thumb | center | '''Εικόνα 1. Εικόνες QuickBird. Αριστερά: Πριν το σεισμό, Δεξιά: Μετά το σεισμό, Πηγή:'''[https://www.sciencedirect.com/science/article/pii/S1877050919308464]]]<br /> <br /> '''Μεθοδολογία'''<br /> <br /> O σκοπός είναι η σύγκριση της υφιστάμενης μεθόδου κατάτμησης εικόνας με μία συνδυασμένη μέθοδο κατάτμησης εικόνων υψηλής ανάλυσης βασισμένη στη βελτιωμένη συνένωση περιοχών με τη χρήση ασαφούς λογικής στον υπολογισμό των παραμέτρων.<br /> Η αρχική κατάτμηση γίνεται με τον αλγόριθμο FSAM με βήμα 0.1 ώστε να προκύψει η αρχική συνένωση επακόλουθων περιοχών. Στη συνέχεια υπολογίζεται η φασματική ετερογένεια των αντικειμένων με βάση το παρακάτω μοντέλο:<br /> <br /> Hspectral=Σ𝑩𝒃=𝟏σβ<br /> <br /> Ακολουθεί η μέτρηση της ετερογένειας σχήματος των αντικειμένων(hshape). Ο δείκτης αυτός δημιουργείται από τον υπολογισμό των δεικτών συμπαγότητας(hcompactness) και ομαλότητας(hsmoothness) βάζοντας τα κατάλληλα βάρη(ω) όπως φαίνεται παρακάτω:<br /> <br /> (hshape)= ωsmoothness* hsmoothness +ωcompactness* hcompactness<br /> <br /> Ακολουθεί ο υπολογισμός της ετερογένειας της υφής των αντικειμένων(texture), ενώ προτείνεται και ένα βελτιωμένο τοπικό δυαδικό πρότυπο (local binary pattern) ως περιγραφέας χαρακτηριστικού υφής. Η μέτρηση της ολικής ετερογένειας γίνεται με βάση την παρακάτω εξίσωση:<br /> <br /> h=ωcolor* hcolor + ωshape*hshape +ωtexture *htexture<br /> <br /> Η μέθοδος ασαφούς λογικής χρησιμοποιείται για την επιβλεπόμενη εκπαίδευση και ταξινόμηση της εικόνας που έχει κατατμηθεί.<br /> <br /> '''Αποτελέσματα-Συμπεράσματα'''<br /> <br /> Στις εικόνες 2 και 3 συγκρίνονται τα αποτελέσματα από την παραπάνω μέθοδο και την παραδοσιακή μέθοδο που πραγματοποιήθηκε στο λογισμικό e-cognition. Συνολικά φαίνεται πως η κατάτμηση έχει οδηγήσει σε ακριβή πληροφορία για την οριοθέτηση των κτιρίων και συμφωνεί με την υφιστάμενη κατάσταση. Με βάση την ποσοτική αξιολόγηση των αποτελεσμάτων κατάτμησης φαίνεται πως η μέθοδος που περιγράφεται στο παρόν καταλήγει σε πιο πιο συμπαγή αποτελέσματα σε σχέση με την παραδοσιακή μέθοδο.<br /> <br /> [[category:Σεισμοί]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art10_img3.png 2021-02-22T14:20:04Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art10_img2.png 2021-02-22T14:19:51Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art10_img1.png 2021-02-22T14:19:36Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%88%CF%81%CE%B5%CF%85%CE%BD%CE%B1_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CF%84%CE%B9%CE%BA%CE%B5%CE%B9%CE%BC%CE%B5%CE%BD%CE%BF%CF%83%CF%84%CF%81%CE%B1%CF%86%CE%AE_%CE%BA%CE%B1%CF%84%CE%AC%CF%84%CE%BC%CE%B7%CF%83%CE%B7_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CF%80%CE%BF%CF%85_%CE%AD%CF%87%CE%BF%CF%85%CE%BD_%CF%85%CF%80%CE%BF%CF%83%CF%84%CE%B5%CE%AF_%CE%B6%CE%B7%CE%BC%CE%B9%CE%AC_%CE%B1%CF%80%CF%8C_%CF%83%CE%B5%CE%B9%CF%83%CE%BC%CF%8C 2021-02-22T13:59:20Z

<p>Ioanna dramitinou: Νέα σελίδα με 'Αντικείμενο μελέτης: Έρευνα για την αντικειμενοστραφή κατάτμηση κτιρίων που έχουν υποστεί ζ...'</p> <hr /> <div>Αντικείμενο μελέτης: Έρευνα για την αντικειμενοστραφή κατάτμηση κτιρίων που έχουν υποστεί ζημιά από σεισμό βασισμένη σε συνδυασμό τηλεπισκοπικών εικόνων πολλών χαρακτηριστικών<br /> Πρωτότυπος τίτλος:The Research of building Earthquake damage Object-Oriented Segmentation Based on multi Feature Combination with Remote Sensing Image<br /> Συγγραφείς: Zhao Yana, Cao De Sheng, Ren Hua Zhong<br /> Πηγή: https://www.sciencedirect.com/science/article/pii/S1877050919308464<br /> Λέξεις κλειδιά:object oriented, κατάτμηση, segmentation, αντικειμενοστραφή κατάτμηση<br /> Περίληψη: Στην παρούσα μελέτη, γίνεται προσπάθεια βελτίωσης της μεθόδου κατάτμησης εικόνας και των αντικειμένων που αναγνωρίζονται. Με τη χρήση του αλγόριθμου ‘FSAM’ (fast scanning algorithm) εισάγονται στο φάσμα της εικόνας χαρακτηριστικά υφής και σχήματος, ενώ με τη χρήση ασαφούς λογικής πραγματοποιείται επιβλεπόμενη εκπαίδευση δειγμάτων. Προκειμένου να αναλυθεί η αποτελεσματικότητα του αλγορίθμου χρησιμοποιείται ως παράδειγμα η περιοχή Bam στο Ιράν, μέρος που είχε υποστεί φυσική καταστροφή. Τα συμπεράσματα υποδεικνύουν πιο ακριβή αποτελέσματα κατάτμησης και οδηγούν σε βελτιωμένη μελλοντική ποιότητα κατατμήσεων.<br /> Εισαγωγή: Η έρευνα αποσκοπεί στην εύρεση λύσεων των παρόντων δυσκολιών που εμφανίζουν οι μέθοδοι κατάτμησης εικόνας όπως είναι ο χρονοβόρος ορισμός της παραμέτρου της κλίμακας, ο κρίσιμος ρόλος της εμπειρίας στο τελικό αποτέλεσμα κ. α. Για να γίνει αυτό η μελέτη επικεντρώνεται στην εφαρμογή μιας τεχνικής κατάτμησης με υψηλής ανάλυσης εικόνες, συνδυάζοντας τηλεπισκοπικά δεδομένα υψηλής ανάλυσης και αντικειμενοστραφή αναγνώριση με απώτερο σκοπό την αναγνώριση κτιρίων μετά από σεισμό.<br /> Περιοχή Μελέτης: Η περιοχή μελέτης αφορά την πόλη BAM που βρίσκεται νοτιοανατολικά του Ιράν. Το Δεκέμβριο του 2003 χτυπήθηκε από σεισμό 6.6 ρίχτερ με αποτέλεσμα τα κτίρια στην αρχαίο κέντρο να καταστραφούν σε ποσοστό μεγαλύτερο του 80%.<br /> Τηλεπισκοπικά Δεδομένα: Τα δεδομένα που χρησιμοποιήθηκαν για την ανάλυση του φαινομένου πριν και μετά το σεισμί ήταν δορυφορικές εικόνες πολυφασματικές και παγχρωματικές QuickBird. Το μέγεθος των εικόνων ήταν 600 επί 500 pixel και η χωρική ακρίβεια 0.6 μέτρα.(εικόνα 1).<br /> Μεθοδολογία: O σκοπός είναι η σύγκριση της υφιστάμενης μεθόδου κατάτμησης εικόνας με μία συνδυασμένη μέθοδο κατάτμησης εικόνων υψηλής ανάλυσης βασισμένη στη βελτιωμένη συνένωση περιοχών με τη χρήση ασαφούς λογικής στον υπολογισμό των παραμέτρων.<br /> Η αρχική κατάτμηση γίνεται με τον αλγόριθμο FSAM με βήμα 0.1 ώστε να προκύψει η αρχική συνένωση επακόλουθων περιοχών. Στη συνέχεια υπολογίζεται η φασματική ετερογένεια των αντικειμένων με βάση το παρακάτω μοντέλο:<br /> Hspectral=Σ𝑩𝒃=𝟏σβ<br /> Ακολουθεί η μέτρηση της ετερογένειας σχήματος των αντικειμένων(hshape). Ο δείκτης αυτός δημιουργείται από τον υπολογισμό των δεικτών συμπαγότητας(hcompactness) και ομαλότητας(hsmoothness) βάζοντας τα κατάλληλα βάρη(ω) όπως φαίνεται παρακάτω:<br /> (hshape)= ωsmoothness* hsmoothness +ωcompactness* hcompactness<br /> Ακολουθεί ο υπολογισμός της ετερογένειας της υφής των αντικειμένων(texture), ενώ προτείνεται και ένα βελτιωμένο τοπικό δυαδικό πρότυπο (local binary pattern) ωςπεριγραφέας χαρακτηριστικού υφής.Η μέτρηση της ολικής ετερογένειας γίνεται με βάση την παρακάτω εξίσωση:<br /> h=ωcolor* hcolor + ωshape*hshape +ωtexture *htexture<br /> Η μέθοδος ασαφούς λογικής χρησιμοποιείται για την επιβλεπόμενη εκπαίδευση και ταξινόμηση της εικόνας που έχει κατατμηθεί.<br /> Αποτελέσματα-Συμπεράσματα:Στις εικόνες παρακάτω συγκρίνονται τα αποτελέσματα από την παραπάνω μέθοδο και την παραδοσιακή μέθοδο που πραγματοποιήθηκε στο λογισμικό e-cognition. Συνολικά φαίνεται πως η κατάτμηση έχει οδηγήσει σε ακριβή πληροφορία για την οριοθέτηση των κτιρίων και συμφωνεί με την υφιστάμενη κατάσταση. Με βάση την ποσοτική αξιολόγηση των αποτελεσμάτων κατάτμησης φαίνεται πως η μέθοδος που περιγράφεται στο παρόν καταλήγει σε πιο πιο συμπαγή αποτελέσματα σε σχέση με την παραδοσιακή μέθοδο.<br /> [[category:Σεισμοί]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_CORONA_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%84%CE%BF%CE%BD_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C_%CF%81%CE%AF%CF%83%CE%BA%CE%BF%CF%85_%CF%86%CF%85%CF%83%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CE%B1%CF%84%CE%B1%CF%83%CF%84%CF%81%CE%BF%CF%86%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CF%8E%CE%BD_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82 2021-02-22T13:52:33Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs_wiki_id_art9_img1.png|thumb|right|'''Εικόνα 1. Αστική ανάπτυξη στο οροπέδιο του La Paz στη Βολιβία Αριστερά: εικόνα CORONA έτος 1967,Δεξιά εικόνα OrbView3 έτος 2004-Με άσπρο πλαίσιο φαίνεται η οικιστική περιοχή που φτάνει στο χείλος του γκρεμού, Πηγή:'''[https://www.mdpi.com/2072-4292/12/19/3246]]]<br /> [[Εικόνα:rs_wiki_id_art9_img2.png|thumb|right|'''Εικόνα 2. H αστική περιοχή στην πόλη Yungay πριν και μετά την καταστροφή. Αριστερά: CORONA-1966, Δεξιά: Αεροφωτογραφία-1970-εγγύς υπέρυθρο, Πηγή:''' [https://www.mdpi.com/2072-4292/12/19/3246] '''εικόνες a,b''']]<br /> [[Εικόνα:rs_wiki_id_art9_img3.png|thumb|right|'''Εικόνα 3. Λεπτομέρειες από το κέντρο του Σαντιάγο(αριστερά) το 1972 και την κοίτη ποταμού στο El alto το 1967(δεξιά), Πηγή:'''[https://www.mdpi.com/2072-4292/12/19/3246]]]<br /> <br /> '''Αντικείμενο μελέτης:''' Χρήση δορυφορικών εικόνων CORONA υψηλής ανάλυσης και αεροφωτογραφιών για την αξιολόγηση του εντοπισμού ρίσκου φυσικών καταστροφών και μεταβολών της αστικής ανάπτυξης. Οι περιπτώσεις 5 περιοχών με έντονη αστική διασπορά και φαινόμενα φυσικών καταστροφών.<br /> <br /> '''Πρωτότυπος Τίτλος:'''CORONA High-Resolution Satellite and Aerial Imagery for Change Detection Assessment of Natural Hazard Risk and Urban Growth in El Alto/La Paz in Bolivia, Santiago de Chile, Yungay in Peru,Qazvin in Iran, and Mount St. Helens in the USA<br /> <br /> '''Συγγραφείς:''' Alexander Fekete-Institute of Rescue Engineering and Civil Protection, TH Köln<br /> <br /> '''Πηγή:''' https://www.mdpi.com/2072-4292/12/19/3246<br /> <br /> '''Λέξεις κλειδιά:''' CORONA, φυσική καταστροφή, αστική ανάπτυξη, δορυφορικές εικόνες, οπτική ερμηνεία εικόνας<br /> <br /> '''Περίληψη''' <br /> <br /> Το πρόγραμμα CORONA αναφέρεται στους 1ης γενιάς δορυφόρους CORONA που χρησιμοποιούνταν για την φωτογραφική αποτύπωση της γης την περίοδο 1960-1984. Το παρόν άρθρο παρουσιάζει εφαρμογές των εικόνων CORONA στην ανίχνευση μεταβολών της αστικής διασποράς και στην εκτίμηση φυσικών κινδύνων ως αποτέλεσμα της αστικής μεγέθυνσης. Μέσα από μια σειρά ανάλυσης φυσικών καταστροφών σε διάφορα μέρη της λατινικής Αμερικής, του Ιράν και της Αγίας Ελένης στην Αμερική ερευνώνται οι δυνατότητες και οι περιορισμοί των εικόνων CORONA .<br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι φυσικές καταστροφές παρά τις προηγμένες τεχνολογίες εξακολουθούν να μαστίζουν τις παγκόσμιες κοινωνίες. Η εκτίμηση κινδύνου (risk assessment.) μέσω της παρακολούθησης της αστικής διασποράς θεωρείται πλέον αναγκαία και αποτελεί πρωταρχικό σκοπό στα πλαίσια περιβαλλοντικής πολιτικής σε ευρωπαϊκό αλλά και παγκόσμιο επίπεδο. Ένα πολύ σημαντικό εργαλείο στην παρακολούθηση της αστικής ανάπτυξης είναι η επεξεργασία δορυφορικών εικόνων.<br /> Τα δεδομένα από τον δορυφόρο CORONA εμπεριέχουν φιλμ εικόνες γκρι κλίμακας, στο ορατό φάσμα της ακτινοβολίας και συνήθως δεν επιλέγονται για τέτοιου είδους εφαρμογές καθώς πλέον κυριαρχούν οι πολυφασματικές εικόνες με πληθώρα δυνατοτήτων στη διάκριση των επιφανειακών χαρακτηριστικών.<br /> Ωστόσο η χρήση παλαιότερης γενιάς δορυφορικών εικόνων παρουσιάζει δύο πολύ σημαντικά πλεονεκτήματα:<br /> <br /> *Παροχή εξαιρετικά σπάνιων αποτυπώσεων με εικόνες από το 1960. Πολύ σημαντικό στοιχείο στην ανάλυση της αστικής διασποράς και την εκτίμηση φυσικών καταστροφών <br /> *Παροχή σχετικά υψηλής χωρικής ανάλυσης, περίπου 0.6-1.2 μέτρα ανά φατνίο<br /> <br /> Στην παρούσα εργασία γίνεται προσπάθεια παρουσίασης των αλλαγών στις χρήσεις γης μέσα σε ένα μακρύ χρονικό διάστημα, επομένως η εύρεση αρκετά παλιότερων εικόνων αποτελεί ένα πάρα πολύ χρήσιμο στοιχείο για τη γεωμορφολογία του τοπίου και τη μεταβολή του στο χρόνο λόγω αστικής διασποράς. Επιπροσθέτως αναλύεται το εύρος χρησιμότητας δορυφορικών εικόνων πρώτης γενιάς, η ενδεχόμενη άντληση πρόσθετων πληροφοριών σχετικά με την αστική ανάπτυξη συγκριτικά με τις εικόνες τελευταίας γενιάς και τα πεδία έρευνας που απαιτούν περαιτέρω μελέτη.<br /> <br /> '''Δεδομένα και Μεθοδολογία'''<br /> <br /> Η μεθοδολογία που ακολουθήθηκε ήταν η σύγκριση πολυχρονικών δορυφορικών εικόνων με χειροκίνητη οπτική ερμηνεία εικόνας. Η μέθοδος αυτή βασίζεται σε μεγάλο βαθμό στην εμπειρία του ερμηνευτή αλλά και σε πλήθος άλλων παραγόντων όπως είναι η γνώση των χαρακτηριστικών που απεικονίζονται στην εικόνα, η γωνία λήψης της εικόνας, οι παρεμβολές κ.α. Αναλυτικότερα, πραγματοποιήθηκε μία πρώτη εκτίμηση των δεδομένων που συλλέχθηκαν και επιλέχθηκαν οι εικόνες με επαρκή οπτική απεικόνιση των αστικών χαρακτηριστικών. Με βάση την πρώτη ανάλυση υπολογίστηκε πως η χρονική περίοδος 1962–1984 χρήζει περαιτέρω ανάλυσης. Για να γίνει αυτό εφικτό επιλέχθηκαν πραγματικές περιπτώσεις φυσικών καταστροφών εκείνης της περιόδου για τις οποίες υπήρχαν διαθέσιμες εικόνες CORONA. Για τη σύγκριση των αλλαγών στα αστικά χαρακτηριστικά χρησιμοποιήθηκαν εικόνες OrbView3 με υψηλή χωρική ανάλυση(περίπου 0.9 μέτρα/pixel).Συνολικά χρησιμοποιήθηκαν 5 εικόνες CORONA μεταξύ 1967και 1980 , 3 εικόνες OrbView3 μεταξύ 2004 και 2006 και δύο αεροφωτογραφίες. <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα διαχωρίζονται ανάλογα με την παρακολούθηση της αστικής διασποράς και τις φυσικές καταστροφές και αναφέρονται τα σημαντικότερα ευρήματα.<br /> *'''Εντοπισμός μεταβολής αστικής διασποράς σε επικίνδυνη περιοχή'''<br /> <br /> Η αστική ανάπτυξη μπορεί να ανιχνευθεί μέσω εικόνων CORONA και οπτικής ερμηνείας εφόσον η χωρική ανάλυση και η νεφοκάλυψη το επιτρέπουν. Σαν περιοχή μελέτης επιλέχθηκαν οι πόλεις La Paz και El Alto της Βολιβίας καθώς και το Santiago της Χιλής. Και οι τρεις πόλεις έχουν βιώσει πολύ μεγάλη αστική ανάπτυξη με αποτέλεσμα ο αστικός ιστός να επεκταθεί και σε περιοχές με υψηλό κίνδυνο εμφάνισης φυσικής καταστροφής. Οι δύο πόλεις της Βολιβίας επεκτάθηκαν προς απόκρημνα σημεία σε κοιλάδα που ενέχουν κινδύνους για κατολίσθηση και πλημμύρες.(εικόνες 1 και 2).Με παρόμοιο τρόπο η πόλη του Σαντιάγο επεκτάθηκε επίσης σε ορεινά σημεία με υψηλό κίνδυνο κατολισθήσεων και φαινομένων διάβρωσης εδάφους. <br /> <br /> *'''Φαινόμενα κατολισθήσεων'''<br /> <br /> Η ανίχνευση φαινομένων κατολίσθησης δεν είναι πάντα εύκολο να πραγματοποιηθεί. Ωστόσο ορισμένοι τύποι κατολισθήσεων μεταβάλλουν το υλικό του επιφανειακού εδάφους και δημιουργούν χαρακτηριστικές τιμές ανακλαστικότητας. Στην εικόνα 2 απεικονίζονται δύο εικόνες από την πόλη Yungay όπου ένας ισχυρός σεισμός οδήγησε στην αποκοπή ενός μεγάλου τμήματος του βουνού. Οι εικόνες απεικονίζουν το ίδιο σημείο πριν και μετά το συμβάν.<br /> Συμπεράσματα: Συμπερασματικά η χρησιμότητα των δεδομένων CORONA φάνηκε μέσω των δυνατοτήτων για οπτική ερμηνεία. Ειδικότερα στη μελέτη των φυσικών καταστροφών, η βιβλιογραφία εμφάνισε πολλές ελλείψεις και η ερμηνεία παλαιότερων δορυφορικών εικόνων δίνει τη δυνατότητα για πιο ολοκληρωμένη μελέτη των φυσικών φαινομένων . Επιπροσθέτως μέσω της ερμηνείας των εικόνων CORONA είναι δυνατή η ανίχνευσης της πυκνότητας δόμησης και ο εντοπισμός τοπίων πριν από την έναρξη φαινομένων αστικοποίησης. Το γεγονός αυτό είναι πολύ σημαντικό για τον εντοπισμό περιοχών επιρρεπείς σε κίνδυνο(Εικόνα 3).