http://147.102.106.44/rs/wiki/index.php?feed=atom&target=Iosifina-Rouza_Aetopoulou&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%2FIosifina-Rouza_Aetopoulou 2026-04-23T15:10:36Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%B5%CF%84%CE%BF%CF%80%CE%BF%CF%8D%CE%BB%CE%BF%CF%85_%CE%99%CF%89%CF%83%CE%B7%CF%86%CE%AF%CE%BD%CE%B1-%CE%A1%CE%BF%CF%8D%CE%B6%CE%B1 2019-03-13T19:38:28Z

<p>Iosifina-Rouza Aetopoulou: Νέα σελίδα με '* [[Συνδέοντας Pixel με δείκτες φτώχειας: Χρήση δορυφορικών εικόνων για τη χαρτογράφηση της φτώχ...'</p> <hr /> <div>* [[Συνδέοντας Pixel με δείκτες φτώχειας: Χρήση δορυφορικών εικόνων για τη χαρτογράφηση της φτώχειας]]<br /> <br /> * [[Δεδομένα τηλεπισκόπησης και πληθυσμιακών πλεγμάτων]]<br /> <br /> * [[Ο πόλεμος ως χρήσεις γης]]<br /> <br /> * [[Ενοποιώντας τη τηλεπισκόπηση και τις κοινωνικές επιστήμες : Η συσχέτιση της αστικής μορφολογίας με κοινωνικοοικονομικές παραμέτρους]]<br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

Iosifina-Rouza Aetopoulou http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CE%BF%CF%80%CE%BF%CE%B9%CF%8E%CE%BD%CF%84%CE%B1%CF%82_%CF%84%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_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B9%CF%82_%CE%BA%CE%BF%CE%B9%CE%BD%CF%89%CE%BD%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B5%CF%82_:_%CE%97_%CF%83%CF%85%CF%83%CF%87%CE%AD%CF%84%CE%B9%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE%CF%82_%CE%BC%CE%BF%CF%81%CF%86%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1%CF%82_%CE%BC%CE%B5_%CE%BA%CE%BF%CE%B9%CE%BD%CF%89%CE%BD%CE%B9%CE%BA%CE%BF%CE%BF%CE%B9%CE%BA%CE%BF%CE%BD%CE%BF%CE%BC%CE%B9%CE%BA%CE%AD%CF%82_%CF%80%CE%B1%CF%81%CE%B1%CE%BC%CE%AD%CF%84%CF%81%CE%BF%CF%85%CF%82 2019-03-13T19:37:45Z

