http://147.102.106.44/rs/wiki/index.php?feed=atom&target=KONSTANTINOU+GEORGIOS&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 2026-04-18T13:30:44Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CF%84%CE%B1%CE%B2%CE%BB%CE%B7%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%B7%CF%82_%CE%A7%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%9A%CE%B1%CE%BD%CF%84%CE%B1%CE%B2%CF%81%CE%B9%CE%BA%CE%AE_%CE%9F%CF%81%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CE%AC:_%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%83%CE%B5_%CE%95%CF%80%CE%AF%CF%80%CE%B5%CE%B4%CE%BF_%CE%9B%CE%B5%CE%BA%CE%AC%CE%BD%CE%B7%CF%82_%CE%91%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_(2000%E2%80%932024) 2026-02-07T09:36:05Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μεταβλητότητα της Χιονοκάλυψης στην Κανταβρική Οροσειρά (Ισπανία): Μελέτη σε Επίπεδο Λεκάνης Απορροής με Χρήση Δορυφορικών Δεδομένων (2000–2024)''' &lt;br/&gt;<br /> '''Συγγραφείς: Adrián Melón-Nava, Amelia Gómez-Villar ''' &lt;br/&gt;<br /> '''Πηγή: https://doi.org/10.18172/cig.6543''' &lt;br/&gt;<br /> '''Ημερομηνία: 30 Ιουνίου 2025''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 6_1.jpg | thumb | '''Εικόνα 1.''' Περιοχή μελέτης: Η Κανταβρική Οροσειρά και η οριοθέτηση των 36 υδρογραφικών λεκανών απορροής]]<br /> <br /> <br /> [[Αρχείο: 6_2.jpg | thumb | '''Εικόνα 2.''' Ροή εργασιών (Workflow) για την παραγωγή χρονοσειρών Κλάσματος Χιονοκάλυψης (SCF) στο Google Earth Engine από δορυφορικές εικόνες. Το παράδειγμα πλήρωσης κενών (gap-filling) δείχνει την αποκατάσταση δεδομένων σε κενό 4 ημερών.]]<br /> <br /> [[Αρχείο: 6_3.jpg | thumb | '''Εικόνα 3.''' . Χρονοσειρές της εξέλιξης του Ποσοστού Χιονοκάλυψης (SCF) (2000-2024) και χάρτες των σχετικών τάσεων ανά λεκάνη απορροής και ανά εποχή ]]<br /> <br /> [[Αρχείο: 6_4.jpg | thumb | '''Πίνακας 1.''' Στατιστικά τάσεων (Mann-Kendall) για το Ποσοστό Χιονοκάλυψης (SCF) ανά υψομετρική ζώνη. ]]<br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εστιάζει στο αντικείμενο της Υδρολογίας και της Κλιματολογίας, και συγκεκριμένα στην παρακολούθηση των κρυοσφαιρικών μεταβολών. Κύριος στόχος της εφαρμογής είναι η λεπτομερής ανάλυση της δυναμικής της χιονοκάλυψης στην Κανταβρική Οροσειρά της βόρειας Ισπανίας για μια περίοδο 24 ετών (2000–2024), προκειμένου να κατανοηθούν οι επιπτώσεις της κλιματικής αλλαγής στη διαθεσιμότητα υδάτινων πόρων. Πριν από την ανάπτυξη και την ευρεία χρήση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων σε ορεινούς όγκους γινόταν σχεδόν αποκλειστικά μέσω δικτύων επίγειων μετεωρολογικών σταθμών. Η μέθοδος αυτή παρουσίαζε σημαντικούς περιορισμούς, καθώς οι σταθμοί ήταν χωρικά αραιοί, βρίσκονταν κυρίως σε χαμηλά ή μέσα υψόμετρα και αδυνατούσαν να καταγράψουν τη χωρική ετερογένεια του χιονιού στις δυσπρόσιτες κορυφογραμμές, οδηγώντας σε ελλιπή κατανόηση του υδρολογικού κύκλου.<br /> <br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την υλοποίηση της μελέτης χρησιμοποιήθηκε ένας συνδυασμός διαφορετικών ειδών δορυφορικών συστημάτων και αισθητήρων. Συγκεκριμένα, αξιοποιήθηκαν εικόνες από τον φασματοραδιόμετρο MODIS (στους δορυφόρους Terra και Aqua) για την υψηλή χρονική του ανάλυση, καθώς και δεδομένα από τη σειρά δορυφόρων Landsat (Landsat 5 TM, Landsat 7 ETM+, Landsat 8 OLI, Landsat 9 OLI-2) και τους δορυφόρους Sentinel-2 (MSI) του προγράμματος Copernicus για την υψηλή χωρική τους διακριτική ικανότητα. Η επεξεργασία αυτού του τεράστιου όγκου δεδομένων πραγματοποιήθηκε εξ ολοκλήρου στην πλατφόρμα νέφους Google Earth Engine (GEE), η οποία επιτρέπει την ταχεία ανάλυση χρονοσειρών &quot;μεγάλων δεδομένων&quot; (big data).<br /> <br /> Από τους παραπάνω δέκτες έγινε χρήση συγκεκριμένων φασματικών καναλιών, κυρίως του ορατού φάσματος (Πράσινο κανάλι) και του Βραχέος Υπέρυθρου (SWIR). Η χρησιμότητα του συνδυασμού αυτών των καναλιών έγκειται στην ικανότητά τους να διαχωρίζουν αποτελεσματικά το χιόνι (που ανακλά έντονα στο ορατό και απορροφά στο SWIR) από τα σύννεφα (που ανακλούν και στα δύο), επιτρέποντας τον υπολογισμό του Κανονικοποιημένου Δείκτη Διαφοράς Χιονιού (NDSI). Οι απαραίτητες προεπεξεργασίες περιλάμβαναν την ατμοσφαιρική διόρθωση μέσω της χρήσης προϊόντων Επιφανειακής Ανακλαστικότητας (Surface Reflectance), τη γεωαναφορά και, κρισίμως, τη δημιουργία μασκών νεφών για την εξάλειψη των ατμοσφαιρικών παρεμβολών. Ως κύριος ψηφιακός αλγόριθμος χρησιμοποιήθηκε η κατωφλίωση του δείκτη NDSI (με τιμή &gt; 0.4) για την ταξινόμηση των εικονοστοιχείων. Για τη βελτίωση της ακρίβειας, εφαρμόστηκαν τεχνικές συγχώνευσης δεδομένων (data fusion) και χρονικής παρεμβολής για την πλήρωση κενών λόγω νέφωσης. Επιπρόσθετα, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) της αποστολής SRTM της NASA. Η αναγκαιότητα του DEM ήταν καθοριστική για τις ειδικές επεξεργασίες GIS, καθώς επέτρεψε την υψομετρική διαστρωμάτωση της ανάλυσης ανά 500 μέτρα και την εξαγωγή στατιστικών ανά υδρολογική λεκάνη.<br /> <br /> Για την εγκυρότητα των αποτελεσμάτων, πραγματοποιήθηκε αξιολόγηση με χρήση δεδομένων αναφοράς από επίγειες ψηφιακές κάμερες time-lapse (π.χ. στην περιοχή Campoo). Η σύγκριση έδειξε ότι σε συνθήκες καθαρής ατμόσφαιρας η συμφωνία ταξινόμησης (classification agreement) υπερβαίνει το 85%, ενώ οι αλγόριθμοι πλήρωσης κενών (gap-filling) μείωσαν σημαντικά τα σφάλματα υποτίμησης της χιονοκάλυψης, καθιστώντας τα προϊόντα αξιόπιστα.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η εφαρμογή προηγμένων στατιστικών αλγορίθμων (Mann-Kendall) αποκάλυψε μεταβολές στο καθεστώς χιονοκάλυψης, με τα πιο ισχυρά στατιστικά ευρήματα να εντοπίζονται στην ανάλυση της έκτασης. Συγκεκριμένα, για το Ποσοστό Χιονοκάλυψης (SCF), καταγράφηκαν στατιστικά σημαντικές (p&lt;0.05) πτωτικές τάσεις, ιδιαίτερα κατά τη διάρκεια του χειμώνα στις λεκάνες που προσανατολίζονται προς το Νότο (μείωση που αγγίζει το 10-16% ανά δεκαετία).<br /> <br /> Πέρα από την έκταση (SCF), η μελέτη εξέτασε αναλυτικά και τη φαινολογία του χιονιού μέσω δεικτών όπως η Τελευταία Ημέρα Χιονοκάλυψης (LSCD), <br /> η Πρώτη Ημέρα (FESD) και η έναρξη της σταθερής χιονόπτωσης (SOD). Παρόλο που οι μεμονωμένες τάσεις διάρκειας δεν ήταν πάντα στατιστικά σημαντικές <br /> (λόγω της μεγάλης ετήσιας μεταβλητότητας), η συνοχή τους υποδεικνύει μια σαφή στροφή του καθεστώτος. <br /> Ειδικότερα, παρατηρήθηκε συρρίκνωση της εποχής του χιονιού και από τα δύο άκρα: Αφενός, η Τελευταία Ημέρα (LSCD) και η ημέρα τήξης (SMOD) εμφανίζουν αρνητική τάση, μετατοπιζόμενες σταθερά νωρίτερα μέσα στο έτος. <br /> Αφετέρου, η έναρξη της χιονόπτωσης τείνει να καθυστερεί ή να γίνεται πιο ασταθής (επηρεάζοντας το FESD/SOD). <br /> Η μείωση αυτή της συνολικής διάρκειας (SCD) υπολογίστηκε κατά μέσο όρο σε 1 ημέρα ανά δεκαετία, φτάνοντας όμως τις 5,8 ημέρες ανά δεκαετία στις υψηλότερες ζώνες. Ο συνδυασμός της σημαντικής μείωσης της χειμερινής έκτασης (SCF) με τη συνεπή τάση πρόωρης τήξης συνθέτει την εικόνα της σταδιακής αποσταθεροποίησης της κρυόσφαιρας. &lt;br/&gt;<br /> <br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη κατέληξε στο συμπέρασμα ότι η Κανταβρική Οροσειρά παρουσιάζει σαφείς ενδείξεις υποχώρησης της κρυόσφαιρας. Η μεθοδολογία που αναπτύχθηκε, βασισμένη στην Τηλεπισκόπηση και την επεξεργασία στο νέφος (Cloud Computing), αποδείχθηκε ένα ισχυρό εργαλείο για την εξαγωγή περιβαλλοντικών πληροφοριών σε μεγάλη κλίμακα. Αν και ορισμένοι φαινολογικοί δείκτες διάρκειας εμφανίζουν κυρίως τάσεις (tendencies) λόγω της έντονης κλιματικής διακύμανσης, η στατιστικά επιβεβαιωμένη μείωση της χειμερινής έκτασης (SCF) είναι κρίσιμη για την προσαρμογή των μοντέλων διαχείρισης υδάτινων πόρων. Τα ευρήματα αυτά υπογραμμίζουν την ανάγκη για συνέχιση της παρακολούθησης ώστε να επιβεβαιωθούν οι μακροπρόθεσμες επιπτώσεις στη βιοποικιλότητα και τα υδατικά αποθέματα της περιοχής.<br /> <br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%BD%CE%B5%CF%81%CE%B3%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%CE%94%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CE%A4%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%9F%CF%80%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%A1%CE%B1%CE%BD%CF%84%CE%AC%CF%81_%CE%A3%CF%85%CF%83%CF%84%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%A7%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82 2026-02-07T09:34:16Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Συνεργατική Δυνατότητα Τηλεπισκόπησης Οπτικών και Ραντάρ Συστημάτων για την Παρακολούθηση της Χιονοκάλυψης''' &lt;br/&gt;<br /> '''Συγγραφείς: Jose-David Hidalgo-Hidalgo, Antonio-Juan Collados-Lara, David Pulido-Velazquez, Steven R. Fassnacht, C. Husillos ''' &lt;br/&gt;<br /> '''Πηγή: https://doi.org/10.3390/rs16193705''' &lt;br/&gt; <br /> '''Ημερομηνία: 5 Οκτωβρίου 2024''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 5_1.jpg | thumb | '''Εικόνα 1.''' Χάρτης της περιοχής μελέτης που απεικονίζει τις 5 οροσειρές της Ιβηρικής Χερσονήσου (Κανταβρικό, Πυρηναία, Κεντρικό Σύστημα, Ιβηρική, Σιέρα Νεβάδα) και το υψομετρικό τους ανάγλυφο.]]<br /> <br /> [[Αρχείο: 5_2.jpg | thumb | '''Εικόνα 2.''' Διάγραμμα ροής της μεθοδολογίας: Συνδυασμός προϊόντων MODIS και HRS&amp;I SWS για τη δημιουργία του τελικού χάρτη χιονοκάλυψης.]]<br /> <br /> [[Αρχείο: 5_3.jpg | thumb | '''Εικόνα 3.''' Παραδείγματα χαρτών συνδυαστικής χιονοκάλυψης (HRS&amp;I SWS + MODIS) για δύο χαρακτηριστικές ημερομηνίες: 4 Φεβρουαρίου 2017 (Χειμώνας) και 18 Απριλίου 2018 (Άνοιξη). ]]<br /> <br /> [[Αρχείο: 5_4.jpg | thumb | '''Εικόνα 4.''' Διαγράμματα διασποράς που δείχνουν τη συσχέτιση μεταξύ υψομέτρου και πιθανότητας χιονιού.]]<br /> <br /> [[Αρχείο: 5_5.jpg | thumb | '''Εικόνα 5.''' Μηνιαία κατανομή της χιονοκάλυψης στα Πυρηναία. Το γράφημα δείχνει τη συνολική έκταση χιονιού, διαχωρίζοντας τη συμβολή του MODIS από την πρόσθετη πληροφορία που ανακτήθηκε χάρη στο ραντάρ (HRS&amp;I SWS).]]<br /> <br /> [[Αρχείο: 5_6.jpg | thumb | '''Πίνακας 1.''' Μέγεθος της τάσης (%/πενταετία) των χρονικών μεταβολών του δείκτη PSCPI για κάθε μήνα στις κύριες οροσειρές.]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εντάσσεται στο ευρύτερο επιστημονικό αντικείμενο της Υδρολογίας και της Κλιματολογίας, εστιάζοντας στην κρίσιμη ανάγκη για ακριβή και διαχρονική παρακολούθηση της χιονοκάλυψης σε ορεινά οικοσυστήματα. Ο κύριος στόχος της εφαρμογής είναι η υπέρβαση των σημαντικών περιορισμών που θέτει η συχνή νεφοκάλυψη στις ορεινές περιοχές, η οποία παραδοσιακά εμποδίζει την παρατήρηση της επιφάνειας της Γης. Πριν την έλευση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων βασιζόταν αποκλειστικά σε δίκτυα επίγειων μετεωρολογικών σταθμών και σε επιτόπιες δειγματοληψίες. Οι μέθοδοι αυτές παρείχαν μόνο σημειακές και χωρικά ασυνεχείς πληροφορίες, καθιστώντας αδύνατη την ακριβή χαρτογράφηση της κατανομής του χιονιού σε μεγάλες, δυσπρόσιτες και γεωμορφολογικά πολύπλοκες οροσειρές. Η έρευνα αυτή, εστιάζοντας σε πέντε οροσειρές της Ιβηρικής Χερσονήσου, επιχειρεί να αποδείξει πως η συνδυαστική χρήση διαφορετικών δορυφορικών τεχνολογιών μπορεί να καλύψει αυτά τα κενά πληροφόρησης.<br /> <br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την επίτευξη των στόχων της μελέτης χρησιμοποιήθηκε μια συνδυαστική μεθοδολογία που αξιοποιεί διαφορετικά είδη δορυφορικών συστημάτων, ενσωματώνοντας τόσο παθητικούς όσο και ενεργητικούς αισθητήρες. Συγκεκριμένα, έγινε χρήση του δορυφόρου Terra που φέρει τον οπτικό δέκτη MODIS (κάνοντας χρήση οπτικών και υπέρυθρων καναλιών), καθώς και του δορυφόρου Sentinel-1 της ευρωπαϊκής αποστολής Copernicus, ο οποίος είναι εξοπλισμένος με Ραντάρ Συνθετικού Ανοίγματος (SAR) στη ζώνη συχνοτήτων C-band. Η χρησιμότητα των συγκεκριμένων δεκτών λειτούργησε συμπληρωματικά, καθώς ο μεν MODIS προσέφερε μια μακροχρόνια και συνεπή χρονοσειρά οπτικών δεδομένων από το 2000 έως το 2022, ο δε Sentinel-1 αξιοποιήθηκε για τη μοναδική του ικανότητα να διαπερνά τα σύννεφα και να εντοπίζει το υγρό χιόνι κατά τις περιόδους τήξης, λειτουργώντας ως εργαλείο πλήρωσης κενών.<br /> <br /> Σε επίπεδο προεπεξεργασίας και ψηφιακών επεξεργασιών, η μελέτη εφάρμοσε συγκεκριμένους αλγορίθμους και τεχνικές GIS. Αρχικά, για την ελαχιστοποίηση του θορύβου από τη νεφοκάλυψη στα οπτικά δεδομένα, χρησιμοποιήθηκαν οι 8-ήμερες συνθέσεις του προϊόντος MOD10A2, ενώ πραγματοποιήθηκε γεωαναφορά και επαναδειγματοληψία (resampling) για την ομογενοποίηση των δεδομένων. Στη συνέχεια, εφαρμόστηκε ο δείκτης Πιθανότητας Παρουσίας Χιονοκάλυψης (PSCPI), βασισμένος σε μεθόδους φασματικών λόγων και ταξινόμησης (classification), για την ποσοτικοποίηση της χιονοκάλυψης. Παράλληλα, ενσωματώθηκε το προϊόν HRS&amp;I SWS για την ανάκτηση δεδομένων στις περιοχές που οι οπτικοί αισθητήρες αδυνατούσαν να καταγράψουν. Μια κρίσιμη ειδική επεξεργασία αφορούσε τη διαδικασία &quot;gap-filling&quot;, κατά την οποία τα κενά των οπτικών εικόνων συμπληρώθηκαν με την πληροφορία υγρού χιονιού από το HRS&amp;I SWS. Η εφαρμογή αυτής της μεθοδολογίας επέτρεψε τη δημιουργία ολοκληρωμένων χαρτών χιονοκάλυψης, αξιοποιώντας την υψηλή ανάλυση του προϊόντος ραντάρ.<br /> <br /> Επιπρόσθετα, για την ανάλυση της επίδρασης της τοπογραφίας, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) Copernicus GLO-30, η αναγκαιότητα του οποίου κρίθηκε επιτακτική για τη συσχέτιση του υψομέτρου με τη διάρκεια του χιονιού. Τέλος, η στατιστική ανάλυση των τάσεων πραγματοποιήθηκε με τη χρήση των αλγορίθμων Mann-Kendall και Sen’s slope estimator.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση των αποτελεσμάτων ανέδειξε τη σημαντική χωρική διαφοροποίηση της χιονοκάλυψης, με τα Πυρηναία και τη Σιέρα Νεβάδα να εμφανίζουν τη μεγαλύτερη διάρκεια χιονιού. Οι στατιστικές επεξεργασίες επιβεβαίωσαν ότι το γεωγραφικό πλάτος επηρεάζει καθοριστικά το υψόμετρο της χιονοκάλυψης, με τον συντελεστή προσδιορισμού να αγγίζει πολύ υψηλές τιμές (R2 ≥ 0.84). Παράλληλα, η ισχυρή εξάρτηση της πιθανότητας χιονιού (PSCPI) από το υψόμετρο αποτυπώνεται ξεκάθαρα στα παρακάτω διαγράμματα διασποράς για κάθε οροσειρά ξεχωριστά. <br /> <br /> Ένα από τα κρισιμότερα ευρήματα ήταν η εξαιρετική αποτελεσματικότητα της μεθόδου &quot;gap-filling&quot; με τη χρήση του προϊόντος HRS&amp;I SWS. Το παρακάτω γράφημα αποτυπώνει ξεκάθαρα τη συνεισφορά του προϊόντος SWS στη συνολική χαρτογράφηση. Όπως φαίνεται, η συμβολή του (το τμήμα που προστίθεται στο συνολικό εμβαδό) είναι καθοριστική κατά τους εαρινούς μήνες, επιτρέποντας την ανάκτηση χιονοκάλυψης που οι οπτικοί αισθητήρες έχαναν λόγω νεφών.<br /> <br /> Τέλος, η ανάλυση των κλιματικών τάσεων αποκάλυψε μια ανησυχητική μείωση. Ο παρακάτω πίνακας παρουσιάζει το μέγεθος της τάσης μεταβολής ανά πενταετία για κάθε μήνα. Οι αρνητικές τιμές κυριαρχούν, ιδιαίτερα τους χειμερινούς μήνες, υποδεικνύοντας σαφή συρρίκνωση της χιονοκάλυψης λόγω της κλιματικής αλλαγής.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η αξιολόγηση των μεθόδων καταδεικνύει ότι η συνέργεια μεταξύ οπτικών συστημάτων όπως ο MODIS και του προϊόντος HRS&amp;I SWS αποτελεί μια εξαιρετικά αποτελεσματική προσέγγιση για την υδρολογική παρακολούθηση και τη διαχείριση των ορεινών υδάτινων πόρων. Οι συγγραφείς τονίζουν ότι, ενώ οι οπτικοί αισθητήρες παραμένουν αναντικατάστατοι για την ιστορική καταγραφή και την ευρεία κάλυψη, η συμπληρωματική χρήση προηγμένων προϊόντων ραντάρ είναι απαραίτητη για την υπέρβαση των ατμοσφαιρικών εμποδίων. Η προτεινόμενη μεθοδολογία κρίνεται πλέον ως επιχειρησιακά ώριμη και προτείνεται η επέκτασή της σε άλλες ορεινές περιοχές, προσφέροντας μια πιο ολοκληρωμένη και αξιόπιστη εικόνα της κρυόσφαιρας σε συνθήκες μεταβαλλόμενου κλίματος.<br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B5%CF%81%CE%B5%CF%8D%CE%BD%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%93%CE%B9%CE%B3%CE%B1%CE%BD%CF%84%CE%B9%CE%B1%CE%AF%CE%B1%CF%82_%CE%91%CE%BC%CE%BC%CE%BF%CE%B8%CF%8D%CE%B5%CE%BB%CE%BB%CE%B1%CF%82_%CF%84%CE%B7%CF%82_%CE%A3%CE%B1%CF%87%CE%AC%CF%81%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%99%CE%BF%CF%85%CE%BD%CE%AF%CE%BF%CF%85_2020_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CF%89%CE%BD_%CE%95%CF%80%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82 2026-02-07T09:29:14Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης''' &lt;br/&gt;<br /> '''Συγγραφείς: A Asutosh, V Vinoj, Nuncio Murukesh, Ramakrishna Ramisetty, Nishant Mittal ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.1038/s41598-022-10017-1 &lt;br/&gt;<br /> '''Ημερομηνία: 12 Απριλίου 2022 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 4_1.jpg | thumb |201px| '''Εικόνα 1.''' Εξέλιξη της αμμοθύελλας από το διάστημα (Εικόνες ορατού φάσματος από το MODIS) ]]<br /> <br /> [[Αρχείο: 4_2.jpg | thumb |201px| '''Εικόνα 2.''' Κατακόρυφη δομή στρώματος σκόνης από τον αισθητήρα CALIOP. Πηγή: NASA Earth Observatory/CALIPSO).]]<br /> <br /> [[Αρχείο: 4_3.jpg | thumb |201px| '''Εικόνα 3.''' Χρονοσειρά Οπτικού Βάθους (AOD) (Χρονοσειρές μέσων τιμών AOD από MODIS, OMI και μοντέλα. Η σκίαση δείχνει την περίοδο αιχμής 14–19 Ιουνίου 2020).]]<br /> <br /> [[Αρχείο: 4_4.png | thumb |201px| '''Εικόνα 4.''' Οπτικές Ιδιότητες Αερολυμάτων (Χρονοσειρές μέσων τιμών περιοχής για (a) την παράμετρο Angstrom από το MERRA-2, (b) τον Δείκτη Αερολυμάτων UV από το OMI, (c) το Single Scattering Albedo από το OMI. Η σκίαση υποδεικνύει την περίοδο της αμμοθύελλας. Οι ράβδοι σφάλματος υποδεικνύουν την τυπική απόκλιση +1σ). ]]<br /> <br /> [[Αρχείο: 4_5.jpg | thumb |201px| '''Εικόνα 5.''' Επίγεια Επιβεβαίωση (Ραδιοβολίσεις) (Σύνθετη απεικόνιση έξι ημερών στον σταθμό Guimar-Τενερίφη. Συγκρίνει τα προφίλ θερμοκρασίας και υγρασίας πριν, κατά τη διάρκεια και μετά το γεγονός. Τα επίπεδα πίεσης 700 hPa και 550 hPa αντιστοιχούν σε υψόμετρο 3 χιλιομέτρων και 5 χιλιομέτρων αντίστοιχα.)]]<br /> <br /> [[Αρχείο: 4_6.jpg | thumb |201px| '''Εικόνα 6.''' Χωρικός χάρτης Ατμοσφαιρικού Εξαναγκασμού Ακτινοβολίας (ARF) (Χωρικός χάρτης μέσων τιμών του ARF (a) στην κορυφή της ατμόσφαιρας, (b) εντός της ατμόσφαιρας και (c) στην επιφάνεια, χρησιμοποιώντας δεδομένα MERRA-2 κατά τη διάρκεια της αμμοθύελλας).]]<br /> <br /> [[Αρχείο: 4_7.jpg | thumb |201px| '''Πίνακας 1.''' Συγκεντρωτική μεταβολή οπτικών και θερμοδυναμικών παραμέτρων κατά την αμμοθύελλα σε σχέση με την κλιματολογία (2015–2019). ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και της Διαχείρισης Φυσικών Καταστροφών, εστιάζοντας ειδικότερα στην πολυπαραμετρική ανάλυση της ιστορικής αμμοθύελλας &quot;Godzilla&quot; του Ιουνίου 2020. Πρόκειται για το σφοδρότερο γεγονός μεταφοράς σκόνης των τελευταίων δεκαετιών, και ο κύριος στόχος της εφαρμογής είναι η διερεύνηση των άμεσων επιπτώσεών του στις ατμοσφαιρικές ακτινοβολιακές και θερμοδυναμικές ιδιότητες, καθώς και η αξιολόγηση της ικανότητας των σύγχρονων εργαλείων να χαρτογραφούν τέτοια ακραία φαινόμενα. Στο παρελθόν, η παρακολούθηση της μεταφοράς σκόνης γινόταν με μεθόδους όπως τα αραιά δίκτυα επίγειων μετρήσεων και οι υποκειμενικές αναφορές ορατότητας από εμπορικά πλοία ή αεροδρόμια. Οι μέθοδοι αυτές άφηναν τεράστια χωρικά κενά στον Ατλαντικό Ωκεανό και αδυνατούσαν πλήρως να καταγράψουν την κατακόρυφη δομή του νέφους ή να ποσοτικοποιήσουν την επίδρασή του στο ενεργειακό ισοζύγιο. Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, συνδυάζοντας δορυφορικά δεδομένα πολλαπλών δεκτών με προηγμένα μοντέλα για την ολοκληρωμένη μελέτη του φαινομένου σε τρεις διαστάσεις.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> <br /> Η έρευνα αξιοποιεί δεδομένα από ένα πλέγμα δορυφορικών συστημάτων (Terra, Aqua, Aura, CALIPSO) σε συνέργεια με τα παγκόσμια μοντέλα επανάλυσης MERRA-2 και CAMS. Χρησιμοποιήθηκαν εξειδικευμένοι δέκτες για κάθε πτυχή του φαινομένου: το MODIS (φάσμα ορατού) παρείχε το Οπτικό Βάθος Αερολυμάτων (AOD) για τη χωρική κατανομή, το OMI (υπεριώδες) τον Δείκτη Αερολυμάτων (UVAI) για τον διαχωρισμό των απορροφητικών σωματιδίων, ενώ το AIRS συνεισέφερε με προφίλ θερμοκρασίας και υγρασίας. Κρίσιμη ήταν η συμβολή του ενεργού αισθητήρα Lidar του CALIOP, ο οποίος επέτρεψε την τομή της ατμόσφαιρας για την εύρεση του ύψους της σκόνης.<br /> Σε επίπεδο προεπεξεργασίας, επιλέχθηκαν δεδομένα Επιπέδου 3 (Level-3), τα οποία είχαν υποστεί γεωαναφορά και αναγωγή σε παγκόσμιο πλέγμα 1° × 1°. Βασικό μεθοδολογικό βήμα αποτέλεσε ο υπολογισμός των κλιματικών ανωμαλιών βάσει της περιόδου αναφοράς 2002–2019. Μέσω αυτής της διαδικασίας αφαιρέθηκε το εποχικό υπόβαθρο, επιτρέποντας την ακριβή απομόνωση και ποσοτικοποίηση της ακραίας απόκλισης που προκάλεσε το συγκεκριμένο γεγονός.<br /> <br /> Επιπλέον, για την πλήρη κατανόηση της τρισδιάστατης εξέλιξης, αξιοποιήθηκαν τα δεδομένα του CALIOP. Η ανάλυση της κατακόρυφης τομής ήταν απαραίτητη για να επιβεβαιωθεί ότι η θέρμανση που παρατηρήθηκε συνέπιπτε υψομετρικά με το στρώμα της σκόνης.<br /> <br /> Τέλος, πραγματοποιήθηκε συγχώνευση και στατιστική σύγκριση των δορυφορικών μετρήσεων με τα μοντέλα για την αμοιβαία επικύρωση των ευρημάτων.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση κατέδειξε ότι το φαινόμενο ήταν το ισχυρότερο της εικοσαετίας, με τις τιμές AOD να ξεπερνούν το 1.5, τιμή εξαιρετικά σπάνια για ωκεάνιες περιοχές.<br /> <br /> Η σύγκριση της χωρικής κατανομής μεταξύ των δορυφορικών δεδομένων και των μοντέλων έδειξε ότι τα μοντέλα (MERRA-2, CAMS) κατάφεραν να αναπαράγουν με μεγάλη ακρίβεια τη γεωγραφική εξάπλωση του νέφους σκόνης. Η στατιστική αντιπαραβολή με τα μοντέλα επανάλυσης εμφάνισε υψηλή συσχέτιση (Pearson’s r &gt; 0.93), αποδεικνύοντας την αξιοπιστία των σύγχρονων προσομοιώσεων.<br /> Πέρα από την ποσότητα, αναλύθηκαν και οι οπτικές ιδιότητες των σωματιδίων για να επιβεβαιωθεί η προέλευσή τους. Οι δείκτες επιβεβαίωσαν ότι πρόκειται για χονδρόκοκκα και απορροφητικά σωματίδια σκόνης, όπως φαίνεται στα παρακάτω διαγράμματα.<br /> <br /> <br /> Το σημαντικότερο εύρημα, ωστόσο, αφορά τη θερμοδυναμική αλληλεπίδραση. Η παρουσία του πυκνού νέφους σκόνης προκάλεσε σημαντική θέρμανση των ατμοσφαιρικών στρωμάτων (8–16%) και μείωση της σχετικής υγρασίας (2–4%), γεγονός που επιβεβαιώνεται από την ανάλυση των κατακόρυφων προφίλ της ατμόσφαιρας μέσω επίγειων μετρήσεων.<br /> <br /> <br /> Η αιτία αυτής της θέρμανσης και της μεταβολής στη σταθερότητα της ατμόσφαιρας αποδίδεται στον Εξαναγκασμό Ακτινοβολίας (ARF). Η σκόνη απορρόφησε ηλιακή ενέργεια εντός της ατμόσφαιρας, εμποδίζοντάς την να φτάσει στην επιφάνεια, προκαλώντας έτσι ψύξη χαμηλά αλλά θέρμανση στα ψηλότερα στρώματα.<br /> <br /> Για την ποσοτική αποτίμηση της έντασης του φαινομένου, οι συνολικές αποκλίσεις όλων των εξεταζόμενων παραμέτρων (οπτικών και θερμοδυναμικών) σε σχέση με την κλιματολογική περίοδο αναφοράς, συνοψίζονται στον ακόλουθο πίνακα:<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη αποδεικνύει ότι η συνδυαστική χρήση πολυφασματικών δορυφορικών δεκτών και μοντέλων είναι απαραίτητη για την ολοκληρωμένη παρακολούθηση ακραίων φαινομένων. Η μέθοδος υπερτερεί σαφώς των συμβατικών τεχνικών, καθώς παρέχει κρίσιμη γνώση όχι μόνο για τη μεταφορά μάζας, αλλά και για την αλληλεπίδραση αερολυμάτων-ακτινοβολίας. Τα ευρήματα αυτά είναι ζωτικής σημασίας για τη βελτίωση των κλιματικών προβλέψεων, καθώς η ακριβής αναπαράσταση της θέρμανσης που προκαλεί η σκόνη μπορεί να βελτιώσει την κατανόηση της ενεργειακής ισορροπίας του πλανήτη και της εξέλιξης των καιρικών συστημάτων στον Ατλαντικό.<br /> <br /> <br /> '''Βιβλιογραφία''' &lt;br/&gt;<br /> <br /> 1. NASA Earth Observatory. A Dust Plume to Remember. June 2020. https://earthobservatory.nasa.gov/<br /> <br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B5%CE%BB%CF%84%CE%B9%CF%89%CE%BC%CE%AD%CE%BD%CE%BF%CF%82_%CE%95%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CE%A0%CE%B1%CE%B3%CE%BA%CF%8C%CF%83%CE%BC%CE%B9%CF%89%CE%BD_%CE%A3%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD_NO2_%CE%B1%CF%80%CF%8C_%CF%84%CE%B7_%CE%9D%CE%B1%CF%85%CF%84%CE%B9%CE%BB%CE%AF%CE%B1 2026-02-07T09:24:23Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Improved detection of global NO2 signals from shipping in Sentinel-5P TROPOMI data''' &lt;br/&gt;<br /> '''Συγγραφείς: Miriam Latsch, Andreas Richter, John P. Burrows, Hartmut Bösch ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.5194/amt-18-4373-2025 &lt;br/&gt;<br /> '''Ημερομηνία: 10 Σεπτεμβρίου 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 3_1.jpg | thumb |201px| '''Εικόνα 1.''' Επίδραση της διαδικασίας φιλτραρίσματος στα δεδομένα TROPOMI ]]<br /> <br /> [[Αρχείο: 3_2.jpg | thumb |201px| '''Εικόνα 2.''' Παγκόσμιος χάρτης φιλτραρισμένου σήματος NO2 ]]<br /> <br /> [[Αρχείο: 3_3.jpg | thumb |201px| '''Εικόνα 3.''' Σύγκριση σημάτων NO2 του TROPOMI με διαφορετικά φίλτρα (αριστερά διαγράμματα) με δεδομένα απογραφής CAMS-GLOB-SHIP(δεξί διάγραμμα) ανοιχτά των ακτών της Πορτογαλίας]]<br /> <br /> [[Αρχείο: 3_4.jpg | thumb |201px| '''Εικόνα 4.''' Επικύρωση με χρήση σταθερών πηγών: (a) Οι φιλτραρισμένες εστίες (hotspots) NO2 του TROPOMI στη Βόρεια Θάλασσα συμπίπτουν με (b) τις θέσεις ενεργών εξεδρών άντλησης πετρελαίου και φυσικού αερίου ]]<br /> <br /> [[Αρχείο: 3_5.jpg | thumb |201px| '''Εικόνα 5.''' Εντοπισμός μη καταγεγραμμένης ναυτιλιακής δραστηριότητας στη Βερίγγειο Θάλασσα: Ο TROPOMI (a) ανιχνεύει ένα σαφές ίχνος NO2 το οποίο απουσιάζει από τον χάρτη πυκνότητας του CAMS-GLOB-SHIP που βασίζεται στο AIS (b), υποδηλώνοντας την παρουσία πλοίων με απενεργοποιημένο σύστημα εντοπισμού.]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και Ποιότητας Αέρα, εστιάζοντας στον εντοπισμό ανθρωπογενών εκπομπών οξειδίων του αζώτου (NO2) από την παγκόσμια ναυτιλία. Κύριος στόχος είναι η ανάπτυξη μιας μεθοδολογίας για τη δημιουργία ενός ανεξάρτητου εργαλείου παρακολούθησης, ικανού να επαληθεύει τις απογραφές ρύπων και να εντοπίζει πηγές που διαφεύγουν της καταγραφής. Στο παρελθόν, η εκτίμηση των ναυτιλιακών εκπομπών γινόταν αποκλειστικά με συμβατικές μεθόδους, όπως τα μοντέλα απογραφής (bottom-up) και τα δεδομένα AIS. Οι μέθοδοι αυτές, ωστόσο, παρουσίαζαν σημαντικούς περιορισμούς λόγω ελλιπών στοιχείων ή αδυναμίας κάλυψης παράνομων δραστηριοτήτων (&quot;σκοτεινά πλοία&quot;). Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, αξιοποιώντας τη συνεχή δορυφορική κάλυψη για την απευθείας μέτρηση των ρύπων, προσφέροντας μια αντικειμενική εικόνα της ρύπανσης που δεν βασίζεται στην εθελοντική αναφορά θέσης από τα πλοία.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η έρευνα βασίζεται αποκλειστικά σε δεδομένα από τον δορυφόρο Sentinel-5P του προγράμματος Copernicus και το φασματόμετρο TROPOMI, εστιάζοντας στο φασματικό εύρος UV-Visible (405–465 nm) για την ανίχνευση NO2. Μια κρίσιμη καινοτομία είναι η χρήση της λοξής στήλης πυκνότητας (tSCD) αντί της τυπικής κάθετης στήλης (VCD). Η επιλογή αυτή έγινε για να αποφευχθούν οι αβεβαιότητες του Συντελεστή Αέριας Μάζας (AMF) πάνω από τους ωκεανούς, ο οποίος συχνά επισκιάζει το ασθενές σήμα των πλοίων.<br /> Για την ανάδειξη της πληροφορίας, χρησιμοποιήθηκε ένα εκτεταμένο χρονοσειριακό σύνολο δεδομένων (2018–2022) ώστε να μεγιστοποιηθεί ο λόγος σήματος προς θόρυβο. Εφαρμόστηκαν αυστηρές προεπεξεργασίες: φιλτράρισμα νέφωσης (κάλυψη &gt;30%), μάσκα ξηράς για εστίαση στο θαλάσσιο περιβάλλον και χρήση φίλτρων Fourier για destriping (αφαίρεση θορύβου γραμμώσεων). Ως προηγμένη επεξεργασία εξαγωγή χαρακτηριστικών, αναπτύχθηκε ένας αλγόριθμος επαναληπτικού υψιπερατού φίλτρου (High-pass filter), ο οποίος αφαιρεί το ομαλό υπόβαθρο του NO2 και απομονώνει τις αιχμές των καυσαερίων, επιτρέποντας τον εντοπισμό ακόμα και ασθενών ιχνών που χάνονταν σε ημερήσιες λήψεις.<br /> <br /> Στο πλαίσιο των επεξεργασιών GIS, τα δεδομένα συγχωνεύθηκαν σε χωρικό πλέγμα υψηλής ανάλυσης (0.05° × 0.05°) μέσω υπερ-δειγματοληψίας. Η χρήση επιπρόσθετων δεδομένων (μοντέλο απογραφής CAMS-GLOB-SHIP και χάρτες AIS) κρίθηκε αναγκαία για την αξιολόγηση, καθώς χωρίς αυτά θα ήταν αδύνατος ο διαχωρισμός των πραγματικών σημάτων ναυσιπλοΐας από τυχόν τεχνητά σφάλματα του δορυφόρου ή ατμοσφαιρικό θόρυβο.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η μέθοδος αποκάλυψε με ευκρίνεια τις κύριες ναυτιλιακές οδούς σε Ινδικό, Μεσόγειο και Ειρηνικό, οι οποίες παρέμεναν αόρατες στα ακατέργαστα δεδομένα επιπέδου L2. Επιπλέον, η ανάλυση κατέδειξε ότι η ποιότητα του εντοπισμού εξαρτάται σημαντικά από τις μετεωρολογικές συνθήκες, καθώς οι ισχυροί άνεμοι προκαλούν διασπορά και &quot;θόλωμα&quot; των ιχνών, καθιστώντας δυσκολότερη την ανίχνευση σε περιοχές με έντονη κυκλωνική δραστηριότητα, εντούτοις η μακροχρόνια συσσώρευση δεδομένων αντιστάθμισε μερικώς αυτό το πρόβλημα.<br /> <br /> Η στατιστική και οπτική σύγκριση με τη βάση CAMS-GLOB-SHIP έδειξε ισχυρή χωρική συσχέτιση, επιβεβαιώνοντας την ικανότητα του δορυφόρου να ποσοτικοποιεί τη δραστηριότητα. Όπως φαίνεται και στο παράδειγμα του Ατλαντικού Ωκεανού, οι διακριτές λωρίδες ναυσιπλοΐας που εντοπίζει ο δορυφόρος ταυτίζονται απόλυτα με τις καταγραφές των μοντέλων AIS.<br /> <br /> Η ακρίβεια της μεθόδου επιβεβαιώθηκε περαιτέρω μέσω του εντοπισμού σταθερών σημείων εκπομπής, όπως οι πλατφόρμες πετρελαίου στη Βόρεια Θάλασσα, οι οποίες ταυτοποιήθηκαν απόλυτα με τις γνωστές εγκαταστάσεις.<br /> <br /> Το πλέον σημαντικό εύρημα προέκυψε από την αντιπαραβολή με το AIS. Σε περιοχές όπως ο Βόρειος Ειρηνικός, το μοντέλο εντόπισε σαφή γραμμικά ίχνη NO2 (&quot;ορφανά σήματα&quot;) χωρίς αντίστοιχα στίγματα πλοίων. Αυτό υποδηλώνει την παρουσία πλοίων που δεν αναφέρουν τη θέση τους ή σφάλματα καταγραφής, αποδεικνύοντας την υπεροχή της τηλεπισκόπησης στον εντοπισμό μη δηλωμένης δραστηριότητας.<br /> <br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταδεικνύει ότι η καινοτόμος χρήση της tSCD του TROPOMI με εξειδικευμένους αλγορίθμους συνιστά μια αξιόπιστη μέθοδο παρακολούθησης της ναυτιλίας. Λειτουργώντας συμπληρωματικά προς το AIS, προσφέρει ένα κρίσιμο εργαλείο ελέγχου συμμόρφωσης και εντοπισμού παράνομων εκπομπών, ειδικά εντός των καθορισμένων Περιοχών Ελέγχου Εκπομπών (ECAs). Η δυνατότητα ανεξάρτητης επαλήθευσης κρίνεται απαραίτητη για την υποστήριξη των διεθνών κανονισμών του IMO, θέτοντας παράλληλα τα θεμέλια για την αξιοποίηση μελλοντικών αποστολών (όπως το CO2M) υψηλότερης διακριτικής ικανότητας, οι οποίες θα επιτρέψουν τη συσχέτιση των εκπομπών NO2 με τα αέρια του θερμοκηπίου για την αντιμετώπιση της κλιματικής αλλαγής.<br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-07T09:21:48Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.png | thumb |201px| '''Εικόνα 1.''' Περιοχή μελέτης και τοποθεσία των σταθμών παρακολούθησης στο Κίτο ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1. ''' Εκτιμητές απόδοσης (MAE, RMSE, R2) των βέλτιστων μοντέλων για κάθε ρύπο. ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px| '''Εικόνα 2 α-β.''' ]] <br /> [[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2 γ-δ.''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο.]]<br /> <br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης NO2 ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης SO2 ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-07T09:21:34Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.png | thumb |201px| '''Εικόνα 1.''' Περιοχή μελέτης και τοποθεσία των σταθμών παρακολούθησης στο Κίτο ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1. ''' Εκτιμητές απόδοσης (MAE, RMSE, R2) των βέλτιστων μοντέλων για κάθε ρύπο. ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px| '''Εικόνα 2 α-β.''' ]] <br /> [[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2 γ-δ.''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο.]]<br /> <br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης NO2 ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης SO2 ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-07T09:18:55Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.png | thumb |201px| '''Εικόνα 1.''' Περιοχή μελέτης και τοποθεσία των σταθμών παρακολούθησης στο Κίτο ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1. ''' Εκτιμητές απόδοσης (MAE, RMSE, R2) των βέλτιστων μοντέλων για κάθε ρύπο. ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px| '''Εικόνα 2 α-β.''' ]] <br /> [[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2 γ-δ.''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο.]]<br /> <br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης NO2 ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης SO2 ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-07T09:17:53Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.png | thumb |201px| '''Εικόνα 1.''' Περιοχή μελέτης και τοποθεσία των σταθμών παρακολούθησης στο Κίτο ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1. ''' Εκτιμητές απόδοσης (MAE, RMSE, R2) των βέλτιστων μοντέλων για κάθε ρύπο. ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px| '''Εικόνα 2αβ.''' ]] <br /> [[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2γδ.''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο.]]<br /> <br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης NO2 ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης SO2 ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-07T09:17:20Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.png | thumb |201px| '''Εικόνα 1.''' Περιοχή μελέτης και τοποθεσία των σταθμών παρακολούθησης στο Κίτο ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1. ''' Εκτιμητές απόδοσης (MAE, RMSE, R2) των βέλτιστων μοντέλων για κάθε ρύπο. ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px| ]] <br /> [[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2.''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο.]]<br /> <br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης NO2 ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης SO2 ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-07T09:17:04Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.png | thumb |201px| '''Εικόνα 1.''' Περιοχή μελέτης και τοποθεσία των σταθμών παρακολούθησης στο Κίτο ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1. ''' Εκτιμητές απόδοσης (MAE, RMSE, R2) των βέλτιστων μοντέλων για κάθε ρύπο. ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px| ]] [[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2.''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο.]]<br /> <br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης NO2 ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης SO2 ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-07T09:16:38Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.png | thumb |201px| '''Εικόνα 1.''' Περιοχή μελέτης και τοποθεσία των σταθμών παρακολούθησης στο Κίτο ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1. ''' Εκτιμητές απόδοσης (MAE, RMSE, R2) των βέλτιστων μοντέλων για κάθε ρύπο. ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px| ]][[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2.''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο.]]<br /> <br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης NO2 ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης SO2 ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-07T09:16:07Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.png | thumb |201px| '''Εικόνα 1.''' Περιοχή μελέτης και τοποθεσία των σταθμών παρακολούθησης στο Κίτο ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1. ''' Εκτιμητές απόδοσης (MAE, RMSE, R2) των βέλτιστων μοντέλων για κάθε ρύπο. ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px| Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2.''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο. ]]<br /> <br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης NO2 ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης SO2 ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-07T09:15:05Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.png | thumb |201px| '''Εικόνα 1.''' Περιοχή μελέτης και τοποθεσία των σταθμών παρακολούθησης στο Κίτο ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1. ''' Εκτιμητές απόδοσης (MAE, RMSE, R2) των βέλτιστων μοντέλων για κάθε ρύπο. ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px|]] <br /> [[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2.''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο. ]]<br /> <br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης NO2 ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης SO2 ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-07T09:14:27Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.png | thumb |201px| '''Εικόνα 1.''' Περιοχή μελέτης και τοποθεσία των σταθμών παρακολούθησης στο Κίτο ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1. ''' Εκτιμητές απόδοσης (MAE, RMSE, R2) των βέλτιστων μοντέλων για κάθε ρύπο. ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px|]] <br /> [[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2β''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο. ]]<br /> <br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης NO2 ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης SO2 ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-07T09:13:52Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.png | thumb |201px| '''Εικόνα 1.''' Περιοχή μελέτης και τοποθεσία των σταθμών παρακολούθησης στο Κίτο ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1. ''' Εκτιμητές απόδοσης (MAE, RMSE, R2) των βέλτιστων μοντέλων για κάθε ρύπο. ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px| '''Εικόνα 2α''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο. ]] [[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2β''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο. ]]<br /> <br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης NO2 ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης SO2 ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-07T09:13:06Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.png | thumb |201px| '''Εικόνα 1.''' Περιοχή μελέτης και τοποθεσία των σταθμών παρακολούθησης στο Κίτο ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1. ''' Εκτιμητές απόδοσης (MAE, RMSE, R2) των βέλτιστων μοντέλων για κάθε ρύπο. ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px| '''Εικόνα 2α''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο. ]]<br /> [[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2β''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο. ]]<br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης NO2 ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης SO2 ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CF%84%CE%B7%CF%82_%CE%91%CF%84%CE%BC%CE%BF%CF%83%CF%86%CE%B1%CE%B9%CF%81%CE%B9%CE%BA%CE%AE%CF%82_%CE%A1%CF%8D%CF%80%CE%B1%CE%BD%CF%83%CE%B7%CF%82_%CE%B1%CF%80%CF%8C_%CE%94%CE%B1%CF%83%CE%B9%CE%BA%CE%AD%CF%82_%CE%A0%CF%85%CF%81%CE%BA%CE%B1%CE%B3%CE%B9%CE%AD%CF%82_%CE%BC%CE%B5_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AD%CF%82_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CE%B9%CF%82 2026-02-07T09:10:46Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: &quot;Προσδιορισμός της Ατμοσφαιρικής Ρύπανσης από Δασικές Πυρκαγιές με Δορυφορικές Παρατηρήσεις&quot;''' &lt;br/&gt;<br /> '''Συγγραφείς: Efem Bilgiç, Gizem Tuna Tuygun, Orhan Gunduz ''' &lt;br/&gt;<br /> '''Πηγή:''' https://www.researchgate.net/publication/356791231_Determination_of_Air_Pollution_from_Wildfires_with_Satellite_Observations &lt;br/&gt;<br /> '''Ημερομηνία: 1-2 Δεκεμβρίου 2021 (Συνέδριο) ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 1_1.jpg | thumb | '''Εικόνα 1. ''' Ανιχνευθείσες Ζώνες Πυρκαγιάς ]]<br /> <br /> [[Αρχείο: 1_2.jpg | thumb | '''Εικόνα 2. ''' Βαθμίδες σφοδρότητας καύσης στις περιοχές της Δυτικής (UTM35) και Μέσης Μεσογείου (UTM36) της Τουρκίας ]]<br /> <br /> [[Αρχείο: 1_3.jpg | thumb | '''Πίνακας 1. ''' Καμένη έκταση (ha) σε διαφορετική σφοδρότητα σε σύγκριση με το EFFIS ]]<br /> <br /> [[Αρχείο: 1_4.jpg | thumb | '''Εικόνα 3. ''' Εκτιμώμενες συνολικές εκπομπές]]<br /> <br /> [[Αρχείο: 1_5.jpg | thumb | '''Πίνακας 2. ''' Αποτελέσματα εκπομπών για κάθε ζώνη πυρκαγιάς σε σύγκριση με το GFAS]]<br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τις εκπομπές ατμοσφαιρικής ρύπανσης που προκλήθηκαν από τις καταστροφικές δασικές πυρκαγιές που σημειώθηκαν στην δυτική και νοτιοδυτική Τουρκία μεταξύ της 15ης Ιουλίου 2021 και της 15ης Αυγούστου 2021. Κατά τη διάρκεια αυτής της περιόδου, η Τουρκία βίωσε μερικές από τις χειρότερες πυρκαγιές στην ιστορία της, με περίπου 200.000 εκτάρια να έχουν καεί έως το τέλος Σεπτεμβρίου σύμφωνα με το Ευρωπαϊκό Σύστημα Πληροφόρησης για Δασικές Πυρκαγιές (EFFIS). Οι πυρκαγιές προκάλεσαν σημαντικές ζημιές στο οικοσύστημα και επηρέασαν αρνητικά την περιφερειακή ποιότητα του αέρα. Οι ερευνητές εστίασαν συγκεκριμένα στις επαρχίες Muğla, Antalya και İçel (Mersin) για να ποσοτικοποιήσουν τις εκπομπές διαφόρων ρύπων που προέκυψαν από αυτά τα γεγονότα. Αξιοποιώντας την τεχνολογία τηλεπισκόπησης και τα μοντέλα απογραφής εκπομπών, η μελέτη στοχεύει να παρέχει μια λεπτομερή αξιολόγηση των περιβαλλοντικών επιπτώσεων αυτών των πυρκαγιών και να αξιολογήσει την αποτελεσματικότητα των μεθόδων δορυφορικής παρατήρησης στην παρακολούθηση της ατμοσφαιρικής ρύπανσης που προκαλείται από πυρκαγιές. &lt;br/&gt;<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την ανάλυση των πυρκαγιών, οι ερευνητές χρησιμοποίησαν μια μεθοδολογική προσέγγιση πολλαπλών βημάτων συνδυάζοντας την τηλεπισκόπηση και τα Γεωγραφικά Συστήματα Πληροφοριών (GIS). Αρχικά, επεξεργάστηκαν εικόνες που ελήφθησαν πριν και μετά την πυρκαγιά από τον δορυφόρο Sentinel-2, ο οποίος παρέχει οπτική απεικόνιση υψηλής ανάλυσης (10–20 m). Αυτή η προσέγγιση προσφέρει υψηλότερο επίπεδο λεπτομερούς ανάλυσης σε σύγκριση με το τυπικό Ευρωπαϊκό Σύστημα Πληροφόρησης για Δασικές Πυρκαγιές (EFFIS), το οποίο βασίζεται συνήθως σε αισθητήρες χαμηλότερης ανάλυσης όπως οι MODIS (250 m) και VIIRS (375 m) για ταχεία εκτίμηση ζημιών σε ηπειρωτική κλίμακα. Χρησιμοποιώντας τις εικόνες του Sentinel-2, οι ερευνητές υπολόγισαν τον διαφορικό Κανονικοποιημένο Δείκτη Καύσης (dNBR) —τη διαφορά μεταξύ του NBR πριν και μετά την πυρκαγιά— για να εντοπίσουν τις καμένες περιοχές και να αξιολογήσουν τη σφοδρότητα της καύσης βάσει κλιμάκων που προτείνονται από το Γεωλογικό Ινστιτούτο των ΗΠΑ (USGS). &lt;br/&gt;<br /> <br /> Χρησιμοποιώντας αυτόν τον φασματικό δείκτη σε δεδομένα υψηλής ανάλυσης, η μελέτη πέτυχε έναν πιο ακριβή προσδιορισμό της χωρικής έκτασης και της έντασης της ζημιάς από τις ευρύτερες επιχειρησιακές χαρτογραφήσεις που παράγονται συχνά από το EFFIS, καταγράφοντας τη λεπτομερή ετερογένεια της καύσης που οι αισθητήρες χαμηλότερης ανάλυσης ενδέχεται να παραβλέψουν. Μετά τη χωρική ανάλυση, η μελέτη υπολόγισε τα φορτία ρύπων που απελευθερώθηκαν από τις πυρκαγιές χρησιμοποιώντας την τεχνολογικά εξειδικευμένη προσέγγιση EMEP/EEA Tier 2. Αυτή η μέθοδος &quot;από κάτω προς τα πάνω&quot; χρησιμοποιεί τα ακριβή δεδομένα καμένων εκτάσεων που ελήφθησαν από την ανάλυση GIS σε συνδυασμό με τυπικούς συντελεστές καύσιμης ύλης για την εκτίμηση εκπομπών διαφόρων ρύπων, συμπεριλαμβανομένων των Οξειδίων του Αζώτου (NOx), του Μονοξειδίου του Άνθρακα (CO), των Οξειδίων του Θείου (SOx), των Ολικών Αιωρούμενων Σωματιδίων (TSP), των Αιωρούμενων Σωματιδίων (PM2.5) και του Μαύρου Άνθρακα (BC). Τέλος, τα υπολογισμένα αποτελέσματα εκπομπών συγκρίθηκαν με δεδομένα από το Παγκόσμιο Σύστημα Αφομοίωσης Πυρκαγιών (GFAS), το οποίο χρησιμοποιεί μια διακριτά διαφορετική μεθοδολογία &quot;από πάνω προς τα κάτω&quot;. Το GFAS αφομοιώνει παρατηρήσεις Ακτινοβολουμένης Ισχύος Πυρκαγιάς (FRP) από δορυφορικούς αισθητήρες για να παράγει ημερήσιες εκτιμήσεις εκπομπών βάσει της ανιχνευόμενης έντασης θερμικής ενέργειας και όχι απλώς του φυσικού αποτυπώματος, λειτουργώντας ως ένα ισχυρό βήμα επικύρωσης για τη διασταύρωση των υπολογισμών της μελέτης που βασίζονται στην έκταση έναντι των παρατηρήσεων που βασίζονται στην ενέργεια. &lt;br/&gt;<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Εκτιμήθηκε ότι κάηκαν συνολικά 136.709 εκτάρια σε 18 ζώνες πυρκαγιάς σε διαφορετικά επίπεδα, και περίπου το 40% της καμένης έκτασης είχε υψηλή και μέτρια-υψηλή σφοδρότητα. Το EFFIS υπολόγισε τη συνολική καμένη έκταση σε 144.871 εκτάρια, και οι συγκρίσεις βάσει πολυγώνων με το EFFIS έδειξαν ότι ελήφθησαν συνεπή αποτελέσματα σε σχεδόν όλα τα πολύγωνα. &lt;br/&gt;<br /> <br /> Τα αποτελέσματα του EFFIS ήταν ελαφρώς υπερεκτιμημένα στο Köyceğiz (μία από τις 18 ζώνες πυρκαγιάς). Η ανάλυση GIS αποκάλυψε ότι τα δάση γύρω από το Manavgat στην επαρχία της Antalya υπέστησαν την πιο εκτεταμένη καύση. Οι συνολικές καμένες δασικές εκτάσεις που υπολογίστηκαν για τις επαρχίες ήταν 52.291 εκτάρια για τη Muğla, 66.211 εκτάρια για την Antalya και 13.642 εκτάρια για το İçel. Η μελέτη ποσοτικοποίησε με επιτυχία τα ειδικά φορτία για ιχνοστοιχεία αερίων και αιωρούμενα σωματίδια για κάθε εντοπισμένη ζώνη πυρκαγιάς. Για παράδειγμα, στις ζώνες που επλήγησαν σοβαρότερα, απελευθερώθηκαν σημαντικές ποσότητες CO και NOx στην ατμόσφαιρα. &lt;br/&gt;<br /> <br /> Κατά τη σύγκριση των υπολογιζόμενων εκπομπών της μελέτης με τα δεδομένα του GFAS, οι ερευνητές διαπίστωσαν ισχυρή συμφωνία, ιδιαίτερα όσον αφορά τις εκπομπές αερίων. Ενώ η συνολική καμένη έκταση παρείχε μια βάση για την καταστροφή, η συμπερίληψη των βαθμίδων σφοδρότητας καύσης προσέφερε πιο λεπτομερή αποτελέσματα, δείχνοντας ότι το μέγεθος της περιοχής από μόνο του δεν αποτελεί πάντα επαρκές κριτήριο για την αξιολόγηση των επιπτώσεων. Επισημάνθηκε ότι, ενώ υπήρχαν διαφορές σε συγκεκριμένες τιμές μεταξύ των υπολογισμών της μελέτης και των δεδομένων GFAS για ορισμένους ρύπους όπως τα TSP και PM2.5, οι γενικές τάσεις και τα μεγέθη ήταν σε μεγάλο βαθμό σύμφωνα.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Οι συγγραφείς κατέληξαν στο συμπέρασμα ότι η μεθοδολογία που αξιοποιεί προϊόντα του δορυφόρου Sentinel-2 σε συνδυασμό με το μοντέλο εκπομπών EMEP/EEA αποτελεί ένα ορθολογικά αξιόπιστο εργαλείο για τον προσδιορισμό τόσο των καμένων εκτάσεων όσο και των επακόλουθων εκπομπών ατμοσφαιρικής ρύπανσης. Η υψηλή χωρική ανάλυση του Sentinel-2 επέτρεψε την ακριβή αξιολόγηση της σφοδρότητας της καύσης, η οποία είναι κρίσιμη για την ακριβή εκτίμηση των εκπομπών. Η συμφωνία μεταξύ των αποτελεσμάτων της μελέτης και των δεδομένων αφομοίωσης GFAS επικύρωσε περαιτέρω αυτή την προσέγγιση. Η μελέτη προτείνει ότι αυτή η μεθοδολογία μπορεί να εφαρμοστεί αποτελεσματικά για την επαλήθευση των επιπτώσεων πυρκαγιών σε άλλα μέρη του κόσμου. Επιπλέον, τα δεδομένα εκπομπών που παράγονται από αυτή την έρευνα μπορούν να χρησιμεύσουν ως ακριβείς χωροχρονικοί όροι πηγής για μοντέλα ατμοσφαιρικής μεταφοράς μικρής και μεσαίας εμβέλειας, βοηθώντας στην προσομοίωση της διασποράς ρύπων που προέρχονται από πυρκαγιές σε μελλοντικές μελέτες ποιότητας του αέρα.<br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CF%84%CE%B7%CF%82_%CE%91%CF%84%CE%BC%CE%BF%CF%83%CF%86%CE%B1%CE%B9%CF%81%CE%B9%CE%BA%CE%AE%CF%82_%CE%A1%CF%8D%CF%80%CE%B1%CE%BD%CF%83%CE%B7%CF%82_%CE%B1%CF%80%CF%8C_%CE%94%CE%B1%CF%83%CE%B9%CE%BA%CE%AD%CF%82_%CE%A0%CF%85%CF%81%CE%BA%CE%B1%CE%B3%CE%B9%CE%AD%CF%82_%CE%BC%CE%B5_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AD%CF%82_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CE%B9%CF%82 2026-02-07T09:07:45Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: &quot;Προσδιορισμός της Ατμοσφαιρικής Ρύπανσης από Δασικές Πυρκαγιές με Δορυφορικές Παρατηρήσεις&quot;''' &lt;br/&gt;<br /> '''Συγγραφείς: Efem Bilgiç, Gizem Tuna Tuygun, Orhan Gunduz ''' &lt;br/&gt;<br /> '''Πηγή:''' https://www.researchgate.net/publication/356791231_Determination_of_Air_Pollution_from_Wildfires_with_Satellite_Observations &lt;br/&gt;<br /> '''Ημερομηνία: 1-2 Δεκεμβρίου 2021 (Συνέδριο) ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 1_1.jpg | thumb | '''Εικόνα 1. Ανιχνευθείσες Ζώνες Πυρκαγιάς''' ]]<br /> <br /> [[Αρχείο: 1_2.jpg | thumb | '''Εικόνα 2. Βαθμίδες σφοδρότητας καύσης στις περιοχές της Δυτικής (UTM35) και Μέσης Μεσογείου (UTM36) της Τουρκίας''' ]]<br /> <br /> [[Αρχείο: 1_3.jpg | thumb | '''Πίνακας 1. Καμένη έκταση (ha) σε διαφορετική σφοδρότητα σε σύγκριση με το EFFIS''' ]]<br /> <br /> [[Αρχείο: 1_4.jpg | thumb | '''Εικόνα 3. Εκτιμώμενες συνολικές εκπομπές''' ]]<br /> <br /> [[Αρχείο: 1_5.jpg | thumb | '''Πίνακας 2. Αποτελέσματα εκπομπών για κάθε ζώνη πυρκαγιάς σε σύγκριση με το GFAS''' ]]<br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τις εκπομπές ατμοσφαιρικής ρύπανσης που προκλήθηκαν από τις καταστροφικές δασικές πυρκαγιές που σημειώθηκαν στην δυτική και νοτιοδυτική Τουρκία μεταξύ της 15ης Ιουλίου 2021 και της 15ης Αυγούστου 2021. Κατά τη διάρκεια αυτής της περιόδου, η Τουρκία βίωσε μερικές από τις χειρότερες πυρκαγιές στην ιστορία της, με περίπου 200.000 εκτάρια να έχουν καεί έως το τέλος Σεπτεμβρίου σύμφωνα με το Ευρωπαϊκό Σύστημα Πληροφόρησης για Δασικές Πυρκαγιές (EFFIS). Οι πυρκαγιές προκάλεσαν σημαντικές ζημιές στο οικοσύστημα και επηρέασαν αρνητικά την περιφερειακή ποιότητα του αέρα. Οι ερευνητές εστίασαν συγκεκριμένα στις επαρχίες Muğla, Antalya και İçel (Mersin) για να ποσοτικοποιήσουν τις εκπομπές διαφόρων ρύπων που προέκυψαν από αυτά τα γεγονότα. Αξιοποιώντας την τεχνολογία τηλεπισκόπησης και τα μοντέλα απογραφής εκπομπών, η μελέτη στοχεύει να παρέχει μια λεπτομερή αξιολόγηση των περιβαλλοντικών επιπτώσεων αυτών των πυρκαγιών και να αξιολογήσει την αποτελεσματικότητα των μεθόδων δορυφορικής παρατήρησης στην παρακολούθηση της ατμοσφαιρικής ρύπανσης που προκαλείται από πυρκαγιές. &lt;br/&gt;<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την ανάλυση των πυρκαγιών, οι ερευνητές χρησιμοποίησαν μια μεθοδολογική προσέγγιση πολλαπλών βημάτων συνδυάζοντας την τηλεπισκόπηση και τα Γεωγραφικά Συστήματα Πληροφοριών (GIS). Αρχικά, επεξεργάστηκαν εικόνες που ελήφθησαν πριν και μετά την πυρκαγιά από τον δορυφόρο Sentinel-2, ο οποίος παρέχει οπτική απεικόνιση υψηλής ανάλυσης (10–20 m). Αυτή η προσέγγιση προσφέρει υψηλότερο επίπεδο λεπτομερούς ανάλυσης σε σύγκριση με το τυπικό Ευρωπαϊκό Σύστημα Πληροφόρησης για Δασικές Πυρκαγιές (EFFIS), το οποίο βασίζεται συνήθως σε αισθητήρες χαμηλότερης ανάλυσης όπως οι MODIS (250 m) και VIIRS (375 m) για ταχεία εκτίμηση ζημιών σε ηπειρωτική κλίμακα. Χρησιμοποιώντας τις εικόνες του Sentinel-2, οι ερευνητές υπολόγισαν τον διαφορικό Κανονικοποιημένο Δείκτη Καύσης (dNBR) —τη διαφορά μεταξύ του NBR πριν και μετά την πυρκαγιά— για να εντοπίσουν τις καμένες περιοχές και να αξιολογήσουν τη σφοδρότητα της καύσης βάσει κλιμάκων που προτείνονται από το Γεωλογικό Ινστιτούτο των ΗΠΑ (USGS). &lt;br/&gt;<br /> <br /> Χρησιμοποιώντας αυτόν τον φασματικό δείκτη σε δεδομένα υψηλής ανάλυσης, η μελέτη πέτυχε έναν πιο ακριβή προσδιορισμό της χωρικής έκτασης και της έντασης της ζημιάς από τις ευρύτερες επιχειρησιακές χαρτογραφήσεις που παράγονται συχνά από το EFFIS, καταγράφοντας τη λεπτομερή ετερογένεια της καύσης που οι αισθητήρες χαμηλότερης ανάλυσης ενδέχεται να παραβλέψουν. Μετά τη χωρική ανάλυση, η μελέτη υπολόγισε τα φορτία ρύπων που απελευθερώθηκαν από τις πυρκαγιές χρησιμοποιώντας την τεχνολογικά εξειδικευμένη προσέγγιση EMEP/EEA Tier 2. Αυτή η μέθοδος &quot;από κάτω προς τα πάνω&quot; χρησιμοποιεί τα ακριβή δεδομένα καμένων εκτάσεων που ελήφθησαν από την ανάλυση GIS σε συνδυασμό με τυπικούς συντελεστές καύσιμης ύλης για την εκτίμηση εκπομπών διαφόρων ρύπων, συμπεριλαμβανομένων των Οξειδίων του Αζώτου (NOx), του Μονοξειδίου του Άνθρακα (CO), των Οξειδίων του Θείου (SOx), των Ολικών Αιωρούμενων Σωματιδίων (TSP), των Αιωρούμενων Σωματιδίων (PM2.5) και του Μαύρου Άνθρακα (BC). Τέλος, τα υπολογισμένα αποτελέσματα εκπομπών συγκρίθηκαν με δεδομένα από το Παγκόσμιο Σύστημα Αφομοίωσης Πυρκαγιών (GFAS), το οποίο χρησιμοποιεί μια διακριτά διαφορετική μεθοδολογία &quot;από πάνω προς τα κάτω&quot;. Το GFAS αφομοιώνει παρατηρήσεις Ακτινοβολουμένης Ισχύος Πυρκαγιάς (FRP) από δορυφορικούς αισθητήρες για να παράγει ημερήσιες εκτιμήσεις εκπομπών βάσει της ανιχνευόμενης έντασης θερμικής ενέργειας και όχι απλώς του φυσικού αποτυπώματος, λειτουργώντας ως ένα ισχυρό βήμα επικύρωσης για τη διασταύρωση των υπολογισμών της μελέτης που βασίζονται στην έκταση έναντι των παρατηρήσεων που βασίζονται στην ενέργεια. &lt;br/&gt;<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Εκτιμήθηκε ότι κάηκαν συνολικά 136.709 εκτάρια σε 18 ζώνες πυρκαγιάς σε διαφορετικά επίπεδα, και περίπου το 40% της καμένης έκτασης είχε υψηλή και μέτρια-υψηλή σφοδρότητα. Το EFFIS υπολόγισε τη συνολική καμένη έκταση σε 144.871 εκτάρια, και οι συγκρίσεις βάσει πολυγώνων με το EFFIS έδειξαν ότι ελήφθησαν συνεπή αποτελέσματα σε σχεδόν όλα τα πολύγωνα. &lt;br/&gt;<br /> <br /> Τα αποτελέσματα του EFFIS ήταν ελαφρώς υπερεκτιμημένα στο Köyceğiz (μία από τις 18 ζώνες πυρκαγιάς). Η ανάλυση GIS αποκάλυψε ότι τα δάση γύρω από το Manavgat στην επαρχία της Antalya υπέστησαν την πιο εκτεταμένη καύση. Οι συνολικές καμένες δασικές εκτάσεις που υπολογίστηκαν για τις επαρχίες ήταν 52.291 εκτάρια για τη Muğla, 66.211 εκτάρια για την Antalya και 13.642 εκτάρια για το İçel. Η μελέτη ποσοτικοποίησε με επιτυχία τα ειδικά φορτία για ιχνοστοιχεία αερίων και αιωρούμενα σωματίδια για κάθε εντοπισμένη ζώνη πυρκαγιάς. Για παράδειγμα, στις ζώνες που επλήγησαν σοβαρότερα, απελευθερώθηκαν σημαντικές ποσότητες CO και NOx στην ατμόσφαιρα. &lt;br/&gt;<br /> <br /> Κατά τη σύγκριση των υπολογιζόμενων εκπομπών της μελέτης με τα δεδομένα του GFAS, οι ερευνητές διαπίστωσαν ισχυρή συμφωνία, ιδιαίτερα όσον αφορά τις εκπομπές αερίων. Ενώ η συνολική καμένη έκταση παρείχε μια βάση για την καταστροφή, η συμπερίληψη των βαθμίδων σφοδρότητας καύσης προσέφερε πιο λεπτομερή αποτελέσματα, δείχνοντας ότι το μέγεθος της περιοχής από μόνο του δεν αποτελεί πάντα επαρκές κριτήριο για την αξιολόγηση των επιπτώσεων. Επισημάνθηκε ότι, ενώ υπήρχαν διαφορές σε συγκεκριμένες τιμές μεταξύ των υπολογισμών της μελέτης και των δεδομένων GFAS για ορισμένους ρύπους όπως τα TSP και PM2.5, οι γενικές τάσεις και τα μεγέθη ήταν σε μεγάλο βαθμό σύμφωνα.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Οι συγγραφείς κατέληξαν στο συμπέρασμα ότι η μεθοδολογία που αξιοποιεί προϊόντα του δορυφόρου Sentinel-2 σε συνδυασμό με το μοντέλο εκπομπών EMEP/EEA αποτελεί ένα ορθολογικά αξιόπιστο εργαλείο για τον προσδιορισμό τόσο των καμένων εκτάσεων όσο και των επακόλουθων εκπομπών ατμοσφαιρικής ρύπανσης. Η υψηλή χωρική ανάλυση του Sentinel-2 επέτρεψε την ακριβή αξιολόγηση της σφοδρότητας της καύσης, η οποία είναι κρίσιμη για την ακριβή εκτίμηση των εκπομπών. Η συμφωνία μεταξύ των αποτελεσμάτων της μελέτης και των δεδομένων αφομοίωσης GFAS επικύρωσε περαιτέρω αυτή την προσέγγιση. Η μελέτη προτείνει ότι αυτή η μεθοδολογία μπορεί να εφαρμοστεί αποτελεσματικά για την επαλήθευση των επιπτώσεων πυρκαγιών σε άλλα μέρη του κόσμου. Επιπλέον, τα δεδομένα εκπομπών που παράγονται από αυτή την έρευνα μπορούν να χρησιμεύσουν ως ακριβείς χωροχρονικοί όροι πηγής για μοντέλα ατμοσφαιρικής μεταφοράς μικρής και μεσαίας εμβέλειας, βοηθώντας στην προσομοίωση της διασποράς ρύπων που προέρχονται από πυρκαγιές σε μελλοντικές μελέτες ποιότητας του αέρα.