<br /> <br /> [[category:Διαχείριση κινδύνων]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_CORONA_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%84%CE%BF%CE%BD_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C_%CF%81%CE%AF%CF%83%CE%BA%CE%BF%CF%85_%CF%86%CF%85%CF%83%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CE%B1%CF%84%CE%B1%CF%83%CF%84%CF%81%CE%BF%CF%86%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CF%8E%CE%BD_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82 2021-02-22T13:52:06Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs_wiki_id_art9_img1.png|thumb|right|'''Εικόνα 1. Αστική ανάπτυξη στο οροπέδιο του La Paz στη Βολιβία Αριστερά: εικόνα CORONA έτος 1967,Δεξιά εικόνα OrbView3 έτος 2004-Με άσπρο πλαίσιο φαίνεται η οικιστική περιοχή που φτάνει στο χείλος του γκρεμού, Πηγή:'''[https://www.mdpi.com/2072-4292/12/19/3246]]]<br /> [[Εικόνα:rs_wiki_id_art9_img2.png|thumb|right|'''Εικόνα 2. H αστική περιοχή στην πόλη Yungay πριν και μετά την καταστροφή. Αριστερά: CORONA-1966, Δεξιά: Αεροφωτογραφία-1970-εγγύς υπέρυθρο, Πηγή:''' [https://www.mdpi.com/2072-4292/12/19/3246] '''εικόνες a,b''']]<br /> [[Εικόνα:rs_wiki_id_art9_img3.png|thumb|right|'''Εικόνα 3. Λεπτομέρειες από το κέντρο του Σαντιάγο(αριστερά) το 1972 και την κοίτη ποταμού στο El alto το 1967(δεξιά), Πηγή:'''[https://www.mdpi.com/2072-4292/12/19/3246]]]<br /> <br /> '''Αντικείμενο μελέτης:''' Χρήση δορυφορικών εικόνων CORONA υψηλής ανάλυσης και αεροφωτογραφιών για την αξιολόγηση του εντοπισμού ρίσκου φυσικών καταστροφών και μεταβολών της αστικής ανάπτυξης. Οι περιπτώσεις 5 περιοχών με έντονη αστική διασπορά και φαινόμενα φυσικών καταστροφών.<br /> <br /> '''Πρωτότυπος Τίτλος:'''CORONA High-Resolution Satellite and Aerial Imagery for Change Detection Assessment of Natural Hazard Risk and Urban Growth in El Alto/La Paz in Bolivia, Santiago de Chile, Yungay in Peru,Qazvin in Iran, and Mount St. Helens in the USA<br /> <br /> '''Συγγραφείς:''' Alexander Fekete-Institute of Rescue Engineering and Civil Protection, TH Köln<br /> <br /> '''Πηγή:''' https://www.mdpi.com/2072-4292/12/19/3246<br /> <br /> '''Λέξεις κλειδιά:''' CORONA, φυσική καταστροφή, αστική ανάπτυξη, δορυφορικές εικόνες, οπτική ερμηνεία εικόνας<br /> <br /> '''Περίληψη''' <br /> <br /> Το πρόγραμμα CORONA αναφέρεται στους 1ης γενιάς δορυφόρους CORONA που χρησιμοποιούνταν για την φωτογραφική αποτύπωση της γης την περίοδο 1960-1984. Το παρόν άρθρο παρουσιάζει εφαρμογές των εικόνων CORONA στην ανίχνευση μεταβολών της αστικής διασποράς και στην εκτίμηση φυσικών κινδύνων ως αποτέλεσμα της αστικής μεγέθυνσης. Μέσα από μια σειρά ανάλυσης φυσικών καταστροφών σε διάφορα μέρη της λατινικής Αμερικής, του Ιράν και της Αγίας Ελένης στην Αμερική ερευνώνται οι δυνατότητες και οι περιορισμοί των εικόνων CORONA .<br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι φυσικές καταστροφές παρά τις προηγμένες τεχνολογίες εξακολουθούν να μαστίζουν τις παγκόσμιες κοινωνίες. Η εκτίμηση κινδύνου (risk assessment.) μέσω της παρακολούθησης της αστικής διασποράς θεωρείται πλέον αναγκαία και αποτελεί πρωταρχικό σκοπό στα πλαίσια περιβαλλοντικής πολιτικής σε ευρωπαϊκό αλλά και παγκόσμιο επίπεδο. Ένα πολύ σημαντικό εργαλείο στην παρακολούθηση της αστικής ανάπτυξης είναι η επεξεργασία δορυφορικών εικόνων.<br /> Τα δεδομένα από τον δορυφόρο CORONA εμπεριέχουν φιλμ εικόνες γκρι κλίμακας, στο ορατό φάσμα της ακτινοβολίας και συνήθως δεν επιλέγονται για τέτοιου είδους εφαρμογές καθώς πλέον κυριαρχούν οι πολυφασματικές εικόνες με πληθώρα δυνατοτήτων στη διάκριση των επιφανειακών χαρακτηριστικών.<br /> Ωστόσο η χρήση παλαιότερης γενιάς δορυφορικών εικόνων παρουσιάζει δύο πολύ σημαντικά πλεονεκτήματα:<br /> <br /> *Παροχή εξαιρετικά σπάνιων αποτυπώσεων με εικόνες από το 1960. Πολύ σημαντικό στοιχείο στην ανάλυση της αστικής διασποράς και την εκτίμηση φυσικών καταστροφών <br /> *Παροχή σχετικά υψηλής χωρικής ανάλυσης, περίπου 0.6-1.2 μέτρα ανά φατνίο<br /> <br /> Στην παρούσα εργασία γίνεται προσπάθεια παρουσίασης των αλλαγών στις χρήσεις γης μέσα σε ένα μακρύ χρονικό διάστημα, επομένως η εύρεση αρκετά παλιότερων εικόνων αποτελεί ένα πάρα πολύ χρήσιμο στοιχείο για τη γεωμορφολογία του τοπίου και τη μεταβολή του στο χρόνο λόγω αστικής διασποράς. Επιπροσθέτως αναλύεται το εύρος χρησιμότητας δορυφορικών εικόνων πρώτης γενιάς, η ενδεχόμενη άντληση πρόσθετων πληροφοριών σχετικά με την αστική ανάπτυξη συγκριτικά με τις εικόνες τελευταίας γενιάς και τα πεδία έρευνας που απαιτούν περαιτέρω μελέτη.<br /> <br /> '''Δεδομένα και Μεθοδολογία'''<br /> <br /> Η μεθοδολογία που ακολουθήθηκε ήταν η σύγκριση πολυχρονικών δορυφορικών εικόνων με χειροκίνητη οπτική ερμηνεία εικόνας. Η μέθοδος αυτή βασίζεται σε μεγάλο βαθμό στην εμπειρία του ερμηνευτή αλλά και σε πλήθος άλλων παραγόντων όπως είναι η γνώση των χαρακτηριστικών που απεικονίζονται στην εικόνα, η γωνία λήψης της εικόνας, οι παρεμβολές κ.α. Αναλυτικότερα, πραγματοποιήθηκε μία πρώτη εκτίμηση των δεδομένων που συλλέχθηκαν και επιλέχθηκαν οι εικόνες με επαρκή οπτική απεικόνιση των αστικών χαρακτηριστικών. Με βάση την πρώτη ανάλυση υπολογίστηκε πως η χρονική περίοδος 1962–1984 χρήζει περαιτέρω ανάλυσης. Για να γίνει αυτό εφικτό επιλέχθηκαν πραγματικές περιπτώσεις φυσικών καταστροφών εκείνης της περιόδου για τις οποίες υπήρχαν διαθέσιμες εικόνες CORONA. Για τη σύγκριση των αλλαγών στα αστικά χαρακτηριστικά χρησιμοποιήθηκαν εικόνες OrbView3 με υψηλή χωρική ανάλυση(περίπου 0.9 μέτρα/pixel).Συνολικά χρησιμοποιήθηκαν 5 εικόνες CORONA μεταξύ 1967και 1980 , 3 εικόνες OrbView3 μεταξύ 2004 και 2006 και δύο αεροφωτογραφίες. <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα διαχωρίζονται ανάλογα με την παρακολούθηση της αστικής διασποράς και τις φυσικές καταστροφές και αναφέρονται τα σημαντικότερα ευρήματα.<br /> *['''Εντοπισμός μεταβολής αστικής διασποράς σε επικίνδυνη περιοχή''']<br /> <br /> Η αστική ανάπτυξη μπορεί να ανιχνευθεί μέσω εικόνων CORONA και οπτικής ερμηνείας εφόσον η χωρική ανάλυση και η νεφοκάλυψη το επιτρέπουν. Σαν περιοχή μελέτης επιλέχθηκαν οι πόλεις La Paz και El Alto της Βολιβίας καθώς και το Santiago της Χιλής. Και οι τρεις πόλεις έχουν βιώσει πολύ μεγάλη αστική ανάπτυξη με αποτέλεσμα ο αστικός ιστός να επεκταθεί και σε περιοχές με υψηλό κίνδυνο εμφάνισης φυσικής καταστροφής. Οι δύο πόλεις της Βολιβίας επεκτάθηκαν προς απόκρημνα σημεία σε κοιλάδα που ενέχουν κινδύνους για κατολίσθηση και πλημμύρες.(εικόνες 1 και 2).Με παρόμοιο τρόπο η πόλη του Σαντιάγο επεκτάθηκε επίσης σε ορεινά σημεία με υψηλό κίνδυνο κατολισθήσεων και φαινομένων διάβρωσης εδάφους. <br /> <br /> *'''Φαινόμενα κατολισθήσεων'''<br /> <br /> Η ανίχνευση φαινομένων κατολίσθησης δεν είναι πάντα εύκολο να πραγματοποιηθεί. Ωστόσο ορισμένοι τύποι κατολισθήσεων μεταβάλλουν το υλικό του επιφανειακού εδάφους και δημιουργούν χαρακτηριστικές τιμές ανακλαστικότητας. Στην εικόνα 2 απεικονίζονται δύο εικόνες από την πόλη Yungay όπου ένας ισχυρός σεισμός οδήγησε στην αποκοπή ενός μεγάλου τμήματος του βουνού. Οι εικόνες απεικονίζουν το ίδιο σημείο πριν και μετά το συμβάν.<br /> Συμπεράσματα: Συμπερασματικά η χρησιμότητα των δεδομένων CORONA φάνηκε μέσω των δυνατοτήτων για οπτική ερμηνεία. Ειδικότερα στη μελέτη των φυσικών καταστροφών, η βιβλιογραφία εμφάνισε πολλές ελλείψεις και η ερμηνεία παλαιότερων δορυφορικών εικόνων δίνει τη δυνατότητα για πιο ολοκληρωμένη μελέτη των φυσικών φαινομένων . Επιπροσθέτως μέσω της ερμηνείας των εικόνων CORONA είναι δυνατή η ανίχνευσης της πυκνότητας δόμησης και ο εντοπισμός τοπίων πριν από την έναρξη φαινομένων αστικοποίησης. Το γεγονός αυτό είναι πολύ σημαντικό για τον εντοπισμό περιοχών επιρρεπείς σε κίνδυνο(Εικόνα 3).<br /> <br /> [[category:Διαχείριση κινδύνων]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_CORONA_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%84%CE%BF%CE%BD_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C_%CF%81%CE%AF%CF%83%CE%BA%CE%BF%CF%85_%CF%86%CF%85%CF%83%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CE%B1%CF%84%CE%B1%CF%83%CF%84%CF%81%CE%BF%CF%86%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CF%8E%CE%BD_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82 2021-02-22T13:51:20Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs_wiki_id_art9_img1.png|thumb|right|'''Εικόνα 1. Αστική ανάπτυξη στο οροπέδιο του La Paz στη Βολιβία Αριστερά: εικόνα CORONA έτος 1967,Δεξιά εικόνα OrbView3 έτος 2004-Με άσπρο πλαίσιο φαίνεται η οικιστική περιοχή που φτάνει στο χείλος του γκρεμού, Πηγή:'''[https://www.mdpi.com/2072-4292/12/19/3246]]]<br /> [[Εικόνα:rs_wiki_id_art9_img2.png|thumb|right|'''Εικόνα 2. H αστική περιοχή στην πόλη Yungay πριν και μετά την καταστροφή. Αριστερά: CORONA-1966, Δεξιά: Αεροφωτογραφία-1970-εγγύς υπέρυθρο, Πηγή:''' [https://www.mdpi.com/2072-4292/12/19/3246] '''εικόνες a,b''']]<br /> [[Εικόνα:rs_wiki_id_art9_img3.png|thumb|right|'''Εικόνα 3. Λεπτομέρειες από το κέντρο του Σαντιάγο(αριστερά) το 1972 και την κοίτη ποταμού στο El alto το 1967(δεξιά), Πηγή:'''[https://www.mdpi.com/2072-4292/12/19/3246]]]<br /> <br /> '''Αντικείμενο μελέτης:''' Χρήση δορυφορικών εικόνων CORONA υψηλής ανάλυσης και αεροφωτογραφιών για την αξιολόγηση του εντοπισμού ρίσκου φυσικών καταστροφών και μεταβολών της αστικής ανάπτυξης. Οι περιπτώσεις 5 περιοχών με έντονη αστική διασπορά και φαινόμενα φυσικών καταστροφών.<br /> <br /> '''Πρωτότυπος Τίτλος:'''CORONA High-Resolution Satellite and Aerial Imagery for Change Detection Assessment of Natural Hazard Risk and Urban Growth in El Alto/La Paz in Bolivia, Santiago de Chile, Yungay in Peru,Qazvin in Iran, and Mount St. Helens in the USA<br /> <br /> '''Συγγραφείς:''' Alexander Fekete-Institute of Rescue Engineering and Civil Protection, TH Köln<br /> <br /> '''Πηγή:''' https://www.mdpi.com/2072-4292/12/19/3246<br /> <br /> '''Λέξεις κλειδιά:''' CORONA, φυσική καταστροφή, αστική ανάπτυξη, δορυφορικές εικόνες, οπτική ερμηνεία εικόνας<br /> <br /> '''Περίληψη''' <br /> <br /> Το πρόγραμμα CORONA αναφέρεται στους 1ης γενιάς δορυφόρους CORONA που χρησιμοποιούνταν για την φωτογραφική αποτύπωση της γης την περίοδο 1960-1984. Το παρόν άρθρο παρουσιάζει εφαρμογές των εικόνων CORONA στην ανίχνευση μεταβολών της αστικής διασποράς και στην εκτίμηση φυσικών κινδύνων ως αποτέλεσμα της αστικής μεγέθυνσης. Μέσα από μια σειρά ανάλυσης φυσικών καταστροφών σε διάφορα μέρη της λατινικής Αμερικής, του Ιράν και της Αγίας Ελένης στην Αμερική ερευνώνται οι δυνατότητες και οι περιορισμοί των εικόνων CORONA .<br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι φυσικές καταστροφές παρά τις προηγμένες τεχνολογίες εξακολουθούν να μαστίζουν τις παγκόσμιες κοινωνίες. Η εκτίμηση κινδύνου (risk assessment.) μέσω της παρακολούθησης της αστικής διασποράς θεωρείται πλέον αναγκαία και αποτελεί πρωταρχικό σκοπό στα πλαίσια περιβαλλοντικής πολιτικής σε ευρωπαϊκό αλλά και παγκόσμιο επίπεδο. Ένα πολύ σημαντικό εργαλείο στην παρακολούθηση της αστικής ανάπτυξης είναι η επεξεργασία δορυφορικών εικόνων.<br /> Τα δεδομένα από τον δορυφόρο CORONA εμπεριέχουν φιλμ εικόνες γκρι κλίμακας, στο ορατό φάσμα της ακτινοβολίας και συνήθως δεν επιλέγονται για τέτοιου είδους εφαρμογές καθώς πλέον κυριαρχούν οι πολυφασματικές εικόνες με πληθώρα δυνατοτήτων στη διάκριση των επιφανειακών χαρακτηριστικών.<br /> Ωστόσο η χρήση παλαιότερης γενιάς δορυφορικών εικόνων παρουσιάζει δύο πολύ σημαντικά πλεονεκτήματα:<br /> <br /> *Παροχή εξαιρετικά σπάνιων αποτυπώσεων με εικόνες από το 1960. Πολύ σημαντικό στοιχείο στην ανάλυση της αστικής διασποράς και την εκτίμηση φυσικών καταστροφών <br /> *Παροχή σχετικά υψηλής χωρικής ανάλυσης, περίπου 0.6-1.2 μέτρα ανά φατνίο<br /> <br /> Στην παρούσα εργασία γίνεται προσπάθεια παρουσίασης των αλλαγών στις χρήσεις γης μέσα σε ένα μακρύ χρονικό διάστημα, επομένως η εύρεση αρκετά παλιότερων εικόνων αποτελεί ένα πάρα πολύ χρήσιμο στοιχείο για τη γεωμορφολογία του τοπίου και τη μεταβολή του στο χρόνο λόγω αστικής διασποράς. Επιπροσθέτως αναλύεται το εύρος χρησιμότητας δορυφορικών εικόνων πρώτης γενιάς, η ενδεχόμενη άντληση πρόσθετων πληροφοριών σχετικά με την αστική ανάπτυξη συγκριτικά με τις εικόνες τελευταίας γενιάς και τα πεδία έρευνας που απαιτούν περαιτέρω μελέτη.<br /> <br /> '''Δεδομένα και Μεθοδολογία'''<br /> <br /> Η μεθοδολογία που ακολουθήθηκε ήταν η σύγκριση πολυχρονικών δορυφορικών εικόνων με χειροκίνητη οπτική ερμηνεία εικόνας. Η μέθοδος αυτή βασίζεται σε μεγάλο βαθμό στην εμπειρία του ερμηνευτή αλλά και σε πλήθος άλλων παραγόντων όπως είναι η γνώση των χαρακτηριστικών που απεικονίζονται στην εικόνα, η γωνία λήψης της εικόνας, οι παρεμβολές κ.α. Αναλυτικότερα, πραγματοποιήθηκε μία πρώτη εκτίμηση των δεδομένων που συλλέχθηκαν και επιλέχθηκαν οι εικόνες με επαρκή οπτική απεικόνιση των αστικών χαρακτηριστικών. Με βάση την πρώτη ανάλυση υπολογίστηκε πως η χρονική περίοδος 1962–1984 χρήζει περαιτέρω ανάλυσης. Για να γίνει αυτό εφικτό επιλέχθηκαν πραγματικές περιπτώσεις φυσικών καταστροφών εκείνης της περιόδου για τις οποίες υπήρχαν διαθέσιμες εικόνες CORONA. Για τη σύγκριση των αλλαγών στα αστικά χαρακτηριστικά χρησιμοποιήθηκαν εικόνες OrbView3 με υψηλή χωρική ανάλυση(περίπου 0.9 μέτρα/pixel).Συνολικά χρησιμοποιήθηκαν 5 εικόνες CORONA μεταξύ 1967και 1980 , 3 εικόνες OrbView3 μεταξύ 2004 και 2006 και δύο αεροφωτογραφίες. <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα διαχωρίζονται ανάλογα με την παρακολούθηση της αστικής διασποράς και τις φυσικές καταστροφές και αναφέρονται τα σημαντικότερα ευρήματα.<br /> *'''Εντοπισμός μεταβολής αστικής διασποράς σε επικίνδυνη περιοχή'''<br /> <br /> Η αστική ανάπτυξη μπορεί να ανιχνευθεί μέσω εικόνων CORONA και οπτικής ερμηνείας εφόσον η χωρική ανάλυση και η νεφοκάλυψη το επιτρέπουν. Σαν περιοχή μελέτης επιλέχθηκαν οι πόλεις La Paz και El Alto της Βολιβίας καθώς και το Santiago της Χιλής. Και οι τρεις πόλεις έχουν βιώσει πολύ μεγάλη αστική ανάπτυξη με αποτέλεσμα ο αστικός ιστός να επεκταθεί και σε περιοχές με υψηλό κίνδυνο εμφάνισης φυσικής καταστροφής. Οι δύο πόλεις της Βολιβίας επεκτάθηκαν προς απόκρημνα σημεία σε κοιλάδα που ενέχουν κινδύνους για κατολίσθηση και πλημμύρες.(εικόνες 1 και 2).Με παρόμοιο τρόπο η πόλη του Σαντιάγο επεκτάθηκε επίσης σε ορεινά σημεία με υψηλό κίνδυνο κατολισθήσεων και φαινομένων διάβρωσης εδάφους. <br /> <br /> *'''Φαινόμενα κατολισθήσεων'''<br /> <br /> Η ανίχνευση φαινομένων κατολίσθησης δεν είναι πάντα εύκολο να πραγματοποιηθεί. Ωστόσο ορισμένοι τύποι κατολισθήσεων μεταβάλλουν το υλικό του επιφανειακού εδάφους και δημιουργούν χαρακτηριστικές τιμές ανακλαστικότητας. Στην εικόνα 2 απεικονίζονται δύο εικόνες από την πόλη Yungay όπου ένας ισχυρός σεισμός οδήγησε στην αποκοπή ενός μεγάλου τμήματος του βουνού. Οι εικόνες απεικονίζουν το ίδιο σημείο πριν και μετά το συμβάν.<br /> Συμπεράσματα: Συμπερασματικά η χρησιμότητα των δεδομένων CORONA φάνηκε μέσω των δυνατοτήτων για οπτική ερμηνεία. Ειδικότερα στη μελέτη των φυσικών καταστροφών, η βιβλιογραφία εμφάνισε πολλές ελλείψεις και η ερμηνεία παλαιότερων δορυφορικών εικόνων δίνει τη δυνατότητα για πιο ολοκληρωμένη μελέτη των φυσικών φαινομένων . Επιπροσθέτως μέσω της ερμηνείας των εικόνων CORONA είναι δυνατή η ανίχνευσης της πυκνότητας δόμησης και ο εντοπισμός τοπίων πριν από την έναρξη φαινομένων αστικοποίησης. Το γεγονός αυτό είναι πολύ σημαντικό για τον εντοπισμό περιοχών επιρρεπείς σε κίνδυνο(Εικόνα 3).