<p>Iosifina-Rouza Aetopoulou: Νέα σελίδα με '== Ενοποιώντας τη τηλεπισκόπηση και τις κοινωνικές επιστήμες : Η συσχέτιση της αστικής μορφο...'</p> <hr /> <div>== Ενοποιώντας τη τηλεπισκόπηση και τις κοινωνικές επιστήμες : Η συσχέτιση της αστικής μορφολογίας με κοινωνικοοικονομικές παραμέτρους ==<br /> <br /> '''Πρότυπος τίτλος: Integrating Remote Sensing and Social Science : The correlation of urban morphology with socioeconomic parameters'''<br /> <br /> '''Συγγραφέας:By H. Taubenböck, M. Wurm, N. Setiadi, N. Gebert, A. Roth, G. Strunz, J. Birkmann &amp; S. Dech'''<br /> <br /> [https://www.researchgate.net/publication/224545327_Integrating_remote_sensing_and_social_science Πηγή]<br /> <br /> <br /> ''' Εισαγωγή'''<br /> <br /> Το παρόν άρθρο διερευνά μέσω ανάλυσης τηλεσκοπικής απεικόνισης τη συσχέτιση της αστικής μορφολογίας με τις κοινωνικοοικονομικές παραμέτρους. Βάση προβλέψεων των Ηνωμένων Εθνών η αύξηση του πληθυσμού κατά τα επόμενα 30 χρόνια θα απορροφηθεί σε αστικές περιοχές. Η αστική μορφολογία στις πόλεις διαμορφώνεται έντονα και ταχύτατα από κοινωνικοοικονομικούς παράγοντες. Το πώς διαρθρώνεται ένας αστικός χώρος είναι αντικατοπτρισμός της κοινωνίας η οποία δημιούργησε την αστική διάρθρωση και κατοικεί σε αυτή. Στις κοινωνικές επιστήμες είναι σύνηθες να διερευνάται το γιατί δημιουργείται ένα φαινόμενο και όχι το πού συμβαίνει. Με την ένταξη της τηλεπισκόπησης στις αναλύσεις των κοινωνικών επιστημών δίνεται η ευκαιρία αξιοποίησης των εικόνων τηλεπισκόπισης πέρα από τη χρήση τη συνήθη χρήσης τους να αξιοποιηθούν και στις ερευνητικές ανησυχίες των κοινωνικών επιστημών. Η ενσωμάτωση της τηλεπισκόπησης στις αναλύσεις των κοινωνικών επιστημών δεν απαιτεί μόνο τηλεπισκοπικά δεδομένα αλλά και διαφορετικές μεθόδους ανάλυσης αυτών. Η ενσωμάτωση διεπιστημονικότητας στην ερευνητική διαδικασία στοχεύει στην επέκταση της έρευνας των δύο κλάδων ως προς την επίτευξη της καλύτερης κατανόησης σε πολύπλοκα συστήματα όπως αυτά του αστικού περιβάλλοντος.<br /> <br /> Η υπόθεση εργασίας αυτού του άρθρου είναι πως η ταξική διαστρωμάτωση της κοινωνίας ταυτίζεται με την υποδομή διαμονής και ως εκ τούτου να εντοπιστεί με τη χρήση τηλεπισκοπικών δεδομένων . Για την εξακρίβωση αυτής της υπόθεσης χρησιμοποιήθηκαν 1000 αναφερόμενα πεδία εκπαίδευσης, νοικοκυριά ( κτίρια, το σχήμα τους, το μέγεθος και το ύψος τους, η πυκνότητα των οικισμών και η βλάστηση γύρω από αυτά) των οποίων είχαν καταγραφεί τα δημογραφικά χαρακτηριστικά τους . Στόχος της υπόθεσης είναι να αποδειχθεί πως σχεδόν παρόμοιες συνθήκες φυσικής στέγασης θα έχουν ομοιογενή κοινωνικά και δημογραφικά χαρακτηριστικά.<br /> <br /> [[Εικόνα:1.PNG |200px|thumb | right |'''Εικόνα 1: Εικόνες της πόλης Padang στην Ινδονησία, από το δορυφόρο Ikonos, πριν τη ταξινόμηση των κοινωνικοοικονομικών διαφορών και η διανομή των 1000 κτιρίων που ερευνήθηκαν. ''']] <br /> <br /> <br /> ''' Πεδίο Έρευνας – Ανάλυση Δεδομένων '''<br /> <br /> Η περιοχή μελέτης ήταν η πόλη Padang , πρωτεύουσα της επαρχίας Sumatera Barat (Δυτική Sumatra), μεγαλύτερη πόλη στο νησί Σουμάτρα της Ινδονησίας. Ο πληθυσμός της είναι σχεδόν εκατομμύριο κατοίκους . Η Padang είναι μία πόλη με έντονη οικονομική δραστηριότητα και ρόλο για την ευρύτερη περιοχή καθώς διαθέτει διεθνές αεροδρόμιο, λιμάνι και σιδηροδρομικό δίκτυο. Οι πολύπλευρες λειτουργίες της μεγάλης αυτής πόλης αντικατοπτρίζονται και στο έντονα ετερογενές αστικό τοπίο .<br /> <br /> Για την ανάλυση ενός αστικού τοπίου με τα παραπάνω χαρακτηρίστηκα, χρειάστηκαν τηλεπισκοπικά δεδομένα υψηλής ευκρίνειας από τον δορυφόρο Ikonos, ο οποίος διαθέτει τηλεπισκοπικές απεικονίσεις σε 4 κανάλια του ηλεκτρομαγνητικού φάσματος (μπλε, πράσινο, κόκκινο, nir) , γεωμετρικής ποιότητας 1 m για το πανχρωμικό κανάλι, 4 m για το πολυφασματικό κανάλι. Στην εικόνα 1 φαίνεται η ποικιλόμορφη ετερογενής δομή της παράκτιας ζώνης του Padang και οι τοπικές διαφορές στην αστική μορφολογία πριν την ταξινόμηση καθώς και η διανομή των 1000 κτιρίων-περιοχές εκπαίδευσης που ερευνήθηκαν.<br /> <br /> Ως προς τα δημογραφικά χαρακτηρίστηκα, συγκεντρώθηκαν με τη χρήση ερωτηματολογίου από την επιτόπια έρευνα αυτών των 1000 περιοχών εκπαίδευσης και επικεντρώθηκαν σε δύο κοινωνικοοικονομικές παραμέτρους το εισόδημα και αξία του ακινήτου. Τα κτίρια επιλέχθηκαν από την παρατήρηση 5 βασικών διαφοροποιήσεων της αστική μορφολογία. Η διασπορά των κτιρίων ήταν μεθοδευμένη έτσι ώστε να καλύπτει το συνολικό φάσμα των διαφορετικών φυσικών και κοινωνικοοικονομικών χαρακτηριστικών μέσα στον αστικό χώρο.