<br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B5%CF%81%CE%B5%CF%8D%CE%BD%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%93%CE%B9%CE%B3%CE%B1%CE%BD%CF%84%CE%B9%CE%B1%CE%AF%CE%B1%CF%82_%CE%91%CE%BC%CE%BC%CE%BF%CE%B8%CF%8D%CE%B5%CE%BB%CE%BB%CE%B1%CF%82_%CF%84%CE%B7%CF%82_%CE%A3%CE%B1%CF%87%CE%AC%CF%81%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%99%CE%BF%CF%85%CE%BD%CE%AF%CE%BF%CF%85_2020_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CF%89%CE%BD_%CE%95%CF%80%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82 2026-02-06T20:54:23Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης''' &lt;br/&gt;<br /> '''Συγγραφείς: A Asutosh, V Vinoj, Nuncio Murukesh, Ramakrishna Ramisetty, Nishant Mittal ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.1038/s41598-022-10017-1 &lt;br/&gt;<br /> '''Ημερομηνία: 12 Απριλίου 2022 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 4_1.jpg | thumb |201px| '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 4_2.jpg | thumb |201px| '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 4_3.jpg | thumb |201px| '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 4_4.png | thumb |201px| '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 4_5.jpg | thumb |201px| '''Εικόνα 5.''' ]]<br /> <br /> [[Αρχείο: 4_6.jpg | thumb |201px| '''Εικόνα 6.''' ]]<br /> <br /> [[Αρχείο: 4_7.jpg | thumb |201px| '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και της Διαχείρισης Φυσικών Καταστροφών, εστιάζοντας ειδικότερα στην πολυπαραμετρική ανάλυση της ιστορικής αμμοθύελλας &quot;Godzilla&quot; του Ιουνίου 2020. Πρόκειται για το σφοδρότερο γεγονός μεταφοράς σκόνης των τελευταίων δεκαετιών, και ο κύριος στόχος της εφαρμογής είναι η διερεύνηση των άμεσων επιπτώσεών του στις ατμοσφαιρικές ακτινοβολιακές και θερμοδυναμικές ιδιότητες, καθώς και η αξιολόγηση της ικανότητας των σύγχρονων εργαλείων να χαρτογραφούν τέτοια ακραία φαινόμενα. Στο παρελθόν, η παρακολούθηση της μεταφοράς σκόνης γινόταν με μεθόδους όπως τα αραιά δίκτυα επίγειων μετρήσεων και οι υποκειμενικές αναφορές ορατότητας από εμπορικά πλοία ή αεροδρόμια. Οι μέθοδοι αυτές άφηναν τεράστια χωρικά κενά στον Ατλαντικό Ωκεανό και αδυνατούσαν πλήρως να καταγράψουν την κατακόρυφη δομή του νέφους ή να ποσοτικοποιήσουν την επίδρασή του στο ενεργειακό ισοζύγιο. Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, συνδυάζοντας δορυφορικά δεδομένα πολλαπλών δεκτών με προηγμένα μοντέλα για την ολοκληρωμένη μελέτη του φαινομένου σε τρεις διαστάσεις.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> <br /> Η έρευνα αξιοποιεί δεδομένα από ένα πλέγμα δορυφορικών συστημάτων (Terra, Aqua, Aura, CALIPSO) σε συνέργεια με τα παγκόσμια μοντέλα επανάλυσης MERRA-2 και CAMS. Χρησιμοποιήθηκαν εξειδικευμένοι δέκτες για κάθε πτυχή του φαινομένου: το MODIS (φάσμα ορατού) παρείχε το Οπτικό Βάθος Αερολυμάτων (AOD) για τη χωρική κατανομή, το OMI (υπεριώδες) τον Δείκτη Αερολυμάτων (UVAI) για τον διαχωρισμό των απορροφητικών σωματιδίων, ενώ το AIRS συνεισέφερε με προφίλ θερμοκρασίας και υγρασίας. Κρίσιμη ήταν η συμβολή του ενεργού αισθητήρα Lidar του CALIOP, ο οποίος επέτρεψε την τομή της ατμόσφαιρας για την εύρεση του ύψους της σκόνης.<br /> Σε επίπεδο προεπεξεργασίας, επιλέχθηκαν δεδομένα Επιπέδου 3 (Level-3), τα οποία είχαν υποστεί γεωαναφορά και αναγωγή σε παγκόσμιο πλέγμα 1° × 1°. Βασικό μεθοδολογικό βήμα αποτέλεσε ο υπολογισμός των κλιματικών ανωμαλιών βάσει της περιόδου αναφοράς 2002–2019. Μέσω αυτής της διαδικασίας αφαιρέθηκε το εποχικό υπόβαθρο, επιτρέποντας την ακριβή απομόνωση και ποσοτικοποίηση της ακραίας απόκλισης που προκάλεσε το συγκεκριμένο γεγονός.<br /> <br /> Επιπλέον, για την πλήρη κατανόηση της τρισδιάστατης εξέλιξης, αξιοποιήθηκαν τα δεδομένα του CALIOP. Η ανάλυση της κατακόρυφης τομής ήταν απαραίτητη για να επιβεβαιωθεί ότι η θέρμανση που παρατηρήθηκε συνέπιπτε υψομετρικά με το στρώμα της σκόνης.<br /> <br /> Τέλος, πραγματοποιήθηκε συγχώνευση και στατιστική σύγκριση των δορυφορικών μετρήσεων με τα μοντέλα για την αμοιβαία επικύρωση των ευρημάτων.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση κατέδειξε ότι το φαινόμενο ήταν το ισχυρότερο της εικοσαετίας, με τις τιμές AOD να ξεπερνούν το 1.5, τιμή εξαιρετικά σπάνια για ωκεάνιες περιοχές.<br /> <br /> Η σύγκριση της χωρικής κατανομής μεταξύ των δορυφορικών δεδομένων και των μοντέλων έδειξε ότι τα μοντέλα (MERRA-2, CAMS) κατάφεραν να αναπαράγουν με μεγάλη ακρίβεια τη γεωγραφική εξάπλωση του νέφους σκόνης. Η στατιστική αντιπαραβολή με τα μοντέλα επανάλυσης εμφάνισε υψηλή συσχέτιση (Pearson’s r &gt; 0.93), αποδεικνύοντας την αξιοπιστία των σύγχρονων προσομοιώσεων.<br /> Πέρα από την ποσότητα, αναλύθηκαν και οι οπτικές ιδιότητες των σωματιδίων για να επιβεβαιωθεί η προέλευσή τους. Οι δείκτες επιβεβαίωσαν ότι πρόκειται για χονδρόκοκκα και απορροφητικά σωματίδια σκόνης, όπως φαίνεται στα παρακάτω διαγράμματα.<br /> <br /> <br /> Το σημαντικότερο εύρημα, ωστόσο, αφορά τη θερμοδυναμική αλληλεπίδραση. Η παρουσία του πυκνού νέφους σκόνης προκάλεσε σημαντική θέρμανση των ατμοσφαιρικών στρωμάτων (8–16%) και μείωση της σχετικής υγρασίας (2–4%), γεγονός που επιβεβαιώνεται από την ανάλυση των κατακόρυφων προφίλ της ατμόσφαιρας μέσω επίγειων μετρήσεων.<br /> <br /> <br /> Η αιτία αυτής της θέρμανσης και της μεταβολής στη σταθερότητα της ατμόσφαιρας αποδίδεται στον Εξαναγκασμό Ακτινοβολίας (ARF). Η σκόνη απορρόφησε ηλιακή ενέργεια εντός της ατμόσφαιρας, εμποδίζοντάς την να φτάσει στην επιφάνεια, προκαλώντας έτσι ψύξη χαμηλά αλλά θέρμανση στα ψηλότερα στρώματα.<br /> <br /> Για την ποσοτική αποτίμηση της έντασης του φαινομένου, οι συνολικές αποκλίσεις όλων των εξεταζόμενων παραμέτρων (οπτικών και θερμοδυναμικών) σε σχέση με την κλιματολογική περίοδο αναφοράς, συνοψίζονται στον ακόλουθο πίνακα:<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη αποδεικνύει ότι η συνδυαστική χρήση πολυφασματικών δορυφορικών δεκτών και μοντέλων είναι απαραίτητη για την ολοκληρωμένη παρακολούθηση ακραίων φαινομένων. Η μέθοδος υπερτερεί σαφώς των συμβατικών τεχνικών, καθώς παρέχει κρίσιμη γνώση όχι μόνο για τη μεταφορά μάζας, αλλά και για την αλληλεπίδραση αερολυμάτων-ακτινοβολίας. Τα ευρήματα αυτά είναι ζωτικής σημασίας για τη βελτίωση των κλιματικών προβλέψεων, καθώς η ακριβής αναπαράσταση της θέρμανσης που προκαλεί η σκόνη μπορεί να βελτιώσει την κατανόηση της ενεργειακής ισορροπίας του πλανήτη και της εξέλιξης των καιρικών συστημάτων στον Ατλαντικό.<br /> <br /> <br /> '''Βιβλιογραφία''' &lt;br/&gt;<br /> <br /> 1. NASA Earth Observatory. A Dust Plume to Remember. June 2020. https://earthobservatory.nasa.gov/<br /> <br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B5%CE%BB%CF%84%CE%B9%CF%89%CE%BC%CE%AD%CE%BD%CE%BF%CF%82_%CE%95%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CE%A0%CE%B1%CE%B3%CE%BA%CF%8C%CF%83%CE%BC%CE%B9%CF%89%CE%BD_%CE%A3%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD_NO2_%CE%B1%CF%80%CF%8C_%CF%84%CE%B7_%CE%9D%CE%B1%CF%85%CF%84%CE%B9%CE%BB%CE%AF%CE%B1 2026-02-06T20:53:56Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Improved detection of global NO2 signals from shipping in Sentinel-5P TROPOMI data''' &lt;br/&gt;<br /> '''Συγγραφείς: Miriam Latsch, Andreas Richter, John P. Burrows, Hartmut Bösch ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.5194/amt-18-4373-2025 &lt;br/&gt;<br /> '''Ημερομηνία: 10 Σεπτεμβρίου 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 3_1.jpg | thumb |201px| '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 3_2.jpg | thumb |201px| '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 3_3.jpg | thumb |201px| '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 3_4.jpg | thumb |201px| '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 3_5.jpg | thumb |201px| '''Εικόνα 5.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και Ποιότητας Αέρα, εστιάζοντας στον εντοπισμό ανθρωπογενών εκπομπών οξειδίων του αζώτου (NO2) από την παγκόσμια ναυτιλία. Κύριος στόχος είναι η ανάπτυξη μιας μεθοδολογίας για τη δημιουργία ενός ανεξάρτητου εργαλείου παρακολούθησης, ικανού να επαληθεύει τις απογραφές ρύπων και να εντοπίζει πηγές που διαφεύγουν της καταγραφής. Στο παρελθόν, η εκτίμηση των ναυτιλιακών εκπομπών γινόταν αποκλειστικά με συμβατικές μεθόδους, όπως τα μοντέλα απογραφής (bottom-up) και τα δεδομένα AIS. Οι μέθοδοι αυτές, ωστόσο, παρουσίαζαν σημαντικούς περιορισμούς λόγω ελλιπών στοιχείων ή αδυναμίας κάλυψης παράνομων δραστηριοτήτων (&quot;σκοτεινά πλοία&quot;). Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, αξιοποιώντας τη συνεχή δορυφορική κάλυψη για την απευθείας μέτρηση των ρύπων, προσφέροντας μια αντικειμενική εικόνα της ρύπανσης που δεν βασίζεται στην εθελοντική αναφορά θέσης από τα πλοία.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η έρευνα βασίζεται αποκλειστικά σε δεδομένα από τον δορυφόρο Sentinel-5P του προγράμματος Copernicus και το φασματόμετρο TROPOMI, εστιάζοντας στο φασματικό εύρος UV-Visible (405–465 nm) για την ανίχνευση NO2. Μια κρίσιμη καινοτομία είναι η χρήση της λοξής στήλης πυκνότητας (tSCD) αντί της τυπικής κάθετης στήλης (VCD). Η επιλογή αυτή έγινε για να αποφευχθούν οι αβεβαιότητες του Συντελεστή Αέριας Μάζας (AMF) πάνω από τους ωκεανούς, ο οποίος συχνά επισκιάζει το ασθενές σήμα των πλοίων.<br /> Για την ανάδειξη της πληροφορίας, χρησιμοποιήθηκε ένα εκτεταμένο χρονοσειριακό σύνολο δεδομένων (2018–2022) ώστε να μεγιστοποιηθεί ο λόγος σήματος προς θόρυβο. Εφαρμόστηκαν αυστηρές προεπεξεργασίες: φιλτράρισμα νέφωσης (κάλυψη &gt;30%), μάσκα ξηράς για εστίαση στο θαλάσσιο περιβάλλον και χρήση φίλτρων Fourier για destriping (αφαίρεση θορύβου γραμμώσεων). Ως προηγμένη επεξεργασία εξαγωγή χαρακτηριστικών, αναπτύχθηκε ένας αλγόριθμος επαναληπτικού υψιπερατού φίλτρου (High-pass filter), ο οποίος αφαιρεί το ομαλό υπόβαθρο του NO2 και απομονώνει τις αιχμές των καυσαερίων, επιτρέποντας τον εντοπισμό ακόμα και ασθενών ιχνών που χάνονταν σε ημερήσιες λήψεις.<br /> <br /> Στο πλαίσιο των επεξεργασιών GIS, τα δεδομένα συγχωνεύθηκαν σε χωρικό πλέγμα υψηλής ανάλυσης (0.05° × 0.05°) μέσω υπερ-δειγματοληψίας. Η χρήση επιπρόσθετων δεδομένων (μοντέλο απογραφής CAMS-GLOB-SHIP και χάρτες AIS) κρίθηκε αναγκαία για την αξιολόγηση, καθώς χωρίς αυτά θα ήταν αδύνατος ο διαχωρισμός των πραγματικών σημάτων ναυσιπλοΐας από τυχόν τεχνητά σφάλματα του δορυφόρου ή ατμοσφαιρικό θόρυβο.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η μέθοδος αποκάλυψε με ευκρίνεια τις κύριες ναυτιλιακές οδούς σε Ινδικό, Μεσόγειο και Ειρηνικό, οι οποίες παρέμεναν αόρατες στα ακατέργαστα δεδομένα επιπέδου L2. Επιπλέον, η ανάλυση κατέδειξε ότι η ποιότητα του εντοπισμού εξαρτάται σημαντικά από τις μετεωρολογικές συνθήκες, καθώς οι ισχυροί άνεμοι προκαλούν διασπορά και &quot;θόλωμα&quot; των ιχνών, καθιστώντας δυσκολότερη την ανίχνευση σε περιοχές με έντονη κυκλωνική δραστηριότητα, εντούτοις η μακροχρόνια συσσώρευση δεδομένων αντιστάθμισε μερικώς αυτό το πρόβλημα.<br /> <br /> Η στατιστική και οπτική σύγκριση με τη βάση CAMS-GLOB-SHIP έδειξε ισχυρή χωρική συσχέτιση, επιβεβαιώνοντας την ικανότητα του δορυφόρου να ποσοτικοποιεί τη δραστηριότητα. Όπως φαίνεται και στο παράδειγμα του Ατλαντικού Ωκεανού, οι διακριτές λωρίδες ναυσιπλοΐας που εντοπίζει ο δορυφόρος ταυτίζονται απόλυτα με τις καταγραφές των μοντέλων AIS.<br /> <br /> Η ακρίβεια της μεθόδου επιβεβαιώθηκε περαιτέρω μέσω του εντοπισμού σταθερών σημείων εκπομπής, όπως οι πλατφόρμες πετρελαίου στη Βόρεια Θάλασσα, οι οποίες ταυτοποιήθηκαν απόλυτα με τις γνωστές εγκαταστάσεις.<br /> <br /> Το πλέον σημαντικό εύρημα προέκυψε από την αντιπαραβολή με το AIS. Σε περιοχές όπως ο Βόρειος Ειρηνικός, το μοντέλο εντόπισε σαφή γραμμικά ίχνη NO2 (&quot;ορφανά σήματα&quot;) χωρίς αντίστοιχα στίγματα πλοίων. Αυτό υποδηλώνει την παρουσία πλοίων που δεν αναφέρουν τη θέση τους ή σφάλματα καταγραφής, αποδεικνύοντας την υπεροχή της τηλεπισκόπησης στον εντοπισμό μη δηλωμένης δραστηριότητας.<br /> <br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταδεικνύει ότι η καινοτόμος χρήση της tSCD του TROPOMI με εξειδικευμένους αλγορίθμους συνιστά μια αξιόπιστη μέθοδο παρακολούθησης της ναυτιλίας. Λειτουργώντας συμπληρωματικά προς το AIS, προσφέρει ένα κρίσιμο εργαλείο ελέγχου συμμόρφωσης και εντοπισμού παράνομων εκπομπών, ειδικά εντός των καθορισμένων Περιοχών Ελέγχου Εκπομπών (ECAs). Η δυνατότητα ανεξάρτητης επαλήθευσης κρίνεται απαραίτητη για την υποστήριξη των διεθνών κανονισμών του IMO, θέτοντας παράλληλα τα θεμέλια για την αξιοποίηση μελλοντικών αποστολών (όπως το CO2M) υψηλότερης διακριτικής ικανότητας, οι οποίες θα επιτρέψουν τη συσχέτιση των εκπομπών NO2 με τα αέρια του θερμοκηπίου για την αντιμετώπιση της κλιματικής αλλαγής.<br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-06T20:53:17Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.png | thumb |201px| '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1.''' ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px| '''Εικόνα 2α''' ]]<br /> [[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2β''' ]]<br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-06T20:52:02Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.jpg | thumb |300px| '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1.''' ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px| '''Εικόνα 2α''' ]]<br /> [[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2β''' ]]<br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-06T20:51:34Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.jpg | thumb |201px| '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1.''' ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb |201px| '''Εικόνα 2α''' ]]<br /> [[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2β''' ]]<br /> <br /> [[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B5%CF%81%CE%B5%CF%8D%CE%BD%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%93%CE%B9%CE%B3%CE%B1%CE%BD%CF%84%CE%B9%CE%B1%CE%AF%CE%B1%CF%82_%CE%91%CE%BC%CE%BC%CE%BF%CE%B8%CF%8D%CE%B5%CE%BB%CE%BB%CE%B1%CF%82_%CF%84%CE%B7%CF%82_%CE%A3%CE%B1%CF%87%CE%AC%CF%81%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%99%CE%BF%CF%85%CE%BD%CE%AF%CE%BF%CF%85_2020_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CF%89%CE%BD_%CE%95%CF%80%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82 2026-02-06T20:50:00Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης''' &lt;br/&gt;<br /> '''Συγγραφείς: A Asutosh, V Vinoj, Nuncio Murukesh, Ramakrishna Ramisetty, Nishant Mittal ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.1038/s41598-022-10017-1 &lt;br/&gt;<br /> '''Ημερομηνία: 12 Απριλίου 2022 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 4_1.jpg | thumb |201px| '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 4_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 4_3.jpg | thumb |201px| '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 4_4.png | thumb | '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 4_5.jpg | thumb | '''Εικόνα 5.''' ]]<br /> <br /> [[Αρχείο: 4_6.jpg | thumb | '''Εικόνα 6.''' ]]<br /> <br /> [[Αρχείο: 4_7.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και της Διαχείρισης Φυσικών Καταστροφών, εστιάζοντας ειδικότερα στην πολυπαραμετρική ανάλυση της ιστορικής αμμοθύελλας &quot;Godzilla&quot; του Ιουνίου 2020. Πρόκειται για το σφοδρότερο γεγονός μεταφοράς σκόνης των τελευταίων δεκαετιών, και ο κύριος στόχος της εφαρμογής είναι η διερεύνηση των άμεσων επιπτώσεών του στις ατμοσφαιρικές ακτινοβολιακές και θερμοδυναμικές ιδιότητες, καθώς και η αξιολόγηση της ικανότητας των σύγχρονων εργαλείων να χαρτογραφούν τέτοια ακραία φαινόμενα. Στο παρελθόν, η παρακολούθηση της μεταφοράς σκόνης γινόταν με μεθόδους όπως τα αραιά δίκτυα επίγειων μετρήσεων και οι υποκειμενικές αναφορές ορατότητας από εμπορικά πλοία ή αεροδρόμια. Οι μέθοδοι αυτές άφηναν τεράστια χωρικά κενά στον Ατλαντικό Ωκεανό και αδυνατούσαν πλήρως να καταγράψουν την κατακόρυφη δομή του νέφους ή να ποσοτικοποιήσουν την επίδρασή του στο ενεργειακό ισοζύγιο. Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, συνδυάζοντας δορυφορικά δεδομένα πολλαπλών δεκτών με προηγμένα μοντέλα για την ολοκληρωμένη μελέτη του φαινομένου σε τρεις διαστάσεις.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> <br /> Η έρευνα αξιοποιεί δεδομένα από ένα πλέγμα δορυφορικών συστημάτων (Terra, Aqua, Aura, CALIPSO) σε συνέργεια με τα παγκόσμια μοντέλα επανάλυσης MERRA-2 και CAMS. Χρησιμοποιήθηκαν εξειδικευμένοι δέκτες για κάθε πτυχή του φαινομένου: το MODIS (φάσμα ορατού) παρείχε το Οπτικό Βάθος Αερολυμάτων (AOD) για τη χωρική κατανομή, το OMI (υπεριώδες) τον Δείκτη Αερολυμάτων (UVAI) για τον διαχωρισμό των απορροφητικών σωματιδίων, ενώ το AIRS συνεισέφερε με προφίλ θερμοκρασίας και υγρασίας. Κρίσιμη ήταν η συμβολή του ενεργού αισθητήρα Lidar του CALIOP, ο οποίος επέτρεψε την τομή της ατμόσφαιρας για την εύρεση του ύψους της σκόνης.<br /> Σε επίπεδο προεπεξεργασίας, επιλέχθηκαν δεδομένα Επιπέδου 3 (Level-3), τα οποία είχαν υποστεί γεωαναφορά και αναγωγή σε παγκόσμιο πλέγμα 1° × 1°. Βασικό μεθοδολογικό βήμα αποτέλεσε ο υπολογισμός των κλιματικών ανωμαλιών βάσει της περιόδου αναφοράς 2002–2019. Μέσω αυτής της διαδικασίας αφαιρέθηκε το εποχικό υπόβαθρο, επιτρέποντας την ακριβή απομόνωση και ποσοτικοποίηση της ακραίας απόκλισης που προκάλεσε το συγκεκριμένο γεγονός.<br /> <br /> Επιπλέον, για την πλήρη κατανόηση της τρισδιάστατης εξέλιξης, αξιοποιήθηκαν τα δεδομένα του CALIOP. Η ανάλυση της κατακόρυφης τομής ήταν απαραίτητη για να επιβεβαιωθεί ότι η θέρμανση που παρατηρήθηκε συνέπιπτε υψομετρικά με το στρώμα της σκόνης.<br /> <br /> Τέλος, πραγματοποιήθηκε συγχώνευση και στατιστική σύγκριση των δορυφορικών μετρήσεων με τα μοντέλα για την αμοιβαία επικύρωση των ευρημάτων.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση κατέδειξε ότι το φαινόμενο ήταν το ισχυρότερο της εικοσαετίας, με τις τιμές AOD να ξεπερνούν το 1.5, τιμή εξαιρετικά σπάνια για ωκεάνιες περιοχές.<br /> <br /> Η σύγκριση της χωρικής κατανομής μεταξύ των δορυφορικών δεδομένων και των μοντέλων έδειξε ότι τα μοντέλα (MERRA-2, CAMS) κατάφεραν να αναπαράγουν με μεγάλη ακρίβεια τη γεωγραφική εξάπλωση του νέφους σκόνης. Η στατιστική αντιπαραβολή με τα μοντέλα επανάλυσης εμφάνισε υψηλή συσχέτιση (Pearson’s r &gt; 0.93), αποδεικνύοντας την αξιοπιστία των σύγχρονων προσομοιώσεων.