<br /> <br /> [[category:Διαχείριση κινδύνων]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_CORONA_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%84%CE%BF%CE%BD_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C_%CF%81%CE%AF%CF%83%CE%BA%CE%BF%CF%85_%CF%86%CF%85%CF%83%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CE%B1%CF%84%CE%B1%CF%83%CF%84%CF%81%CE%BF%CF%86%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CF%8E%CE%BD_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82 2021-02-22T13:50:51Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs_wiki_id_art9_img1.png|thumb|right|'''Εικόνα 1. Αστική ανάπτυξη στο οροπέδιο του La Paz στη Βολιβία Αριστερά: εικόνα CORONA έτος 1967,Δεξιά εικόνα OrbView3 έτος 2004-Με άσπρο πλαίσιο φαίνεται η οικιστική περιοχή που φτάνει στο χείλος του γκρεμού, Πηγή:'''[https://www.mdpi.com/2072-4292/12/19/3246]]]<br /> [[Εικόνα:rs_wiki_id_art9_img2.png|thumb|right|'''Εικόνα 2. H αστική περιοχή στην πόλη Yungay πριν και μετά την καταστροφή. Αριστερά: CORONA-1966, Δεξιά: Αεροφωτογραφία-1970-εγγύς υπέρυθρο, Πηγή:''' [https://www.mdpi.com/2072-4292/12/19/3246] '''εικόνες a,b''']]<br /> [[Εικόνα:rs_wiki_id_art9_img3.png|thumb|right|'''Εικόνα 3. Λεπτομέρειες από το κέντρο του Σαντιάγο(αριστερά) το 1972 και την κοίτη ποταμού στο El alto το 1967(δεξιά), Πηγή:'''[https://www.mdpi.com/2072-4292/12/19/3246]]]<br /> <br /> '''Αντικείμενο μελέτης:''' Χρήση δορυφορικών εικόνων CORONA υψηλής ανάλυσης και αεροφωτογραφιών για την αξιολόγηση του εντοπισμού ρίσκου φυσικών καταστροφών και μεταβολών της αστικής ανάπτυξης. Οι περιπτώσεις 5 περιοχών με έντονη αστική διασπορά και φαινόμενα φυσικών καταστροφών.<br /> <br /> '''Πρωτότυπος Τίτλος:'''CORONA High-Resolution Satellite and Aerial Imagery for Change Detection Assessment of Natural Hazard Risk and Urban Growth in El Alto/La Paz in Bolivia, Santiago de Chile, Yungay in Peru,Qazvin in Iran, and Mount St. Helens in the USA<br /> <br /> '''Συγγραφείς:''' Alexander Fekete-Institute of Rescue Engineering and Civil Protection, TH Köln<br /> <br /> '''Πηγή:''' https://www.mdpi.com/2072-4292/12/19/3246<br /> <br /> '''Λέξεις κλειδιά:''' CORONA, φυσική καταστροφή, αστική ανάπτυξη, δορυφορικές εικόνες, οπτική ερμηνεία εικόνας<br /> <br /> '''Περίληψη''' <br /> <br /> Το πρόγραμμα CORONA αναφέρεται στους 1ης γενιάς δορυφόρους CORONA που χρησιμοποιούνταν για την φωτογραφική αποτύπωση της γης την περίοδο 1960-1984. Το παρόν άρθρο παρουσιάζει εφαρμογές των εικόνων CORONA στην ανίχνευση μεταβολών της αστικής διασποράς και στην εκτίμηση φυσικών κινδύνων ως αποτέλεσμα της αστικής μεγέθυνσης. Μέσα από μια σειρά ανάλυσης φυσικών καταστροφών σε διάφορα μέρη της λατινικής Αμερικής, του Ιράν και της Αγίας Ελένης στην Αμερική ερευνώνται οι δυνατότητες και οι περιορισμοί των εικόνων CORONA .<br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι φυσικές καταστροφές παρά τις προηγμένες τεχνολογίες εξακολουθούν να μαστίζουν τις παγκόσμιες κοινωνίες. Η εκτίμηση κινδύνου (risk assessment.) μέσω της παρακολούθησης της αστικής διασποράς θεωρείται πλέον αναγκαία και αποτελεί πρωταρχικό σκοπό στα πλαίσια περιβαλλοντικής πολιτικής σε ευρωπαϊκό αλλά και παγκόσμιο επίπεδο. Ένα πολύ σημαντικό εργαλείο στην παρακολούθηση της αστικής ανάπτυξης είναι η επεξεργασία δορυφορικών εικόνων.<br /> Τα δεδομένα από τον δορυφόρο CORONA εμπεριέχουν φιλμ εικόνες γκρι κλίμακας, στο ορατό φάσμα της ακτινοβολίας και συνήθως δεν επιλέγονται για τέτοιου είδους εφαρμογές καθώς πλέον κυριαρχούν οι πολυφασματικές εικόνες με πληθώρα δυνατοτήτων στη διάκριση των επιφανειακών χαρακτηριστικών.<br /> Ωστόσο η χρήση παλαιότερης γενιάς δορυφορικών εικόνων παρουσιάζει δύο πολύ σημαντικά πλεονεκτήματα:<br /> <br /> *Παροχή εξαιρετικά σπάνιων αποτυπώσεων με εικόνες από το 1960. Πολύ σημαντικό στοιχείο στην ανάλυση της αστικής διασποράς και την εκτίμηση φυσικών καταστροφών <br /> *Παροχή σχετικά υψηλής χωρικής ανάλυσης, περίπου 0.6-1.2 μέτρα ανά φατνίο<br /> <br /> Στην παρούσα εργασία γίνεται προσπάθεια παρουσίασης των αλλαγών στις χρήσεις γης μέσα σε ένα μακρύ χρονικό διάστημα, επομένως η εύρεση αρκετά παλιότερων εικόνων αποτελεί ένα πάρα πολύ χρήσιμο στοιχείο για τη γεωμορφολογία του τοπίου και τη μεταβολή του στο χρόνο λόγω αστικής διασποράς. Επιπροσθέτως αναλύεται το εύρος χρησιμότητας δορυφορικών εικόνων πρώτης γενιάς, η ενδεχόμενη άντληση πρόσθετων πληροφοριών σχετικά με την αστική ανάπτυξη συγκριτικά με τις εικόνες τελευταίας γενιάς και τα πεδία έρευνας που απαιτούν περαιτέρω μελέτη.<br /> <br /> '''Δεδομένα και Μεθοδολογία'''<br /> <br /> Η μεθοδολογία που ακολουθήθηκε ήταν η σύγκριση πολυχρονικών δορυφορικών εικόνων με χειροκίνητη οπτική ερμηνεία εικόνας. Η μέθοδος αυτή βασίζεται σε μεγάλο βαθμό στην εμπειρία του ερμηνευτή αλλά και σε πλήθος άλλων παραγόντων όπως είναι η γνώση των χαρακτηριστικών που απεικονίζονται στην εικόνα, η γωνία λήψης της εικόνας, οι παρεμβολές κ.α. Αναλυτικότερα, πραγματοποιήθηκε μία πρώτη εκτίμηση των δεδομένων που συλλέχθηκαν και επιλέχθηκαν οι εικόνες με επαρκή οπτική απεικόνιση των αστικών χαρακτηριστικών. Με βάση την πρώτη ανάλυση υπολογίστηκε πως η χρονική περίοδος 1962–1984 χρήζει περαιτέρω ανάλυσης. Για να γίνει αυτό εφικτό επιλέχθηκαν πραγματικές περιπτώσεις φυσικών καταστροφών εκείνης της περιόδου για τις οποίες υπήρχαν διαθέσιμες εικόνες CORONA. Για τη σύγκριση των αλλαγών στα αστικά χαρακτηριστικά χρησιμοποιήθηκαν εικόνες OrbView3 με υψηλή χωρική ανάλυση(περίπου 0.9 μέτρα/pixel).Συνολικά χρησιμοποιήθηκαν 5 εικόνες CORONA μεταξύ 1967και 1980 , 3 εικόνες OrbView3 μεταξύ 2004 και 2006 και δύο αεροφωτογραφίες. <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα διαχωρίζονται ανάλογα με την παρακολούθηση της αστικής διασποράς και τις φυσικές καταστροφές και αναφέρονται τα σημαντικότερα ευρήματα.<br /> '''*Εντοπισμός μεταβολής αστικής διασποράς σε επικίνδυνη περιοχή'''<br /> <br /> Η αστική ανάπτυξη μπορεί να ανιχνευθεί μέσω εικόνων CORONA και οπτικής ερμηνείας εφόσον η χωρική ανάλυση και η νεφοκάλυψη το επιτρέπουν. Σαν περιοχή μελέτης επιλέχθηκαν οι πόλεις La Paz και El Alto της Βολιβίας καθώς και το Santiago της Χιλής. Και οι τρεις πόλεις έχουν βιώσει πολύ μεγάλη αστική ανάπτυξη με αποτέλεσμα ο αστικός ιστός να επεκταθεί και σε περιοχές με υψηλό κίνδυνο εμφάνισης φυσικής καταστροφής. Οι δύο πόλεις της Βολιβίας επεκτάθηκαν προς απόκρημνα σημεία σε κοιλάδα που ενέχουν κινδύνους για κατολίσθηση και πλημμύρες.(εικόνες 1 και 2).Με παρόμοιο τρόπο η πόλη του Σαντιάγο επεκτάθηκε επίσης σε ορεινά σημεία με υψηλό κίνδυνο κατολισθήσεων και φαινομένων διάβρωσης εδάφους. <br /> <br /> '''*Φαινόμενα κατολισθήσεων'''<br /> <br /> Η ανίχνευση φαινομένων κατολίσθησης δεν είναι πάντα εύκολο να πραγματοποιηθεί. Ωστόσο ορισμένοι τύποι κατολισθήσεων μεταβάλλουν το υλικό του επιφανειακού εδάφους και δημιουργούν χαρακτηριστικές τιμές ανακλαστικότητας. Στην εικόνα 2 απεικονίζονται δύο εικόνες από την πόλη Yungay όπου ένας ισχυρός σεισμός οδήγησε στην αποκοπή ενός μεγάλου τμήματος του βουνού. Οι εικόνες απεικονίζουν το ίδιο σημείο πριν και μετά το συμβάν.<br /> Συμπεράσματα: Συμπερασματικά η χρησιμότητα των δεδομένων CORONA φάνηκε μέσω των δυνατοτήτων για οπτική ερμηνεία. Ειδικότερα στη μελέτη των φυσικών καταστροφών, η βιβλιογραφία εμφάνισε πολλές ελλείψεις και η ερμηνεία παλαιότερων δορυφορικών εικόνων δίνει τη δυνατότητα για πιο ολοκληρωμένη μελέτη των φυσικών φαινομένων . Επιπροσθέτως μέσω της ερμηνείας των εικόνων CORONA είναι δυνατή η ανίχνευσης της πυκνότητας δόμησης και ο εντοπισμός τοπίων πριν από την έναρξη φαινομένων αστικοποίησης. Το γεγονός αυτό είναι πολύ σημαντικό για τον εντοπισμό περιοχών επιρρεπείς σε κίνδυνο(Εικόνα 3).<br /> <br /> [[category:Διαχείριση κινδύνων]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_CORONA_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%84%CE%BF%CE%BD_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C_%CF%81%CE%AF%CF%83%CE%BA%CE%BF%CF%85_%CF%86%CF%85%CF%83%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CE%B1%CF%84%CE%B1%CF%83%CF%84%CF%81%CE%BF%CF%86%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CF%8E%CE%BD_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82 2021-02-22T13:49:44Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs_wiki_id_art9_img1.png|thumb|right|'''Εικόνα 1. Αστική ανάπτυξη στο οροπέδιο του La Paz στη Βολιβία Αριστερά: εικόνα CORONA έτος 1967,Δεξιά εικόνα OrbView3 έτος 2004-Με άσπρο πλαίσιο φαίνεται η οικιστική περιοχή που φτάνει στο χείλος του γκρεμού, Πηγή:'''[ https://www.mdpi.com/2072-4292/12/19/3246]]]<br /> [[Εικόνα:rs_wiki_id_art9_img2.png|thumb|right|'''Εικόνα 2. H αστική περιοχή στην πόλη Yungay πριν και μετά την καταστροφή. Αριστερά: CORONA-1966, Δεξιά: Αεροφωτογραφία-1970-εγγύς υπέρυθρο, Πηγή:''' [https://www.mdpi.com/2072-4292/12/19/3246] '''εικόνες a,b''']]<br /> [[Εικόνα:rs_wiki_id_art9_img3.png|thumb|right|'''Εικόνα 3. Λεπτομέρειες από το κέντρο του Σαντιάγο(αριστερά) το 1972 και την κοίτη ποταμού στο El alto το 1967(δεξιά), Πηγή:'''[ https://www.mdpi.com/2072-4292/12/19/3246]]]<br /> <br /> '''Αντικείμενο μελέτης:''' Χρήση δορυφορικών εικόνων CORONA υψηλής ανάλυσης και αεροφωτογραφιών για την αξιολόγηση του εντοπισμού ρίσκου φυσικών καταστροφών και μεταβολών της αστικής ανάπτυξης. Οι περιπτώσεις 5 περιοχών με έντονη αστική διασπορά και φαινόμενα φυσικών καταστροφών.<br /> <br /> '''Πρωτότυπος Τίτλος:'''CORONA High-Resolution Satellite and Aerial Imagery for Change Detection Assessment of Natural Hazard Risk and Urban Growth in El Alto/La Paz in Bolivia, Santiago de Chile, Yungay in Peru,Qazvin in Iran, and Mount St. Helens in the USA<br /> <br /> '''Συγγραφείς:''' Alexander Fekete-Institute of Rescue Engineering and Civil Protection, TH Köln<br /> <br /> '''Πηγή:''' https://www.mdpi.com/2072-4292/12/19/3246<br /> <br /> '''Λέξεις κλειδιά:''' CORONA, φυσική καταστροφή, αστική ανάπτυξη, δορυφορικές εικόνες, οπτική ερμηνεία εικόνας<br /> <br /> '''Περίληψη''' <br /> <br /> Το πρόγραμμα CORONA αναφέρεται στους 1ης γενιάς δορυφόρους CORONA που χρησιμοποιούνταν για την φωτογραφική αποτύπωση της γης την περίοδο 1960-1984. Το παρόν άρθρο παρουσιάζει εφαρμογές των εικόνων CORONA στην ανίχνευση μεταβολών της αστικής διασποράς και στην εκτίμηση φυσικών κινδύνων ως αποτέλεσμα της αστικής μεγέθυνσης. Μέσα από μια σειρά ανάλυσης φυσικών καταστροφών σε διάφορα μέρη της λατινικής Αμερικής, του Ιράν και της Αγίας Ελένης στην Αμερική ερευνώνται οι δυνατότητες και οι περιορισμοί των εικόνων CORONA .<br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι φυσικές καταστροφές παρά τις προηγμένες τεχνολογίες εξακολουθούν να μαστίζουν τις παγκόσμιες κοινωνίες. Η εκτίμηση κινδύνου (risk assessment.) μέσω της παρακολούθησης της αστικής διασποράς θεωρείται πλέον αναγκαία και αποτελεί πρωταρχικό σκοπό στα πλαίσια περιβαλλοντικής πολιτικής σε ευρωπαϊκό αλλά και παγκόσμιο επίπεδο. Ένα πολύ σημαντικό εργαλείο στην παρακολούθηση της αστικής ανάπτυξης είναι η επεξεργασία δορυφορικών εικόνων.<br /> Τα δεδομένα από τον δορυφόρο CORONA εμπεριέχουν φιλμ εικόνες γκρι κλίμακας, στο ορατό φάσμα της ακτινοβολίας και συνήθως δεν επιλέγονται για τέτοιου είδους εφαρμογές καθώς πλέον κυριαρχούν οι πολυφασματικές εικόνες με πληθώρα δυνατοτήτων στη διάκριση των επιφανειακών χαρακτηριστικών.<br /> Ωστόσο η χρήση παλαιότερης γενιάς δορυφορικών εικόνων παρουσιάζει δύο πολύ σημαντικά πλεονεκτήματα:<br /> <br /> *Παροχή εξαιρετικά σπάνιων αποτυπώσεων με εικόνες από το 1960. Πολύ σημαντικό στοιχείο στην ανάλυση της αστικής διασποράς και την εκτίμηση φυσικών καταστροφών <br /> *Παροχή σχετικά υψηλής χωρικής ανάλυσης, περίπου 0.6-1.2 μέτρα ανά φατνίο<br /> <br /> Στην παρούσα εργασία γίνεται προσπάθεια παρουσίασης των αλλαγών στις χρήσεις γης μέσα σε ένα μακρύ χρονικό διάστημα, επομένως η εύρεση αρκετά παλιότερων εικόνων αποτελεί ένα πάρα πολύ χρήσιμο στοιχείο για τη γεωμορφολογία του τοπίου και τη μεταβολή του στο χρόνο λόγω αστικής διασποράς. Επιπροσθέτως αναλύεται το εύρος χρησιμότητας δορυφορικών εικόνων πρώτης γενιάς, η ενδεχόμενη άντληση πρόσθετων πληροφοριών σχετικά με την αστική ανάπτυξη συγκριτικά με τις εικόνες τελευταίας γενιάς και τα πεδία έρευνας που απαιτούν περαιτέρω μελέτη.<br /> <br /> '''Δεδομένα και Μεθοδολογία'''<br /> <br /> Η μεθοδολογία που ακολουθήθηκε ήταν η σύγκριση πολυχρονικών δορυφορικών εικόνων με χειροκίνητη οπτική ερμηνεία εικόνας. Η μέθοδος αυτή βασίζεται σε μεγάλο βαθμό στην εμπειρία του ερμηνευτή αλλά και σε πλήθος άλλων παραγόντων όπως είναι η γνώση των χαρακτηριστικών που απεικονίζονται στην εικόνα, η γωνία λήψης της εικόνας, οι παρεμβολές κ.α. Αναλυτικότερα, πραγματοποιήθηκε μία πρώτη εκτίμηση των δεδομένων που συλλέχθηκαν και επιλέχθηκαν οι εικόνες με επαρκή οπτική απεικόνιση των αστικών χαρακτηριστικών. Με βάση την πρώτη ανάλυση υπολογίστηκε πως η χρονική περίοδος 1962–1984 χρήζει περαιτέρω ανάλυσης. Για να γίνει αυτό εφικτό επιλέχθηκαν πραγματικές περιπτώσεις φυσικών καταστροφών εκείνης της περιόδου για τις οποίες υπήρχαν διαθέσιμες εικόνες CORONA. Για τη σύγκριση των αλλαγών στα αστικά χαρακτηριστικά χρησιμοποιήθηκαν εικόνες OrbView3 με υψηλή χωρική ανάλυση(περίπου 0.9 μέτρα/pixel).Συνολικά χρησιμοποιήθηκαν 5 εικόνες CORONA μεταξύ 1967και 1980 , 3 εικόνες OrbView3 μεταξύ 2004 και 2006 και δύο αεροφωτογραφίες. <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα διαχωρίζονται ανάλογα με την παρακολούθηση της αστικής διασποράς και τις φυσικές καταστροφές και αναφέρονται τα σημαντικότερα ευρήματα.<br /> *'''Εντοπισμός μεταβολής αστικής διασποράς σε επικίνδυνη περιοχή'''<br /> <br /> Η αστική ανάπτυξη μπορεί να ανιχνευθεί μέσω εικόνων CORONA και οπτικής ερμηνείας εφόσον η χωρική ανάλυση και η νεφοκάλυψη το επιτρέπουν. Σαν περιοχή μελέτης επιλέχθηκαν οι πόλεις La Paz και El Alto της Βολιβίας καθώς και το Santiago της Χιλής. Και οι τρεις πόλεις έχουν βιώσει πολύ μεγάλη αστική ανάπτυξη με αποτέλεσμα ο αστικός ιστός να επεκταθεί και σε περιοχές με υψηλό κίνδυνο εμφάνισης φυσικής καταστροφής. Οι δύο πόλεις της Βολιβίας επεκτάθηκαν προς απόκρημνα σημεία σε κοιλάδα που ενέχουν κινδύνους για κατολίσθηση και πλημμύρες.(εικόνες 1 και 2).Με παρόμοιο τρόπο η πόλη του Σαντιάγο επεκτάθηκε επίσης σε ορεινά σημεία με υψηλό κίνδυνο κατολισθήσεων και φαινομένων διάβρωσης εδάφους. <br /> <br /> *'''Φαινόμενα κατολισθήσεων''' <br /> <br /> Η ανίχνευση φαινομένων κατολίσθησης δεν είναι πάντα εύκολο να πραγματοποιηθεί. Ωστόσο ορισμένοι τύποι κατολισθήσεων μεταβάλλουν το υλικό του επιφανειακού εδάφους και δημιουργούν χαρακτηριστικές τιμές ανακλαστικότητας. Στην εικόνα 2 απεικονίζονται δύο εικόνες από την πόλη Yungay όπου ένας ισχυρός σεισμός οδήγησε στην αποκοπή ενός μεγάλου τμήματος του βουνού. Οι εικόνες απεικονίζουν το ίδιο σημείο πριν και μετά το συμβάν.<br /> Συμπεράσματα: Συμπερασματικά η χρησιμότητα των δεδομένων CORONA φάνηκε μέσω των δυνατοτήτων για οπτική ερμηνεία. Ειδικότερα στη μελέτη των φυσικών καταστροφών, η βιβλιογραφία εμφάνισε πολλές ελλείψεις και η ερμηνεία παλαιότερων δορυφορικών εικόνων δίνει τη δυνατότητα για πιο ολοκληρωμένη μελέτη των φυσικών φαινομένων . Επιπροσθέτως μέσω της ερμηνείας των εικόνων CORONA είναι δυνατή η ανίχνευσης της πυκνότητας δόμησης και ο εντοπισμός τοπίων πριν από την έναρξη φαινομένων αστικοποίησης. Το γεγονός αυτό είναι πολύ σημαντικό για τον εντοπισμό περιοχών επιρρεπείς σε κίνδυνο(Εικόνα 3).<br /> <br /> [[category:Διαχείριση κινδύνων]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_CORONA_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%84%CE%BF%CE%BD_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C_%CF%81%CE%AF%CF%83%CE%BA%CE%BF%CF%85_%CF%86%CF%85%CF%83%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CE%B1%CF%84%CE%B1%CF%83%CF%84%CF%81%CE%BF%CF%86%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CF%8E%CE%BD_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82 2021-02-22T13:48:54Z