<br /> <br /> '''Μεθοδολογία '''<br /> <br /> Μέσω της μεθόδου της ταξινόμησης και μεταγενέστερης χειροκίνητης βελτίωσης της ακρίβειας των αποτελεσμάτων παρήχθησαν αποτελέσματα για το 97% της έκτασης της περιοχής . Τα αποτελέσματα ήταν οκτώ κατηγορίες : μεμονωμένα σπίτια, δρόμοι, σφραγισμένες περιοχές, λιβάδια, δένδρα, υγρότοπος, γυμνό έδαφος και νερό. Έτσι, έγινε δυνατή η ανάλυση της αστικής μορφολογίας σε επίπεδο σπίτι / μπλοκ.<br /> <br /> Χρησιμοποιήθηκε η ταξινόμηση κάλυψης γης για να υπολογιστούν οι φυσικοί παράμετροι που ταξινομούν την αστική δομή. Το δίκτυο του δρόμου κατασκευάζει το αστικό τοπίο σε μπλοκ. Ο λόγος της επιφάνειας των κτιρίων στην περιοχή του συγκεκριμένου μπλοκ έχουν αποδίδουν την πυκνότητα του μπλοκ. Για να υπολογιστεί το ύψος του κτιρίου χρησιμοποιήθηκε η μάσκα κτιρίου με την διαφορά ύψους μεταξύ του ψηφιακού μοντέλου επιφάνειας (DSM) και του ψηφιακού Μοντέλο εδάφους.<br /> Χρησιμοποιώντας τις φυσικές παραμέτρους της μορφολογίας της πόλης γίνεται σημασιολογική ταξινόμηση(semantic classification). Η ιδέα της σημασιολογικής ταξινόμησης στοχεύει σε μια πρώτη υπόθεση αλληλεξάρτησης μεταξύ φυσικά ομοιογενών τομέων εντός του συγκροτήματος της αστικής μορφολογία και των κοινωνικοοικονομικών χαρακτηριστικών των ατόμων που κατοικούν στη περιοχή.<br /> <br /> Η σημασιολογία των τάξεων βασίζεται στη ποιότητα της στέγαση και την τοποθεσία. Η ποιότητα της κατοικίας θεωρείται αυξάνεται με την αύξηση του μεγέθους ή του ύψους του κτιρίου και την χαμηλότερη πυκνότητα στη δόμηση . Χωρίστηκαν οι διαφορετικές σημασιολογικές κλάσεις - «φτωχογειτονιές», «Προάστια», «περιοχές χαμηλής κατηγορίας» , «περιοχές μεσαίας τάξης» και «περιοχές υψηλής κατηγορίας». Η κάθε σημασιολογική κλάση έγινε βασισμένη στην υπόθεση των σταθερών τυπικών φυσικών συνθηκών. Για παράδειγμα, οι περιοχές φτωχογειτονιών καθορίζονται από την υψηλότερη πυκνότητα δόμησης είναι κυρίως μονοκατοικίες, με τα μικρότερα μεγέθη κτιρίων. Η ονοματολογία της ταξινόμησης μόνο με φυσικές παραμέτρους θέτει μια πρώτη υπόδειξη της υπόθεσης της κοινωνικοοικονομικής συνάφειας.<br /> <br /> Μια πόλη είναι απεικόνιση της κοινωνίας που την έχει κατασκευάσει.. Έτσι, είναι μια αλλαγή στην αστική μορφολογία θεωρητικά συνεπάγεται μεταβολή του κοινωνικοοικονομικού ή δημογραφικού χαρακτήρα του πληθυσμού. Η βασική ιδέα βασίζεται επομένως στην υπόθεση ότι οι σημασιολογικές τάξεις ,οι ζώνες δομής, συσχετίζονται με δημογραφικές πληροφορίες . Για τον έλεγχο αυτής της υπόθεσης εφαρμόστηκαν δυο τρόποι. Πρώτα ελέγχτηκε αν η πλήρη μελέτη 1000 κτιρίων παρουσιάζει συσχέτιση με την ταξινόμηση βάσει των φυσικών παραμέτρων. Σε δεύτερο επίπεδο εξετάστηκε εάν οι σημασιολογικές κλάσεις, όπως οι παραγκουπόλεις ή περιοχές χαμηλής τάξης, παρόλο που βρίσκονται σε διαφορετικές περιοχές του αστικό περιβάλλον (π.χ. στην ακτή κοντά στο κέντρο της πόλης ή στο κέντρο της πόλης, σε μια προαστιακή περιοχή), παρουσιάζουν ομοιογενείς κοινωνικοοικονομικές παραμέτρους .Ως εκ τούτου, χρησιμοποιούμε ανάλυση βάσει τοποθεσίας με τις ίδιες σημασιολογικές κλάσεις για τη δοκιμή της ομοιογένειας.<br /> <br /> <br /> [[Εικόνα:2.PNG |200px|thumb | right |'''Εικόνα 2: Σημασιολογική ταξινόμηση και κτιριακή κατανομή βάση της ταξινόμησης. ''']] <br /> <br /> '''Αποτελέσματα'''<br /> <br /> <br /> Τα αποτελέσματα της σημασιολογικής ταξινόμησης έδειξε κατανομή 7% φτωχογειτονιές, 19% προάστια, 27% χαμηλής κατηγορίας, 46% μέση τάξη και μόνο 1% περιοχές υψηλής κατηγορίας. Το σχήμα 2 δείχνει τη σημασιολογική ταξινόμηση.<br /> <br /> Στη συνέχεια εφαρμόστηκε ο συντελεστή συσχέτισης του Pearson μεταξύ δύο μεταβλητών : <br /> το εισόδημα και αξία του ακινήτου. Οι δύο κοινωνικοοικονομικές παράμετροι , που εφαρμόστηκαν σε όλα τα νοικοκυριά είχαν χαμηλή συσχέτιση 0,21. Αφού αναλύθηκε εάν το εισόδημα και η αξία της περιουσίας ανταποκρίνονται στις υποθέσεις που έγιναν από τη σημασιολογική ταξινόμηση βάση των φυσικών παραμέτρων και την αξιολόγηση των μεμονωμένων τάξεων δείχνουν ομοιογένεια στο εσωτερικό τους παρατηρήθηκε ότι η συνολική υπόθεση επιβεβαιώθηκε . Επίσης τα αποτελέσματα έδειξαν πως η θέση των ακινήτων έχει πολύ μεγαλύτερη επιρροή στην αξία της περιουσίας από το επίπεδο εισοδήματος του πληθυσμού στις συγκεκριμένες περιοχές.<br /> <br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