<br /> Πέρα από την ποσότητα, αναλύθηκαν και οι οπτικές ιδιότητες των σωματιδίων για να επιβεβαιωθεί η προέλευσή τους. Οι δείκτες επιβεβαίωσαν ότι πρόκειται για χονδρόκοκκα και απορροφητικά σωματίδια σκόνης, όπως φαίνεται στα παρακάτω διαγράμματα.<br /> <br /> <br /> Το σημαντικότερο εύρημα, ωστόσο, αφορά τη θερμοδυναμική αλληλεπίδραση. Η παρουσία του πυκνού νέφους σκόνης προκάλεσε σημαντική θέρμανση των ατμοσφαιρικών στρωμάτων (8–16%) και μείωση της σχετικής υγρασίας (2–4%), γεγονός που επιβεβαιώνεται από την ανάλυση των κατακόρυφων προφίλ της ατμόσφαιρας μέσω επίγειων μετρήσεων.<br /> <br /> <br /> Η αιτία αυτής της θέρμανσης και της μεταβολής στη σταθερότητα της ατμόσφαιρας αποδίδεται στον Εξαναγκασμό Ακτινοβολίας (ARF). Η σκόνη απορρόφησε ηλιακή ενέργεια εντός της ατμόσφαιρας, εμποδίζοντάς την να φτάσει στην επιφάνεια, προκαλώντας έτσι ψύξη χαμηλά αλλά θέρμανση στα ψηλότερα στρώματα.<br /> <br /> Για την ποσοτική αποτίμηση της έντασης του φαινομένου, οι συνολικές αποκλίσεις όλων των εξεταζόμενων παραμέτρων (οπτικών και θερμοδυναμικών) σε σχέση με την κλιματολογική περίοδο αναφοράς, συνοψίζονται στον ακόλουθο πίνακα:<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη αποδεικνύει ότι η συνδυαστική χρήση πολυφασματικών δορυφορικών δεκτών και μοντέλων είναι απαραίτητη για την ολοκληρωμένη παρακολούθηση ακραίων φαινομένων. Η μέθοδος υπερτερεί σαφώς των συμβατικών τεχνικών, καθώς παρέχει κρίσιμη γνώση όχι μόνο για τη μεταφορά μάζας, αλλά και για την αλληλεπίδραση αερολυμάτων-ακτινοβολίας. Τα ευρήματα αυτά είναι ζωτικής σημασίας για τη βελτίωση των κλιματικών προβλέψεων, καθώς η ακριβής αναπαράσταση της θέρμανσης που προκαλεί η σκόνη μπορεί να βελτιώσει την κατανόηση της ενεργειακής ισορροπίας του πλανήτη και της εξέλιξης των καιρικών συστημάτων στον Ατλαντικό.<br /> <br /> <br /> '''Βιβλιογραφία''' &lt;br/&gt;<br /> <br /> 1. NASA Earth Observatory. A Dust Plume to Remember. June 2020. https://earthobservatory.nasa.gov/<br /> <br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B5%CF%81%CE%B5%CF%8D%CE%BD%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%93%CE%B9%CE%B3%CE%B1%CE%BD%CF%84%CE%B9%CE%B1%CE%AF%CE%B1%CF%82_%CE%91%CE%BC%CE%BC%CE%BF%CE%B8%CF%8D%CE%B5%CE%BB%CE%BB%CE%B1%CF%82_%CF%84%CE%B7%CF%82_%CE%A3%CE%B1%CF%87%CE%AC%CF%81%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%99%CE%BF%CF%85%CE%BD%CE%AF%CE%BF%CF%85_2020_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CF%89%CE%BD_%CE%95%CF%80%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82 2026-02-06T20:49:49Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης''' &lt;br/&gt;<br /> '''Συγγραφείς: A Asutosh, V Vinoj, Nuncio Murukesh, Ramakrishna Ramisetty, Nishant Mittal ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.1038/s41598-022-10017-1 &lt;br/&gt;<br /> '''Ημερομηνία: 12 Απριλίου 2022 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 4_1.jpg | thumb |201px| '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 4_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 4_3.jpg | thumb |300px| '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 4_4.png | thumb | '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 4_5.jpg | thumb | '''Εικόνα 5.''' ]]<br /> <br /> [[Αρχείο: 4_6.jpg | thumb | '''Εικόνα 6.''' ]]<br /> <br /> [[Αρχείο: 4_7.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και της Διαχείρισης Φυσικών Καταστροφών, εστιάζοντας ειδικότερα στην πολυπαραμετρική ανάλυση της ιστορικής αμμοθύελλας &quot;Godzilla&quot; του Ιουνίου 2020. Πρόκειται για το σφοδρότερο γεγονός μεταφοράς σκόνης των τελευταίων δεκαετιών, και ο κύριος στόχος της εφαρμογής είναι η διερεύνηση των άμεσων επιπτώσεών του στις ατμοσφαιρικές ακτινοβολιακές και θερμοδυναμικές ιδιότητες, καθώς και η αξιολόγηση της ικανότητας των σύγχρονων εργαλείων να χαρτογραφούν τέτοια ακραία φαινόμενα. Στο παρελθόν, η παρακολούθηση της μεταφοράς σκόνης γινόταν με μεθόδους όπως τα αραιά δίκτυα επίγειων μετρήσεων και οι υποκειμενικές αναφορές ορατότητας από εμπορικά πλοία ή αεροδρόμια. Οι μέθοδοι αυτές άφηναν τεράστια χωρικά κενά στον Ατλαντικό Ωκεανό και αδυνατούσαν πλήρως να καταγράψουν την κατακόρυφη δομή του νέφους ή να ποσοτικοποιήσουν την επίδρασή του στο ενεργειακό ισοζύγιο. Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, συνδυάζοντας δορυφορικά δεδομένα πολλαπλών δεκτών με προηγμένα μοντέλα για την ολοκληρωμένη μελέτη του φαινομένου σε τρεις διαστάσεις.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> <br /> Η έρευνα αξιοποιεί δεδομένα από ένα πλέγμα δορυφορικών συστημάτων (Terra, Aqua, Aura, CALIPSO) σε συνέργεια με τα παγκόσμια μοντέλα επανάλυσης MERRA-2 και CAMS. Χρησιμοποιήθηκαν εξειδικευμένοι δέκτες για κάθε πτυχή του φαινομένου: το MODIS (φάσμα ορατού) παρείχε το Οπτικό Βάθος Αερολυμάτων (AOD) για τη χωρική κατανομή, το OMI (υπεριώδες) τον Δείκτη Αερολυμάτων (UVAI) για τον διαχωρισμό των απορροφητικών σωματιδίων, ενώ το AIRS συνεισέφερε με προφίλ θερμοκρασίας και υγρασίας. Κρίσιμη ήταν η συμβολή του ενεργού αισθητήρα Lidar του CALIOP, ο οποίος επέτρεψε την τομή της ατμόσφαιρας για την εύρεση του ύψους της σκόνης.<br /> Σε επίπεδο προεπεξεργασίας, επιλέχθηκαν δεδομένα Επιπέδου 3 (Level-3), τα οποία είχαν υποστεί γεωαναφορά και αναγωγή σε παγκόσμιο πλέγμα 1° × 1°. Βασικό μεθοδολογικό βήμα αποτέλεσε ο υπολογισμός των κλιματικών ανωμαλιών βάσει της περιόδου αναφοράς 2002–2019. Μέσω αυτής της διαδικασίας αφαιρέθηκε το εποχικό υπόβαθρο, επιτρέποντας την ακριβή απομόνωση και ποσοτικοποίηση της ακραίας απόκλισης που προκάλεσε το συγκεκριμένο γεγονός.<br /> <br /> Επιπλέον, για την πλήρη κατανόηση της τρισδιάστατης εξέλιξης, αξιοποιήθηκαν τα δεδομένα του CALIOP. Η ανάλυση της κατακόρυφης τομής ήταν απαραίτητη για να επιβεβαιωθεί ότι η θέρμανση που παρατηρήθηκε συνέπιπτε υψομετρικά με το στρώμα της σκόνης.<br /> <br /> Τέλος, πραγματοποιήθηκε συγχώνευση και στατιστική σύγκριση των δορυφορικών μετρήσεων με τα μοντέλα για την αμοιβαία επικύρωση των ευρημάτων.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση κατέδειξε ότι το φαινόμενο ήταν το ισχυρότερο της εικοσαετίας, με τις τιμές AOD να ξεπερνούν το 1.5, τιμή εξαιρετικά σπάνια για ωκεάνιες περιοχές.<br /> <br /> Η σύγκριση της χωρικής κατανομής μεταξύ των δορυφορικών δεδομένων και των μοντέλων έδειξε ότι τα μοντέλα (MERRA-2, CAMS) κατάφεραν να αναπαράγουν με μεγάλη ακρίβεια τη γεωγραφική εξάπλωση του νέφους σκόνης. Η στατιστική αντιπαραβολή με τα μοντέλα επανάλυσης εμφάνισε υψηλή συσχέτιση (Pearson’s r &gt; 0.93), αποδεικνύοντας την αξιοπιστία των σύγχρονων προσομοιώσεων.<br /> Πέρα από την ποσότητα, αναλύθηκαν και οι οπτικές ιδιότητες των σωματιδίων για να επιβεβαιωθεί η προέλευσή τους. Οι δείκτες επιβεβαίωσαν ότι πρόκειται για χονδρόκοκκα και απορροφητικά σωματίδια σκόνης, όπως φαίνεται στα παρακάτω διαγράμματα.<br /> <br /> <br /> Το σημαντικότερο εύρημα, ωστόσο, αφορά τη θερμοδυναμική αλληλεπίδραση. Η παρουσία του πυκνού νέφους σκόνης προκάλεσε σημαντική θέρμανση των ατμοσφαιρικών στρωμάτων (8–16%) και μείωση της σχετικής υγρασίας (2–4%), γεγονός που επιβεβαιώνεται από την ανάλυση των κατακόρυφων προφίλ της ατμόσφαιρας μέσω επίγειων μετρήσεων.<br /> <br /> <br /> Η αιτία αυτής της θέρμανσης και της μεταβολής στη σταθερότητα της ατμόσφαιρας αποδίδεται στον Εξαναγκασμό Ακτινοβολίας (ARF). Η σκόνη απορρόφησε ηλιακή ενέργεια εντός της ατμόσφαιρας, εμποδίζοντάς την να φτάσει στην επιφάνεια, προκαλώντας έτσι ψύξη χαμηλά αλλά θέρμανση στα ψηλότερα στρώματα.<br /> <br /> Για την ποσοτική αποτίμηση της έντασης του φαινομένου, οι συνολικές αποκλίσεις όλων των εξεταζόμενων παραμέτρων (οπτικών και θερμοδυναμικών) σε σχέση με την κλιματολογική περίοδο αναφοράς, συνοψίζονται στον ακόλουθο πίνακα:<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη αποδεικνύει ότι η συνδυαστική χρήση πολυφασματικών δορυφορικών δεκτών και μοντέλων είναι απαραίτητη για την ολοκληρωμένη παρακολούθηση ακραίων φαινομένων. Η μέθοδος υπερτερεί σαφώς των συμβατικών τεχνικών, καθώς παρέχει κρίσιμη γνώση όχι μόνο για τη μεταφορά μάζας, αλλά και για την αλληλεπίδραση αερολυμάτων-ακτινοβολίας. Τα ευρήματα αυτά είναι ζωτικής σημασίας για τη βελτίωση των κλιματικών προβλέψεων, καθώς η ακριβής αναπαράσταση της θέρμανσης που προκαλεί η σκόνη μπορεί να βελτιώσει την κατανόηση της ενεργειακής ισορροπίας του πλανήτη και της εξέλιξης των καιρικών συστημάτων στον Ατλαντικό.<br /> <br /> <br /> '''Βιβλιογραφία''' &lt;br/&gt;<br /> <br /> 1. NASA Earth Observatory. A Dust Plume to Remember. June 2020. https://earthobservatory.nasa.gov/<br /> <br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B5%CF%81%CE%B5%CF%8D%CE%BD%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%93%CE%B9%CE%B3%CE%B1%CE%BD%CF%84%CE%B9%CE%B1%CE%AF%CE%B1%CF%82_%CE%91%CE%BC%CE%BC%CE%BF%CE%B8%CF%8D%CE%B5%CE%BB%CE%BB%CE%B1%CF%82_%CF%84%CE%B7%CF%82_%CE%A3%CE%B1%CF%87%CE%AC%CF%81%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%99%CE%BF%CF%85%CE%BD%CE%AF%CE%BF%CF%85_2020_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CF%89%CE%BD_%CE%95%CF%80%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82 2026-02-06T20:49:13Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης''' &lt;br/&gt;<br /> '''Συγγραφείς: A Asutosh, V Vinoj, Nuncio Murukesh, Ramakrishna Ramisetty, Nishant Mittal ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.1038/s41598-022-10017-1 &lt;br/&gt;<br /> '''Ημερομηνία: 12 Απριλίου 2022 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 4_1.jpg | thumb |201px| '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 4_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 4_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 4_4.png | thumb | '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 4_5.jpg | thumb | '''Εικόνα 5.''' ]]<br /> <br /> [[Αρχείο: 4_6.jpg | thumb | '''Εικόνα 6.''' ]]<br /> <br /> [[Αρχείο: 4_7.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και της Διαχείρισης Φυσικών Καταστροφών, εστιάζοντας ειδικότερα στην πολυπαραμετρική ανάλυση της ιστορικής αμμοθύελλας &quot;Godzilla&quot; του Ιουνίου 2020. Πρόκειται για το σφοδρότερο γεγονός μεταφοράς σκόνης των τελευταίων δεκαετιών, και ο κύριος στόχος της εφαρμογής είναι η διερεύνηση των άμεσων επιπτώσεών του στις ατμοσφαιρικές ακτινοβολιακές και θερμοδυναμικές ιδιότητες, καθώς και η αξιολόγηση της ικανότητας των σύγχρονων εργαλείων να χαρτογραφούν τέτοια ακραία φαινόμενα. Στο παρελθόν, η παρακολούθηση της μεταφοράς σκόνης γινόταν με μεθόδους όπως τα αραιά δίκτυα επίγειων μετρήσεων και οι υποκειμενικές αναφορές ορατότητας από εμπορικά πλοία ή αεροδρόμια. Οι μέθοδοι αυτές άφηναν τεράστια χωρικά κενά στον Ατλαντικό Ωκεανό και αδυνατούσαν πλήρως να καταγράψουν την κατακόρυφη δομή του νέφους ή να ποσοτικοποιήσουν την επίδρασή του στο ενεργειακό ισοζύγιο. Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, συνδυάζοντας δορυφορικά δεδομένα πολλαπλών δεκτών με προηγμένα μοντέλα για την ολοκληρωμένη μελέτη του φαινομένου σε τρεις διαστάσεις.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> <br /> Η έρευνα αξιοποιεί δεδομένα από ένα πλέγμα δορυφορικών συστημάτων (Terra, Aqua, Aura, CALIPSO) σε συνέργεια με τα παγκόσμια μοντέλα επανάλυσης MERRA-2 και CAMS. Χρησιμοποιήθηκαν εξειδικευμένοι δέκτες για κάθε πτυχή του φαινομένου: το MODIS (φάσμα ορατού) παρείχε το Οπτικό Βάθος Αερολυμάτων (AOD) για τη χωρική κατανομή, το OMI (υπεριώδες) τον Δείκτη Αερολυμάτων (UVAI) για τον διαχωρισμό των απορροφητικών σωματιδίων, ενώ το AIRS συνεισέφερε με προφίλ θερμοκρασίας και υγρασίας. Κρίσιμη ήταν η συμβολή του ενεργού αισθητήρα Lidar του CALIOP, ο οποίος επέτρεψε την τομή της ατμόσφαιρας για την εύρεση του ύψους της σκόνης.<br /> Σε επίπεδο προεπεξεργασίας, επιλέχθηκαν δεδομένα Επιπέδου 3 (Level-3), τα οποία είχαν υποστεί γεωαναφορά και αναγωγή σε παγκόσμιο πλέγμα 1° × 1°. Βασικό μεθοδολογικό βήμα αποτέλεσε ο υπολογισμός των κλιματικών ανωμαλιών βάσει της περιόδου αναφοράς 2002–2019. Μέσω αυτής της διαδικασίας αφαιρέθηκε το εποχικό υπόβαθρο, επιτρέποντας την ακριβή απομόνωση και ποσοτικοποίηση της ακραίας απόκλισης που προκάλεσε το συγκεκριμένο γεγονός.<br /> <br /> Επιπλέον, για την πλήρη κατανόηση της τρισδιάστατης εξέλιξης, αξιοποιήθηκαν τα δεδομένα του CALIOP. Η ανάλυση της κατακόρυφης τομής ήταν απαραίτητη για να επιβεβαιωθεί ότι η θέρμανση που παρατηρήθηκε συνέπιπτε υψομετρικά με το στρώμα της σκόνης.<br /> <br /> Τέλος, πραγματοποιήθηκε συγχώνευση και στατιστική σύγκριση των δορυφορικών μετρήσεων με τα μοντέλα για την αμοιβαία επικύρωση των ευρημάτων.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση κατέδειξε ότι το φαινόμενο ήταν το ισχυρότερο της εικοσαετίας, με τις τιμές AOD να ξεπερνούν το 1.5, τιμή εξαιρετικά σπάνια για ωκεάνιες περιοχές.<br /> <br /> Η σύγκριση της χωρικής κατανομής μεταξύ των δορυφορικών δεδομένων και των μοντέλων έδειξε ότι τα μοντέλα (MERRA-2, CAMS) κατάφεραν να αναπαράγουν με μεγάλη ακρίβεια τη γεωγραφική εξάπλωση του νέφους σκόνης. Η στατιστική αντιπαραβολή με τα μοντέλα επανάλυσης εμφάνισε υψηλή συσχέτιση (Pearson’s r &gt; 0.93), αποδεικνύοντας την αξιοπιστία των σύγχρονων προσομοιώσεων.<br /> Πέρα από την ποσότητα, αναλύθηκαν και οι οπτικές ιδιότητες των σωματιδίων για να επιβεβαιωθεί η προέλευσή τους. Οι δείκτες επιβεβαίωσαν ότι πρόκειται για χονδρόκοκκα και απορροφητικά σωματίδια σκόνης, όπως φαίνεται στα παρακάτω διαγράμματα.<br /> <br /> <br /> Το σημαντικότερο εύρημα, ωστόσο, αφορά τη θερμοδυναμική αλληλεπίδραση. Η παρουσία του πυκνού νέφους σκόνης προκάλεσε σημαντική θέρμανση των ατμοσφαιρικών στρωμάτων (8–16%) και μείωση της σχετικής υγρασίας (2–4%), γεγονός που επιβεβαιώνεται από την ανάλυση των κατακόρυφων προφίλ της ατμόσφαιρας μέσω επίγειων μετρήσεων.<br /> <br /> <br /> Η αιτία αυτής της θέρμανσης και της μεταβολής στη σταθερότητα της ατμόσφαιρας αποδίδεται στον Εξαναγκασμό Ακτινοβολίας (ARF). Η σκόνη απορρόφησε ηλιακή ενέργεια εντός της ατμόσφαιρας, εμποδίζοντάς την να φτάσει στην επιφάνεια, προκαλώντας έτσι ψύξη χαμηλά αλλά θέρμανση στα ψηλότερα στρώματα.<br /> <br /> Για την ποσοτική αποτίμηση της έντασης του φαινομένου, οι συνολικές αποκλίσεις όλων των εξεταζόμενων παραμέτρων (οπτικών και θερμοδυναμικών) σε σχέση με την κλιματολογική περίοδο αναφοράς, συνοψίζονται στον ακόλουθο πίνακα:<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη αποδεικνύει ότι η συνδυαστική χρήση πολυφασματικών δορυφορικών δεκτών και μοντέλων είναι απαραίτητη για την ολοκληρωμένη παρακολούθηση ακραίων φαινομένων. Η μέθοδος υπερτερεί σαφώς των συμβατικών τεχνικών, καθώς παρέχει κρίσιμη γνώση όχι μόνο για τη μεταφορά μάζας, αλλά και για την αλληλεπίδραση αερολυμάτων-ακτινοβολίας. Τα ευρήματα αυτά είναι ζωτικής σημασίας για τη βελτίωση των κλιματικών προβλέψεων, καθώς η ακριβής αναπαράσταση της θέρμανσης που προκαλεί η σκόνη μπορεί να βελτιώσει την κατανόηση της ενεργειακής ισορροπίας του πλανήτη και της εξέλιξης των καιρικών συστημάτων στον Ατλαντικό.<br /> <br /> <br /> '''Βιβλιογραφία''' &lt;br/&gt;<br /> <br /> 1. NASA Earth Observatory. A Dust Plume to Remember. June 2020. https://earthobservatory.nasa.gov/<br /> <br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B5%CF%81%CE%B5%CF%8D%CE%BD%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%93%CE%B9%CE%B3%CE%B1%CE%BD%CF%84%CE%B9%CE%B1%CE%AF%CE%B1%CF%82_%CE%91%CE%BC%CE%BC%CE%BF%CE%B8%CF%8D%CE%B5%CE%BB%CE%BB%CE%B1%CF%82_%CF%84%CE%B7%CF%82_%CE%A3%CE%B1%CF%87%CE%AC%CF%81%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%99%CE%BF%CF%85%CE%BD%CE%AF%CE%BF%CF%85_2020_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CF%89%CE%BD_%CE%95%CF%80%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82 2026-02-06T20:49:00Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης''' &lt;br/&gt;<br /> '''Συγγραφείς: A Asutosh, V Vinoj, Nuncio Murukesh, Ramakrishna Ramisetty, Nishant Mittal ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.1038/s41598-022-10017-1 &lt;br/&gt;<br /> '''Ημερομηνία: 12 Απριλίου 2022 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 4_1.jpg | thumb |301px| '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 4_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 4_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 4_4.png | thumb | '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 4_5.jpg | thumb | '''Εικόνα 5.''' ]]<br /> <br /> [[Αρχείο: 4_6.jpg | thumb | '''Εικόνα 6.''' ]]<br /> <br /> [[Αρχείο: 4_7.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και της Διαχείρισης Φυσικών Καταστροφών, εστιάζοντας ειδικότερα στην πολυπαραμετρική ανάλυση της ιστορικής αμμοθύελλας &quot;Godzilla&quot; του Ιουνίου 2020. Πρόκειται για το σφοδρότερο γεγονός μεταφοράς σκόνης των τελευταίων δεκαετιών, και ο κύριος στόχος της εφαρμογής είναι η διερεύνηση των άμεσων επιπτώσεών του στις ατμοσφαιρικές ακτινοβολιακές και θερμοδυναμικές ιδιότητες, καθώς και η αξιολόγηση της ικανότητας των σύγχρονων εργαλείων να χαρτογραφούν τέτοια ακραία φαινόμενα. Στο παρελθόν, η παρακολούθηση της μεταφοράς σκόνης γινόταν με μεθόδους όπως τα αραιά δίκτυα επίγειων μετρήσεων και οι υποκειμενικές αναφορές ορατότητας από εμπορικά πλοία ή αεροδρόμια. Οι μέθοδοι αυτές άφηναν τεράστια χωρικά κενά στον Ατλαντικό Ωκεανό και αδυνατούσαν πλήρως να καταγράψουν την κατακόρυφη δομή του νέφους ή να ποσοτικοποιήσουν την επίδρασή του στο ενεργειακό ισοζύγιο. Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, συνδυάζοντας δορυφορικά δεδομένα πολλαπλών δεκτών με προηγμένα μοντέλα για την ολοκληρωμένη μελέτη του φαινομένου σε τρεις διαστάσεις.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> <br /> Η έρευνα αξιοποιεί δεδομένα από ένα πλέγμα δορυφορικών συστημάτων (Terra, Aqua, Aura, CALIPSO) σε συνέργεια με τα παγκόσμια μοντέλα επανάλυσης MERRA-2 και CAMS. Χρησιμοποιήθηκαν εξειδικευμένοι δέκτες για κάθε πτυχή του φαινομένου: το MODIS (φάσμα ορατού) παρείχε το Οπτικό Βάθος Αερολυμάτων (AOD) για τη χωρική κατανομή, το OMI (υπεριώδες) τον Δείκτη Αερολυμάτων (UVAI) για τον διαχωρισμό των απορροφητικών σωματιδίων, ενώ το AIRS συνεισέφερε με προφίλ θερμοκρασίας και υγρασίας. Κρίσιμη ήταν η συμβολή του ενεργού αισθητήρα Lidar του CALIOP, ο οποίος επέτρεψε την τομή της ατμόσφαιρας για την εύρεση του ύψους της σκόνης.<br /> Σε επίπεδο προεπεξεργασίας, επιλέχθηκαν δεδομένα Επιπέδου 3 (Level-3), τα οποία είχαν υποστεί γεωαναφορά και αναγωγή σε παγκόσμιο πλέγμα 1° × 1°. Βασικό μεθοδολογικό βήμα αποτέλεσε ο υπολογισμός των κλιματικών ανωμαλιών βάσει της περιόδου αναφοράς 2002–2019. Μέσω αυτής της διαδικασίας αφαιρέθηκε το εποχικό υπόβαθρο, επιτρέποντας την ακριβή απομόνωση και ποσοτικοποίηση της ακραίας απόκλισης που προκάλεσε το συγκεκριμένο γεγονός.