<p>Ioanna dramitinou: Νέα σελίδα με '[[Εικόνα:rs_wiki_id_art9_img1.png|thumb|right|'''Εικόνα 1. Αστική ανάπτυξη στο οροπέδιο του La Paz στη Βολιβία Αριστ...'</p> <hr /> <div>[[Εικόνα:rs_wiki_id_art9_img1.png|thumb|right|'''Εικόνα 1. Αστική ανάπτυξη στο οροπέδιο του La Paz στη Βολιβία Αριστερά: εικόνα CORONA έτος 1967,Δεξιά εικόνα OrbView3 έτος 2004-Με άσπρο πλαίσιο φαίνεται η οικιστική περιοχή που φτάνει στο χείλος του γκρεμού, Πηγή:'''[ https://www.mdpi.com/2072-4292/12/19/3246]]]<br /> [[Εικόνα:rs_wiki_id_art9_img2.png|thumb|right|'''Εικόνα 2. H αστική περιοχή στην πόλη Yungay πριν και μετά την καταστροφή. Αριστερά: CORONA-1966, Δεξιά: Αεροφωτογραφία-1970-εγγύς υπέρυθρο, Πηγή:''' [https://www.mdpi.com/2072-4292/12/19/3246] '''εικόνες a,b''']]<br /> [[Εικόνα:rs_wiki_id_art9_img3.png|thumb|right|'''Εικόνα 3. Λεπτομέρειες από το κέντρο του Σαντιάγο(αριστερά) το 1972 και την κοίτη ποταμού στο El alto το 1967(δεξιά), Πηγή:'''[ https://www.mdpi.com/2072-4292/12/19/3246]]]<br /> <br /> '''Αντικείμενο μελέτης:''' Χρήση δορυφορικών εικόνων CORONA υψηλής ανάλυσης και αεροφωτογραφιών για την αξιολόγηση του εντοπισμού ρίσκου φυσικών καταστροφών και μεταβολών της αστικής ανάπτυξης. Οι περιπτώσεις 5 περιοχών με έντονη αστική διασπορά και φαινόμενα φυσικών καταστροφών.<br /> <br /> '''Πρωτότυπος Τίτλος:'''CORONA High-Resolution Satellite and Aerial Imagery for Change Detection Assessment of Natural Hazard Risk and Urban Growth in El Alto/La Paz in Bolivia, Santiago de Chile, Yungay in Peru,Qazvin in Iran, and Mount St. Helens in the USA<br /> <br /> '''Συγγραφείς:''' Alexander Fekete-Institute of Rescue Engineering and Civil Protection, TH Köln<br /> <br /> '''Πηγή:''' https://www.mdpi.com/2072-4292/12/19/3246<br /> <br /> '''Λέξεις κλειδιά:''' CORONA, φυσική καταστροφή, αστική ανάπτυξη, δορυφορικές εικόνες, οπτική ερμηνεία εικόνας<br /> <br /> '''Περίληψη''' <br /> <br /> Το πρόγραμμα CORONA αναφέρεται στους 1ης γενιάς δορυφόρους CORONA που χρησιμοποιούνταν για την φωτογραφική αποτύπωση της γης την περίοδο 1960-1984. Το παρόν άρθρο παρουσιάζει εφαρμογές των εικόνων CORONA στην ανίχνευση μεταβολών της αστικής διασποράς και στην εκτίμηση φυσικών κινδύνων ως αποτέλεσμα της αστικής μεγέθυνσης. Μέσα από μια σειρά ανάλυσης φυσικών καταστροφών σε διάφορα μέρη της λατινικής Αμερικής, του Ιράν και της Αγίας Ελένης στην Αμερική ερευνώνται οι δυνατότητες και οι περιορισμοί των εικόνων CORONA .<br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι φυσικές καταστροφές παρά τις προηγμένες τεχνολογίες εξακολουθούν να μαστίζουν τις παγκόσμιες κοινωνίες. Η εκτίμηση κινδύνου (risk assessment.) μέσω της παρακολούθησης της αστικής διασποράς θεωρείται πλέον αναγκαία και αποτελεί πρωταρχικό σκοπό στα πλαίσια περιβαλλοντικής πολιτικής σε ευρωπαϊκό αλλά και παγκόσμιο επίπεδο. Ένα πολύ σημαντικό εργαλείο στην παρακολούθηση της αστικής ανάπτυξης είναι η επεξεργασία δορυφορικών εικόνων.<br /> Τα δεδομένα από τον δορυφόρο CORONA εμπεριέχουν φιλμ εικόνες γκρι κλίμακας, στο ορατό φάσμα της ακτινοβολίας και συνήθως δεν επιλέγονται για τέτοιου είδους εφαρμογές καθώς πλέον κυριαρχούν οι πολυφασματικές εικόνες με πληθώρα δυνατοτήτων στη διάκριση των επιφανειακών χαρακτηριστικών.<br /> Ωστόσο η χρήση παλαιότερης γενιάς δορυφορικών εικόνων παρουσιάζει δύο πολύ σημαντικά πλεονεκτήματα:<br /> <br /> *Παροχή εξαιρετικά σπάνιων αποτυπώσεων με εικόνες από το 1960. Πολύ σημαντικό στοιχείο στην ανάλυση της αστικής διασποράς και την εκτίμηση φυσικών καταστροφών <br /> *Παροχή σχετικά υψηλής χωρικής ανάλυσης, περίπου 0.6-1.2 μέτρα ανά φατνίο<br /> <br /> Στην παρούσα εργασία γίνεται προσπάθεια παρουσίασης των αλλαγών στις χρήσεις γης μέσα σε ένα μακρύ χρονικό διάστημα, επομένως η εύρεση αρκετά παλιότερων εικόνων αποτελεί ένα πάρα πολύ χρήσιμο στοιχείο για τη γεωμορφολογία του τοπίου και τη μεταβολή του στο χρόνο λόγω αστικής διασποράς. Επιπροσθέτως αναλύεται το εύρος χρησιμότητας δορυφορικών εικόνων πρώτης γενιάς, η ενδεχόμενη άντληση πρόσθετων πληροφοριών σχετικά με την αστική ανάπτυξη συγκριτικά με τις εικόνες τελευταίας γενιάς και τα πεδία έρευνας που απαιτούν περαιτέρω μελέτη.<br /> <br /> '''Δεδομένα και Μεθοδολογία'''<br /> <br /> Η μεθοδολογία που ακολουθήθηκε ήταν η σύγκριση πολυχρονικών δορυφορικών εικόνων με χειροκίνητη οπτική ερμηνεία εικόνας. Η μέθοδος αυτή βασίζεται σε μεγάλο βαθμό στην εμπειρία του ερμηνευτή αλλά και σε πλήθος άλλων παραγόντων όπως είναι η γνώση των χαρακτηριστικών που απεικονίζονται στην εικόνα, η γωνία λήψης της εικόνας, οι παρεμβολές κ.α. Αναλυτικότερα, πραγματοποιήθηκε μία πρώτη εκτίμηση των δεδομένων που συλλέχθηκαν και επιλέχθηκαν οι εικόνες με επαρκή οπτική απεικόνιση των αστικών χαρακτηριστικών. Με βάση την πρώτη ανάλυση υπολογίστηκε πως η χρονική περίοδος 1962–1984 χρήζει περαιτέρω ανάλυσης. Για να γίνει αυτό εφικτό επιλέχθηκαν πραγματικές περιπτώσεις φυσικών καταστροφών εκείνης της περιόδου για τις οποίες υπήρχαν διαθέσιμες εικόνες CORONA. Για τη σύγκριση των αλλαγών στα αστικά χαρακτηριστικά χρησιμοποιήθηκαν εικόνες OrbView3 με υψηλή χωρική ανάλυση(περίπου 0.9 μέτρα/pixel).Συνολικά χρησιμοποιήθηκαν 5 εικόνες CORONA μεταξύ 1967και 1980 , 3 εικόνες OrbView3 μεταξύ 2004 και 2006 και δύο αεροφωτογραφίες. <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα διαχωρίζονται ανάλογα με την παρακολούθηση της αστικής διασποράς και τις φυσικές καταστροφές και αναφέρονται τα σημαντικότερα ευρήματα.<br /> #'''Εντοπισμός μεταβολής αστικής διασποράς σε επικίνδυνη περιοχή'''<br /> <br /> Η αστική ανάπτυξη μπορεί να ανιχνευθεί μέσω εικόνων CORONA και οπτικής ερμηνείας εφόσον η χωρική ανάλυση και η νεφοκάλυψη το επιτρέπουν. Σαν περιοχή μελέτης επιλέχθηκαν οι πόλεις La Paz και El Alto της Βολιβίας καθώς και το Santiago της Χιλής. Και οι τρεις πόλεις έχουν βιώσει πολύ μεγάλη αστική ανάπτυξη με αποτέλεσμα ο αστικός ιστός να επεκταθεί και σε περιοχές με υψηλό κίνδυνο εμφάνισης φυσικής καταστροφής. Οι δύο πόλεις της Βολιβίας επεκτάθηκαν προς απόκρημνα σημεία σε κοιλάδα που ενέχουν κινδύνους για κατολίσθηση και πλημμύρες.(εικόνες 1 και 2).Με παρόμοιο τρόπο η πόλη του Σαντιάγο επεκτάθηκε επίσης σε ορεινά σημεία με υψηλό κίνδυνο κατολισθήσεων και φαινομένων διάβρωσης εδάφους. <br /> <br /> #'''Φαινόμενα κατολισθήσεων''' <br /> <br /> Η ανίχνευση φαινομένων κατολίσθησης δεν είναι πάντα εύκολο να πραγματοποιηθεί. Ωστόσο ορισμένοι τύποι κατολισθήσεων μεταβάλλουν το υλικό του επιφανειακού εδάφους και δημιουργούν χαρακτηριστικές τιμές ανακλαστικότητας. Στην εικόνα 2 απεικονίζονται δύο εικόνες από την πόλη Yungay όπου ένας ισχυρός σεισμός οδήγησε στην αποκοπή ενός μεγάλου τμήματος του βουνού. Οι εικόνες απεικονίζουν το ίδιο σημείο πριν και μετά το συμβάν.<br /> Συμπεράσματα: Συμπερασματικά η χρησιμότητα των δεδομένων CORONA φάνηκε μέσω των δυνατοτήτων για οπτική ερμηνεία. Ειδικότερα στη μελέτη των φυσικών καταστροφών, η βιβλιογραφία εμφάνισε πολλές ελλείψεις και η ερμηνεία παλαιότερων δορυφορικών εικόνων δίνει τη δυνατότητα για πιο ολοκληρωμένη μελέτη των φυσικών φαινομένων . Επιπροσθέτως μέσω της ερμηνείας των εικόνων CORONA είναι δυνατή η ανίχνευσης της πυκνότητας δόμησης και ο εντοπισμός τοπίων πριν από την έναρξη φαινομένων αστικοποίησης. Το γεγονός αυτό είναι πολύ σημαντικό για τον εντοπισμό περιοχών επιρρεπείς σε κίνδυνο(Εικόνα 3).<br /> <br /> [[category:Διαχείριση κινδύνων]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art9_img3.png 2021-02-22T13:40:54Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art9_img2.png 2021-02-22T13:40:40Z

<p>Ioanna dramitinou: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:Rs wiki id art9 img2.png&amp;quot;</p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art9_img2.png 2021-02-22T13:40:27Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art9_img1.png 2021-02-22T13:40:17Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%AF%CE%B1_%CE%B1%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CF%8E%CE%BD_%CF%83%CF%84%CE%B9%CF%82_%CF%87%CF%81%CE%AE%CF%83%CE%B5%CE%B9%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CE%B5_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AD%CF%82_%CE%BC%CE%B5%CF%84%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CF%84%CE%B7_%CE%B2%CE%BF%CE%AE%CE%B8%CE%B5%CE%B9%CE%B1_%CF%84%CF%89%CE%BD_GIS_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%96%CE%B9%CE%BC%CF%80%CE%AC%CE%BC%CF%80%CE%BF%CF%85%CE%B5 2021-02-22T12:43:09Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs_wiki_id_art8_img1.png | thumb | right |'''Εικόνα 1. Η περιοχή μελέτης, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S0301479720312354-gr1_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art8_img2.png | thumb | right|'''Εικόνα 2. Χάρτης ταξινόμησης περιοχής μελέτης για το έτος 2000,Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S0301479720312354-gr2_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art8_img3.png | thumb | right|'''Εικόνα 3. Χάρτης ταξινόμησης περιοχής μελέτης για το έτος 2008, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S0301479720312354-gr3_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art8_img4.png | thumb | right|'''Εικόνα 4. Χάρτης ταξινόμησης περιοχής μελέτης για το έτος 2018, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S0301479720312354-gr4_lrg.jpg]]]<br /> <br /> '''Αντικείμενο μελέτης:''' Mία αξιολόγηση των αλλαγών στις χρήσεις γης σε περιοχές μετεγκατάστασης με τη βοήθεια των GIS και της τηλεπισκόπησης-Η περίπτωση της πτέρυγας 32 στην περιοχή Mazowe στη Ζιμπάμπουε<br /> <br /> '''Πρωτότυπος τίτλος:''' A GIS and remote sensing aided assessment of land use/cover changes in resettlement areas; a case of ward 32 of Mazowe district, Zimbabwe<br /> <br /> '''Συγγραφείς:''' Mark Matsa, Oshneck Mupepi, Tatenda Musasa, Rameck Defe<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S0301479720312354]<br /> <br /> '''Λέξεις κλειδιά:''' χρήσεις γης, Landsat, μη επιβλεπόμενη ταξινόμηση,GIS<br /> <br /> '''Περίληψη'''<br /> <br /> Η παρούσα έρευνα επικεντρώνεται στην εκτίμηση των αλλαγών στις χρήσεις και καλύψεις γης του τομέα 32 στην περιοχή Mazowe. Ακολουθήθηκε μία συνδυαστική μέθοδος έρευνας που περιλάβανε συγκέντρωση επιτόπιων δεδομένων ποσοτικών και ποιοτικών καθώς και χρήση τεχνικών τηλεπισκοπησης και GIS. Αναγνωρίστηκαν 4 κυρίαρχα είδη κάλυψης γης ως βάση για τον εντοπισμό των διαφορών μεταξύ των χρονολογιών 2000 έως 2018. Το αποτέλεσμα υποδεικνύει σημαντική ελάττωση της δασοκάλυψης και προτείνεται η να εντατικοποιηθεί η παρακολούθηση των φυσικών πόρων στην περιοχή. <br /> <br /> '''Εισαγωγή'''<br /> <br /> Αποτελεί παγκόσμιο γεγονός πλέον πως η φυσική κάλυψη της γης μεταβάλλεται ραγδαία τα τελευταία χρόνια εξαιτίας της εξάπλωσης της αγροτικής καλλιέργειας, της αστικοποίησης και άλλων παραγόντων. Συγκεκριμένα για την Ζιμπάμπουε, σύμφωνα με τη δασική επιτροπή, η δασοκάλυψη έχει μειωθεί σχεδόν σε ποσοστό 10% μέσα διάστημα 16 ετών από το 1992 έως και το 2008, ενώ αντίστοιχα παρατηρούνται και άλλες ανησυχητικές μεταβολές. Η τάση αυτή οδήγησε στην παρούσα μελέτη προκειμένου να ανιχνευτούν με μεγαλύτερη ακρίβεια οι παρόμοιες μεταβολές στην περιοχή Mazowe.<br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η περιοχή Mazowe βρίσκεται 58 χιλιόμετρα βορειοδυτικά του Harare(εικόνα 1). Έχει συνολικό πληθυσμό 233.450 κατοίκους σε μία έκταση 53.62 τετραγωνικών χιλιομέτρων. Το 97.2% του συνολικού πληθυσμού χαρακτηρίζεται ως αγροτικό ενώ μόλις το 2.8 ως αστικό. Ο ποταμός Gwebi που διατρέχει την περιοχή παρέχει τις απαραίτητες ποσότητες νερού για άρδευση.<br /> <br /> '''Τηλεπισκοπικά Δεδομένα''' <br /> <br /> Χρησιμοποιήθηκαν 3 εικόνες Landsat και συγκεκριμένα για τον Σεπτέμβριο του 2000 Landsat 5, για τον Σεπτέμβριο του 2008 επίσης Landsat 5 και για τον Οκτώβριο του 2018 Landsat 8.<br /> <br /> '''Μεθοδολογία''' <br /> <br /> Οι εικόνες εφόσον διορθώθηκαν ραδιομετρικά και γεωμετρικά εισήχθησαν στο λογισμικό του ArcMap 10.5. <br /> Στο λογισμικό πραγματοποιήθηκε η τεχνική της επιβλεπόμενης ταξινόμησης για την δημιουργία ενός χάρτη χρήσεων γης. Οι περιοχές εκπαίδευσης επιλέχθηκαν βάση δεδομένων από ΄έρευνα πεδίου στην περιοχή σε συνδυασμό με τη χρήση του Google Earth. Οι κατηγορίες χρήσεων γης περιλαμβάνουν πυκνές δασικές περιοχές, αραιές δασικές περιοχές, λιβάδια, καλλιέργειες, γυμνό έδαφος και τέλος ύδατα. Η ταξινόμηση έγινε με τον αλγόριθμο της μέγιστης πιθανοφάνειας(maximum likelihood) και στη συνέχεια παράχθηκε το τελικό ψηφιδωτό αρχείο εικόνας. Στη συνέχεια ακολούθησε μετα-ταξινόμηση μέσω εκτίμησης ακρίβειας και υπολογισμού στατιστικών τάξεων στο ίδιο λογισμικό. Χρησιμοποιήθηκαν περιοχές ενδιαφέροντος εμπειρικά επιλεγμένες προκειμένου να αξιολογηθούν οι χάρτες ταξινόμησης που προέκυψαν παραπάνω μέσω του πίνακα σφαλμάτων.<br /> <br /> '''Αποτελέσματα''' <br /> <br /> Τα αποτελέσματα των ταξινομήσεων κατέδειξαν σημαντικές αλλαγές σε όλες τις χρήσεις γης μεταξύ 2000 και 2018. Η μεγαλύτερη μεταβολή εντοπίζεται στις χορτολιβαδικές περιοχές και τις δασικές εκτάσεις. Συγκεκριμένα οι τελευταίες από τα 2352.06 εκτάρια μειώθηκαν σε 1320.57 το 2018, μείωση της τάξεως του 43,3%. Μονάχα τα γυμνά εδάφη και οι καλλιέργειες αυξήθηκαν σε έκταση σε ποσοστό +26.8%. Στην εικόνα δύο απεικονίζονται οι χάρτες ταξινόμησης για κάθε χρονική περίοδο. <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη κατέδειξε πως πριν τη μετεγκατάσταση πληθυσμού στην περιοχή, η δασική έκταση και τα λιβάδια κάλυπταν το μεγαλύτερο ποσοστό της γης. Μετά την μετεγκατάσταση οι εκτάσεις αυτές μειώθηκαν σε μεγάλο βαθμό οδηγώντας στην εξαφάνιση σημαντικών δασικών ειδών. Αξίζει να σημειωθεί πως η συμβολή των τεχνικών τηλεπισκόπησης αποδείχθηκε πολύ βοηθητική και αναδείχθηκε η δυνατότητα χρήσης δορυφορικών δεδομένων στο σχεδιασμό και την παρακολούθηση του χωρικού σχεδιασμού των πόλεων.<br /> <br /> <br /> [[category:Ανίχνευση μεταβολών αστικής γης]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%AF%CE%B1_%CE%B1%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CF%8E%CE%BD_%CF%83%CF%84%CE%B9%CF%82_%CF%87%CF%81%CE%AE%CF%83%CE%B5%CE%B9%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CE%B5_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AD%CF%82_%CE%BC%CE%B5%CF%84%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CF%84%CE%B7_%CE%B2%CE%BF%CE%AE%CE%B8%CE%B5%CE%B9%CE%B1_%CF%84%CF%89%CE%BD_GIS_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%96%CE%B9%CE%BC%CF%80%CE%AC%CE%BC%CF%80%CE%BF%CF%85%CE%B5 2021-02-22T12:42:28Z