Iosifina-Rouza Aetopoulou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:2.PNG 2019-03-13T19:31:10Z

<p>Iosifina-Rouza Aetopoulou: Σημασιολογική ταξινόμηση και κτηριακή κατανομή βάση της ταξινόμησης</p> <hr /> <div>Σημασιολογική ταξινόμηση και κτηριακή κατανομή βάση της ταξινόμησης</div>

Iosifina-Rouza Aetopoulou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:1.PNG 2019-03-13T19:23:30Z

<p>Iosifina-Rouza Aetopoulou: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:1.PNG&amp;quot;: Εικόνες της πόλης Padang στην Ινδονησία, από το δορυφόρο Ikonos, πριν τη ταξινόμηση των κοινωνικοοι</p> <hr /> <div>Έγχρωμα σύνθετα 743RGB(αριστερά) και 457RGB(δεξιά).</div>

Iosifina-Rouza Aetopoulou http://147.102.106.44/rs/wiki/index.php/%CE%9F_%CF%80%CF%8C%CE%BB%CE%B5%CE%BC%CE%BF%CF%82_%CF%89%CF%82_%CF%87%CF%81%CE%AE%CF%83%CE%B5%CE%B9%CF%82_%CE%B3%CE%B7%CF%82 2019-03-13T19:04:51Z