<br /> <br /> Επιπλέον, για την πλήρη κατανόηση της τρισδιάστατης εξέλιξης, αξιοποιήθηκαν τα δεδομένα του CALIOP. Η ανάλυση της κατακόρυφης τομής ήταν απαραίτητη για να επιβεβαιωθεί ότι η θέρμανση που παρατηρήθηκε συνέπιπτε υψομετρικά με το στρώμα της σκόνης.<br /> <br /> Τέλος, πραγματοποιήθηκε συγχώνευση και στατιστική σύγκριση των δορυφορικών μετρήσεων με τα μοντέλα για την αμοιβαία επικύρωση των ευρημάτων.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση κατέδειξε ότι το φαινόμενο ήταν το ισχυρότερο της εικοσαετίας, με τις τιμές AOD να ξεπερνούν το 1.5, τιμή εξαιρετικά σπάνια για ωκεάνιες περιοχές.<br /> <br /> Η σύγκριση της χωρικής κατανομής μεταξύ των δορυφορικών δεδομένων και των μοντέλων έδειξε ότι τα μοντέλα (MERRA-2, CAMS) κατάφεραν να αναπαράγουν με μεγάλη ακρίβεια τη γεωγραφική εξάπλωση του νέφους σκόνης. Η στατιστική αντιπαραβολή με τα μοντέλα επανάλυσης εμφάνισε υψηλή συσχέτιση (Pearson’s r &gt; 0.93), αποδεικνύοντας την αξιοπιστία των σύγχρονων προσομοιώσεων.<br /> Πέρα από την ποσότητα, αναλύθηκαν και οι οπτικές ιδιότητες των σωματιδίων για να επιβεβαιωθεί η προέλευσή τους. Οι δείκτες επιβεβαίωσαν ότι πρόκειται για χονδρόκοκκα και απορροφητικά σωματίδια σκόνης, όπως φαίνεται στα παρακάτω διαγράμματα.<br /> <br /> <br /> Το σημαντικότερο εύρημα, ωστόσο, αφορά τη θερμοδυναμική αλληλεπίδραση. Η παρουσία του πυκνού νέφους σκόνης προκάλεσε σημαντική θέρμανση των ατμοσφαιρικών στρωμάτων (8–16%) και μείωση της σχετικής υγρασίας (2–4%), γεγονός που επιβεβαιώνεται από την ανάλυση των κατακόρυφων προφίλ της ατμόσφαιρας μέσω επίγειων μετρήσεων.<br /> <br /> <br /> Η αιτία αυτής της θέρμανσης και της μεταβολής στη σταθερότητα της ατμόσφαιρας αποδίδεται στον Εξαναγκασμό Ακτινοβολίας (ARF). Η σκόνη απορρόφησε ηλιακή ενέργεια εντός της ατμόσφαιρας, εμποδίζοντάς την να φτάσει στην επιφάνεια, προκαλώντας έτσι ψύξη χαμηλά αλλά θέρμανση στα ψηλότερα στρώματα.<br /> <br /> Για την ποσοτική αποτίμηση της έντασης του φαινομένου, οι συνολικές αποκλίσεις όλων των εξεταζόμενων παραμέτρων (οπτικών και θερμοδυναμικών) σε σχέση με την κλιματολογική περίοδο αναφοράς, συνοψίζονται στον ακόλουθο πίνακα:<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη αποδεικνύει ότι η συνδυαστική χρήση πολυφασματικών δορυφορικών δεκτών και μοντέλων είναι απαραίτητη για την ολοκληρωμένη παρακολούθηση ακραίων φαινομένων. Η μέθοδος υπερτερεί σαφώς των συμβατικών τεχνικών, καθώς παρέχει κρίσιμη γνώση όχι μόνο για τη μεταφορά μάζας, αλλά και για την αλληλεπίδραση αερολυμάτων-ακτινοβολίας. Τα ευρήματα αυτά είναι ζωτικής σημασίας για τη βελτίωση των κλιματικών προβλέψεων, καθώς η ακριβής αναπαράσταση της θέρμανσης που προκαλεί η σκόνη μπορεί να βελτιώσει την κατανόηση της ενεργειακής ισορροπίας του πλανήτη και της εξέλιξης των καιρικών συστημάτων στον Ατλαντικό.<br /> <br /> <br /> '''Βιβλιογραφία''' &lt;br/&gt;<br /> <br /> 1. NASA Earth Observatory. A Dust Plume to Remember. June 2020. https://earthobservatory.nasa.gov/<br /> <br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B5%CF%81%CE%B5%CF%8D%CE%BD%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%93%CE%B9%CE%B3%CE%B1%CE%BD%CF%84%CE%B9%CE%B1%CE%AF%CE%B1%CF%82_%CE%91%CE%BC%CE%BC%CE%BF%CE%B8%CF%8D%CE%B5%CE%BB%CE%BB%CE%B1%CF%82_%CF%84%CE%B7%CF%82_%CE%A3%CE%B1%CF%87%CE%AC%CF%81%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%99%CE%BF%CF%85%CE%BD%CE%AF%CE%BF%CF%85_2020_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CF%89%CE%BD_%CE%95%CF%80%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82 2026-02-06T20:48:47Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης''' &lt;br/&gt;<br /> '''Συγγραφείς: A Asutosh, V Vinoj, Nuncio Murukesh, Ramakrishna Ramisetty, Nishant Mittal ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.1038/s41598-022-10017-1 &lt;br/&gt;<br /> '''Ημερομηνία: 12 Απριλίου 2022 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 4_1.jpg | thumb |300px| '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 4_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 4_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 4_4.png | thumb | '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 4_5.jpg | thumb | '''Εικόνα 5.''' ]]<br /> <br /> [[Αρχείο: 4_6.jpg | thumb | '''Εικόνα 6.''' ]]<br /> <br /> [[Αρχείο: 4_7.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και της Διαχείρισης Φυσικών Καταστροφών, εστιάζοντας ειδικότερα στην πολυπαραμετρική ανάλυση της ιστορικής αμμοθύελλας &quot;Godzilla&quot; του Ιουνίου 2020. Πρόκειται για το σφοδρότερο γεγονός μεταφοράς σκόνης των τελευταίων δεκαετιών, και ο κύριος στόχος της εφαρμογής είναι η διερεύνηση των άμεσων επιπτώσεών του στις ατμοσφαιρικές ακτινοβολιακές και θερμοδυναμικές ιδιότητες, καθώς και η αξιολόγηση της ικανότητας των σύγχρονων εργαλείων να χαρτογραφούν τέτοια ακραία φαινόμενα. Στο παρελθόν, η παρακολούθηση της μεταφοράς σκόνης γινόταν με μεθόδους όπως τα αραιά δίκτυα επίγειων μετρήσεων και οι υποκειμενικές αναφορές ορατότητας από εμπορικά πλοία ή αεροδρόμια. Οι μέθοδοι αυτές άφηναν τεράστια χωρικά κενά στον Ατλαντικό Ωκεανό και αδυνατούσαν πλήρως να καταγράψουν την κατακόρυφη δομή του νέφους ή να ποσοτικοποιήσουν την επίδρασή του στο ενεργειακό ισοζύγιο. Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, συνδυάζοντας δορυφορικά δεδομένα πολλαπλών δεκτών με προηγμένα μοντέλα για την ολοκληρωμένη μελέτη του φαινομένου σε τρεις διαστάσεις.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> <br /> Η έρευνα αξιοποιεί δεδομένα από ένα πλέγμα δορυφορικών συστημάτων (Terra, Aqua, Aura, CALIPSO) σε συνέργεια με τα παγκόσμια μοντέλα επανάλυσης MERRA-2 και CAMS. Χρησιμοποιήθηκαν εξειδικευμένοι δέκτες για κάθε πτυχή του φαινομένου: το MODIS (φάσμα ορατού) παρείχε το Οπτικό Βάθος Αερολυμάτων (AOD) για τη χωρική κατανομή, το OMI (υπεριώδες) τον Δείκτη Αερολυμάτων (UVAI) για τον διαχωρισμό των απορροφητικών σωματιδίων, ενώ το AIRS συνεισέφερε με προφίλ θερμοκρασίας και υγρασίας. Κρίσιμη ήταν η συμβολή του ενεργού αισθητήρα Lidar του CALIOP, ο οποίος επέτρεψε την τομή της ατμόσφαιρας για την εύρεση του ύψους της σκόνης.<br /> Σε επίπεδο προεπεξεργασίας, επιλέχθηκαν δεδομένα Επιπέδου 3 (Level-3), τα οποία είχαν υποστεί γεωαναφορά και αναγωγή σε παγκόσμιο πλέγμα 1° × 1°. Βασικό μεθοδολογικό βήμα αποτέλεσε ο υπολογισμός των κλιματικών ανωμαλιών βάσει της περιόδου αναφοράς 2002–2019. Μέσω αυτής της διαδικασίας αφαιρέθηκε το εποχικό υπόβαθρο, επιτρέποντας την ακριβή απομόνωση και ποσοτικοποίηση της ακραίας απόκλισης που προκάλεσε το συγκεκριμένο γεγονός.<br /> <br /> Επιπλέον, για την πλήρη κατανόηση της τρισδιάστατης εξέλιξης, αξιοποιήθηκαν τα δεδομένα του CALIOP. Η ανάλυση της κατακόρυφης τομής ήταν απαραίτητη για να επιβεβαιωθεί ότι η θέρμανση που παρατηρήθηκε συνέπιπτε υψομετρικά με το στρώμα της σκόνης.<br /> <br /> Τέλος, πραγματοποιήθηκε συγχώνευση και στατιστική σύγκριση των δορυφορικών μετρήσεων με τα μοντέλα για την αμοιβαία επικύρωση των ευρημάτων.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση κατέδειξε ότι το φαινόμενο ήταν το ισχυρότερο της εικοσαετίας, με τις τιμές AOD να ξεπερνούν το 1.5, τιμή εξαιρετικά σπάνια για ωκεάνιες περιοχές.<br /> <br /> Η σύγκριση της χωρικής κατανομής μεταξύ των δορυφορικών δεδομένων και των μοντέλων έδειξε ότι τα μοντέλα (MERRA-2, CAMS) κατάφεραν να αναπαράγουν με μεγάλη ακρίβεια τη γεωγραφική εξάπλωση του νέφους σκόνης. Η στατιστική αντιπαραβολή με τα μοντέλα επανάλυσης εμφάνισε υψηλή συσχέτιση (Pearson’s r &gt; 0.93), αποδεικνύοντας την αξιοπιστία των σύγχρονων προσομοιώσεων.<br /> Πέρα από την ποσότητα, αναλύθηκαν και οι οπτικές ιδιότητες των σωματιδίων για να επιβεβαιωθεί η προέλευσή τους. Οι δείκτες επιβεβαίωσαν ότι πρόκειται για χονδρόκοκκα και απορροφητικά σωματίδια σκόνης, όπως φαίνεται στα παρακάτω διαγράμματα.<br /> <br /> <br /> Το σημαντικότερο εύρημα, ωστόσο, αφορά τη θερμοδυναμική αλληλεπίδραση. Η παρουσία του πυκνού νέφους σκόνης προκάλεσε σημαντική θέρμανση των ατμοσφαιρικών στρωμάτων (8–16%) και μείωση της σχετικής υγρασίας (2–4%), γεγονός που επιβεβαιώνεται από την ανάλυση των κατακόρυφων προφίλ της ατμόσφαιρας μέσω επίγειων μετρήσεων.<br /> <br /> <br /> Η αιτία αυτής της θέρμανσης και της μεταβολής στη σταθερότητα της ατμόσφαιρας αποδίδεται στον Εξαναγκασμό Ακτινοβολίας (ARF). Η σκόνη απορρόφησε ηλιακή ενέργεια εντός της ατμόσφαιρας, εμποδίζοντάς την να φτάσει στην επιφάνεια, προκαλώντας έτσι ψύξη χαμηλά αλλά θέρμανση στα ψηλότερα στρώματα.<br /> <br /> Για την ποσοτική αποτίμηση της έντασης του φαινομένου, οι συνολικές αποκλίσεις όλων των εξεταζόμενων παραμέτρων (οπτικών και θερμοδυναμικών) σε σχέση με την κλιματολογική περίοδο αναφοράς, συνοψίζονται στον ακόλουθο πίνακα:<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη αποδεικνύει ότι η συνδυαστική χρήση πολυφασματικών δορυφορικών δεκτών και μοντέλων είναι απαραίτητη για την ολοκληρωμένη παρακολούθηση ακραίων φαινομένων. Η μέθοδος υπερτερεί σαφώς των συμβατικών τεχνικών, καθώς παρέχει κρίσιμη γνώση όχι μόνο για τη μεταφορά μάζας, αλλά και για την αλληλεπίδραση αερολυμάτων-ακτινοβολίας. Τα ευρήματα αυτά είναι ζωτικής σημασίας για τη βελτίωση των κλιματικών προβλέψεων, καθώς η ακριβής αναπαράσταση της θέρμανσης που προκαλεί η σκόνη μπορεί να βελτιώσει την κατανόηση της ενεργειακής ισορροπίας του πλανήτη και της εξέλιξης των καιρικών συστημάτων στον Ατλαντικό.<br /> <br /> <br /> '''Βιβλιογραφία''' &lt;br/&gt;<br /> <br /> 1. NASA Earth Observatory. A Dust Plume to Remember. June 2020. https://earthobservatory.nasa.gov/<br /> <br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B5%CF%81%CE%B5%CF%8D%CE%BD%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%93%CE%B9%CE%B3%CE%B1%CE%BD%CF%84%CE%B9%CE%B1%CE%AF%CE%B1%CF%82_%CE%91%CE%BC%CE%BC%CE%BF%CE%B8%CF%8D%CE%B5%CE%BB%CE%BB%CE%B1%CF%82_%CF%84%CE%B7%CF%82_%CE%A3%CE%B1%CF%87%CE%AC%CF%81%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%99%CE%BF%CF%85%CE%BD%CE%AF%CE%BF%CF%85_2020_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CF%89%CE%BD_%CE%95%CF%80%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82 2026-02-06T20:48:09Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης''' &lt;br/&gt;<br /> '''Συγγραφείς: A Asutosh, V Vinoj, Nuncio Murukesh, Ramakrishna Ramisetty, Nishant Mittal ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.1038/s41598-022-10017-1 &lt;br/&gt;<br /> '''Ημερομηνία: 12 Απριλίου 2022 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 4_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 4_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 4_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 4_4.png | thumb | '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 4_5.jpg | thumb | '''Εικόνα 5.''' ]]<br /> <br /> [[Αρχείο: 4_6.jpg | thumb | '''Εικόνα 6.''' ]]<br /> <br /> [[Αρχείο: 4_7.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και της Διαχείρισης Φυσικών Καταστροφών, εστιάζοντας ειδικότερα στην πολυπαραμετρική ανάλυση της ιστορικής αμμοθύελλας &quot;Godzilla&quot; του Ιουνίου 2020. Πρόκειται για το σφοδρότερο γεγονός μεταφοράς σκόνης των τελευταίων δεκαετιών, και ο κύριος στόχος της εφαρμογής είναι η διερεύνηση των άμεσων επιπτώσεών του στις ατμοσφαιρικές ακτινοβολιακές και θερμοδυναμικές ιδιότητες, καθώς και η αξιολόγηση της ικανότητας των σύγχρονων εργαλείων να χαρτογραφούν τέτοια ακραία φαινόμενα. Στο παρελθόν, η παρακολούθηση της μεταφοράς σκόνης γινόταν με μεθόδους όπως τα αραιά δίκτυα επίγειων μετρήσεων και οι υποκειμενικές αναφορές ορατότητας από εμπορικά πλοία ή αεροδρόμια. Οι μέθοδοι αυτές άφηναν τεράστια χωρικά κενά στον Ατλαντικό Ωκεανό και αδυνατούσαν πλήρως να καταγράψουν την κατακόρυφη δομή του νέφους ή να ποσοτικοποιήσουν την επίδρασή του στο ενεργειακό ισοζύγιο. Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, συνδυάζοντας δορυφορικά δεδομένα πολλαπλών δεκτών με προηγμένα μοντέλα για την ολοκληρωμένη μελέτη του φαινομένου σε τρεις διαστάσεις.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> <br /> Η έρευνα αξιοποιεί δεδομένα από ένα πλέγμα δορυφορικών συστημάτων (Terra, Aqua, Aura, CALIPSO) σε συνέργεια με τα παγκόσμια μοντέλα επανάλυσης MERRA-2 και CAMS. Χρησιμοποιήθηκαν εξειδικευμένοι δέκτες για κάθε πτυχή του φαινομένου: το MODIS (φάσμα ορατού) παρείχε το Οπτικό Βάθος Αερολυμάτων (AOD) για τη χωρική κατανομή, το OMI (υπεριώδες) τον Δείκτη Αερολυμάτων (UVAI) για τον διαχωρισμό των απορροφητικών σωματιδίων, ενώ το AIRS συνεισέφερε με προφίλ θερμοκρασίας και υγρασίας. Κρίσιμη ήταν η συμβολή του ενεργού αισθητήρα Lidar του CALIOP, ο οποίος επέτρεψε την τομή της ατμόσφαιρας για την εύρεση του ύψους της σκόνης.<br /> Σε επίπεδο προεπεξεργασίας, επιλέχθηκαν δεδομένα Επιπέδου 3 (Level-3), τα οποία είχαν υποστεί γεωαναφορά και αναγωγή σε παγκόσμιο πλέγμα 1° × 1°. Βασικό μεθοδολογικό βήμα αποτέλεσε ο υπολογισμός των κλιματικών ανωμαλιών βάσει της περιόδου αναφοράς 2002–2019. Μέσω αυτής της διαδικασίας αφαιρέθηκε το εποχικό υπόβαθρο, επιτρέποντας την ακριβή απομόνωση και ποσοτικοποίηση της ακραίας απόκλισης που προκάλεσε το συγκεκριμένο γεγονός.<br /> <br /> Επιπλέον, για την πλήρη κατανόηση της τρισδιάστατης εξέλιξης, αξιοποιήθηκαν τα δεδομένα του CALIOP. Η ανάλυση της κατακόρυφης τομής ήταν απαραίτητη για να επιβεβαιωθεί ότι η θέρμανση που παρατηρήθηκε συνέπιπτε υψομετρικά με το στρώμα της σκόνης.<br /> <br /> Τέλος, πραγματοποιήθηκε συγχώνευση και στατιστική σύγκριση των δορυφορικών μετρήσεων με τα μοντέλα για την αμοιβαία επικύρωση των ευρημάτων.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση κατέδειξε ότι το φαινόμενο ήταν το ισχυρότερο της εικοσαετίας, με τις τιμές AOD να ξεπερνούν το 1.5, τιμή εξαιρετικά σπάνια για ωκεάνιες περιοχές.<br /> <br /> Η σύγκριση της χωρικής κατανομής μεταξύ των δορυφορικών δεδομένων και των μοντέλων έδειξε ότι τα μοντέλα (MERRA-2, CAMS) κατάφεραν να αναπαράγουν με μεγάλη ακρίβεια τη γεωγραφική εξάπλωση του νέφους σκόνης. Η στατιστική αντιπαραβολή με τα μοντέλα επανάλυσης εμφάνισε υψηλή συσχέτιση (Pearson’s r &gt; 0.93), αποδεικνύοντας την αξιοπιστία των σύγχρονων προσομοιώσεων.<br /> Πέρα από την ποσότητα, αναλύθηκαν και οι οπτικές ιδιότητες των σωματιδίων για να επιβεβαιωθεί η προέλευσή τους. Οι δείκτες επιβεβαίωσαν ότι πρόκειται για χονδρόκοκκα και απορροφητικά σωματίδια σκόνης, όπως φαίνεται στα παρακάτω διαγράμματα.<br /> <br /> <br /> Το σημαντικότερο εύρημα, ωστόσο, αφορά τη θερμοδυναμική αλληλεπίδραση. Η παρουσία του πυκνού νέφους σκόνης προκάλεσε σημαντική θέρμανση των ατμοσφαιρικών στρωμάτων (8–16%) και μείωση της σχετικής υγρασίας (2–4%), γεγονός που επιβεβαιώνεται από την ανάλυση των κατακόρυφων προφίλ της ατμόσφαιρας μέσω επίγειων μετρήσεων.<br /> <br /> <br /> Η αιτία αυτής της θέρμανσης και της μεταβολής στη σταθερότητα της ατμόσφαιρας αποδίδεται στον Εξαναγκασμό Ακτινοβολίας (ARF). Η σκόνη απορρόφησε ηλιακή ενέργεια εντός της ατμόσφαιρας, εμποδίζοντάς την να φτάσει στην επιφάνεια, προκαλώντας έτσι ψύξη χαμηλά αλλά θέρμανση στα ψηλότερα στρώματα.<br /> <br /> Για την ποσοτική αποτίμηση της έντασης του φαινομένου, οι συνολικές αποκλίσεις όλων των εξεταζόμενων παραμέτρων (οπτικών και θερμοδυναμικών) σε σχέση με την κλιματολογική περίοδο αναφοράς, συνοψίζονται στον ακόλουθο πίνακα:<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη αποδεικνύει ότι η συνδυαστική χρήση πολυφασματικών δορυφορικών δεκτών και μοντέλων είναι απαραίτητη για την ολοκληρωμένη παρακολούθηση ακραίων φαινομένων. Η μέθοδος υπερτερεί σαφώς των συμβατικών τεχνικών, καθώς παρέχει κρίσιμη γνώση όχι μόνο για τη μεταφορά μάζας, αλλά και για την αλληλεπίδραση αερολυμάτων-ακτινοβολίας. Τα ευρήματα αυτά είναι ζωτικής σημασίας για τη βελτίωση των κλιματικών προβλέψεων, καθώς η ακριβής αναπαράσταση της θέρμανσης που προκαλεί η σκόνη μπορεί να βελτιώσει την κατανόηση της ενεργειακής ισορροπίας του πλανήτη και της εξέλιξης των καιρικών συστημάτων στον Ατλαντικό.<br /> <br /> <br /> '''Βιβλιογραφία''' &lt;br/&gt;<br /> <br /> 1. NASA Earth Observatory. A Dust Plume to Remember. June 2020. https://earthobservatory.nasa.gov/<br /> <br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B5%CF%81%CE%B5%CF%8D%CE%BD%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%93%CE%B9%CE%B3%CE%B1%CE%BD%CF%84%CE%B9%CE%B1%CE%AF%CE%B1%CF%82_%CE%91%CE%BC%CE%BC%CE%BF%CE%B8%CF%8D%CE%B5%CE%BB%CE%BB%CE%B1%CF%82_%CF%84%CE%B7%CF%82_%CE%A3%CE%B1%CF%87%CE%AC%CF%81%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%99%CE%BF%CF%85%CE%BD%CE%AF%CE%BF%CF%85_2020_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CF%89%CE%BD_%CE%95%CF%80%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82 2026-02-06T20:47:53Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης''' &lt;br/&gt;<br /> '''Συγγραφείς: A Asutosh, V Vinoj, Nuncio Murukesh, Ramakrishna Ramisetty, Nishant Mittal ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.1038/s41598-022-10017-1 &lt;br/&gt;<br /> '''Ημερομηνία: 12 Απριλίου 2022 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 4_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 4_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 4_3.jpg | thumb | 300px|'''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 4_4.png | thumb | '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 4_5.jpg | thumb | '''Εικόνα 5.''' ]]<br /> <br /> [[Αρχείο: 4_6.jpg | thumb | '''Εικόνα 6.''' ]]<br /> <br /> [[Αρχείο: 4_7.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και της Διαχείρισης Φυσικών Καταστροφών, εστιάζοντας ειδικότερα στην πολυπαραμετρική ανάλυση της ιστορικής αμμοθύελλας &quot;Godzilla&quot; του Ιουνίου 2020. Πρόκειται για το σφοδρότερο γεγονός μεταφοράς σκόνης των τελευταίων δεκαετιών, και ο κύριος στόχος της εφαρμογής είναι η διερεύνηση των άμεσων επιπτώσεών του στις ατμοσφαιρικές ακτινοβολιακές και θερμοδυναμικές ιδιότητες, καθώς και η αξιολόγηση της ικανότητας των σύγχρονων εργαλείων να χαρτογραφούν τέτοια ακραία φαινόμενα. Στο παρελθόν, η παρακολούθηση της μεταφοράς σκόνης γινόταν με μεθόδους όπως τα αραιά δίκτυα επίγειων μετρήσεων και οι υποκειμενικές αναφορές ορατότητας από εμπορικά πλοία ή αεροδρόμια. Οι μέθοδοι αυτές άφηναν τεράστια χωρικά κενά στον Ατλαντικό Ωκεανό και αδυνατούσαν πλήρως να καταγράψουν την κατακόρυφη δομή του νέφους ή να ποσοτικοποιήσουν την επίδρασή του στο ενεργειακό ισοζύγιο. Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, συνδυάζοντας δορυφορικά δεδομένα πολλαπλών δεκτών με προηγμένα μοντέλα για την ολοκληρωμένη μελέτη του φαινομένου σε τρεις διαστάσεις.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> <br /> Η έρευνα αξιοποιεί δεδομένα από ένα πλέγμα δορυφορικών συστημάτων (Terra, Aqua, Aura, CALIPSO) σε συνέργεια με τα παγκόσμια μοντέλα επανάλυσης MERRA-2 και CAMS. Χρησιμοποιήθηκαν εξειδικευμένοι δέκτες για κάθε πτυχή του φαινομένου: το MODIS (φάσμα ορατού) παρείχε το Οπτικό Βάθος Αερολυμάτων (AOD) για τη χωρική κατανομή, το OMI (υπεριώδες) τον Δείκτη Αερολυμάτων (UVAI) για τον διαχωρισμό των απορροφητικών σωματιδίων, ενώ το AIRS συνεισέφερε με προφίλ θερμοκρασίας και υγρασίας. Κρίσιμη ήταν η συμβολή του ενεργού αισθητήρα Lidar του CALIOP, ο οποίος επέτρεψε την τομή της ατμόσφαιρας για την εύρεση του ύψους της σκόνης.<br /> Σε επίπεδο προεπεξεργασίας, επιλέχθηκαν δεδομένα Επιπέδου 3 (Level-3), τα οποία είχαν υποστεί γεωαναφορά και αναγωγή σε παγκόσμιο πλέγμα 1° × 1°. Βασικό μεθοδολογικό βήμα αποτέλεσε ο υπολογισμός των κλιματικών ανωμαλιών βάσει της περιόδου αναφοράς 2002–2019. Μέσω αυτής της διαδικασίας αφαιρέθηκε το εποχικό υπόβαθρο, επιτρέποντας την ακριβή απομόνωση και ποσοτικοποίηση της ακραίας απόκλισης που προκάλεσε το συγκεκριμένο γεγονός.<br /> <br /> Επιπλέον, για την πλήρη κατανόηση της τρισδιάστατης εξέλιξης, αξιοποιήθηκαν τα δεδομένα του CALIOP. Η ανάλυση της κατακόρυφης τομής ήταν απαραίτητη για να επιβεβαιωθεί ότι η θέρμανση που παρατηρήθηκε συνέπιπτε υψομετρικά με το στρώμα της σκόνης.<br /> <br /> Τέλος, πραγματοποιήθηκε συγχώνευση και στατιστική σύγκριση των δορυφορικών μετρήσεων με τα μοντέλα για την αμοιβαία επικύρωση των ευρημάτων.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση κατέδειξε ότι το φαινόμενο ήταν το ισχυρότερο της εικοσαετίας, με τις τιμές AOD να ξεπερνούν το 1.5, τιμή εξαιρετικά σπάνια για ωκεάνιες περιοχές.<br /> <br /> Η σύγκριση της χωρικής κατανομής μεταξύ των δορυφορικών δεδομένων και των μοντέλων έδειξε ότι τα μοντέλα (MERRA-2, CAMS) κατάφεραν να αναπαράγουν με μεγάλη ακρίβεια τη γεωγραφική εξάπλωση του νέφους σκόνης. Η στατιστική αντιπαραβολή με τα μοντέλα επανάλυσης εμφάνισε υψηλή συσχέτιση (Pearson’s r &gt; 0.93), αποδεικνύοντας την αξιοπιστία των σύγχρονων προσομοιώσεων.<br /> Πέρα από την ποσότητα, αναλύθηκαν και οι οπτικές ιδιότητες των σωματιδίων για να επιβεβαιωθεί η προέλευσή τους. Οι δείκτες επιβεβαίωσαν ότι πρόκειται για χονδρόκοκκα και απορροφητικά σωματίδια σκόνης, όπως φαίνεται στα παρακάτω διαγράμματα.<br /> <br /> <br /> Το σημαντικότερο εύρημα, ωστόσο, αφορά τη θερμοδυναμική αλληλεπίδραση. Η παρουσία του πυκνού νέφους σκόνης προκάλεσε σημαντική θέρμανση των ατμοσφαιρικών στρωμάτων (8–16%) και μείωση της σχετικής υγρασίας (2–4%), γεγονός που επιβεβαιώνεται από την ανάλυση των κατακόρυφων προφίλ της ατμόσφαιρας μέσω επίγειων μετρήσεων.<br /> <br /> <br /> Η αιτία αυτής της θέρμανσης και της μεταβολής στη σταθερότητα της ατμόσφαιρας αποδίδεται στον Εξαναγκασμό Ακτινοβολίας (ARF). Η σκόνη απορρόφησε ηλιακή ενέργεια εντός της ατμόσφαιρας, εμποδίζοντάς την να φτάσει στην επιφάνεια, προκαλώντας έτσι ψύξη χαμηλά αλλά θέρμανση στα ψηλότερα στρώματα.<br /> <br /> Για την ποσοτική αποτίμηση της έντασης του φαινομένου, οι συνολικές αποκλίσεις όλων των εξεταζόμενων παραμέτρων (οπτικών και θερμοδυναμικών) σε σχέση με την κλιματολογική περίοδο αναφοράς, συνοψίζονται στον ακόλουθο πίνακα:<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη αποδεικνύει ότι η συνδυαστική χρήση πολυφασματικών δορυφορικών δεκτών και μοντέλων είναι απαραίτητη για την ολοκληρωμένη παρακολούθηση ακραίων φαινομένων. Η μέθοδος υπερτερεί σαφώς των συμβατικών τεχνικών, καθώς παρέχει κρίσιμη γνώση όχι μόνο για τη μεταφορά μάζας, αλλά και για την αλληλεπίδραση αερολυμάτων-ακτινοβολίας. Τα ευρήματα αυτά είναι ζωτικής σημασίας για τη βελτίωση των κλιματικών προβλέψεων, καθώς η ακριβής αναπαράσταση της θέρμανσης που προκαλεί η σκόνη μπορεί να βελτιώσει την κατανόηση της ενεργειακής ισορροπίας του πλανήτη και της εξέλιξης των καιρικών συστημάτων στον Ατλαντικό.<br /> <br /> <br /> '''Βιβλιογραφία''' &lt;br/&gt;<br /> <br /> 1. NASA Earth Observatory. A Dust Plume to Remember. June 2020. https://earthobservatory.nasa.gov/<br /> <br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B5%CF%81%CE%B5%CF%8D%CE%BD%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%93%CE%B9%CE%B3%CE%B1%CE%BD%CF%84%CE%B9%CE%B1%CE%AF%CE%B1%CF%82_%CE%91%CE%BC%CE%BC%CE%BF%CE%B8%CF%8D%CE%B5%CE%BB%CE%BB%CE%B1%CF%82_%CF%84%CE%B7%CF%82_%CE%A3%CE%B1%CF%87%CE%AC%CF%81%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%99%CE%BF%CF%85%CE%BD%CE%AF%CE%BF%CF%85_2020_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CF%89%CE%BD_%CE%95%CF%80%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82 2026-02-06T20:47:35Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης''' &lt;br/&gt;<br /> '''Συγγραφείς: A Asutosh, V Vinoj, Nuncio Murukesh, Ramakrishna Ramisetty, Nishant Mittal ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.1038/s41598-022-10017-1 &lt;br/&gt;<br /> '''Ημερομηνία: 12 Απριλίου 2022 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 4_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 4_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 4_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 4_4.png | thumb | '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 4_5.jpg | thumb | '''Εικόνα 5.''' ]]<br /> <br /> [[Αρχείο: 4_6.jpg | thumb | '''Εικόνα 6.''' ]]<br /> <br /> [[Αρχείο: 4_7.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και της Διαχείρισης Φυσικών Καταστροφών, εστιάζοντας ειδικότερα στην πολυπαραμετρική ανάλυση της ιστορικής αμμοθύελλας &quot;Godzilla&quot; του Ιουνίου 2020. Πρόκειται για το σφοδρότερο γεγονός μεταφοράς σκόνης των τελευταίων δεκαετιών, και ο κύριος στόχος της εφαρμογής είναι η διερεύνηση των άμεσων επιπτώσεών του στις ατμοσφαιρικές ακτινοβολιακές και θερμοδυναμικές ιδιότητες, καθώς και η αξιολόγηση της ικανότητας των σύγχρονων εργαλείων να χαρτογραφούν τέτοια ακραία φαινόμενα. Στο παρελθόν, η παρακολούθηση της μεταφοράς σκόνης γινόταν με μεθόδους όπως τα αραιά δίκτυα επίγειων μετρήσεων και οι υποκειμενικές αναφορές ορατότητας από εμπορικά πλοία ή αεροδρόμια. Οι μέθοδοι αυτές άφηναν τεράστια χωρικά κενά στον Ατλαντικό Ωκεανό και αδυνατούσαν πλήρως να καταγράψουν την κατακόρυφη δομή του νέφους ή να ποσοτικοποιήσουν την επίδρασή του στο ενεργειακό ισοζύγιο. Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, συνδυάζοντας δορυφορικά δεδομένα πολλαπλών δεκτών με προηγμένα μοντέλα για την ολοκληρωμένη μελέτη του φαινομένου σε τρεις διαστάσεις.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> <br /> Η έρευνα αξιοποιεί δεδομένα από ένα πλέγμα δορυφορικών συστημάτων (Terra, Aqua, Aura, CALIPSO) σε συνέργεια με τα παγκόσμια μοντέλα επανάλυσης MERRA-2 και CAMS. Χρησιμοποιήθηκαν εξειδικευμένοι δέκτες για κάθε πτυχή του φαινομένου: το MODIS (φάσμα ορατού) παρείχε το Οπτικό Βάθος Αερολυμάτων (AOD) για τη χωρική κατανομή, το OMI (υπεριώδες) τον Δείκτη Αερολυμάτων (UVAI) για τον διαχωρισμό των απορροφητικών σωματιδίων, ενώ το AIRS συνεισέφερε με προφίλ θερμοκρασίας και υγρασίας. Κρίσιμη ήταν η συμβολή του ενεργού αισθητήρα Lidar του CALIOP, ο οποίος επέτρεψε την τομή της ατμόσφαιρας για την εύρεση του ύψους της σκόνης.<br /> Σε επίπεδο προεπεξεργασίας, επιλέχθηκαν δεδομένα Επιπέδου 3 (Level-3), τα οποία είχαν υποστεί γεωαναφορά και αναγωγή σε παγκόσμιο πλέγμα 1° × 1°. Βασικό μεθοδολογικό βήμα αποτέλεσε ο υπολογισμός των κλιματικών ανωμαλιών βάσει της περιόδου αναφοράς 2002–2019. Μέσω αυτής της διαδικασίας αφαιρέθηκε το εποχικό υπόβαθρο, επιτρέποντας την ακριβή απομόνωση και ποσοτικοποίηση της ακραίας απόκλισης που προκάλεσε το συγκεκριμένο γεγονός.<br /> <br /> Επιπλέον, για την πλήρη κατανόηση της τρισδιάστατης εξέλιξης, αξιοποιήθηκαν τα δεδομένα του CALIOP. Η ανάλυση της κατακόρυφης τομής ήταν απαραίτητη για να επιβεβαιωθεί ότι η θέρμανση που παρατηρήθηκε συνέπιπτε υψομετρικά με το στρώμα της σκόνης.<br /> <br /> Τέλος, πραγματοποιήθηκε συγχώνευση και στατιστική σύγκριση των δορυφορικών μετρήσεων με τα μοντέλα για την αμοιβαία επικύρωση των ευρημάτων.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση κατέδειξε ότι το φαινόμενο ήταν το ισχυρότερο της εικοσαετίας, με τις τιμές AOD να ξεπερνούν το 1.5, τιμή εξαιρετικά σπάνια για ωκεάνιες περιοχές.<br /> <br /> Η σύγκριση της χωρικής κατανομής μεταξύ των δορυφορικών δεδομένων και των μοντέλων έδειξε ότι τα μοντέλα (MERRA-2, CAMS) κατάφεραν να αναπαράγουν με μεγάλη ακρίβεια τη γεωγραφική εξάπλωση του νέφους σκόνης. Η στατιστική αντιπαραβολή με τα μοντέλα επανάλυσης εμφάνισε υψηλή συσχέτιση (Pearson’s r &gt; 0.93), αποδεικνύοντας την αξιοπιστία των σύγχρονων προσομοιώσεων.<br /> Πέρα από την ποσότητα, αναλύθηκαν και οι οπτικές ιδιότητες των σωματιδίων για να επιβεβαιωθεί η προέλευσή τους. Οι δείκτες επιβεβαίωσαν ότι πρόκειται για χονδρόκοκκα και απορροφητικά σωματίδια σκόνης, όπως φαίνεται στα παρακάτω διαγράμματα.<br /> <br /> <br /> Το σημαντικότερο εύρημα, ωστόσο, αφορά τη θερμοδυναμική αλληλεπίδραση. Η παρουσία του πυκνού νέφους σκόνης προκάλεσε σημαντική θέρμανση των ατμοσφαιρικών στρωμάτων (8–16%) και μείωση της σχετικής υγρασίας (2–4%), γεγονός που επιβεβαιώνεται από την ανάλυση των κατακόρυφων προφίλ της ατμόσφαιρας μέσω επίγειων μετρήσεων.<br /> <br /> <br /> Η αιτία αυτής της θέρμανσης και της μεταβολής στη σταθερότητα της ατμόσφαιρας αποδίδεται στον Εξαναγκασμό Ακτινοβολίας (ARF). Η σκόνη απορρόφησε ηλιακή ενέργεια εντός της ατμόσφαιρας, εμποδίζοντάς την να φτάσει στην επιφάνεια, προκαλώντας έτσι ψύξη χαμηλά αλλά θέρμανση στα ψηλότερα στρώματα.<br /> <br /> Για την ποσοτική αποτίμηση της έντασης του φαινομένου, οι συνολικές αποκλίσεις όλων των εξεταζόμενων παραμέτρων (οπτικών και θερμοδυναμικών) σε σχέση με την κλιματολογική περίοδο αναφοράς, συνοψίζονται στον ακόλουθο πίνακα:<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη αποδεικνύει ότι η συνδυαστική χρήση πολυφασματικών δορυφορικών δεκτών και μοντέλων είναι απαραίτητη για την ολοκληρωμένη παρακολούθηση ακραίων φαινομένων. Η μέθοδος υπερτερεί σαφώς των συμβατικών τεχνικών, καθώς παρέχει κρίσιμη γνώση όχι μόνο για τη μεταφορά μάζας, αλλά και για την αλληλεπίδραση αερολυμάτων-ακτινοβολίας. Τα ευρήματα αυτά είναι ζωτικής σημασίας για τη βελτίωση των κλιματικών προβλέψεων, καθώς η ακριβής αναπαράσταση της θέρμανσης που προκαλεί η σκόνη μπορεί να βελτιώσει την κατανόηση της ενεργειακής ισορροπίας του πλανήτη και της εξέλιξης των καιρικών συστημάτων στον Ατλαντικό.<br /> <br /> <br /> '''Βιβλιογραφία''' &lt;br/&gt;<br /> <br /> 1. NASA Earth Observatory. A Dust Plume to Remember. June 2020. https://earthobservatory.nasa.gov/<br /> <br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B5%CF%81%CE%B5%CF%8D%CE%BD%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%93%CE%B9%CE%B3%CE%B1%CE%BD%CF%84%CE%B9%CE%B1%CE%AF%CE%B1%CF%82_%CE%91%CE%BC%CE%BC%CE%BF%CE%B8%CF%8D%CE%B5%CE%BB%CE%BB%CE%B1%CF%82_%CF%84%CE%B7%CF%82_%CE%A3%CE%B1%CF%87%CE%AC%CF%81%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%99%CE%BF%CF%85%CE%BD%CE%AF%CE%BF%CF%85_2020_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CF%89%CE%BD_%CE%95%CF%80%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82 2026-02-06T20:47:22Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης''' &lt;br/&gt;<br /> '''Συγγραφείς: A Asutosh, V Vinoj, Nuncio Murukesh, Ramakrishna Ramisetty, Nishant Mittal ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.1038/s41598-022-10017-1 &lt;br/&gt;<br /> '''Ημερομηνία: 12 Απριλίου 2022 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 4_1.jpg | thumb |300px| '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 4_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 4_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 4_4.png | thumb | '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 4_5.jpg | thumb | '''Εικόνα 5.''' ]]<br /> <br /> [[Αρχείο: 4_6.jpg | thumb | '''Εικόνα 6.''' ]]<br /> <br /> [[Αρχείο: 4_7.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και της Διαχείρισης Φυσικών Καταστροφών, εστιάζοντας ειδικότερα στην πολυπαραμετρική ανάλυση της ιστορικής αμμοθύελλας &quot;Godzilla&quot; του Ιουνίου 2020. Πρόκειται για το σφοδρότερο γεγονός μεταφοράς σκόνης των τελευταίων δεκαετιών, και ο κύριος στόχος της εφαρμογής είναι η διερεύνηση των άμεσων επιπτώσεών του στις ατμοσφαιρικές ακτινοβολιακές και θερμοδυναμικές ιδιότητες, καθώς και η αξιολόγηση της ικανότητας των σύγχρονων εργαλείων να χαρτογραφούν τέτοια ακραία φαινόμενα. Στο παρελθόν, η παρακολούθηση της μεταφοράς σκόνης γινόταν με μεθόδους όπως τα αραιά δίκτυα επίγειων μετρήσεων και οι υποκειμενικές αναφορές ορατότητας από εμπορικά πλοία ή αεροδρόμια. Οι μέθοδοι αυτές άφηναν τεράστια χωρικά κενά στον Ατλαντικό Ωκεανό και αδυνατούσαν πλήρως να καταγράψουν την κατακόρυφη δομή του νέφους ή να ποσοτικοποιήσουν την επίδρασή του στο ενεργειακό ισοζύγιο. Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, συνδυάζοντας δορυφορικά δεδομένα πολλαπλών δεκτών με προηγμένα μοντέλα για την ολοκληρωμένη μελέτη του φαινομένου σε τρεις διαστάσεις.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> <br /> Η έρευνα αξιοποιεί δεδομένα από ένα πλέγμα δορυφορικών συστημάτων (Terra, Aqua, Aura, CALIPSO) σε συνέργεια με τα παγκόσμια μοντέλα επανάλυσης MERRA-2 και CAMS. Χρησιμοποιήθηκαν εξειδικευμένοι δέκτες για κάθε πτυχή του φαινομένου: το MODIS (φάσμα ορατού) παρείχε το Οπτικό Βάθος Αερολυμάτων (AOD) για τη χωρική κατανομή, το OMI (υπεριώδες) τον Δείκτη Αερολυμάτων (UVAI) για τον διαχωρισμό των απορροφητικών σωματιδίων, ενώ το AIRS συνεισέφερε με προφίλ θερμοκρασίας και υγρασίας. Κρίσιμη ήταν η συμβολή του ενεργού αισθητήρα Lidar του CALIOP, ο οποίος επέτρεψε την τομή της ατμόσφαιρας για την εύρεση του ύψους της σκόνης.<br /> Σε επίπεδο προεπεξεργασίας, επιλέχθηκαν δεδομένα Επιπέδου 3 (Level-3), τα οποία είχαν υποστεί γεωαναφορά και αναγωγή σε παγκόσμιο πλέγμα 1° × 1°. Βασικό μεθοδολογικό βήμα αποτέλεσε ο υπολογισμός των κλιματικών ανωμαλιών βάσει της περιόδου αναφοράς 2002–2019. Μέσω αυτής της διαδικασίας αφαιρέθηκε το εποχικό υπόβαθρο, επιτρέποντας την ακριβή απομόνωση και ποσοτικοποίηση της ακραίας απόκλισης που προκάλεσε το συγκεκριμένο γεγονός.<br /> <br /> Επιπλέον, για την πλήρη κατανόηση της τρισδιάστατης εξέλιξης, αξιοποιήθηκαν τα δεδομένα του CALIOP. Η ανάλυση της κατακόρυφης τομής ήταν απαραίτητη για να επιβεβαιωθεί ότι η θέρμανση που παρατηρήθηκε συνέπιπτε υψομετρικά με το στρώμα της σκόνης.<br /> <br /> Τέλος, πραγματοποιήθηκε συγχώνευση και στατιστική σύγκριση των δορυφορικών μετρήσεων με τα μοντέλα για την αμοιβαία επικύρωση των ευρημάτων.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση κατέδειξε ότι το φαινόμενο ήταν το ισχυρότερο της εικοσαετίας, με τις τιμές AOD να ξεπερνούν το 1.5, τιμή εξαιρετικά σπάνια για ωκεάνιες περιοχές.<br /> <br /> Η σύγκριση της χωρικής κατανομής μεταξύ των δορυφορικών δεδομένων και των μοντέλων έδειξε ότι τα μοντέλα (MERRA-2, CAMS) κατάφεραν να αναπαράγουν με μεγάλη ακρίβεια τη γεωγραφική εξάπλωση του νέφους σκόνης. Η στατιστική αντιπαραβολή με τα μοντέλα επανάλυσης εμφάνισε υψηλή συσχέτιση (Pearson’s r &gt; 0.93), αποδεικνύοντας την αξιοπιστία των σύγχρονων προσομοιώσεων.<br /> Πέρα από την ποσότητα, αναλύθηκαν και οι οπτικές ιδιότητες των σωματιδίων για να επιβεβαιωθεί η προέλευσή τους. Οι δείκτες επιβεβαίωσαν ότι πρόκειται για χονδρόκοκκα και απορροφητικά σωματίδια σκόνης, όπως φαίνεται στα παρακάτω διαγράμματα.<br /> <br /> <br /> Το σημαντικότερο εύρημα, ωστόσο, αφορά τη θερμοδυναμική αλληλεπίδραση. Η παρουσία του πυκνού νέφους σκόνης προκάλεσε σημαντική θέρμανση των ατμοσφαιρικών στρωμάτων (8–16%) και μείωση της σχετικής υγρασίας (2–4%), γεγονός που επιβεβαιώνεται από την ανάλυση των κατακόρυφων προφίλ της ατμόσφαιρας μέσω επίγειων μετρήσεων.<br /> <br /> <br /> Η αιτία αυτής της θέρμανσης και της μεταβολής στη σταθερότητα της ατμόσφαιρας αποδίδεται στον Εξαναγκασμό Ακτινοβολίας (ARF). Η σκόνη απορρόφησε ηλιακή ενέργεια εντός της ατμόσφαιρας, εμποδίζοντάς την να φτάσει στην επιφάνεια, προκαλώντας έτσι ψύξη χαμηλά αλλά θέρμανση στα ψηλότερα στρώματα.<br /> <br /> Για την ποσοτική αποτίμηση της έντασης του φαινομένου, οι συνολικές αποκλίσεις όλων των εξεταζόμενων παραμέτρων (οπτικών και θερμοδυναμικών) σε σχέση με την κλιματολογική περίοδο αναφοράς, συνοψίζονται στον ακόλουθο πίνακα:<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη αποδεικνύει ότι η συνδυαστική χρήση πολυφασματικών δορυφορικών δεκτών και μοντέλων είναι απαραίτητη για την ολοκληρωμένη παρακολούθηση ακραίων φαινομένων. Η μέθοδος υπερτερεί σαφώς των συμβατικών τεχνικών, καθώς παρέχει κρίσιμη γνώση όχι μόνο για τη μεταφορά μάζας, αλλά και για την αλληλεπίδραση αερολυμάτων-ακτινοβολίας. Τα ευρήματα αυτά είναι ζωτικής σημασίας για τη βελτίωση των κλιματικών προβλέψεων, καθώς η ακριβής αναπαράσταση της θέρμανσης που προκαλεί η σκόνη μπορεί να βελτιώσει την κατανόηση της ενεργειακής ισορροπίας του πλανήτη και της εξέλιξης των καιρικών συστημάτων στον Ατλαντικό.<br /> <br /> <br /> '''Βιβλιογραφία''' &lt;br/&gt;<br /> <br /> 1. NASA Earth Observatory. A Dust Plume to Remember. June 2020. https://earthobservatory.nasa.gov/<br /> <br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CF%84%CE%B1%CE%B2%CE%BB%CE%B7%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%B7%CF%82_%CE%A7%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%9A%CE%B1%CE%BD%CF%84%CE%B1%CE%B2%CF%81%CE%B9%CE%BA%CE%AE_%CE%9F%CF%81%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CE%AC:_%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%83%CE%B5_%CE%95%CF%80%CE%AF%CF%80%CE%B5%CE%B4%CE%BF_%CE%9B%CE%B5%CE%BA%CE%AC%CE%BD%CE%B7%CF%82_%CE%91%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_(2000%E2%80%932024) 2026-02-06T19:52:56Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μεταβλητότητα της Χιονοκάλυψης στην Κανταβρική Οροσειρά (Ισπανία): Μελέτη σε Επίπεδο Λεκάνης Απορροής με Χρήση Δορυφορικών Δεδομένων (2000–2024)''' &lt;br/&gt;<br /> '''Συγγραφείς: Adrián Melón-Nava, Amelia Gómez-Villar ''' &lt;br/&gt;<br /> '''Πηγή: https://doi.org/10.18172/cig.6543''' &lt;br/&gt;<br /> '''Ημερομηνία: 30 Ιουνίου 2025''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 6_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> <br /> [[Αρχείο: 6_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 6_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 6_4.