<p>Ioanna dramitinou: </p> <hr /> <div>'''Αντικείμενο μελέτης:''' Mία αξιολόγηση των αλλαγών στις χρήσεις γης σε περιοχές μετεγκατάστασης με τη βοήθεια των GIS και της τηλεπισκόπησης-Η περίπτωση της πτέρυγας 32 στην περιοχή Mazowe στη Ζιμπάμπουε<br /> <br /> '''Πρωτότυπος τίτλος:''' A GIS and remote sensing aided assessment of land use/cover changes in resettlement areas; a case of ward 32 of Mazowe district, Zimbabwe<br /> <br /> '''Συγγραφείς:''' Mark Matsa, Oshneck Mupepi, Tatenda Musasa, Rameck Defe<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S0301479720312354]<br /> <br /> '''Λέξεις κλειδιά:''' χρήσεις γης, Landsat, μη επιβλεπόμενη ταξινόμηση,GIS<br /> <br /> '''Περίληψη'''<br /> <br /> Η παρούσα έρευνα επικεντρώνεται στην εκτίμηση των αλλαγών στις χρήσεις και καλύψεις γης του τομέα 32 στην περιοχή Mazowe. Ακολουθήθηκε μία συνδυαστική μέθοδος έρευνας που περιλάβανε συγκέντρωση επιτόπιων δεδομένων ποσοτικών και ποιοτικών καθώς και χρήση τεχνικών τηλεπισκοπησης και GIS. Αναγνωρίστηκαν 4 κυρίαρχα είδη κάλυψης γης ως βάση για τον εντοπισμό των διαφορών μεταξύ των χρονολογιών 2000 έως 2018. Το αποτέλεσμα υποδεικνύει σημαντική ελάττωση της δασοκάλυψης και προτείνεται η να εντατικοποιηθεί η παρακολούθηση των φυσικών πόρων στην περιοχή. <br /> <br /> '''Εισαγωγή'''<br /> <br /> Αποτελεί παγκόσμιο γεγονός πλέον πως η φυσική κάλυψη της γης μεταβάλλεται ραγδαία τα τελευταία χρόνια εξαιτίας της εξάπλωσης της αγροτικής καλλιέργειας, της αστικοποίησης και άλλων παραγόντων. Συγκεκριμένα για την Ζιμπάμπουε, σύμφωνα με τη δασική επιτροπή, η δασοκάλυψη έχει μειωθεί σχεδόν σε ποσοστό 10% μέσα διάστημα 16 ετών από το 1992 έως και το 2008, ενώ αντίστοιχα παρατηρούνται και άλλες ανησυχητικές μεταβολές. Η τάση αυτή οδήγησε στην παρούσα μελέτη προκειμένου να ανιχνευτούν με μεγαλύτερη ακρίβεια οι παρόμοιες μεταβολές στην περιοχή Mazowe.<br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η περιοχή Mazowe βρίσκεται 58 χιλιόμετρα βορειοδυτικά του Harare(εικόνα 1). Έχει συνολικό πληθυσμό 233.450 κατοίκους σε μία έκταση 53.62 τετραγωνικών χιλιομέτρων. Το 97.2% του συνολικού πληθυσμού χαρακτηρίζεται ως αγροτικό ενώ μόλις το 2.8 ως αστικό. Ο ποταμός Gwebi που διατρέχει την περιοχή παρέχει τις απαραίτητες ποσότητες νερού για άρδευση.<br /> [[Εικόνα:rs_wiki_id_art8_img1.png | thumb | right |'''Εικόνα 1. Η περιοχή μελέτης, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S0301479720312354-gr1_lrg.jpg]]]<br /> <br /> '''Τηλεπισκοπικά Δεδομένα''' <br /> <br /> Χρησιμοποιήθηκαν 3 εικόνες Landsat και συγκεκριμένα για τον Σεπτέμβριο του 2000 Landsat 5, για τον Σεπτέμβριο του 2008 επίσης Landsat 5 και για τον Οκτώβριο του 2018 Landsat 8.<br /> <br /> '''Μεθοδολογία''' <br /> <br /> Οι εικόνες εφόσον διορθώθηκαν ραδιομετρικά και γεωμετρικά εισήχθησαν στο λογισμικό του ArcMap 10.5. <br /> Στο λογισμικό πραγματοποιήθηκε η τεχνική της επιβλεπόμενης ταξινόμησης για την δημιουργία ενός χάρτη χρήσεων γης. Οι περιοχές εκπαίδευσης επιλέχθηκαν βάση δεδομένων από ΄έρευνα πεδίου στην περιοχή σε συνδυασμό με τη χρήση του Google Earth. Οι κατηγορίες χρήσεων γης περιλαμβάνουν πυκνές δασικές περιοχές, αραιές δασικές περιοχές, λιβάδια, καλλιέργειες, γυμνό έδαφος και τέλος ύδατα. Η ταξινόμηση έγινε με τον αλγόριθμο της μέγιστης πιθανοφάνειας(maximum likelihood) και στη συνέχεια παράχθηκε το τελικό ψηφιδωτό αρχείο εικόνας. Στη συνέχεια ακολούθησε μετα-ταξινόμηση μέσω εκτίμησης ακρίβειας και υπολογισμού στατιστικών τάξεων στο ίδιο λογισμικό. Χρησιμοποιήθηκαν περιοχές ενδιαφέροντος εμπειρικά επιλεγμένες προκειμένου να αξιολογηθούν οι χάρτες ταξινόμησης που προέκυψαν παραπάνω μέσω του πίνακα σφαλμάτων.<br /> <br /> '''Αποτελέσματα''' <br /> <br /> Τα αποτελέσματα των ταξινομήσεων κατέδειξαν σημαντικές αλλαγές σε όλες τις χρήσεις γης μεταξύ 2000 και 2018. Η μεγαλύτερη μεταβολή εντοπίζεται στις χορτολιβαδικές περιοχές και τις δασικές εκτάσεις. Συγκεκριμένα οι τελευταίες από τα 2352.06 εκτάρια μειώθηκαν σε 1320.57 το 2018, μείωση της τάξεως του 43,3%. Μονάχα τα γυμνά εδάφη και οι καλλιέργειες αυξήθηκαν σε έκταση σε ποσοστό +26.8%. Στην εικόνα δύο απεικονίζονται οι χάρτες ταξινόμησης για κάθε χρονική περίοδο. <br /> [[Εικόνα:rs_wiki_id_art8_img2.png | thumb | right|'''Εικόνα 2. Χάρτης ταξινόμησης περιοχής μελέτης για το έτος 2000,Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S0301479720312354-gr2_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art8_img3.png | thumb | right|'''Εικόνα 3. Χάρτης ταξινόμησης περιοχής μελέτης για το έτος 2008, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S0301479720312354-gr3_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art8_img4.png | thumb | right|'''Εικόνα 4. Χάρτης ταξινόμησης περιοχής μελέτης για το έτος 2018, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S0301479720312354-gr4_lrg.jpg]]]<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη κατέδειξε πως πριν τη μετεγκατάσταση πληθυσμού στην περιοχή, η δασική έκταση και τα λιβάδια κάλυπταν το μεγαλύτερο ποσοστό της γης. Μετά την μετεγκατάσταση οι εκτάσεις αυτές μειώθηκαν σε μεγάλο βαθμό οδηγώντας στην εξαφάνιση σημαντικών δασικών ειδών. Αξίζει να σημειωθεί πως η συμβολή των τεχνικών τηλεπισκόπησης αποδείχθηκε πολύ βοηθητική και αναδείχθηκε η δυνατότητα χρήσης δορυφορικών δεδομένων στο σχεδιασμό και την παρακολούθηση του χωρικού σχεδιασμού των πόλεων.<br /> <br /> <br /> [[category:Ανίχνευση μεταβολών αστικής γης]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%AF%CE%B1_%CE%B1%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CF%8E%CE%BD_%CF%83%CF%84%CE%B9%CF%82_%CF%87%CF%81%CE%AE%CF%83%CE%B5%CE%B9%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CE%B5_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AD%CF%82_%CE%BC%CE%B5%CF%84%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CF%84%CE%B7_%CE%B2%CE%BF%CE%AE%CE%B8%CE%B5%CE%B9%CE%B1_%CF%84%CF%89%CE%BD_GIS_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%96%CE%B9%CE%BC%CF%80%CE%AC%CE%BC%CF%80%CE%BF%CF%85%CE%B5 2021-02-22T12:39:17Z

<p>Ioanna dramitinou: </p> <hr /> <div>'''Αντικείμενο μελέτης:''' Mία αξιολόγηση των αλλαγών στις χρήσεις γης σε περιοχές μετεγκατάστασης με τη βοήθεια των GIS και της τηλεπισκόπησης-Η περίπτωση της πτέρυγας 32 στην περιοχή Mazowe στη Ζιμπάμπουε<br /> <br /> '''Πρωτότυπος τίτλος:''' A GIS and remote sensing aided assessment of land use/cover changes in resettlement areas; a case of ward 32 of Mazowe district, Zimbabwe<br /> <br /> '''Συγγραφείς:''' Mark Matsa, Oshneck Mupepi, Tatenda Musasa, Rameck Defe<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S0301479720312354]<br /> <br /> '''Λέξεις κλειδιά:''' χρήσεις γης, Landsat, μη επιβλεπόμενη ταξινόμηση,GIS<br /> <br /> '''Περίληψη'''<br /> <br /> Η παρούσα έρευνα επικεντρώνεται στην εκτίμηση των αλλαγών στις χρήσεις και καλύψεις γης του τομέα 32 στην περιοχή Mazowe. Ακολουθήθηκε μία συνδυαστική μέθοδος έρευνας που περιλάβανε συγκέντρωση επιτόπιων δεδομένων ποσοτικών και ποιοτικών καθώς και χρήση τεχνικών τηλεπισκοπησης και GIS. Αναγνωρίστηκαν 4 κυρίαρχα είδη κάλυψης γης ως βάση για τον εντοπισμό των διαφορών μεταξύ των χρονολογιών 2000 έως 2018. Το αποτέλεσμα υποδεικνύει σημαντική ελάττωση της δασοκάλυψης και προτείνεται η να εντατικοποιηθεί η παρακολούθηση των φυσικών πόρων στην περιοχή. <br /> <br /> '''Εισαγωγή'''<br /> <br /> Αποτελεί παγκόσμιο γεγονός πλέον πως η φυσική κάλυψη της γης μεταβάλλεται ραγδαία τα τελευταία χρόνια εξαιτίας της εξάπλωσης της αγροτικής καλλιέργειας, της αστικοποίησης και άλλων παραγόντων. Συγκεκριμένα για την Ζιμπάμπουε, σύμφωνα με τη δασική επιτροπή, η δασοκάλυψη έχει μειωθεί σχεδόν σε ποσοστό 10% μέσα διάστημα 16 ετών από το 1992 έως και το 2008, ενώ αντίστοιχα παρατηρούνται και άλλες ανησυχητικές μεταβολές. Η τάση αυτή οδήγησε στην παρούσα μελέτη προκειμένου να ανιχνευτούν με μεγαλύτερη ακρίβεια οι παρόμοιες μεταβολές στην περιοχή Mazowe.<br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η περιοχή Mazowe βρίσκεται 58 χιλιόμετρα βορειοδυτικά του Harare(εικόνα 1). Έχει συνολικό πληθυσμό 233.450 κατοίκους σε μία έκταση 53.62 τετραγωνικών χιλιομέτρων. Το 97.2% του συνολικού πληθυσμού χαρακτηρίζεται ως αγροτικό ενώ μόλις το 2.8 ως αστικό. Ο ποταμός Gwebi που διατρέχει την περιοχή παρέχει τις απαραίτητες ποσότητες νερού για άρδευση.<br /> [[Εικόνα:rs_wiki_id_art8_img1.png | thumb | right |'''Εικόνα 1. Η περιοχή μελέτης, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S0301479720312354-gr1_lrg.jpg]]]<br /> <br /> '''Τηλεπισκοπικά Δεδομένα''' <br /> <br /> Χρησιμοποιήθηκαν 3 εικόνες Landsat και συγκεκριμένα για τον Σεπτέμβριο του 2000 Landsat 5, για τον Σεπτέμβριο του 2008 επίσης Landsat 5 και για τον Οκτώβριο του 2018 Landsat 8.<br /> <br /> '''Μεθοδολογία''' <br /> <br /> Οι εικόνες εφόσον διορθώθηκαν ραδιομετρικά και γεωμετρικά εισήχθησαν στο λογισμικό του ArcMap 10.5. <br /> Στο λογισμικό πραγματοποιήθηκε η τεχνική της επιβλεπόμενης ταξινόμησης για την δημιουργία ενός χάρτη χρήσεων γης. Οι περιοχές εκπαίδευσης επιλέχθηκαν βάση δεδομένων από ΄έρευνα πεδίου στην περιοχή σε συνδυασμό με τη χρήση του Google Earth. Οι κατηγορίες χρήσεων γης περιλαμβάνουν πυκνές δασικές περιοχές, αραιές δασικές περιοχές, λιβάδια, καλλιέργειες, γυμνό έδαφος και τέλος ύδατα. Η ταξινόμηση έγινε με τον αλγόριθμο της μέγιστης πιθανοφάνειας(maximum likelihood) και στη συνέχεια παράχθηκε το τελικό ψηφιδωτό αρχείο εικόνας. Στη συνέχεια ακολούθησε μετα-ταξινόμηση μέσω εκτίμησης ακρίβειας και υπολογισμού στατιστικών τάξεων στο ίδιο λογισμικό. Χρησιμοποιήθηκαν περιοχές ενδιαφέροντος εμπειρικά επιλεγμένες προκειμένου να αξιολογηθούν οι χάρτες ταξινόμησης που προέκυψαν παραπάνω μέσω του πίνακα σφαλμάτων.<br /> <br /> '''Αποτελέσματα''' <br /> <br /> Τα αποτελέσματα των ταξινομήσεων κατέδειξαν σημαντικές αλλαγές σε όλες τις χρήσεις γης μεταξύ 2000 και 2018. Η μεγαλύτερη μεταβολή εντοπίζεται στις χορτολιβαδικές περιοχές και τις δασικές εκτάσεις. Συγκεκριμένα οι τελευταίες από τα 2352.06 εκτάρια μειώθηκαν σε 1320.57 το 2018, μείωση της τάξεως του 43,3%. Μονάχα τα γυμνά εδάφη και οι καλλιέργειες αυξήθηκαν σε έκταση σε ποσοστό +26.8%. Στην εικόνα δύο απεικονίζονται οι χάρτες ταξινόμησης για κάθε χρονική περίοδο. <br /> [[Εικόνα:rs_wiki_id_art8_img2.png | thumb | center |'''Εικόνα 2. Χάρτης ταξινόμησης περιοχής μελέτης για το έτος 2000,Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S0301479720312354-gr2_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art8_img3.png | thumb | center |'''Εικόνα 3. Χάρτης ταξινόμησης περιοχής μελέτης για το έτος 2008, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S0301479720312354-gr3_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art8_img4.png | thumb | center |'''Εικόνα 4. Χάρτης ταξινόμησης περιοχής μελέτης για το έτος 2018, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S0301479720312354-gr4_lrg.jpg]]]<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη κατέδειξε πως πριν τη μετεγκατάσταση πληθυσμού στην περιοχή, η δασική έκταση και τα λιβάδια κάλυπταν το μεγαλύτερο ποσοστό της γης. Μετά την μετεγκατάσταση οι εκτάσεις αυτές μειώθηκαν σε μεγάλο βαθμό οδηγώντας στην εξαφάνιση σημαντικών δασικών ειδών. Αξίζει να σημειωθεί πως η συμβολή των τεχνικών τηλεπισκόπησης αποδείχθηκε πολύ βοηθητική και αναδείχθηκε η δυνατότητα χρήσης δορυφορικών δεδομένων στο σχεδιασμό και την παρακολούθηση του χωρικού σχεδιασμού των πόλεων.<br /> <br /> <br /> [[category:Ανίχνευση μεταβολών αστικής γης]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art8_img4.png 2021-02-22T12:32:06Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art8_img3.png 2021-02-22T12:31:55Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art8_img2.png 2021-02-22T12:31:39Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art8_img1.png 2021-02-22T12:31:24Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%AF%CE%B1_%CE%B1%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CF%8E%CE%BD_%CF%83%CF%84%CE%B9%CF%82_%CF%87%CF%81%CE%AE%CF%83%CE%B5%CE%B9%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CE%B5_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AD%CF%82_%CE%BC%CE%B5%CF%84%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CF%84%CE%B7_%CE%B2%CE%BF%CE%AE%CE%B8%CE%B5%CE%B9%CE%B1_%CF%84%CF%89%CE%BD_GIS_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%96%CE%B9%CE%BC%CF%80%CE%AC%CE%BC%CF%80%CE%BF%CF%85%CE%B5 2021-02-22T12:16:15Z

<p>Ioanna dramitinou: Νέα σελίδα με 'Αντικείμενο μελέτης: Mία αξιολόγηση των αλλαγών στις χρήσεις γης σε περιοχές μετεγκατάστασης...'</p> <hr /> <div>Αντικείμενο μελέτης: Mία αξιολόγηση των αλλαγών στις χρήσεις γης σε περιοχές μετεγκατάστασης με τη βοήθεια των GIS και της τηλεπισκόπησης-Η περίπτωση της πτέρυγας 32 στην περιοχή Mazowe στη Ζιμπάμπουε.<br /> Πρωτότυπος τίτλος: A GIS and remote sensing aided assessment of land use/cover changes in resettlement areas; a case of ward 32 of Mazowe district, Zimbabwe<br /> Συγγραφείς: Mark Matsa, Oshneck Mupepi, Tatenda Musasa, Rameck Defe<br /> Πηγή: https://www.sciencedirect.com/science/article/pii/S0301479720312354<br /> Λέξεις κλειδιά: χρήσεις γης, Landsat, μη επιβλεπόμενη ταξινόμηση,GIS<br /> Περίληψη: Η παρούσα έρευνα επικεντρώνεται στην εκτίμηση των αλλαγών στις χρήσεις και καλύψεις γης του τομέα 32 στην περιοχή Mazowe. Ακολουθήθηκε μία συνδυαστική μέθοδος έρευνας που περιλάβανε συγκέντρωση επιτόπιων δεδομένων ποσοτικών και ποιοτικών καθώς και χρήση τεχνικών τηλεπισκοπησης και GIS. Αναγνωρίστηκαν 4 κυρίαρχα είδη κάλυψης γης ως βάση για τον εντοπισμό των διαφορών μεταξύ των χρονολογιών 2000 έως 2018. Το αποτέλεσμα υποδεικνύει σημαντική ελάττωση της δασοκάλυψης και προτείνεται η να εντατικοποιηθεί η παρακολούθηση των φυσικών πόρων στην περιοχή. <br /> <br /> Εισαγωγή: Αποτελεί παγκόσμιο γεγονός πλέον πως η φυσική κάλυψη της γης μεταβάλλεται ραγδαία τα τελευταία χρόνια εξαιτίας της εξάπλωσης της αγροτικής καλλιέργειας, της αστικοποίησης και άλλων παραγόντων. Συγκεκριμένα για την Ζιμπάμπουε, σύμφωνα με τη δασική επιτροπή, η δασοκάλυψη έχει μειωθεί σχεδόν σε ποσοστό 10% μέσα διάστημα 16 ετών από το 1992 έως και το 2008, ενώ αντίστοιχα παρατηρούνται και άλλες ανησυχητικές μεταβολές. Η τάση αυτή οδήγησε στην παρούσα μελέτη προκειμένου να ανιχνευτούνμε μεγαλύτερη ακρίβεια οι παρόμοιες μεταβολές στην περιοχή Mazowe.<br /> <br /> Περιοχή μελέτης: Η περιοχή Mazowe βρίσκεται 58 χιλιόμετρα βορειοδυτικά του Harare(εικόνα 1). Έχει συνολικό πληθυσμό 233.450 κατοίκους σε μία έκταση 53.62 τετραγωνικών χιλιομέτρων. Το 97.2% του συνολικού πληθυσμού χαρακτηρίζεται ως αγροτικό ενώ μόλις το 2.8 ως αστικό. Ο ποταμός Gwebi που διατρέχει την περιοχή παρέχει τις απαραίτητες ποσότητες νερού για άρδευση.<br /> Τηλεπισκοπικά Δεδομένα: Χρησιμοποιήθηκαν 3 εικόνες Landsat και συγκεκριμένα για τον Σεπτέμβριο του 2000 Landsat 5, για τον Σεπτέμβριο του 2008 επίσης Landsat 5 και για τον Οκτώβριο του 2018 Landsat 8.<br /> <br /> Μεθοδολογία: Οι εικόνες εφόσον διορθώθηκαν ραδιομετρικά και γεωμετρικά εισήχθησαν στο λογισμικό του ArcMap 10.5. <br /> Στο λογισμικό πραγματοποιήθηκε η τεχνική της επιβλεπόμενης ταξινόμησης για την δημιουργία ενός χάρτη χρήσεων γης. Οι περιοχές εκπαίδευσης επιλέχθηκαν βάση δεδομένων από ΄έρευνα πεδίου στην περιοχή σε συνδυασμό με τη χρήση του Google Earth. Οι κατηγορίες χρήσεων γης περιλαμβάνουν πυκνές δασικές περιοχές, αραιές δασικές περιοχές, λιβάδια, καλλιέργειες, γυμνό έδαφος και τέλος ύδατα. Η ταξινόμηση έγινε με τον αλγόριθμο της μέγιστης πιθανοφάνειας(maximum likelihood) και στη συνέχεια παράχθηκε το τελικό ψηφιδωτό αρχείο εικόνας. Στη συνέχεια ακολούθησε μετα-ταξινόμηση μέσω εκτίμησης ακρίβειας και υπολογισμού στατιστικών τάξεων στο ίδιο λογισμικό. Χρησιμοποιήθηκαν περιοχές ενδιαφέροντος εμπειρικά επιλεγμένες προκειμένου να αξιολογηθούν οι χάρτες ταξινόμησης που προέκυψαν παραπάνω μέσω του πίνακα σφαλμάτων.