<p>Iosifina-Rouza Aetopoulou: Νέα σελίδα με '== Ο πόλεμος ως χρήσεις γης== '''Πρότυπος τίτλος: War is a Land Use''' '''Συγγραφέας: by Jamon Van Den Hoek College of Eart...'</p> <hr /> <div>== Ο πόλεμος ως χρήσεις γης==<br /> <br /> '''Πρότυπος τίτλος: War is a Land Use'''<br /> <br /> '''Συγγραφέας: by Jamon Van Den Hoek <br /> College of Earth, Ocean, and Atmospheric Sciences, Oregon State University'''<br /> <br /> [https://www.populationenvironmentresearch.org/pern_files/statements/War%20is%20a%20Land%20Use.pdf Πηγή]<br /> <br /> <br /> Στο παρόν άρθρο ο συγγραφέας αναγνωρίζει τον πόλεμο ως ένα διαχρονικό κοινωνικό πρόβλημα με έντονη διάσταση ακόμα και σήμερα. Η εκτενείς και συστηματική μελέτη του κρίνεται απαραίτητη καθώς οι πόλεμοι δολοφονούν και εκτοπίζουν εκατομμύρια ανθρώπων, αλλοιώνουν τις εθνικές οικονομίες και, σε ορισμένες περιπτώσεις, μετατρέπουν τα τοπία λόγω της εκμετάλλευσης των πόρων, της εγκατάλειψης των καλλιεργειών και της αστικής καταστροφής. Για τον ίδιο ο πόλεμος είναι χρήση γης και στο παρόν άρθρο παρουσιάζει τον τρόπο με τον οποίο θα μπορούσαν οι κοινωνικές επιστήμες να αντλήσουν πληροφορίες από τηλεσκοπικά δεδομένα προς κατανόηση των ίδιων των πολέμων ως διαδικασία αλλά και των επιπτώσεων του.<br /> <br /> Διερευνώντας τη βιβλιογραφία που σχετίζεται με το κοινωνικό αυτό φαινόμενο εντοπίζεται απουσία συστηματικής έρευνα σχετικά με τα μέσα επιβίωσης του άμαχου πληθυσμού. Η συνήθης καταγραφή περιοχών πολέμου αφορά γεωγραφικά τα κέντρα των συγκρούσεων και ποσοτικές μετρήσεις (αριθμός θυμάτων, καταστροφή υποδομών κ.αλ.) . Με την συνεισφορά της τηλεπισκόπησης μπορούν πλέον να μελετηθούν ποιοτικά χαρακτηριστικά του πολέμου όπως μετατροπές στο εσωτερικό του οικισμού, η γεωργική εγκατάλειψη λόγω μετακίνησης πληθυσμού ,η δημιουργία καταβολισμών κ.αλ. Μελετώντας τη διαμόρφωση της χρήσης γης, οι ερευνητές μπορούν να αξιοποιήσουν τις διαθέσιμες κοινωνικές πληροφορίες για την ανθρώπινη κινητικότητα και τις κοινωνικοοικονομικές συνθήκες κατά τη διάρκεια του πολέμου .Για παράδειγμα, οι πληθυσμοί που εκτοπίστηκαν εσωτερικά κατά τη διάρκεια εμφυλίου πολέμου μπορούν να μεταφερθούν στρατηγικά σε περιφέρειες με λιγότερες τοπικές συγκρούσεις, μεγαλύτερη σταθερότητα στον έλεγχο και υψηλότερη επισιτιστική ασφάλεια. Οι περίοδοι αυτών των κινήσεων μπορούν να αναδιαμορφώσουν την χωρική κατανομή των χερσαίων οικονομικών δραστηριοτήτων, με σαφή ευκαιρία για ανίχνευση μέσω της τηλεπισκόπησης. <br /> <br /> Λόγο των ιδιαίτερων χαρακτηριστικών κάθε πολέμου, η τηλεπισκόπιση δεν μπορεί να δημιουργήσει ερμηνευτικά μοτίβα που αφορούν την αποτύπωση του πολέμου στις χρήσεις γης. Οι αλλαγές της χρήσης γης εξαρτώνται από τον εδαφικό έλεγχο που θα έχουν οι συγκρουόμενες δυνάμεις του κάθε πολέμου, την μετατόπιση καθώς και τους διαθέσιμους πόρους για την επιβίωση του πληθυσμού. Η εξέταση σχέσεων που δομούνται βασιζόμενες στα εδάφη κυριαρχίας , τα διαθέσιμα μέσα διαβίωσης κατά τη διάρκεια του πολέμου, την ανθρώπινη κινητικότητα και τους μηχανισμούς του ίδιου του πολέμου είναι ίσως η πιο πιεστική κατεύθυνση για έρευνα εμφυλίου πολέμου και αυτή στην οποία η επιστήμη της τηλεπισκόπισης θα πρέπει να στρέψει το ενδιαφέρον της. <br /> <br /> Είναι γνωστό πως λόγο της υψηλής ευκρίνειας των τηλεσκοπικών απεικονίσεων μπορούμε να έχουμε εικόνες με υψηλή χωρική λεπτομέρεια ( κτίρια, υποδομές ακόμη και τις σκηνές σε ανεπίσημους οικισμούς) ωστόσο η μακροπρόθεσμη και συστηματική συλλογή δορυφορικών εικόνων είναι απαραίτητη για τον εντοπισμό της αλλαγή του τοπίου κατά τη διάρκεια εμφυλίου πολέμου . Η συστηματική καταγραφή της περιοχής του πολέμου κατά την διάρκεια που διαδραματίζεται αλλά και για ένα χρονικό διάστημα αφού έχει τελειώσει, αρχικά συμβαδίζει με την ιδία την φύση του εμφύλιου πολέμου όπου σχηματίζονται ζώνες και δυνάμεις επιρροής χωρικά . Παράλληλα δίνει την δυνατότητα να ερμηνευθούν άμεσα οι αλλαγές του αστικού χώρου που μπορεί να προκύψουν από την κατασκευή, την υποβάθμιση ή τις καταστροφές σε τακτά χρονικά διαστήματα και να τεκμηριωθούν οι μεταβολές στις τάσεις της γεωργικής παραγωγής που μπορεί να συσχετίζονται με τον εκτοπισμό του πληθυσμού και τον εδαφικό έλεγχο. Με τα τεχνολογικά μέσα και τις βάσεις δεδομένων στα οποία έχει πρόσβαση η επιστήμη της τηλεπισκόπισης αυτή τη στιγμή μπορεί να υποστηρίξει μια μακροπρόθεσμη συστηματική μελέτη χρήσεων γής .<br /> <br /> Προκειμένου να βελτιωθεί η συνάφεια και η αποτελεσματικότητα της μελέτης των επιπτώσεων του εμφυλίου πολέμου στο τοπίο μέσω τηλεπισκόπησης, μπορούμε να αντιληφθούμε τον εμφύλιο πόλεμο ως χρήση γης με συνακόλουθες σχέσεις με τα μέσα διαβίωσης, τις κοινωνικοοικονομικές συνθήκες και τις οικολογικές διαδικασίες. <br /> <br /> <br /> <br /> <br /> <br /> [[category:Χαρτογραφία]]</div>