<br /> <br /> Αποτελέσματα: Τα αποτελέσματα των ταξινομήσεων κατέδειξαν σημαντικές αλλαγές σε όλες τις χρήσεις γης μεταξύ 2000 και 2018. Η μεγαλύτερη μεταβολή εντοπίζεται στις χορτολιβαδικές περιοχές και τις δασικές εκτάσεις. Συγκεκριμένα οι τελευταίες από τα 2352.06 εκτάρια μειώθηκαν σε 1320.57 το 2018, μείωση της τάξεως του 43,3%. Μονάχα τα γυμνά εδάφη και οι καλλιέργειες αυξήθηκαν σε έκταση σε ποσοστό +26.8%. Στην εικόνα δύο απεικονίζονται οι χάρτες ταξινόμησης για κάθε χρονική περίοδο. <br /> Συμπεράσματα: Η μελέτη κατέδειξε πως πριν τη μετεγκατάσταση πληθυσμού στην περιοχή, η δασική έκταση και τα λιβάδια κάλυπταν το μεγαλύτερο ποσοστό της γης. Μετά την μετεγκατάσταση οι εκτάσεις αυτές μειώθηκαν σε μεγάλο βαθμό οδηγώντας στην εξαφάνιση σημαντικών δασικών ειδών. Αξίζει να σημειωθεί πως η συμβολή των τεχνικών τηλεπισκόπησης αποδείχθηκε πολύ βοηθητική και αναδείχθηκε η δυνατότητα χρήσης δορυφορικών δεδομένων στο σχεδιασμό και την παρακολούθηση του χωρικού σχεδιασμού των πόλεων.<br /> <br /> <br /> <br /> [[category:Ανίχνευση μεταβολών αστικής γης]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%B1%CE%B3%CE%BD%CF%8E%CF%81%CE%B9%CF%83%CE%B7_%CF%80%CF%81%CE%BF%CF%84%CF%8D%CF%80%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%80%CE%B1%CF%81%CE%B1%CE%B4%CE%BF%CF%83%CE%B9%CE%B1%CE%BA%CE%BF%CF%8D_%CF%87%CF%89%CF%81%CE%B9%CE%BF%CF%8D_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%87%CE%B1%CE%BC%CE%B7%CE%BB%CE%BF%CF%8D_%CF%85%CF%88%CE%BF%CE%BC%CE%AD%CF%84%CF%81%CE%BF%CF%85_%CE%BC%CE%B7_%CE%B5%CF%80%CE%B1%CE%BD%CE%B4%CF%81%CF%89%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%B1%CE%B5%CF%81%CE%BF%CF%83%CE%BA%CE%B1%CF%86%CF%8E%CE%BD 2021-02-22T12:09:08Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs_wiki_id_art7_img1.png | thumb | right |'''Εικόνα 1. Περιοχή μελέτης. Δεξιά το άσπρο πολύγωνο απεικονίζει την περιοχή του αρχαίου κάστρου, τα κίτρινα πολύγωνα απεικονίζουν τα γύρω βουνά και το μπλε πολύγωνο απεικονίζει το βασικό υδατικό κανάλι, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr1_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art7_img2.png | thumb | right |'''Εικόνα 2. Πάνω αριστερά: εξαπτέρυγο ΜΕΑ, Πάνω δεξιά: πολυφασματικό σύστημα εντοπισμού, Κάτω αριστερά: προκαθορισμένη πορεία πτήσης, Κάτω δεξιά: πολυφασματικά δεδομένα που παρήχθησαν από το σύστημα, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr2_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art7_img3.png | thumb | right |'''Εικόνα 3. Διάγραμμα ροής OBIA, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr3_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art7_img5.png | thumb | right |'''Εικόνα 4. Η μέση ολική ακρίβεια(average overall accuracy) και η μέση τιμή KIA αναπαριστούν τις μέσες τιμές της σταυρωτής αξιολόγησης. Πηγή:'''[ https://www.sciencedirect.com/science/article/pii/S1296207418305958#tbl0010] '''πίνακας 2(table 2)''']]<br /> [[Εικόνα:rs_wiki_id_art7_img4.png | thumb | right |'''Εικόνα 5. Το αποτέλεσμα της επεξεργασίας. Με κόκκινο απεικονίζονται τα αρχαία κτίρια, με μπλε απεικονίζεται το ποτάμι, με γκρι οι δρόμοι, με πράσινο η βλάστηση, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr6_lrg.jpg]]]<br /> <br /> '''Πρωτότυπος τίτλος:'''Pattern identification and analysis for the traditional village using low altitude UAV-borne remote sensing: multifeatured geospatial data to support rural landscape investigation, documentation and management<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S129620741830595]8<br /> <br /> '''Συγγραφείς:''' Chun Liu, Yujie Cao, Chen Yangb, Yuan Zhouc, Mengchi Aia<br /> <br /> '''Λέξεις κλειδιά:''' χωρικά πρότυπα, Pattern identification ,αντικειμενοστραφής ανάλυση, OBIA,μη επανδρωμένα αεροσκάφη<br /> <br /> '''Σύνοψη''' <br /> <br /> Τα χωρικά μοτίβα των τοπίων θεωρούνται ως η δομή των παραδοσιακών χωριών. Στο πλαίσιο αυτό, ο ακριβής εντοπισμός και η ανάλυση τους αποτελεί θεμέλιο λίθο στην κατανόηση της σχέσης μεταξύ ανθρώπου και περιβάλλοντος. Ήδη έχουν διενεργηθεί μελέτες με τεχνικές τηλεπισκόπησης στο πεδίο της προστασίας πολιτισμικής κληρονομιάς, ωστόσο τα αποτελέσματα αν και επιτυχημένα τείνουν να παρουσιάζουν περιορισμούς. Ο σκοπός της συγκεκριμένης εργασίας, με περιοχή μελέτης το αρχαίο χωριό Baojiatun στην Κίνα αποσκοπεί στον εντοπισμό και την ανάλυση μοτίβων ενός παραδοσιακού χωριού με γεωχωρικά δεδομένα από χαμηλού υψομέτρου μη επανδρωμένου αεροσκάφους. <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η ανάλυση των χωρικών προτύπων αρχέγονων οικισμών μπορεί να δώσει φως σε εξαιρετικά χρήσιμες πληροφορίες για την ζωή τότε, άγνωστες έως σήμερα. Μέχρι πρότινος οι έρευνες βασίζονταν κυρίως στην ανάλυση των γεωγραφικών και περιβαλλοντικών χαρακτηριστικών των περιοχών αυτών. Ωστόσο, οι μέθοδοι αυτές περιορίζονται λόγω έλλειψης ικανού αριθμού δεδομένων , αναγκαιότητας πολύ χρόνου κ.α. Διαφορετικές μέθοδοι που χρησιμοποιούν δορυφορικά δεδομένα για την ανάλυση προϊστορικών προτύπων είναι ευρέως διαδεδομένες ,ωστόσο και αυτές εμφανίζουν περιορισμούς από παράγοντες όπως η χωρική ακρίβεια, η νεφοκάλυψη κ.α. Στη συγκεκριμένη εργασία χρησιμοποιούνται πολυφασματικές εικόνες από μη επανδρωμένα αεροσκάφη σε συνδυασμό και παρουσιάζεται η εφαρμογή της τηλεπισκόπησης στην αναγνώριση και ανάλυση των χωρικών προτύπων, τοπίων πολιτισμικής κληρονομιάς, μελετώντας ως παράδειγμα το αρχαίο κάστρο Baojiatun. Για την απόκτηση των δεδομένων αναπτύχθηκε ένα σύστημα χαμηλού υψομέτρου εναέριας έρευνας. Είχαν προηγηθεί μετρήσεις στο πεδίο για τις τιμές ανακλαστικότητας συγκεκριμένων επιφανειών και τα δεδομένα που συλλέχθηκαν χρησιμοποιήθηκαν για την προσαρμογή του εναέριου συστήματος. Τα τελικό αποτέλεσμα αξιολογήθηκε με τη σταυρωτή αξιολόγηση(cross validation), ενώ πραγματοποιήθηκε και περαιτέρω ανάλυση χρησιμοποιώντας τη μέθοδο k-means.<br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η εργασία επικεντρώνεται στις τεχνικές απόκτησης γεοχωρικής πληροφορίας μέσω μη επανδρωμένων αεροσκαφών (UAV ), στη μέθοδο διενέργειας κατάτμησης και ταξινόμησης εικόνων με ποικίλα χαρακτηριστικά και στην στατιστική ανάλυση της χωρικής κατανομής πολιτισμικών μνημείων.<br /> <br /> '''Συλλογή δεδομένων και προετοιμασία''' <br /> <br /> Το υπό μελέτη χωριό βρίσκεται εντός μιας ορεινής περιοχής της Κίνας, περίπου 100 χιλιόμετρα μακριά από την κοντινότερη αστική περιοχή. Προκειμένου να εντοπιστούν τα τοπία που συνδέονται με το αρχαίο χωριό, τοπογραφήθηκε ένα εκτεταμένο τμήμα της περιοχής που καλύπτει περίπου 4.02 τετραγωνικά χιλιόμετρα(εικόνα 1).<br /> Σε ότι αφορά τις μετρήσεις πεδίου, η ανακλαστικότητα των επιφανειών μετρήθηκε με φασματοραδιόμετρο FieldSpec 4 Standard-Res. Μεταξύ των αντικειμένων που μετρήθηκαν ήταν δρόμοι, ποτάμια, αγροτική γη, τα οποία δείγματα επιλέχθηκαν τυχαία. <br /> Αναφορικά με το εναέριο σύστημα που τέθηκε σε εφαρμογή (εικόνα 2) χρησιμοποιήθηκε ένα μη επανδρωμένο αεροσκάφος 6 πτερυγίων με ένα πολυφασματικό σύστημα εντοπισμού. Στο αεροσκάφος εγκαταστάθηκε επίσης GPS τοπογραφικής ακρίβειας. Το πολυφασματικό σύστημα περιέχει 4 οπτικούς αισθητήρες μεγέθους 23.2 επί15.4 χιλιοστά. Οι αισθητήρες προσαρμόστηκαν με ένα μικτό RGB ορατό κανάλι και τρία υπέρυθρα ξεχωριστά κανάλια (600nm, 701 και 750nm). Οι απαραίτητες γεωμετρικές και ραδιομετρικές διορθώσεις πραγματοποιήθηκαν προτού ξεκινήσει η μελέτη. Τα εναέρια δεδομένα συλλέχθηκαν μεταξύ 18 και 20 Αυγούστου του 2016 μεταξύ των ωρών 9.00 και 11.00. Τελικά συλλέχθηκαν 1574 αεροφωτογραφίες οι οποίος γεωαναφέρθηκαν με τη βοήθεια του εγκατεστημένου GPS.<br /> Στη συνέχεια οι αεροφωτογραφίες επεξεργάστηκαν και παράχθηκε το ορθο-μωσαϊκό σε λογισμικό PIX4D. Τα τελικά δεδομένα περιλαμβάνουν ένα πολυφασματικό ορθο μωσαϊκό το οποίο περιέχει έξι κανάλια(κόκκινο, πράσινο, μπλε ,600nm 701nm, 760nm) με χωρική ανάλυση 3.56 cm/pix. και ένα ψηφιακό μοντέλο εδάφους.<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Χρησιμοποιήθηκε η τεχνική της αντικειμενοστραφούς ανάλυσης εικόνας(OBIA). Στην εικόνα 3 φαίνεται το διάγραμμα ροής της τεχνικής αυτής, το οποίο χωρίζεται σε δύο τμήματα, την παραγωγή των κατατμήσεων και την πολυπεπίπεδη ταξινόμηση. Το κομμάτι της κατάτμησης αφορά στη δημιουργία εικόνας από αντικείμενα που αναγνωρίζονται βάση φασματικών και γεωμετρικών χαρακτηριστικών, καθώς και χαρακτηριστικών υφής. Στην παρούσα εργασία το κριτήριο για την εξαγωγή των αντικειμένων ενδιαφέροντος(οι επιφάνειες πολιτισμικής κληρονομιάς) είναι h ρύθμιση της ταξινόμησης. Στην εικόνα παρουσιάζεται μία ταξινόμηση τριών επιπέδων η οποία χωρίζεται σε φυσικό και τεχνητό περιβάλλον. Βάση αυτού του μοντέλου σχεδιάστηκε ένα σύστημα τεσσάρων ταξινομήσεων. <br /> Το σύστημα αυτό περιλαμβάνει 5 ξεχωριστές ενότητες κατατμήσεων και ταξινομήσεων. Στην πρώτη ενότητα χρησιμοποιείται ο δείκτης NDVI για το διαχωρισμό περιοχών βλάστησης και μη, στη δεύτερη εξάγονται τα βουνά βάση τιμών του γκρι στο ψηφιακό μοντέλο εδάφους. Στην τρίτη ενότητα χρησιμοποιήθηκε ο δείκτης νερού NDWI για το διαχωρισμό περιοχών δίχως βλάστησης. Οι δρόμοι και τα κτίρια διακρίνονται στην τέταρτη ενότητα βάση τιμών του ΨΜΕ και του δείκτη σχήματος. Τέλος τα αρχαία κτίρια και τα νέα διαφοροποιούνται βάση των μπλε και 600nm καναλιών.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Συνολικά 5 ταξινομήσεις δημιουργήθηκαν και αξιολογήθηκαν στο λογισμικό e-cognition. Στην αξιολόγηση έλαβε μέρος επιφάνεια 0.08 τετραγωνικών χιλιομέτρων η οποία περιλάμβανε 3069 αντικείμενα από την πρώτη κατάτμηση. Τα αντικείμενα αυτά αξιολογήθηκαν σύμφωνα με τα δεδομένα από τις μετρήσεις πεδίου. Στην εικόνα 4 φαίνονται τα αποτελέσματα της αξιολόγησης. Ο δείκτης συνολικής ακρίβειας (overall acuracy) και δείκτης συμφωνίας KAPPA χρησιμοποιήθηκαν για την εκτίμηση του αποτελέσματος. Όπως φαίνεται στην εικόνα 4 οι ακρίβειες κυμαίνονται μεταξύ των τιμών 0.843 και 0.961 με μέση τιμή το 0.913. Αντίστοιχα οι τιμές του KAPPA παρουσιάζουν διακυμάνσεις μεταξύ 0.915 και 0.763. Η ακρίβεια του οπτικού αποτελέσματος το οποίο φαίνεται στην εικόνα 4, ερευνήθηκε ποσοτικά υπολογίζοντας τον αριθμό των pixels που ταίριαζαν και στο εξαχθέν μοντέλο και στο τεχνητό μοντέλο που ερμηνεύτηκε. Η ακρίβειά των αρχαίων κτιρίων και των δρόμων έφτασε αντίστοιχα τις τιμές 0.792 και 0.803 ενώ για το ποτάμι και τη βλάστηση τι τιμές 0.852 και 0.904. Έπειτα και από τη χωρική ανάλυση συμπεραίνεται πως το χωριό και τα αρχαίο κτίρια ακολουθούν συγκεκριμένα μοτίβα κατανομής.<br /> <br /> <br /> <br /> [[category:Αρχαιολογία]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%B1%CE%B3%CE%BD%CF%8E%CF%81%CE%B9%CF%83%CE%B7_%CF%80%CF%81%CE%BF%CF%84%CF%8D%CF%80%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%80%CE%B1%CF%81%CE%B1%CE%B4%CE%BF%CF%83%CE%B9%CE%B1%CE%BA%CE%BF%CF%8D_%CF%87%CF%89%CF%81%CE%B9%CE%BF%CF%8D_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%87%CE%B1%CE%BC%CE%B7%CE%BB%CE%BF%CF%8D_%CF%85%CF%88%CE%BF%CE%BC%CE%AD%CF%84%CF%81%CE%BF%CF%85_%CE%BC%CE%B7_%CE%B5%CF%80%CE%B1%CE%BD%CE%B4%CF%81%CF%89%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%B1%CE%B5%CF%81%CE%BF%CF%83%CE%BA%CE%B1%CF%86%CF%8E%CE%BD 2021-02-22T12:08:38Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs_wiki_id_art7_img1.png | thumb | right |'''Εικόνα 1. Περιοχή μελέτης. Δεξιά το άσπρο πολύγωνο απεικονίζει την περιοχή του αρχαίου κάστρου, τα κίτρινα πολύγωνα απεικονίζουν τα γύρω βουνά και το μπλε πολύγωνο απεικονίζει το βασικό υδατικό κανάλι, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr1_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art7_img2.png | thumb | right |'''Εικόνα 2. Πάνω αριστερά: εξαπτέρυγο ΜΕΑ, Πάνω δεξιά: πολυφασματικό σύστημα εντοπισμού, Κάτω αριστερά: προκαθορισμένη πορεία πτήσης, Κάτω δεξιά: πολυφασματικά δεδομένα που παρήχθησαν από το σύστημα, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr2_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art7_img3.png | thumb | right |'''Εικόνα 3. Διάγραμμα ροής OBIA, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr3_lrg.jpg]]]<br /> <br /> '''Πρωτότυπος τίτλος:'''Pattern identification and analysis for the traditional village using low altitude UAV-borne remote sensing: multifeatured geospatial data to support rural landscape investigation, documentation and management<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S129620741830595]8<br /> <br /> '''Συγγραφείς:''' Chun Liu, Yujie Cao, Chen Yangb, Yuan Zhouc, Mengchi Aia<br /> <br /> '''Λέξεις κλειδιά:''' χωρικά πρότυπα, Pattern identification ,αντικειμενοστραφής ανάλυση, OBIA,μη επανδρωμένα αεροσκάφη<br /> <br /> '''Σύνοψη''' <br /> <br /> Τα χωρικά μοτίβα των τοπίων θεωρούνται ως η δομή των παραδοσιακών χωριών. Στο πλαίσιο αυτό, ο ακριβής εντοπισμός και η ανάλυση τους αποτελεί θεμέλιο λίθο στην κατανόηση της σχέσης μεταξύ ανθρώπου και περιβάλλοντος. Ήδη έχουν διενεργηθεί μελέτες με τεχνικές τηλεπισκόπησης στο πεδίο της προστασίας πολιτισμικής κληρονομιάς, ωστόσο τα αποτελέσματα αν και επιτυχημένα τείνουν να παρουσιάζουν περιορισμούς. Ο σκοπός της συγκεκριμένης εργασίας, με περιοχή μελέτης το αρχαίο χωριό Baojiatun στην Κίνα αποσκοπεί στον εντοπισμό και την ανάλυση μοτίβων ενός παραδοσιακού χωριού με γεωχωρικά δεδομένα από χαμηλού υψομέτρου μη επανδρωμένου αεροσκάφους. <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η ανάλυση των χωρικών προτύπων αρχέγονων οικισμών μπορεί να δώσει φως σε εξαιρετικά χρήσιμες πληροφορίες για την ζωή τότε, άγνωστες έως σήμερα. Μέχρι πρότινος οι έρευνες βασίζονταν κυρίως στην ανάλυση των γεωγραφικών και περιβαλλοντικών χαρακτηριστικών των περιοχών αυτών. Ωστόσο, οι μέθοδοι αυτές περιορίζονται λόγω έλλειψης ικανού αριθμού δεδομένων , αναγκαιότητας πολύ χρόνου κ.α. Διαφορετικές μέθοδοι που χρησιμοποιούν δορυφορικά δεδομένα για την ανάλυση προϊστορικών προτύπων είναι ευρέως διαδεδομένες ,ωστόσο και αυτές εμφανίζουν περιορισμούς από παράγοντες όπως η χωρική ακρίβεια, η νεφοκάλυψη κ.α. Στη συγκεκριμένη εργασία χρησιμοποιούνται πολυφασματικές εικόνες από μη επανδρωμένα αεροσκάφη σε συνδυασμό και παρουσιάζεται η εφαρμογή της τηλεπισκόπησης στην αναγνώριση και ανάλυση των χωρικών προτύπων, τοπίων πολιτισμικής κληρονομιάς, μελετώντας ως παράδειγμα το αρχαίο κάστρο Baojiatun. Για την απόκτηση των δεδομένων αναπτύχθηκε ένα σύστημα χαμηλού υψομέτρου εναέριας έρευνας. Είχαν προηγηθεί μετρήσεις στο πεδίο για τις τιμές ανακλαστικότητας συγκεκριμένων επιφανειών και τα δεδομένα που συλλέχθηκαν χρησιμοποιήθηκαν για την προσαρμογή του εναέριου συστήματος. Τα τελικό αποτέλεσμα αξιολογήθηκε με τη σταυρωτή αξιολόγηση(cross validation), ενώ πραγματοποιήθηκε και περαιτέρω ανάλυση χρησιμοποιώντας τη μέθοδο k-means.<br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η εργασία επικεντρώνεται στις τεχνικές απόκτησης γεοχωρικής πληροφορίας μέσω μη επανδρωμένων αεροσκαφών (UAV ), στη μέθοδο διενέργειας κατάτμησης και ταξινόμησης εικόνων με ποικίλα χαρακτηριστικά και στην στατιστική ανάλυση της χωρικής κατανομής πολιτισμικών μνημείων.<br /> <br /> '''Συλλογή δεδομένων και προετοιμασία''' <br /> <br /> Το υπό μελέτη χωριό βρίσκεται εντός μιας ορεινής περιοχής της Κίνας, περίπου 100 χιλιόμετρα μακριά από την κοντινότερη αστική περιοχή. Προκειμένου να εντοπιστούν τα τοπία που συνδέονται με το αρχαίο χωριό, τοπογραφήθηκε ένα εκτεταμένο τμήμα της περιοχής που καλύπτει περίπου 4.02 τετραγωνικά χιλιόμετρα(εικόνα 1).<br /> Σε ότι αφορά τις μετρήσεις πεδίου, η ανακλαστικότητα των επιφανειών μετρήθηκε με φασματοραδιόμετρο FieldSpec 4 Standard-Res. Μεταξύ των αντικειμένων που μετρήθηκαν ήταν δρόμοι, ποτάμια, αγροτική γη, τα οποία δείγματα επιλέχθηκαν τυχαία. <br /> Αναφορικά με το εναέριο σύστημα που τέθηκε σε εφαρμογή (εικόνα 2) χρησιμοποιήθηκε ένα μη επανδρωμένο αεροσκάφος 6 πτερυγίων με ένα πολυφασματικό σύστημα εντοπισμού. Στο αεροσκάφος εγκαταστάθηκε επίσης GPS τοπογραφικής ακρίβειας. Το πολυφασματικό σύστημα περιέχει 4 οπτικούς αισθητήρες μεγέθους 23.2 επί15.4 χιλιοστά. Οι αισθητήρες προσαρμόστηκαν με ένα μικτό RGB ορατό κανάλι και τρία υπέρυθρα ξεχωριστά κανάλια (600nm, 701 και 750nm). Οι απαραίτητες γεωμετρικές και ραδιομετρικές διορθώσεις πραγματοποιήθηκαν προτού ξεκινήσει η μελέτη. Τα εναέρια δεδομένα συλλέχθηκαν μεταξύ 18 και 20 Αυγούστου του 2016 μεταξύ των ωρών 9.00 και 11.00. Τελικά συλλέχθηκαν 1574 αεροφωτογραφίες οι οποίος γεωαναφέρθηκαν με τη βοήθεια του εγκατεστημένου GPS.<br /> Στη συνέχεια οι αεροφωτογραφίες επεξεργάστηκαν και παράχθηκε το ορθο-μωσαϊκό σε λογισμικό PIX4D. Τα τελικά δεδομένα περιλαμβάνουν ένα πολυφασματικό ορθο μωσαϊκό το οποίο περιέχει έξι κανάλια(κόκκινο, πράσινο, μπλε ,600nm 701nm, 760nm) με χωρική ανάλυση 3.56 cm/pix. και ένα ψηφιακό μοντέλο εδάφους.<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Χρησιμοποιήθηκε η τεχνική της αντικειμενοστραφούς ανάλυσης εικόνας(OBIA). Στην εικόνα 3 φαίνεται το διάγραμμα ροής της τεχνικής αυτής, το οποίο χωρίζεται σε δύο τμήματα, την παραγωγή των κατατμήσεων και την πολυπεπίπεδη ταξινόμηση. Το κομμάτι της κατάτμησης αφορά στη δημιουργία εικόνας από αντικείμενα που αναγνωρίζονται βάση φασματικών και γεωμετρικών χαρακτηριστικών, καθώς και χαρακτηριστικών υφής. Στην παρούσα εργασία το κριτήριο για την εξαγωγή των αντικειμένων ενδιαφέροντος(οι επιφάνειες πολιτισμικής κληρονομιάς) είναι h ρύθμιση της ταξινόμησης. Στην εικόνα παρουσιάζεται μία ταξινόμηση τριών επιπέδων η οποία χωρίζεται σε φυσικό και τεχνητό περιβάλλον. Βάση αυτού του μοντέλου σχεδιάστηκε ένα σύστημα τεσσάρων ταξινομήσεων. <br /> Το σύστημα αυτό περιλαμβάνει 5 ξεχωριστές ενότητες κατατμήσεων και ταξινομήσεων. Στην πρώτη ενότητα χρησιμοποιείται ο δείκτης NDVI για το διαχωρισμό περιοχών βλάστησης και μη, στη δεύτερη εξάγονται τα βουνά βάση τιμών του γκρι στο ψηφιακό μοντέλο εδάφους. Στην τρίτη ενότητα χρησιμοποιήθηκε ο δείκτης νερού NDWI για το διαχωρισμό περιοχών δίχως βλάστησης. Οι δρόμοι και τα κτίρια διακρίνονται στην τέταρτη ενότητα βάση τιμών του ΨΜΕ και του δείκτη σχήματος. Τέλος τα αρχαία κτίρια και τα νέα διαφοροποιούνται βάση των μπλε και 600nm καναλιών.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Συνολικά 5 ταξινομήσεις δημιουργήθηκαν και αξιολογήθηκαν στο λογισμικό e-cognition. Στην αξιολόγηση έλαβε μέρος επιφάνεια 0.08 τετραγωνικών χιλιομέτρων η οποία περιλάμβανε 3069 αντικείμενα από την πρώτη κατάτμηση. Τα αντικείμενα αυτά αξιολογήθηκαν σύμφωνα με τα δεδομένα από τις μετρήσεις πεδίου. Στην εικόνα 4 φαίνονται τα αποτελέσματα της αξιολόγησης. Ο δείκτης συνολικής ακρίβειας (overall acuracy) και δείκτης συμφωνίας KAPPA χρησιμοποιήθηκαν για την εκτίμηση του αποτελέσματος. Όπως φαίνεται στην εικόνα 4 οι ακρίβειες κυμαίνονται μεταξύ των τιμών 0.843 και 0.961 με μέση τιμή το 0.913. Αντίστοιχα οι τιμές του KAPPA παρουσιάζουν διακυμάνσεις μεταξύ 0.915 και 0.763. Η ακρίβεια του οπτικού αποτελέσματος το οποίο φαίνεται στην εικόνα 4, ερευνήθηκε ποσοτικά υπολογίζοντας τον αριθμό των pixels που ταίριαζαν και στο εξαχθέν μοντέλο και στο τεχνητό μοντέλο που ερμηνεύτηκε. Η ακρίβειά των αρχαίων κτιρίων και των δρόμων έφτασε αντίστοιχα τις τιμές 0.792 και 0.803 ενώ για το ποτάμι και τη βλάστηση τι τιμές 0.852 και 0.904. Έπειτα και από τη χωρική ανάλυση συμπεραίνεται πως το χωριό και τα αρχαίο κτίρια ακολουθούν συγκεκριμένα μοτίβα κατανομής.<br /> <br /> [[Εικόνα:rs_wiki_id_art7_img5.png | thumb | right |'''Εικόνα 4. Η μέση ολική ακρίβεια(average overall accuracy) και η μέση τιμή KIA αναπαριστούν τις μέσες τιμές της σταυρωτής αξιολόγησης. Πηγή:'''[ https://www.sciencedirect.com/science/article/pii/S1296207418305958#tbl0010] '''πίνακας 2(table 2)''']]<br /> [[Εικόνα:rs_wiki_id_art7_img4.png | thumb | right |'''Εικόνα 5. Το αποτέλεσμα της επεξεργασίας. Με κόκκινο απεικονίζονται τα αρχαία κτίρια, με μπλε απεικονίζεται το ποτάμι, με γκρι οι δρόμοι, με πράσινο η βλάστηση, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr6_lrg.jpg]]]<br /> <br /> [[category:Αρχαιολογία]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%B1%CE%B3%CE%BD%CF%8E%CF%81%CE%B9%CF%83%CE%B7_%CF%80%CF%81%CE%BF%CF%84%CF%8D%CF%80%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%80%CE%B1%CF%81%CE%B1%CE%B4%CE%BF%CF%83%CE%B9%CE%B1%CE%BA%CE%BF%CF%8D_%CF%87%CF%89%CF%81%CE%B9%CE%BF%CF%8D_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%87%CE%B1%CE%BC%CE%B7%CE%BB%CE%BF%CF%8D_%CF%85%CF%88%CE%BF%CE%BC%CE%AD%CF%84%CF%81%CE%BF%CF%85_%CE%BC%CE%B7_%CE%B5%CF%80%CE%B1%CE%BD%CE%B4%CF%81%CF%89%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%B1%CE%B5%CF%81%CE%BF%CF%83%CE%BA%CE%B1%CF%86%CF%8E%CE%BD 2021-02-22T12:07:55Z

<p>Ioanna dramitinou: </p> <hr /> <div>'''Πρωτότυπος τίτλος:'''Pattern identification and analysis for the traditional village using low altitude UAV-borne remote sensing: multifeatured geospatial data to support rural landscape investigation, documentation and management<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S129620741830595]8<br /> <br /> '''Συγγραφείς:''' Chun Liu, Yujie Cao, Chen Yangb, Yuan Zhouc, Mengchi Aia<br /> <br /> '''Λέξεις κλειδιά:''' χωρικά πρότυπα, Pattern identification ,αντικειμενοστραφής ανάλυση, OBIA,μη επανδρωμένα αεροσκάφη<br /> <br /> '''Σύνοψη''' <br /> <br /> Τα χωρικά μοτίβα των τοπίων θεωρούνται ως η δομή των παραδοσιακών χωριών. Στο πλαίσιο αυτό, ο ακριβής εντοπισμός και η ανάλυση τους αποτελεί θεμέλιο λίθο στην κατανόηση της σχέσης μεταξύ ανθρώπου και περιβάλλοντος. Ήδη έχουν διενεργηθεί μελέτες με τεχνικές τηλεπισκόπησης στο πεδίο της προστασίας πολιτισμικής κληρονομιάς, ωστόσο τα αποτελέσματα αν και επιτυχημένα τείνουν να παρουσιάζουν περιορισμούς. Ο σκοπός της συγκεκριμένης εργασίας, με περιοχή μελέτης το αρχαίο χωριό Baojiatun στην Κίνα αποσκοπεί στον εντοπισμό και την ανάλυση μοτίβων ενός παραδοσιακού χωριού με γεωχωρικά δεδομένα από χαμηλού υψομέτρου μη επανδρωμένου αεροσκάφους. <br /> <br /> [[Εικόνα:rs_wiki_id_art7_img1.png | thumb | right |'''Εικόνα 1. Περιοχή μελέτης. Δεξιά το άσπρο πολύγωνο απεικονίζει την περιοχή του αρχαίου κάστρου, τα κίτρινα πολύγωνα απεικονίζουν τα γύρω βουνά και το μπλε πολύγωνο απεικονίζει το βασικό υδατικό κανάλι, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr1_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art7_img2.png | thumb | right |'''Εικόνα 2. Πάνω αριστερά: εξαπτέρυγο ΜΕΑ, Πάνω δεξιά: πολυφασματικό σύστημα εντοπισμού, Κάτω αριστερά: προκαθορισμένη πορεία πτήσης, Κάτω δεξιά: πολυφασματικά δεδομένα που παρήχθησαν από το σύστημα, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr2_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art7_img3.png | thumb | right |'''Εικόνα 3. Διάγραμμα ροής OBIA, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr3_lrg.jpg]]]<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η ανάλυση των χωρικών προτύπων αρχέγονων οικισμών μπορεί να δώσει φως σε εξαιρετικά χρήσιμες πληροφορίες για την ζωή τότε, άγνωστες έως σήμερα. Μέχρι πρότινος οι έρευνες βασίζονταν κυρίως στην ανάλυση των γεωγραφικών και περιβαλλοντικών χαρακτηριστικών των περιοχών αυτών. Ωστόσο, οι μέθοδοι αυτές περιορίζονται λόγω έλλειψης ικανού αριθμού δεδομένων , αναγκαιότητας πολύ χρόνου κ.α. Διαφορετικές μέθοδοι που χρησιμοποιούν δορυφορικά δεδομένα για την ανάλυση προϊστορικών προτύπων είναι ευρέως διαδεδομένες ,ωστόσο και αυτές εμφανίζουν περιορισμούς από παράγοντες όπως η χωρική ακρίβεια, η νεφοκάλυψη κ.α. Στη συγκεκριμένη εργασία χρησιμοποιούνται πολυφασματικές εικόνες από μη επανδρωμένα αεροσκάφη σε συνδυασμό και παρουσιάζεται η εφαρμογή της τηλεπισκόπησης στην αναγνώριση και ανάλυση των χωρικών προτύπων, τοπίων πολιτισμικής κληρονομιάς, μελετώντας ως παράδειγμα το αρχαίο κάστρο Baojiatun. Για την απόκτηση των δεδομένων αναπτύχθηκε ένα σύστημα χαμηλού υψομέτρου εναέριας έρευνας. Είχαν προηγηθεί μετρήσεις στο πεδίο για τις τιμές ανακλαστικότητας συγκεκριμένων επιφανειών και τα δεδομένα που συλλέχθηκαν χρησιμοποιήθηκαν για την προσαρμογή του εναέριου συστήματος. Τα τελικό αποτέλεσμα αξιολογήθηκε με τη σταυρωτή αξιολόγηση(cross validation), ενώ πραγματοποιήθηκε και περαιτέρω ανάλυση χρησιμοποιώντας τη μέθοδο k-means.<br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η εργασία επικεντρώνεται στις τεχνικές απόκτησης γεοχωρικής πληροφορίας μέσω μη επανδρωμένων αεροσκαφών (UAV ), στη μέθοδο διενέργειας κατάτμησης και ταξινόμησης εικόνων με ποικίλα χαρακτηριστικά και στην στατιστική ανάλυση της χωρικής κατανομής πολιτισμικών μνημείων.<br /> <br /> '''Συλλογή δεδομένων και προετοιμασία''' <br /> <br /> Το υπό μελέτη χωριό βρίσκεται εντός μιας ορεινής περιοχής της Κίνας, περίπου 100 χιλιόμετρα μακριά από την κοντινότερη αστική περιοχή. Προκειμένου να εντοπιστούν τα τοπία που συνδέονται με το αρχαίο χωριό, τοπογραφήθηκε ένα εκτεταμένο τμήμα της περιοχής που καλύπτει περίπου 4.02 τετραγωνικά χιλιόμετρα(εικόνα 1).<br /> Σε ότι αφορά τις μετρήσεις πεδίου, η ανακλαστικότητα των επιφανειών μετρήθηκε με φασματοραδιόμετρο FieldSpec 4 Standard-Res. Μεταξύ των αντικειμένων που μετρήθηκαν ήταν δρόμοι, ποτάμια, αγροτική γη, τα οποία δείγματα επιλέχθηκαν τυχαία. <br /> Αναφορικά με το εναέριο σύστημα που τέθηκε σε εφαρμογή (εικόνα 2) χρησιμοποιήθηκε ένα μη επανδρωμένο αεροσκάφος 6 πτερυγίων με ένα πολυφασματικό σύστημα εντοπισμού. Στο αεροσκάφος εγκαταστάθηκε επίσης GPS τοπογραφικής ακρίβειας. Το πολυφασματικό σύστημα περιέχει 4 οπτικούς αισθητήρες μεγέθους 23.2 επί15.4 χιλιοστά. Οι αισθητήρες προσαρμόστηκαν με ένα μικτό RGB ορατό κανάλι και τρία υπέρυθρα ξεχωριστά κανάλια (600nm, 701 και 750nm). Οι απαραίτητες γεωμετρικές και ραδιομετρικές διορθώσεις πραγματοποιήθηκαν προτού ξεκινήσει η μελέτη. Τα εναέρια δεδομένα συλλέχθηκαν μεταξύ 18 και 20 Αυγούστου του 2016 μεταξύ των ωρών 9.00 και 11.00. Τελικά συλλέχθηκαν 1574 αεροφωτογραφίες οι οποίος γεωαναφέρθηκαν με τη βοήθεια του εγκατεστημένου GPS.<br /> Στη συνέχεια οι αεροφωτογραφίες επεξεργάστηκαν και παράχθηκε το ορθο-μωσαϊκό σε λογισμικό PIX4D. Τα τελικά δεδομένα περιλαμβάνουν ένα πολυφασματικό ορθο μωσαϊκό το οποίο περιέχει έξι κανάλια(κόκκινο, πράσινο, μπλε ,600nm 701nm, 760nm) με χωρική ανάλυση 3.56 cm/pix. και ένα ψηφιακό μοντέλο εδάφους.<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Χρησιμοποιήθηκε η τεχνική της αντικειμενοστραφούς ανάλυσης εικόνας(OBIA). Στην εικόνα 3 φαίνεται το διάγραμμα ροής της τεχνικής αυτής, το οποίο χωρίζεται σε δύο τμήματα, την παραγωγή των κατατμήσεων και την πολυπεπίπεδη ταξινόμηση. Το κομμάτι της κατάτμησης αφορά στη δημιουργία εικόνας από αντικείμενα που αναγνωρίζονται βάση φασματικών και γεωμετρικών χαρακτηριστικών, καθώς και χαρακτηριστικών υφής. Στην παρούσα εργασία το κριτήριο για την εξαγωγή των αντικειμένων ενδιαφέροντος(οι επιφάνειες πολιτισμικής κληρονομιάς) είναι h ρύθμιση της ταξινόμησης. Στην εικόνα παρουσιάζεται μία ταξινόμηση τριών επιπέδων η οποία χωρίζεται σε φυσικό και τεχνητό περιβάλλον. Βάση αυτού του μοντέλου σχεδιάστηκε ένα σύστημα τεσσάρων ταξινομήσεων. <br /> Το σύστημα αυτό περιλαμβάνει 5 ξεχωριστές ενότητες κατατμήσεων και ταξινομήσεων. Στην πρώτη ενότητα χρησιμοποιείται ο δείκτης NDVI για το διαχωρισμό περιοχών βλάστησης και μη, στη δεύτερη εξάγονται τα βουνά βάση τιμών του γκρι στο ψηφιακό μοντέλο εδάφους. Στην τρίτη ενότητα χρησιμοποιήθηκε ο δείκτης νερού NDWI για το διαχωρισμό περιοχών δίχως βλάστησης. Οι δρόμοι και τα κτίρια διακρίνονται στην τέταρτη ενότητα βάση τιμών του ΨΜΕ και του δείκτη σχήματος. Τέλος τα αρχαία κτίρια και τα νέα διαφοροποιούνται βάση των μπλε και 600nm καναλιών.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Συνολικά 5 ταξινομήσεις δημιουργήθηκαν και αξιολογήθηκαν στο λογισμικό e-cognition. Στην αξιολόγηση έλαβε μέρος επιφάνεια 0.08 τετραγωνικών χιλιομέτρων η οποία περιλάμβανε 3069 αντικείμενα από την πρώτη κατάτμηση. Τα αντικείμενα αυτά αξιολογήθηκαν σύμφωνα με τα δεδομένα από τις μετρήσεις πεδίου. Στην εικόνα 4 φαίνονται τα αποτελέσματα της αξιολόγησης. Ο δείκτης συνολικής ακρίβειας (overall acuracy) και δείκτης συμφωνίας KAPPA χρησιμοποιήθηκαν για την εκτίμηση του αποτελέσματος. Όπως φαίνεται στην εικόνα 4 οι ακρίβειες κυμαίνονται μεταξύ των τιμών 0.843 και 0.961 με μέση τιμή το 0.913. Αντίστοιχα οι τιμές του KAPPA παρουσιάζουν διακυμάνσεις μεταξύ 0.915 και 0.763. Η ακρίβεια του οπτικού αποτελέσματος το οποίο φαίνεται στην εικόνα 4, ερευνήθηκε ποσοτικά υπολογίζοντας τον αριθμό των pixels που ταίριαζαν και στο εξαχθέν μοντέλο και στο τεχνητό μοντέλο που ερμηνεύτηκε. Η ακρίβειά των αρχαίων κτιρίων και των δρόμων έφτασε αντίστοιχα τις τιμές 0.792 και 0.803 ενώ για το ποτάμι και τη βλάστηση τι τιμές 0.852 και 0.904. Έπειτα και από τη χωρική ανάλυση συμπεραίνεται πως το χωριό και τα αρχαίο κτίρια ακολουθούν συγκεκριμένα μοτίβα κατανομής.<br /> <br /> [[Εικόνα:rs_wiki_id_art7_img5.png | thumb | right |'''Εικόνα 4. Η μέση ολική ακρίβεια(average overall accuracy) και η μέση τιμή KIA αναπαριστούν τις μέσες τιμές της σταυρωτής αξιολόγησης. Πηγή:'''[ https://www.sciencedirect.com/science/article/pii/S1296207418305958#tbl0010] '''πίνακας 2(table 2)''']]<br /> [[Εικόνα:rs_wiki_id_art7_img4.png | thumb | right |'''Εικόνα 5. Το αποτέλεσμα της επεξεργασίας. Με κόκκινο απεικονίζονται τα αρχαία κτίρια, με μπλε απεικονίζεται το ποτάμι, με γκρι οι δρόμοι, με πράσινο η βλάστηση, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr6_lrg.jpg]]]<br /> <br /> [[category:Αρχαιολογία]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art7_img1.png 2021-02-22T12:07:35Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art7_img2.png 2021-02-22T12:07:18Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art7_img3.png 2021-02-22T12:06:52Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art7_img4.png 2021-02-22T12:06:30Z

<p>Ioanna dramitinou: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:Rs wiki id art7 img4.png&amp;quot;</p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art7_img4.png 2021-02-22T12:05:40Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Rs_wiki_id_art7_img5.png 2021-02-22T12:05:21Z

<p>Ioanna dramitinou: </p> <hr /> <div></div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%B1%CE%B3%CE%BD%CF%8E%CF%81%CE%B9%CF%83%CE%B7_%CF%80%CF%81%CE%BF%CF%84%CF%8D%CF%80%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%80%CE%B1%CF%81%CE%B1%CE%B4%CE%BF%CF%83%CE%B9%CE%B1%CE%BA%CE%BF%CF%8D_%CF%87%CF%89%CF%81%CE%B9%CE%BF%CF%8D_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%87%CE%B1%CE%BC%CE%B7%CE%BB%CE%BF%CF%8D_%CF%85%CF%88%CE%BF%CE%BC%CE%AD%CF%84%CF%81%CE%BF%CF%85_%CE%BC%CE%B7_%CE%B5%CF%80%CE%B1%CE%BD%CE%B4%CF%81%CF%89%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%B1%CE%B5%CF%81%CE%BF%CF%83%CE%BA%CE%B1%CF%86%CF%8E%CE%BD 2021-02-22T12:04:37Z