Iosifina-Rouza Aetopoulou http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CF%80%CE%BB%CE%B7%CE%B8%CF%85%CF%83%CE%BC%CE%B9%CE%B1%CE%BA%CF%8E%CE%BD_%CF%80%CE%BB%CE%B5%CE%B3%CE%BC%CE%AC%CF%84%CF%89%CE%BD 2019-03-13T18:48:44Z

<p>Iosifina-Rouza Aetopoulou: Νέα σελίδα με '== Δεδομένα τηλεπισκόπησης και πληθυσμιακών πλεγμάτων : Σκέψεις προς την ερευνητική κοινότητ...'</p> <hr /> <div>== Δεδομένα τηλεπισκόπησης και πληθυσμιακών πλεγμάτων : Σκέψεις προς την ερευνητική κοινότητα για το θέμα πληθυσμός και περιβάλλον ==<br /> <br /> '''Πρότυπος τίτλος: Remote Sensing and Gridded Population Data: Considerations for the Population-Environment Research Community'''<br /> <br /> '''Συγγραφέας:By Andrea Gaughan*, Catherine Linard**, Forrest Stevens*, and Andy Tatem***<br /> * University of Louisville, Kentucky, USA<br /> ** Université Libre de Bruxelles, Belgium<br /> *** Southampton University, UK '''<br /> <br /> [https://www.populationenvironmentresearch.org/pern_files/statements/Remote%20Sensing%20and%20Gridded%20Population%20Data.pdf Πηγή]<br /> <br /> <br /> ''' Εισαγωγή''' <br /> <br /> Ο νόμο του Moore, είναι ένας παρατηρητικός προβληματισμός που διατυπώθηκε το 1965, σχετικά με τη ραγδαία τεχνολογική ανάπτυξη των επόμενων δεκαετιών. Αυτός ο ρυθμός ανάπτυξης, αναμφίβολα, έχει επιβραδυνθεί τα τελευταία χρόνια. Η τεχνολογική ανάπτυξη σε συνδυασμό με την Τηλεπισκόπηση και τις διάφορες τεχνικές της, έχει καταφέρει να βρει συσχετίσεις μεταξύ των εικονοστοιχείων Pixel και των ανθρώπων, γεγονός που οδηγεί στην καλύτερη κατανόηση της αλληλεπίδρασης του ανθρώπου με το περιβάλλον. Οι πληροφορίες για τον πληθυσμό είναι μια συνεχή και συγκρίσιμη μονάδα μέτρησης που αντιπροσωπεύει τον ανθρώπινο παρονομαστή με την κατάλληλη χωρική αναπαράσταση, σε σχέση με άλλα σύνολα χωρικών πληροφοριών. Αυτά τα πληθυσμιακά δεδομένα αποτελούν σύνολα δεδομένων πλέγματος (gridded population data) , από τα οποία μπορούν να αναγνωριστούν συγκεκριμένοι πληθυσμοί, ευάλωτοι σε κινδύνους, επιδημιολογικές μελέτες ενώ μπορούν να βοηθήσουν στη κατανόηση του συστήματος «άνθρωπος και περιβάλλον» τόσο από μια θεωρητική όσο και από μια εφαρμοσμένη ερμηνεία.<br /> <br /> <br /> '''Πρόοδος της μοντελοποίησης του ανθρώπινου πληθυσμού και ο ρόλος των τηλεσκοπικών δεδομένων'''<br /> <br /> Υπάρχουν ποικίλες τεχνικές και μέθοδοι που χρησιμοποιούνται για παραγωγή πληθυσμιακών μοντέλων τα οποία εξελίσσονται καθώς εξελίσσετε και η τεχνολογία . Οι μέθοδοι της επιφανειακής βαρύτητας, της πυκνοφυλακτική προσέγγιση και η προσέγγιση της δασμετρικής χαρτογράφησης, είναι οι πιο σύγχρονες τεχνικές και προσεγγίσεις, και χρησιμοποιούν ένα μεγάλο εύρος δεδομένων, τα οποία προέρχονται κυρίως μέσω της τηλεπισκόπησης .<br /> Από τις μεθόδους αυτές ο συγγραφέας καταλήγει στο ότι η καλύτερη προσέγγιση είναι ένα υβρίδιο μεταξύ δυαδικής δασμετρικής προσέγγισης και στατιστικού μοντέλου, καθώς δημιουργεί ένα layer βαρύτητας βασισμένο σε στατιστικό μοντέλο, το οποίο αποκρύπτει ταυτόχρονα οποιαδήποτε άλλη περιοχή εκτός από τις οικιστικές. Τονίζει όμως ότι η καλύτερη προσέγγιση μπορεί να ποικίλει από χώρα σε χώρα, θέτοντας ως παράδειγμα την περίπτωση γεωργικών έναντι αστικών περιοχών σε χώρες με ελλιπή δεδομένα, καθώς οι αστικές χρήσεις γης θεωρούνται σημαντικές συμπληρωματικές πληροφορίες για τη βελτίωση της χαρτογράφησης των μεταβολών της πυκνότητας ενός πληθυσμού.<br /> <br /> <br /> '''Αβεβαιότητες και ανησυχίες''' <br /> <br /> Η ποιότητα των δεδομένων απογραφής ( πόσο πρόσφατα και λεπτομερείς είναι) και η ακρίβεια των δεδομένων που αντλήθηκαν από βοηθητικές πηγές για την δημιουργία του χάρτη, απαιτούν έλεγχο, εκτεταμένες πηγές καθώς και πληροφορίες μεταδεδομένων. Μια από τις μεγαλύτερες και σημαντικότερες προκλήσεις που αντιμετωπίζει η επιστημονική κοινότητα είναι ο τρόπος επικύρωσης και επαλήθευσης των τελικών αποτελεσμάτων του μοντέλου. Η ανακρίβεια στις πηγές δεδομένων δεν επιτρέπουν την δημιουργία αξιόπιστων μοντέλων , καθώς δεν υπάρχει τρόπος αξιολόγησής τους. Η δυσκολία αυτή εντείνεται όταν το μοντέλο αναφέρεται σε παγκόσμιο επίπεδο.<br /> Όμως με την ραγδαία εξέλιξη της τηλεπισκόπησης και των πληθυσμιακών μοντέλων που παρατηρείται τις τελευταίες δεκαετίες υπάρχει το ενδεχόμενο μιας «επανάστασης δεδομένων» σε χώρες με περιορισμένα δεδομένα. Για παράδειγμα σε μια χώρα με έλλειψη στα δεδομένα απογραφής του πληθυσμού της, ο συνδυασμός τηλεπισκοπικών δεδομένων και μετρήσεις πληθυσμών που προέρχονται από μικρο-απογραφές θα μπορούν να οδηγήσουν στην πληθυσμιακή χαρτογράφηση της χώρας μέσω εξελιγμένων προσεγγίσεων μοντελοποίησης. Τέτοιες εφαρμογές μπορεί να βοηθήσουν στην εύρεση πληθυσμών που έχουν αποκλειστεί από διανομή βοήθειας, προγράμματα εμβολιασμού κ.τ.λ. Τέλος αναφέρει για άλλη μια φορά ότι για να επωφεληθούμε πλήρως από αυτές τις μεθοδολογίες θα πρέπει να γίνει η βέλτιστη δυνατή προσπάθεια για την παροχή και ανάκτηση καλά επικυρωμένων και τεκμηριωμένων χωρικών δημογραφικών δεδομένων.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]</div>