<p>Ioanna dramitinou: Νέα σελίδα με ''''Πρωτότυπος τίτλος:'''Pattern identification and analysis for the traditional village using low altitude UAV-borne remote sensing: multifeatured geospati...'</p> <hr /> <div>'''Πρωτότυπος τίτλος:'''Pattern identification and analysis for the traditional village using low altitude UAV-borne remote sensing: multifeatured geospatial data to support rural landscape investigation, documentation and management<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S129620741830595]8<br /> <br /> '''Συγγραφείς:''' Chun Liu, Yujie Cao, Chen Yangb, Yuan Zhouc, Mengchi Aia<br /> <br /> '''Λέξεις κλειδιά:''' χωρικά πρότυπα, Pattern identification ,αντικειμενοστραφής ανάλυση, OBIA,μη επανδρωμένα αεροσκάφη<br /> <br /> '''Σύνοψη''' <br /> <br /> Τα χωρικά μοτίβα των τοπίων θεωρούνται ως η δομή των παραδοσιακών χωριών. Στο πλαίσιο αυτό, ο ακριβής εντοπισμός και η ανάλυση τους αποτελεί θεμέλιο λίθο στην κατανόηση της σχέσης μεταξύ ανθρώπου και περιβάλλοντος. Ήδη έχουν διενεργηθεί μελέτες με τεχνικές τηλεπισκόπησης στο πεδίο της προστασίας πολιτισμικής κληρονομιάς, ωστόσο τα αποτελέσματα αν και επιτυχημένα τείνουν να παρουσιάζουν περιορισμούς. Ο σκοπός της συγκεκριμένης εργασίας, με περιοχή μελέτης το αρχαίο χωριό Baojiatun στην Κίνα αποσκοπεί στον εντοπισμό και την ανάλυση μοτίβων ενός παραδοσιακού χωριού με γεωχωρικά δεδομένα από χαμηλού υψομέτρου μη επανδρωμένου αεροσκάφους. <br /> <br /> [[Εικόνα:rs_wiki_id_art7_img1.png | thumb | right |'''Εικόνα1. Περιοχή μελέτης. Δεξιά το άσπρο πολύγωνο απεικονίζει την περιοχή του αρχαίου κάστρου, τα κίτρινα πολύγωνα απεικονίζουν τα γύρω βουνά και το μπλε πολύγωνο απεικονίζει το βασικό υδατικό κανάλι, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr1_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art7_img2.png | thumb | right |'''Εικόνα 2. Πάνω αριστερά: εξαπτέρυγο ΜΕΑ, Πάνω δεξιά: πολυφασματικό σύστημα εντοπισμού, Κάτω αριστερά: προκαθορισμένη πορεία πτήσης, Κάτω δεξιά: πολυφασματικά δεδομένα που παρήχθησαν από το σύστημα, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr2_lrg.jpg]]]<br /> [[Εικόνα:rs_wiki_id_art7_img3.png | thumb | right |'''Εικόνα 3. Διάγραμμα ροής OBIA, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr3_lrg.jpg]]]<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η ανάλυση των χωρικών προτύπων αρχέγονων οικισμών μπορεί να δώσει φως σε εξαιρετικά χρήσιμες πληροφορίες για την ζωή τότε, άγνωστες έως σήμερα. Μέχρι πρότινος οι έρευνες βασίζονταν κυρίως στην ανάλυση των γεωγραφικών και περιβαλλοντικών χαρακτηριστικών των περιοχών αυτών. Ωστόσο, οι μέθοδοι αυτές περιορίζονται λόγω έλλειψης ικανού αριθμού δεδομένων , αναγκαιότητας πολύ χρόνου κ.α. Διαφορετικές μέθοδοι που χρησιμοποιούν δορυφορικά δεδομένα για την ανάλυση προϊστορικών προτύπων είναι ευρέως διαδεδομένες ,ωστόσο και αυτές εμφανίζουν περιορισμούς από παράγοντες όπως η χωρική ακρίβεια, η νεφοκάλυψη κ.α. Στη συγκεκριμένη εργασία χρησιμοποιούνται πολυφασματικές εικόνες από μη επανδρωμένα αεροσκάφη σε συνδυασμό και παρουσιάζεται η εφαρμογή της τηλεπισκόπησης στην αναγνώριση και ανάλυση των χωρικών προτύπων, τοπίων πολιτισμικής κληρονομιάς, μελετώντας ως παράδειγμα το αρχαίο κάστρο Baojiatun. Για την απόκτηση των δεδομένων αναπτύχθηκε ένα σύστημα χαμηλού υψομέτρου εναέριας έρευνας. Είχαν προηγηθεί μετρήσεις στο πεδίο για τις τιμές ανακλαστικότητας συγκεκριμένων επιφανειών και τα δεδομένα που συλλέχθηκαν χρησιμοποιήθηκαν για την προσαρμογή του εναέριου συστήματος. Τα τελικό αποτέλεσμα αξιολογήθηκε με τη σταυρωτή αξιολόγηση(cross validation), ενώ πραγματοποιήθηκε και περαιτέρω ανάλυση χρησιμοποιώντας τη μέθοδο k-means.<br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η εργασία επικεντρώνεται στις τεχνικές απόκτησης γεοχωρικής πληροφορίας μέσω μη επανδρωμένων αεροσκαφών (UAV ), στη μέθοδο διενέργειας κατάτμησης και ταξινόμησης εικόνων με ποικίλα χαρακτηριστικά και στην στατιστική ανάλυση της χωρικής κατανομής πολιτισμικών μνημείων.<br /> <br /> '''Συλλογή δεδομένων και προετοιμασία''' <br /> <br /> Το υπό μελέτη χωριό βρίσκεται εντός μιας ορεινής περιοχής της Κίνας, περίπου 100 χιλιόμετρα μακριά από την κοντινότερη αστική περιοχή. Προκειμένου να εντοπιστούν τα τοπία που συνδέονται με το αρχαίο χωριό, τοπογραφήθηκε ένα εκτεταμένο τμήμα της περιοχής που καλύπτει περίπου 4.02 τετραγωνικά χιλιόμετρα(εικόνα 1).<br /> Σε ότι αφορά τις μετρήσεις πεδίου, η ανακλαστικότητα των επιφανειών μετρήθηκε με φασματοραδιόμετρο FieldSpec 4 Standard-Res. Μεταξύ των αντικειμένων που μετρήθηκαν ήταν δρόμοι, ποτάμια, αγροτική γη, τα οποία δείγματα επιλέχθηκαν τυχαία. <br /> Αναφορικά με το εναέριο σύστημα που τέθηκε σε εφαρμογή (εικόνα 2) χρησιμοποιήθηκε ένα μη επανδρωμένο αεροσκάφος 6 πτερυγίων με ένα πολυφασματικό σύστημα εντοπισμού. Στο αεροσκάφος εγκαταστάθηκε επίσης GPS τοπογραφικής ακρίβειας. Το πολυφασματικό σύστημα περιέχει 4 οπτικούς αισθητήρες μεγέθους 23.2 επί15.4 χιλιοστά. Οι αισθητήρες προσαρμόστηκαν με ένα μικτό RGB ορατό κανάλι και τρία υπέρυθρα ξεχωριστά κανάλια (600nm, 701 και 750nm). Οι απαραίτητες γεωμετρικές και ραδιομετρικές διορθώσεις πραγματοποιήθηκαν προτού ξεκινήσει η μελέτη. Τα εναέρια δεδομένα συλλέχθηκαν μεταξύ 18 και 20 Αυγούστου του 2016 μεταξύ των ωρών 9.00 και 11.00. Τελικά συλλέχθηκαν 1574 αεροφωτογραφίες οι οποίος γεωαναφέρθηκαν με τη βοήθεια του εγκατεστημένου GPS.<br /> Στη συνέχεια οι αεροφωτογραφίες επεξεργάστηκαν και παράχθηκε το ορθο-μωσαϊκό σε λογισμικό PIX4D. Τα τελικά δεδομένα περιλαμβάνουν ένα πολυφασματικό ορθο μωσαϊκό το οποίο περιέχει έξι κανάλια(κόκκινο, πράσινο, μπλε ,600nm 701nm, 760nm) με χωρική ανάλυση 3.56 cm/pix. και ένα ψηφιακό μοντέλο εδάφους.<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Χρησιμοποιήθηκε η τεχνική της αντικειμενοστραφούς ανάλυσης εικόνας(OBIA). Στην εικόνα 3 φαίνεται το διάγραμμα ροής της τεχνικής αυτής, το οποίο χωρίζεται σε δύο τμήματα, την παραγωγή των κατατμήσεων και την πολυπεπίπεδη ταξινόμηση. Το κομμάτι της κατάτμησης αφορά στη δημιουργία εικόνας από αντικείμενα που αναγνωρίζονται βάση φασματικών και γεωμετρικών χαρακτηριστικών, καθώς και χαρακτηριστικών υφής. Στην παρούσα εργασία το κριτήριο για την εξαγωγή των αντικειμένων ενδιαφέροντος(οι επιφάνειες πολιτισμικής κληρονομιάς) είναι h ρύθμιση της ταξινόμησης. Στην εικόνα παρουσιάζεται μία ταξινόμηση τριών επιπέδων η οποία χωρίζεται σε φυσικό και τεχνητό περιβάλλον. Βάση αυτού του μοντέλου σχεδιάστηκε ένα σύστημα τεσσάρων ταξινομήσεων. <br /> Το σύστημα αυτό περιλαμβάνει 5 ξεχωριστές ενότητες κατατμήσεων και ταξινομήσεων. Στην πρώτη ενότητα χρησιμοποιείται ο δείκτης NDVI για το διαχωρισμό περιοχών βλάστησης και μη, στη δεύτερη εξάγονται τα βουνά βάση τιμών του γκρι στο ψηφιακό μοντέλο εδάφους. Στην τρίτη ενότητα χρησιμοποιήθηκε ο δείκτης νερού NDWI για το διαχωρισμό περιοχών δίχως βλάστησης. Οι δρόμοι και τα κτίρια διακρίνονται στην τέταρτη ενότητα βάση τιμών του ΨΜΕ και του δείκτη σχήματος. Τέλος τα αρχαία κτίρια και τα νέα διαφοροποιούνται βάση των μπλε και 600nm καναλιών.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Συνολικά 5 ταξινομήσεις δημιουργήθηκαν και αξιολογήθηκαν στο λογισμικό e-cognition. Στην αξιολόγηση έλαβε μέρος επιφάνεια 0.08 τετραγωνικών χιλιομέτρων η οποία περιλάμβανε 3069 αντικείμενα από την πρώτη κατάτμηση. Τα αντικείμενα αυτά αξιολογήθηκαν σύμφωνα με τα δεδομένα από τις μετρήσεις πεδίου. Στην εικόνα 4 φαίνονται τα αποτελέσματα της αξιολόγησης. Ο δείκτης συνολικής ακρίβειας (overall acuracy) και δείκτης συμφωνίας KAPPA χρησιμοποιήθηκαν για την εκτίμηση του αποτελέσματος. Όπως φαίνεται στην εικόνα 4 οι ακρίβειες κυμαίνονται μεταξύ των τιμών 0.843 και 0.961 με μέση τιμή το 0.913. Αντίστοιχα οι τιμές του KAPPA παρουσιάζουν διακυμάνσεις μεταξύ 0.915 και 0.763. Η ακρίβεια του οπτικού αποτελέσματος το οποίο φαίνεται στην εικόνα 4, ερευνήθηκε ποσοτικά υπολογίζοντας τον αριθμό των pixels που ταίριαζαν και στο εξαχθέν μοντέλο και στο τεχνητό μοντέλο που ερμηνεύτηκε. Η ακρίβειά των αρχαίων κτιρίων και των δρόμων έφτασε αντίστοιχα τις τιμές 0.792 και 0.803 ενώ για το ποτάμι και τη βλάστηση τι τιμές 0.852 και 0.904. Έπειτα και από τη χωρική ανάλυση συμπεραίνεται πως το χωριό και τα αρχαίο κτίρια ακολουθούν συγκεκριμένα μοτίβα κατανομής.<br /> <br /> [[Εικόνα:rs_wiki_id_art7_img5.png | thumb | right |'''Εικόνα 4. Η μέση ολική ακρίβεια(average overall accuracy) και η μέση τιμή KIA αναπαριστούν τις μέσες τιμές της σταυρωτής αξιολόγησης. Πηγή:'''[ https://www.sciencedirect.com/science/article/pii/S1296207418305958#tbl0010] '''πίνακας 2(table 2)''']]<br /> [[Εικόνα:rs_wiki_id_art7_img4.png | thumb | right |'''Εικόνα 5. Το αποτέλεσμα της επεξεργασίας. Με κόκκινο απεικονίζονται τα αρχαία κτίρια, με μπλε απεικονίζεται το ποτάμι, με γκρι οι δρόμοι, με πράσινο η βλάστηση, Πηγή:''' [https://ars.els-cdn.com/content/image/1-s2.0-S1296207418305958-gr6_lrg.jpg]]]<br /> <br /> [[category:Αρχαιολογία]]</div>

Ioanna dramitinou http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BA%CF%84%CE%AF%CE%BC%CE%B7%CF%83%CE%B7_%CF%84%CE%BF%CF%85_%CE%B4%CE%B5%CE%AF%CE%BA%CF%84%CE%B7_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CF%80%CF%81%CE%B1%CF%83%CE%AF%CE%BD%CE%BF%CF%85_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2021-02-22T11:29:18Z

<p>Ioanna dramitinou: </p> <hr /> <div>[[Εικόνα:rs wiki id artc2 img2.png | thumb | right |'''Εικόνα 1.Περιοχή Μελέτης, πηγή:'''[https://ars.els-cdn.com/content/image/1-s2.0S1110982319304211-gr1_lrg.jpg]]] <br /> [[Εικόνα:rs wiki id art2 img1.png | thumb | right |'''Εικόνα 2. Κατηγορίες ταξινόμησης. Αριστερά:Rosebank, Δεξιά: Soweto, πηγή:'''[https://ars.els-cdn.com/content/image/1-s2.0-S1110982319304211-gr4_lrg.jpg]]]<br /> [[Εικόνα:rs wiki id art2 img3.png | thumb | right |'''Εικόνα 3. Οι 4 κατηγορίες ποιότητας πρασίνου. Αριστερά:Rosebank, Δεξιά: Soweto Αριστερά:Rosebank, Δεξιά: Soweto, πηγή:'''[https://ars.els-cdn.com/content/image/1-s2.0-S1110982319304211-gr5_lrg.jpg]]]<br /> <br /> '''Αντικείμενο μελέτης:''' Εκτίμηση του δείκτη αστικού πρασίνου με τη χρήση δεδομένων τηλεπισκόπησης - Η περίπτωση σύγκρισης ενός εύπορου και ενός υποβαθμισμένου προαστίου στην πόλη του Γιοχάνεσμπουργκ<br /> <br /> '''Πρωτότυπος τίτλος:''' Estimating urban greenness index using remote sensing data: A case study of an affluent vs poor suburbs in the city of Johannesburg<br /> <br /> '''Συγγραφείς:''' Khaled Abutaleb , Marko Freddy Mudede , Nsalambi Nkongolo, Solomon W. Newete<br /> <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S1110982319304211]<br /> <br /> '''Λέξεις κλειδιά:''' αστικό πράσινο, υπέργεια βιομάζα, ταξινόμηση, SPOT 6 <br /> <br /> '''Περίληψη'''<br /> <br /> Η ύπαρξη αστικών χώρων πρασίνου θεωρείται πλέον απαραίτητο συστατικό κάθε πολεοδομικού σχεδίου. Η ολοένα και αυξανόμενη πρόοδος στις τεχνολογίες τηλεπισκόπησης δίνει τη δυνατότητα αξιολόγησης του αστικού πρασίνου για μελλοντική βελτιωμένη διαχείριση. Στο παρόν γίνεται σύγκριση με τη βοήθεια δορυφορικών εικόνων SPOT 6 δύο προαστίων του Γιοχάνεσμπουργκ προκειμένου να ανιχνευθεί η περιβαλλοντική ποιότητα των δύο περιοχών σε σχέση με το αστικό πράσινο. Συγκρίνεται ο αλγόριθμος που προκύπτει από την ολική υπέργεια βιομάζα και τον δείκτη NDVI.Τα αποτελέσματα aανέδειξαν μια οικολογική ανισοτιμία μεταξύ των δύο περιοχών. Τα ευρήματα αυτά κρίνονται χρήσιμα για ένα πιο ορθό περιβαλλοντικό σχεδιασμό της πόλης του Γιοχάνεσμπουργκ.<br /> <br /> '''Εισαγωγή''' <br /> <br /> Σύμφωνα με τον Παγκόσμιο οργανισμό υγείας(2013), το 50% του παγκόσμιου πληθυσμού κατοικεί σε πόλεις γεγονός που οδηγεί την ύπαρξη πράσινων πνευμόνων στις πόλεις αναγκαία. Η αποτελεσματική εκτίμηση της βιομάζας του αστικού πρασίνου αποτελεί πολύ σημαντικό δείκτη για την περιβαλλοντική υγεία μιας πόλης. Η ανάπτυξη και διαθεσιμότητα υψηλής ανάλυσης δορυφορικών εικόνων έχει οδηγήσει στην εφαρμογή τεχνικών τηλεπισκόπησης για την αποτύπωση της αστικής υπέργειας βιομάζας. Συγκεκριμένα για την πόλη του Γιοχάνεσμπουργκ, η ύπαρξη πρασίνου εντοπίζεται σε πιο εύπορα τμήματα της πόλης ενώ η απουσία του είναι δείκτης για πιο φτωχές γειτονιές. Η μελέτη επικεντρώνεται στα πλούσια προάστια Sandton και Rosebank και στα φτωχότερα Soweto και Alexandra. Η καινοτομία αυτής της έρευνας έγκειται στην χρήση για πρώτη φορά δορυφορικών δεδομένων για την εκτίμηση της υπέργειας βιομάζας.<br /> <br /> '''Περιοχή Μελέτης''' <br /> <br /> Το προάστιο Soweto βρίσκεται νοτιοανατολικά του Γιοχάνεσμπουργκ και καλύπτει μία έκταση 224.80 τ.χιλιομέτρων με κυρίαρχο έγχρωμο πληθυσμό. Αντίθετα το προάστιο Rosebank βρίσκεται στο βόρειο τμήμα της πόλης σε έκταση 30.4 τ.χιλιομέτρων με πληθυσμιακή ισορροπία μεταξύ λευκών και έγχρωμων(εικόνα 1). <br /> <br /> '''Μεθοδολογία''' <br /> <br /> Οι δορυφορικές εικόνες SPOT 6 που χρησιμοποιήθηκαν ταξινομήθηκαν<br /> με τη χρήση του αλγορίθμου τυχαίου δάσους. Το τυχαίο δάσος είναι μια μέθοδος που λειτουργεί με την κατασκευή πολλαπλών δέντρων αποφάσεων κατά τη διάρκεια της φάσης εκπαίδευσης. Οι αποφάσεις της πλειοψηφίας των δένδρων είναι η τελική απόφαση του τυχαίου δάσους. Οι δύο περιοχές μελέτης ταξινομήθηκαν σε εννέα κατηγορίες οι οποίες είναι: P. x acerifolia(είδος δέντρου), J mimosifolia(είδος δέντρου), διαφορετική βλάστηση, χορτάρι, άσπρη κατασκευή , καφέ κατασκευή, γυμνό έδαφος, νερό και πισίνα(εικόνα 1).Χρησιμοποιήθηκαν τα λογισμικά Arc Map 10.5 και ENVI 5.3 για την επεξεργασία των εικόνων και το R3.4.1 για την ταξινόμηση με τυχαία δάση. <br /> Στη συνέχεια υπολογίστηκε ο δείκτης NDVI που μπορεί να αναδείξει την ποιότητα της βλάστησης. Κυμαίνεται μεταξύ των τιμών -1 και 1, με τις υψηλές τιμές να αντιστοιχούν σε πυκνή βλάστηση. Ο υπολογισμός του δείκτη γίνεται με τον λόγο της κανονικοποιημένης διαφοράς των καναλιών εγγύς υπέρυθρο και κόκκινο όπως φαίνεται παρακάτω:<br /> <br /> ''' NDVIi =NIRi - Redi/ NIRi+ Redi'''<br /> <br /> Όπου το '''i''' αντιστοιχεί στη θέση του pixel.<br /> <br /> Αναφορικά με την εξαγωγή της υπέργειας βιομάζας από τις δορυφορικές εικόνες SPOT 6 η διαδικασία που ακολουθήθηκε ήταν η εξής. Αρχικά εκτιμήθηκε η υπέργεια βιομάζα μέσω αλλομετρικών εξισώσεων. Στη συνέχεια υπολογίστηκε ο δείκτης NDVI από τη δορυφορική εικόνα για το Rosebunk. Στη συνέχεια δημιουργήθηκε ένα διάγραμμα διασποράς με τις τιμές της βιομάζας και του NDVI. Τέλος αναπτύχθηκε ένα μοντέλο εικόνας που εκτιμά την υπέργεια βιομάζα με βάση τις καλύτερες παραμέτρους. <br /> <br /> '''Αποτελέσματα''' <br /> <br /> Η ταξινόμηση με τυχαία δάση εμφανίζει ολική ακρίβεια 96.59% και υποδεικνύει πως το μοντέλο ταξινόμησης μπορεί να θεωρηθεί ακριβές(εικόνα 2).Αναφορικά με τον δείκτη NDVI,οι εικόνες επανα-ταξινομήθηκαν σε 4 τάξεις από χαμηλή έως και πολύ υψηλή ποιότητα πρασίνου.(εικόνα 3).Οι διαφορές μεταξύ των δύο περιοχών όπως φαίνεται δεν είναι μεγάλες. <br /> Σχετικά με την εκτίμηση της υπέργειας βιομάζας αναδείχθηκε πως στο Soweto οι τιμές ήταν μεγαλύτερες από το Rosebank, γεγονός που οφείλεται μάλλον στη μεγαλύτερη έκταση της περιοχής καθώς ο δείκτης πρασίνου στο τελευταίο είναι πολύ μεγαλύτερος σε σχέση με το Soweto.<br /> <br /> '''Συμπεράσματα''' <br /> <br /> Η περιοχή του Rosebank παρά τη μικρότερη τιμή βιομάζας, λόγω κυρίως μικρότερης έκτασης εμφάνισε πολύ μεγαλύτερο δείκτη πρασίνου(0.83%) σε σχέση με το Soweto(0.14). Ο δείκτης πρασίνου υπολογίστηκε με βάση τον παρακάτω λόγο:<br /> <br /> *'''Δείκτης πρασίνου(greenness index )=Περιοχή που καλύπτεται από πράσινο/Συνολική έκταση περιοχής μελέτης'''<br /> <br /> Από την έρευνα προέκυψε πως η χρήση της τηλεπισκόπησης μπορεί δυνητικά να αποτελέσει την πιο εφικτή μέθοδο εκτίμησης βιομάζας σε σχέση με τις παραδοσιακές μεθόδους επιτόπιας συλλογής δεδομένων.<br /> <br /> [[category:Καταγραφή πρασίνου]]</div>

Ioanna dramitinou