Iosifina-Rouza Aetopoulou http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%BD%CE%B4%CE%AD%CE%BF%CE%BD%CF%84%CE%B1%CF%82_Pixel_%CE%BC%CE%B5_%CE%B4%CE%B5%CE%AF%CE%BA%CF%84%CE%B5%CF%82_%CF%86%CF%84%CF%8E%CF%87%CE%B5%CE%B9%CE%B1%CF%82:_%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_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CF%86%CF%84%CF%8E%CF%87%CE%B5%CE%B9%CE%B1%CF%82 2019-03-13T18:06:04Z

<p>Iosifina-Rouza Aetopoulou: Νέα σελίδα με '== Συνδέοντας Pixel με δείκτες φτώχειας: Χρήση δορυφορικών εικόνων για τη χαρτογράφηση της φτώχε...'</p> <hr /> <div>== Συνδέοντας Pixel με δείκτες φτώχειας: Χρήση δορυφορικών εικόνων για τη χαρτογράφηση της φτώχειας==<br /> <br /> '''Πρότυπος τίτλος: Linking Pixels and Poverty: Using Satellite Imagery to Map Poverty'''<br /> <br /> '''Συγγραφέας:By Ryan Engstrom Department of Geography, The George Washington University, USA'''<br /> <br /> [https://www.populationenvironmentresearch.org/pern_files/statements/Linking%20Pixels%20and%20Poverty.pdf Πηγή]<br /> <br /> ''' Εισαγωγή''' <br /> <br /> Τις τελευταίες δύο δεκαετίες αναπτύσσεται συνεχώς η διεπιστημονική συνεργασία των κοινωνικών επιστημών και της τηλεπισκόπισης. Μέσα από αυτή τη συνεργασία αρχίζει μόλις να αναπτύσσεται η χαρτογράφηση της φτώχειας με τη χρήση τηλεπισκόπισης.<br /> Η κλασσική μεθοδολογία συλλογής δεδομένων για την χαρτογράφησης φτωχιάς παρουσιάζει αρκετά μειονεκτήματα τόσο εννοιολογικής όσο και ερευνητικής φύσεως με αποτέλεσμα να γίνεται ελλιπής, αναξιόπιστη ή και μηδενική συλλογή δεδομένων σε πολλές χώρες. Για τα Ηνωμένα Έθνη , ο τερματισμός της φτώχειας σε όλες τις μορφές της αποτελεί τον νούμερο 1 στόχο ως προς την επίτευξη βιώσιμης ανάπτυξης. Γι αυτό το λόγο αποτελεί προτεραιότητα σε διεθνές επίπεδο η χαρτογράφηση της φτώχειας. Η χρήση της τηλεπισκόπισης στο τομέα αυτό φαίνεται να ανοίγει ένα νέο ορίζοντα μελέτης για τους κοινωνικούς επιστήμονες.<br /> Με τη χρήση της τηλεπισκόπησης και την άντληση δορυφορικών δεδομένων συχνά σε παγκόσμια κάλυψη δεν μπορεί να μετρηθεί άμεσα η φτώχεια αλλά προκύπτουν μετρήσεις για το εξωτερικό των δομών καθώς και τους δείκτες ανάπτυξης. Επίσης μέσα από την μέτρηση των εκπομπών βραδινών φώτων Night Time Lights (NTL) προκύπτουν χωρικά δεδομένα για τη φτώχεια μέσω της παραδοχής ότι περιοχές με μεγαλύτερο πλούτο έχουν υψηλότερες εκπομπές φωτός NTL και φτωχότερες περιοχές έχουν λιγότερες εκπομπές φωτός.<br /> H προσέγγιση NTL δίνει την δυνατότητα ανάλυσης χωρικών αποκλίσεων σε μεγάλη κλίμακα. Δεν επιτρέπει όμως την αποτύπωση της μεταβλητότητας στις τοπικές κλίμακες λόγω της χωρικής ανάλυσης 1 χλμ. των δορυφορικών δεδομένων NTL. Προκειμένου να απαλειφθούν αυτοί οι περιορισμοί έχει δοθεί έμφαση στη χρήση πολύ υψηλής χωρικής ανάλυσης (VHSRI) (χωρική ανάλυση μικρότερη από 5m) τόσο από ιδιωτικές εταιρίες όσο και από τις κυβερνήσεις των ΗΠΑ και Ρωσία. Ωστόσο το κόστος αγοράς των δορυφορικών δεδομένων υψηλής ανάλυσης τα καθιστά απαγορευτικά προς το παρόν για μελέτη απο την ακαδημαϊκή κοινότητα .<br /> <br /> '''Χαρτογράφηση φτώχειας με εικόνες υψηλής χωρικής ανάλυσης'''<br /> <br /> Η χαρτογράφηση της φτώχειας εντός των αστικών περιοχών με τη χρήση εικόνων VHSRI, επικεντρώνεται σε γενικές γραμμές στη χαρτογράφηση φτωχογειτονιών έναντι περιοχών με μη υποβαθμισμένη στέγαση. Η υπόθεση της συγκεκριμένης μελέτης είναι ότι το χωρικό μοτίβο των κτηρίων , των δρόμων αλλά και τον οικιστικών μονάδων, μας επιτρέπει στο να ξεχωρίσουμε και να διακρίνουμε τις υπανάπτυχτες οικιστικά περιοχές με αυτές που προσφέρουν τυπική στέγαση. Έχουν δοκιμαστεί πολλές διαφορετικές προσεγγίσεις όπως αυτή της απλής οπτικής ερμηνείας, της μηχανικής μάθησης με βάση τα φασματικά και χωρικά χαρακτηριστικά της περιοχής αλλά και πολλές άλλες. Ενώ το χωρικό μοτίβο της περιοχής που θέλουμε να προσομοιώσουμε θα μας βοηθήσει στο να καταλάβουμε πως μοιάζει σε γενικές γραμμές μια φτωχογειτονιά, η απλή οπτική ερμηνεία μπορεί να καταστεί δύσκολη λόγω τον πολλών ερμηνειών και ορισμών που δίνονται για τις περιοχές αυτές καθώς και λόγω τις διαφορετικής μορφολογίας που έχει η κάθε φτωχογειτονιά από περιοχή σε περιοχή .Αυτό έχει καταστήσει την αυτοματοποιημένη μέθοδο χαρτογράφησης των φτωχών περιοχών ως ένα δύσκολο έργο.<br /> ¨Ένα σημαντικό εμπόδιο ως προς την χρήση VHSRI δεδομένων για μεγαλύτερες περιοχές είναι η επεξεργασία των εικόνων με ένα αποδοτικό και κατάλληλο τρόπο ως προς την κλίμακα. Σε μια απόπειρα χαρτογράφησης της φτώχειας σε χωριά και πόλεις της Αφρικής στην οποία χρησιμοποιήθηκαν VHSRI δεδομένα βασίστηκε σε μια προσέγγιση πάνω σε Συνελικτικά Νευρωνικά Δίκτυα (CNN). Για τη προσπάθεια αυτή χρειάστηκε ένα τεράστιο αριθμό δεδομένων κατάρτισης ,και για το λόγο αυτό χρησιμοποίησαν μια προσέγγιση πολλαπλών βημάτων που ονομάζεται ‘’μεταφορική εκμάθηση’’. Η προσέγγιση τους αυτή συντόνιζε ένα υπάρχων CNN για να εξάγει χαρακτηριστικά που συνοψίζουν τη συσχέτιση μεταξύ εντάσεων NTL και VHSRI δεδομένων.<br /> <br /> [[Εικόνα:W1.PNG |thumb | right |'''Εικόνα 1 (Α) ένα εικοοστοιχείο, (Β) μέγεθος τετραγώνου, (C) κλίμακα μεγέθους 8Χ8 εικονοστοιχείων''']]<br /> <br /> Οι ιδιότητες των εικόνων VHSRI που είχαν καλή συσχέτιση με το NTL χρησιμοποιήθηκαν στη συνέχεια για την εκπαίδευση μοντέλων παλινδρόμησης με σκοπό την επίτευξη πρόβλεψης των δαπανών αλλά και των περιουσιακών στοιχείων των νοικοκυριών, σε κλίμα ενός χωριού. Τα αποτελέσματα έδειξαν ότι ήταν σε θέση να εξηγήσουν έως και 55% της διακύμανσης, σε ότι αφορούσε τη μέση κατανάλωση και έως 75% της διακύμανσης του μέσου ενεργητικού πλούτου. Ενώ αυτό παρέχει μεθοδολογία για χαρτογράφηση της φτώχειας σε μεγάλες εκτάσεις, ο τρόπος ερμηνείας , ο αριθμός αλλά και τύπος δεδομένων που χρειάζονται για αυτή τη προσέγγιση κάνει το τελικό αποτέλεσμα να μην είναι τόσο υποσχόμενο καθώς τα CNN είναι δύσκολα ως προς το να ερμηνευτούν και η συσχέτιση μεταξύ φτώχειας και των τιμών που προκύπτουν από τις εικόνες είναι ασαφής. <br /> Σε προηγούμενες έρευνες είχαν δοκιμαστεί νέες μέθοδοι ως προς την επεξεργασία VHSRI χρησιμοποιώντας χωρικά και φασματικά χαρακτηριστικά . Κατά την προσέγγιση μέσω χωρικών χαρακτηριστικών, αντί να γίνει χαρτογράφηση αντικειμένων ( δρόμοι, κτήρια κτλ ) ή να γίνει χρήση CNN, έγινε χαρακτηρισμός της χωρικής μεταβλητότητας στις εικόνες. Προηγούμενες έρευνες είχαν δείξει ότι τα φασματικά και χωρικά χαρακτηριστικά που εξάγονται από εικόνες υψηλής ανάλυσης μπορούν να συσχετιστούν ως πιθανοί δείκτες φτώχειας, όπως άτυπη στέγαση , ποιότητα οικείας, πυκνότητα πληθυσμού , φτωχογειτονιές, έλλειψη συλλογής στερεών αποβλήτων και υποβαθμισμένο αποχετευτικό σύστημα .Η εξαγωγή των χωρικών αυτών στοιχείων είναι μια τεχνική επεξεργασίας, που εξάγει πληροφορίες που σχετίζονται με το χωρικό μοτίβο, τη δομή, τον προσανατολισμό, την υφή αλλά και την αταξία των παραθύρων των εικονοστοιχείων μιας εικόνας .Η εξαγωγή χωρικών στοιχείων βασίζεται στην ομαδοποίηση εικονοστοιχείων και επομένως κάθε χωρικό χαρακτηριστικό πρέπει να υπολογίζεται με συνδυασμό συγκεκριμένου αριθμό εικονοστοιχείων και μεγέθους κλίμακας για μια ‘’γειτονιά’’ (Εικόνα. 1). <br /> <br /> Με βάση την Eικόνα 1 και με την χρήση των προαναφερθέντων παραμέτρων, ένα pixel στο output layer των χωρικών δεδομένων θα αντιπροσωπεύει την σχέση μεταξύ γειτόνων (κτήρια, δρόμοι, βλάστηση κ.αλ.) αποδίδοντας την χωρική μορφή του κάθε γείτονα. Η προσέγγιση κύβου – κλίμακας επιτρέπει την επεξεργασία μιας εικόνας σε αποδοτικό βαθμό. Επιπρόσθετα, μαζεύει όλες τις πληροφορίες από τα pixel και τις μετατρέπει σε μεγαλύτερες χωρικές κλίμακες, μειώνοντας με αυτόν τον τρόπο τον χρόνο επεξεργασίας αλλά και το μέγεθος των αρχείων. Έτσι επιτυγχάνεται η απόδοση των μεταβλητών σε τοπία μεγάλων εκτάσεων. <br /> Τα αποτελέσματα αυτής της μελέτης έδειξαν ότι τα χωρικά και φασματικά χαρακτηριστικά σχετίζονται με ενδείξεις ανάπτυξης ή ανέχειας ,καθώς η μορφολογία - δομή μιας πόλης σχετίζονται με κοινωνικοοικονομικές συνθήκες. Παρατηρήθηκε ισχυρή συσχέτιση όχι μόνο για τις μεταβλητές που σχετίζονται με το βιοτικό επίπεδο (ποιότητα σπιτιού , πυκνότητα πληθυσμού, κτλ) αλλά συσχέτιση με τις κλίμακες μέτρησης φτώχειας σε μια πόλης. Όταν αυτά τα δεδομένα συνδυαστούν με άλλα τηλεσκοπικά δεδομένα μπορούν να βοηθήσουν στην επεξήγηση των διακυμάνσεων της φτώχειας για μεγάλα μέρη μιας χώρας.<br /> <br /> '''Επίλογος''' <br /> <br /> Δεδομένης της αβεβαιότητας σε ότι αφορά δεδομένα καταγραφής φτώχειας, την απουσία πληροφοριών από έρευνες και στατιστικές υπηρεσίες και τη δυσκολία ανάκτησης δορυφορικών δεδομένων, καθίσταται η χαρτογράφηση της φτώχειας με δορυφορικά δεδομένα ως ένα πλούσιο ερευνητικό πεδίο με πολλές προοπτικές για βελτίωση. Η ικανότητα διαχρονικής ανίχνευσης μεταβολών του βιοτικού επιπέδου του πληθυσμού μόλις ξεκίνησε να είναι εφικτή καθώς οι δορυφορικές εικόνες και οι γεωγραφικά προσδιορισμένες έρευνες συνεχώς αυξάνονται.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Χαρτογραφία]]</div>

Iosifina-Rouza Aetopoulou http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:W1.PNG 2019-03-13T11:43:43Z

<p>Iosifina-Rouza Aetopoulou: Εικόνα 1. (Α) ένα εικοοστοιχείο, (Β) μέγεθος τετραγώνου, (C) κλίμακα μεγέθους 8Χ8 εικονοστοιχείων</p> <hr /> <div>Εικόνα 1. (Α) ένα εικοοστοιχείο, (Β) μέγεθος τετραγώνου, (C) κλίμακα μεγέθους 8Χ8 εικονοστοιχείων</div>

Iosifina-Rouza Aetopoulou http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%BF%CE%B9%CE%BD%CF%89%CE%BD%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B5%CF%82 2019-03-13T08:35:14Z

<p>Iosifina-Rouza Aetopoulou: </p> <hr /> <div>[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]</div>

Iosifina-Rouza Aetopoulou http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%BF%CE%B9%CE%BD%CF%89%CE%BD%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B5%CF%82 2019-03-13T08:29:48Z

<p>Iosifina-Rouza Aetopoulou: Νέα σελίδα με ' category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης'</p> <hr /> <div><br /> [[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]</div>

Iosifina-Rouza Aetopoulou