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εστιάζει στο αντικείμενο της Υδρολογίας και της Κλιματολογίας, και συγκεκριμένα στην παρακολούθηση των κρυοσφαιρικών μεταβολών. Κύριος στόχος της εφαρμογής είναι η λεπτομερής ανάλυση της δυναμικής της χιονοκάλυψης στην Κανταβρική Οροσειρά της βόρειας Ισπανίας για μια περίοδο 24 ετών (2000–2024), προκειμένου να κατανοηθούν οι επιπτώσεις της κλιματικής αλλαγής στη διαθεσιμότητα υδάτινων πόρων. Πριν από την ανάπτυξη και την ευρεία χρήση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων σε ορεινούς όγκους γινόταν σχεδόν αποκλειστικά μέσω δικτύων επίγειων μετεωρολογικών σταθμών. Η μέθοδος αυτή παρουσίαζε σημαντικούς περιορισμούς, καθώς οι σταθμοί ήταν χωρικά αραιοί, βρίσκονταν κυρίως σε χαμηλά ή μέσα υψόμετρα και αδυνατούσαν να καταγράψουν τη χωρική ετερογένεια του χιονιού στις δυσπρόσιτες κορυφογραμμές, οδηγώντας σε ελλιπή κατανόηση του υδρολογικού κύκλου.<br /> <br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την υλοποίηση της μελέτης χρησιμοποιήθηκε ένας συνδυασμός διαφορετικών ειδών δορυφορικών συστημάτων και αισθητήρων. Συγκεκριμένα, αξιοποιήθηκαν εικόνες από τον φασματοραδιόμετρο MODIS (στους δορυφόρους Terra και Aqua) για την υψηλή χρονική του ανάλυση, καθώς και δεδομένα από τη σειρά δορυφόρων Landsat (Landsat 5 TM, Landsat 7 ETM+, Landsat 8 OLI, Landsat 9 OLI-2) και τους δορυφόρους Sentinel-2 (MSI) του προγράμματος Copernicus για την υψηλή χωρική τους διακριτική ικανότητα. Η επεξεργασία αυτού του τεράστιου όγκου δεδομένων πραγματοποιήθηκε εξ ολοκλήρου στην πλατφόρμα νέφους Google Earth Engine (GEE), η οποία επιτρέπει την ταχεία ανάλυση χρονοσειρών &quot;μεγάλων δεδομένων&quot; (big data).<br /> <br /> Από τους παραπάνω δέκτες έγινε χρήση συγκεκριμένων φασματικών καναλιών, κυρίως του ορατού φάσματος (Πράσινο κανάλι) και του Βραχέος Υπέρυθρου (SWIR). Η χρησιμότητα του συνδυασμού αυτών των καναλιών έγκειται στην ικανότητά τους να διαχωρίζουν αποτελεσματικά το χιόνι (που ανακλά έντονα στο ορατό και απορροφά στο SWIR) από τα σύννεφα (που ανακλούν και στα δύο), επιτρέποντας τον υπολογισμό του Κανονικοποιημένου Δείκτη Διαφοράς Χιονιού (NDSI). Οι απαραίτητες προεπεξεργασίες περιλάμβαναν την ατμοσφαιρική διόρθωση μέσω της χρήσης προϊόντων Επιφανειακής Ανακλαστικότητας (Surface Reflectance), τη γεωαναφορά και, κρισίμως, τη δημιουργία μασκών νεφών για την εξάλειψη των ατμοσφαιρικών παρεμβολών. Ως κύριος ψηφιακός αλγόριθμος χρησιμοποιήθηκε η κατωφλίωση του δείκτη NDSI (με τιμή &gt; 0.4) για την ταξινόμηση των εικονοστοιχείων. Για τη βελτίωση της ακρίβειας, εφαρμόστηκαν τεχνικές συγχώνευσης δεδομένων (data fusion) και χρονικής παρεμβολής για την πλήρωση κενών λόγω νέφωσης. Επιπρόσθετα, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) της αποστολής SRTM της NASA. Η αναγκαιότητα του DEM ήταν καθοριστική για τις ειδικές επεξεργασίες GIS, καθώς επέτρεψε την υψομετρική διαστρωμάτωση της ανάλυσης ανά 500 μέτρα και την εξαγωγή στατιστικών ανά υδρολογική λεκάνη.<br /> <br /> Για την εγκυρότητα των αποτελεσμάτων, πραγματοποιήθηκε αξιολόγηση με χρήση δεδομένων αναφοράς από επίγειες ψηφιακές κάμερες time-lapse (π.χ. στην περιοχή Campoo). Η σύγκριση έδειξε ότι σε συνθήκες καθαρής ατμόσφαιρας η συμφωνία ταξινόμησης (classification agreement) υπερβαίνει το 85%, ενώ οι αλγόριθμοι πλήρωσης κενών (gap-filling) μείωσαν σημαντικά τα σφάλματα υποτίμησης της χιονοκάλυψης, καθιστώντας τα προϊόντα αξιόπιστα.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η εφαρμογή προηγμένων στατιστικών αλγορίθμων (Mann-Kendall) αποκάλυψε μεταβολές στο καθεστώς χιονοκάλυψης, με τα πιο ισχυρά στατιστικά ευρήματα να εντοπίζονται στην ανάλυση της έκτασης. Συγκεκριμένα, για το Ποσοστό Χιονοκάλυψης (SCF), καταγράφηκαν στατιστικά σημαντικές (p&lt;0.05) πτωτικές τάσεις, ιδιαίτερα κατά τη διάρκεια του χειμώνα στις λεκάνες που προσανατολίζονται προς το Νότο (μείωση που αγγίζει το 10-16% ανά δεκαετία).<br /> <br /> Πέρα από την έκταση (SCF), η μελέτη εξέτασε αναλυτικά και τη φαινολογία του χιονιού μέσω δεικτών όπως η Τελευταία Ημέρα Χιονοκάλυψης (LSCD), <br /> η Πρώτη Ημέρα (FESD) και η έναρξη της σταθερής χιονόπτωσης (SOD). Παρόλο που οι μεμονωμένες τάσεις διάρκειας δεν ήταν πάντα στατιστικά σημαντικές <br /> (λόγω της μεγάλης ετήσιας μεταβλητότητας), η συνοχή τους υποδεικνύει μια σαφή στροφή του καθεστώτος. <br /> Ειδικότερα, παρατηρήθηκε συρρίκνωση της εποχής του χιονιού και από τα δύο άκρα: Αφενός, η Τελευταία Ημέρα (LSCD) και η ημέρα τήξης (SMOD) εμφανίζουν αρνητική τάση, μετατοπιζόμενες σταθερά νωρίτερα μέσα στο έτος. <br /> Αφετέρου, η έναρξη της χιονόπτωσης τείνει να καθυστερεί ή να γίνεται πιο ασταθής (επηρεάζοντας το FESD/SOD). <br /> Η μείωση αυτή της συνολικής διάρκειας (SCD) υπολογίστηκε κατά μέσο όρο σε 1 ημέρα ανά δεκαετία, φτάνοντας όμως τις 5,8 ημέρες ανά δεκαετία στις υψηλότερες ζώνες. Ο συνδυασμός της σημαντικής μείωσης της χειμερινής έκτασης (SCF) με τη συνεπή τάση πρόωρης τήξης συνθέτει την εικόνα της σταδιακής αποσταθεροποίησης της κρυόσφαιρας. &lt;br/&gt;<br /> <br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη κατέληξε στο συμπέρασμα ότι η Κανταβρική Οροσειρά παρουσιάζει σαφείς ενδείξεις υποχώρησης της κρυόσφαιρας. Η μεθοδολογία που αναπτύχθηκε, βασισμένη στην Τηλεπισκόπηση και την επεξεργασία στο νέφος (Cloud Computing), αποδείχθηκε ένα ισχυρό εργαλείο για την εξαγωγή περιβαλλοντικών πληροφοριών σε μεγάλη κλίμακα. Αν και ορισμένοι φαινολογικοί δείκτες διάρκειας εμφανίζουν κυρίως τάσεις (tendencies) λόγω της έντονης κλιματικής διακύμανσης, η στατιστικά επιβεβαιωμένη μείωση της χειμερινής έκτασης (SCF) είναι κρίσιμη για την προσαρμογή των μοντέλων διαχείρισης υδάτινων πόρων. Τα ευρήματα αυτά υπογραμμίζουν την ανάγκη για συνέχιση της παρακολούθησης ώστε να επιβεβαιωθούν οι μακροπρόθεσμες επιπτώσεις στη βιοποικιλότητα και τα υδατικά αποθέματα της περιοχής.<br /> <br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CF%84%CE%B1%CE%B2%CE%BB%CE%B7%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%B7%CF%82_%CE%A7%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%9A%CE%B1%CE%BD%CF%84%CE%B1%CE%B2%CF%81%CE%B9%CE%BA%CE%AE_%CE%9F%CF%81%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CE%AC:_%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%83%CE%B5_%CE%95%CF%80%CE%AF%CF%80%CE%B5%CE%B4%CE%BF_%CE%9B%CE%B5%CE%BA%CE%AC%CE%BD%CE%B7%CF%82_%CE%91%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_(2000%E2%80%932024) 2026-02-06T19:52:34Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μεταβλητότητα της Χιονοκάλυψης στην Κανταβρική Οροσειρά (Ισπανία): Μελέτη σε Επίπεδο Λεκάνης Απορροής με Χρήση Δορυφορικών Δεδομένων (2000–2024)''' &lt;br/&gt;<br /> '''Συγγραφείς: Adrián Melón-Nava, Amelia Gómez-Villar ''' &lt;br/&gt;<br /> '''Πηγή: https://doi.org/10.18172/cig.6543''' &lt;br/&gt;<br /> '''Ημερομηνία: 30 Ιουνίου 2025''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 6_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> <br /> [[Αρχείο: 6_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 6_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 6_4.jpg '''Πίνακας 1.''' ]]<br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εστιάζει στο αντικείμενο της Υδρολογίας και της Κλιματολογίας, και συγκεκριμένα στην παρακολούθηση των κρυοσφαιρικών μεταβολών. Κύριος στόχος της εφαρμογής είναι η λεπτομερής ανάλυση της δυναμικής της χιονοκάλυψης στην Κανταβρική Οροσειρά της βόρειας Ισπανίας για μια περίοδο 24 ετών (2000–2024), προκειμένου να κατανοηθούν οι επιπτώσεις της κλιματικής αλλαγής στη διαθεσιμότητα υδάτινων πόρων. Πριν από την ανάπτυξη και την ευρεία χρήση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων σε ορεινούς όγκους γινόταν σχεδόν αποκλειστικά μέσω δικτύων επίγειων μετεωρολογικών σταθμών. Η μέθοδος αυτή παρουσίαζε σημαντικούς περιορισμούς, καθώς οι σταθμοί ήταν χωρικά αραιοί, βρίσκονταν κυρίως σε χαμηλά ή μέσα υψόμετρα και αδυνατούσαν να καταγράψουν τη χωρική ετερογένεια του χιονιού στις δυσπρόσιτες κορυφογραμμές, οδηγώντας σε ελλιπή κατανόηση του υδρολογικού κύκλου.<br /> <br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την υλοποίηση της μελέτης χρησιμοποιήθηκε ένας συνδυασμός διαφορετικών ειδών δορυφορικών συστημάτων και αισθητήρων. Συγκεκριμένα, αξιοποιήθηκαν εικόνες από τον φασματοραδιόμετρο MODIS (στους δορυφόρους Terra και Aqua) για την υψηλή χρονική του ανάλυση, καθώς και δεδομένα από τη σειρά δορυφόρων Landsat (Landsat 5 TM, Landsat 7 ETM+, Landsat 8 OLI, Landsat 9 OLI-2) και τους δορυφόρους Sentinel-2 (MSI) του προγράμματος Copernicus για την υψηλή χωρική τους διακριτική ικανότητα. Η επεξεργασία αυτού του τεράστιου όγκου δεδομένων πραγματοποιήθηκε εξ ολοκλήρου στην πλατφόρμα νέφους Google Earth Engine (GEE), η οποία επιτρέπει την ταχεία ανάλυση χρονοσειρών &quot;μεγάλων δεδομένων&quot; (big data).<br /> <br /> Από τους παραπάνω δέκτες έγινε χρήση συγκεκριμένων φασματικών καναλιών, κυρίως του ορατού φάσματος (Πράσινο κανάλι) και του Βραχέος Υπέρυθρου (SWIR). Η χρησιμότητα του συνδυασμού αυτών των καναλιών έγκειται στην ικανότητά τους να διαχωρίζουν αποτελεσματικά το χιόνι (που ανακλά έντονα στο ορατό και απορροφά στο SWIR) από τα σύννεφα (που ανακλούν και στα δύο), επιτρέποντας τον υπολογισμό του Κανονικοποιημένου Δείκτη Διαφοράς Χιονιού (NDSI). Οι απαραίτητες προεπεξεργασίες περιλάμβαναν την ατμοσφαιρική διόρθωση μέσω της χρήσης προϊόντων Επιφανειακής Ανακλαστικότητας (Surface Reflectance), τη γεωαναφορά και, κρισίμως, τη δημιουργία μασκών νεφών για την εξάλειψη των ατμοσφαιρικών παρεμβολών. Ως κύριος ψηφιακός αλγόριθμος χρησιμοποιήθηκε η κατωφλίωση του δείκτη NDSI (με τιμή &gt; 0.4) για την ταξινόμηση των εικονοστοιχείων. Για τη βελτίωση της ακρίβειας, εφαρμόστηκαν τεχνικές συγχώνευσης δεδομένων (data fusion) και χρονικής παρεμβολής για την πλήρωση κενών λόγω νέφωσης. Επιπρόσθετα, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) της αποστολής SRTM της NASA. Η αναγκαιότητα του DEM ήταν καθοριστική για τις ειδικές επεξεργασίες GIS, καθώς επέτρεψε την υψομετρική διαστρωμάτωση της ανάλυσης ανά 500 μέτρα και την εξαγωγή στατιστικών ανά υδρολογική λεκάνη.<br /> <br /> Για την εγκυρότητα των αποτελεσμάτων, πραγματοποιήθηκε αξιολόγηση με χρήση δεδομένων αναφοράς από επίγειες ψηφιακές κάμερες time-lapse (π.χ. στην περιοχή Campoo). Η σύγκριση έδειξε ότι σε συνθήκες καθαρής ατμόσφαιρας η συμφωνία ταξινόμησης (classification agreement) υπερβαίνει το 85%, ενώ οι αλγόριθμοι πλήρωσης κενών (gap-filling) μείωσαν σημαντικά τα σφάλματα υποτίμησης της χιονοκάλυψης, καθιστώντας τα προϊόντα αξιόπιστα.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η εφαρμογή προηγμένων στατιστικών αλγορίθμων (Mann-Kendall) αποκάλυψε μεταβολές στο καθεστώς χιονοκάλυψης, με τα πιο ισχυρά στατιστικά ευρήματα να εντοπίζονται στην ανάλυση της έκτασης. Συγκεκριμένα, για το Ποσοστό Χιονοκάλυψης (SCF), καταγράφηκαν στατιστικά σημαντικές (p&lt;0.05) πτωτικές τάσεις, ιδιαίτερα κατά τη διάρκεια του χειμώνα στις λεκάνες που προσανατολίζονται προς το Νότο (μείωση που αγγίζει το 10-16% ανά δεκαετία).<br /> <br /> Πέρα από την έκταση (SCF), η μελέτη εξέτασε αναλυτικά και τη φαινολογία του χιονιού μέσω δεικτών όπως η Τελευταία Ημέρα Χιονοκάλυψης (LSCD), <br /> η Πρώτη Ημέρα (FESD) και η έναρξη της σταθερής χιονόπτωσης (SOD). Παρόλο που οι μεμονωμένες τάσεις διάρκειας δεν ήταν πάντα στατιστικά σημαντικές <br /> (λόγω της μεγάλης ετήσιας μεταβλητότητας), η συνοχή τους υποδεικνύει μια σαφή στροφή του καθεστώτος. <br /> Ειδικότερα, παρατηρήθηκε συρρίκνωση της εποχής του χιονιού και από τα δύο άκρα: Αφενός, η Τελευταία Ημέρα (LSCD) και η ημέρα τήξης (SMOD) εμφανίζουν αρνητική τάση, μετατοπιζόμενες σταθερά νωρίτερα μέσα στο έτος. <br /> Αφετέρου, η έναρξη της χιονόπτωσης τείνει να καθυστερεί ή να γίνεται πιο ασταθής (επηρεάζοντας το FESD/SOD). <br /> Η μείωση αυτή της συνολικής διάρκειας (SCD) υπολογίστηκε κατά μέσο όρο σε 1 ημέρα ανά δεκαετία, φτάνοντας όμως τις 5,8 ημέρες ανά δεκαετία στις υψηλότερες ζώνες. Ο συνδυασμός της σημαντικής μείωσης της χειμερινής έκτασης (SCF) με τη συνεπή τάση πρόωρης τήξης συνθέτει την εικόνα της σταδιακής αποσταθεροποίησης της κρυόσφαιρας. &lt;br/&gt;<br /> <br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη κατέληξε στο συμπέρασμα ότι η Κανταβρική Οροσειρά παρουσιάζει σαφείς ενδείξεις υποχώρησης της κρυόσφαιρας. Η μεθοδολογία που αναπτύχθηκε, βασισμένη στην Τηλεπισκόπηση και την επεξεργασία στο νέφος (Cloud Computing), αποδείχθηκε ένα ισχυρό εργαλείο για την εξαγωγή περιβαλλοντικών πληροφοριών σε μεγάλη κλίμακα. Αν και ορισμένοι φαινολογικοί δείκτες διάρκειας εμφανίζουν κυρίως τάσεις (tendencies) λόγω της έντονης κλιματικής διακύμανσης, η στατιστικά επιβεβαιωμένη μείωση της χειμερινής έκτασης (SCF) είναι κρίσιμη για την προσαρμογή των μοντέλων διαχείρισης υδάτινων πόρων. Τα ευρήματα αυτά υπογραμμίζουν την ανάγκη για συνέχιση της παρακολούθησης ώστε να επιβεβαιωθούν οι μακροπρόθεσμες επιπτώσεις στη βιοποικιλότητα και τα υδατικά αποθέματα της περιοχής.<br /> <br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CF%84%CE%B1%CE%B2%CE%BB%CE%B7%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%B7%CF%82_%CE%A7%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%9A%CE%B1%CE%BD%CF%84%CE%B1%CE%B2%CF%81%CE%B9%CE%BA%CE%AE_%CE%9F%CF%81%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CE%AC:_%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%83%CE%B5_%CE%95%CF%80%CE%AF%CF%80%CE%B5%CE%B4%CE%BF_%CE%9B%CE%B5%CE%BA%CE%AC%CE%BD%CE%B7%CF%82_%CE%91%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_(2000%E2%80%932024) 2026-02-06T19:50:42Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μεταβλητότητα της Χιονοκάλυψης στην Κανταβρική Οροσειρά (Ισπανία): Μελέτη σε Επίπεδο Λεκάνης Απορροής με Χρήση Δορυφορικών Δεδομένων (2000–2024)''' &lt;br/&gt;<br /> '''Συγγραφείς: Adrián Melón-Nava, Amelia Gómez-Villar ''' &lt;br/&gt;<br /> '''Πηγή: https://doi.org/10.18172/cig.6543''' &lt;br/&gt;<br /> '''Ημερομηνία: 30 Ιουνίου 2025''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 6_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> <br /> [[Αρχείο: 6_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 6_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 6_4.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εστιάζει στο αντικείμενο της Υδρολογίας και της Κλιματολογίας, και συγκεκριμένα στην παρακολούθηση των κρυοσφαιρικών μεταβολών. Κύριος στόχος της εφαρμογής είναι η λεπτομερής ανάλυση της δυναμικής της χιονοκάλυψης στην Κανταβρική Οροσειρά της βόρειας Ισπανίας για μια περίοδο 24 ετών (2000–2024), προκειμένου να κατανοηθούν οι επιπτώσεις της κλιματικής αλλαγής στη διαθεσιμότητα υδάτινων πόρων. Πριν από την ανάπτυξη και την ευρεία χρήση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων σε ορεινούς όγκους γινόταν σχεδόν αποκλειστικά μέσω δικτύων επίγειων μετεωρολογικών σταθμών. Η μέθοδος αυτή παρουσίαζε σημαντικούς περιορισμούς, καθώς οι σταθμοί ήταν χωρικά αραιοί, βρίσκονταν κυρίως σε χαμηλά ή μέσα υψόμετρα και αδυνατούσαν να καταγράψουν τη χωρική ετερογένεια του χιονιού στις δυσπρόσιτες κορυφογραμμές, οδηγώντας σε ελλιπή κατανόηση του υδρολογικού κύκλου.<br /> <br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την υλοποίηση της μελέτης χρησιμοποιήθηκε ένας συνδυασμός διαφορετικών ειδών δορυφορικών συστημάτων και αισθητήρων. Συγκεκριμένα, αξιοποιήθηκαν εικόνες από τον φασματοραδιόμετρο MODIS (στους δορυφόρους Terra και Aqua) για την υψηλή χρονική του ανάλυση, καθώς και δεδομένα από τη σειρά δορυφόρων Landsat (Landsat 5 TM, Landsat 7 ETM+, Landsat 8 OLI, Landsat 9 OLI-2) και τους δορυφόρους Sentinel-2 (MSI) του προγράμματος Copernicus για την υψηλή χωρική τους διακριτική ικανότητα. Η επεξεργασία αυτού του τεράστιου όγκου δεδομένων πραγματοποιήθηκε εξ ολοκλήρου στην πλατφόρμα νέφους Google Earth Engine (GEE), η οποία επιτρέπει την ταχεία ανάλυση χρονοσειρών &quot;μεγάλων δεδομένων&quot; (big data).<br /> <br /> Από τους παραπάνω δέκτες έγινε χρήση συγκεκριμένων φασματικών καναλιών, κυρίως του ορατού φάσματος (Πράσινο κανάλι) και του Βραχέος Υπέρυθρου (SWIR). Η χρησιμότητα του συνδυασμού αυτών των καναλιών έγκειται στην ικανότητά τους να διαχωρίζουν αποτελεσματικά το χιόνι (που ανακλά έντονα στο ορατό και απορροφά στο SWIR) από τα σύννεφα (που ανακλούν και στα δύο), επιτρέποντας τον υπολογισμό του Κανονικοποιημένου Δείκτη Διαφοράς Χιονιού (NDSI). Οι απαραίτητες προεπεξεργασίες περιλάμβαναν την ατμοσφαιρική διόρθωση μέσω της χρήσης προϊόντων Επιφανειακής Ανακλαστικότητας (Surface Reflectance), τη γεωαναφορά και, κρισίμως, τη δημιουργία μασκών νεφών για την εξάλειψη των ατμοσφαιρικών παρεμβολών. Ως κύριος ψηφιακός αλγόριθμος χρησιμοποιήθηκε η κατωφλίωση του δείκτη NDSI (με τιμή &gt; 0.4) για την ταξινόμηση των εικονοστοιχείων. Για τη βελτίωση της ακρίβειας, εφαρμόστηκαν τεχνικές συγχώνευσης δεδομένων (data fusion) και χρονικής παρεμβολής για την πλήρωση κενών λόγω νέφωσης. Επιπρόσθετα, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) της αποστολής SRTM της NASA. Η αναγκαιότητα του DEM ήταν καθοριστική για τις ειδικές επεξεργασίες GIS, καθώς επέτρεψε την υψομετρική διαστρωμάτωση της ανάλυσης ανά 500 μέτρα και την εξαγωγή στατιστικών ανά υδρολογική λεκάνη.<br /> <br /> Για την εγκυρότητα των αποτελεσμάτων, πραγματοποιήθηκε αξιολόγηση με χρήση δεδομένων αναφοράς από επίγειες ψηφιακές κάμερες time-lapse (π.χ. στην περιοχή Campoo). Η σύγκριση έδειξε ότι σε συνθήκες καθαρής ατμόσφαιρας η συμφωνία ταξινόμησης (classification agreement) υπερβαίνει το 85%, ενώ οι αλγόριθμοι πλήρωσης κενών (gap-filling) μείωσαν σημαντικά τα σφάλματα υποτίμησης της χιονοκάλυψης, καθιστώντας τα προϊόντα αξιόπιστα.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η εφαρμογή προηγμένων στατιστικών αλγορίθμων (Mann-Kendall) αποκάλυψε μεταβολές στο καθεστώς χιονοκάλυψης, με τα πιο ισχυρά στατιστικά ευρήματα να εντοπίζονται στην ανάλυση της έκτασης. Συγκεκριμένα, για το Ποσοστό Χιονοκάλυψης (SCF), καταγράφηκαν στατιστικά σημαντικές (p&lt;0.05) πτωτικές τάσεις, ιδιαίτερα κατά τη διάρκεια του χειμώνα στις λεκάνες που προσανατολίζονται προς το Νότο (μείωση που αγγίζει το 10-16% ανά δεκαετία).<br /> <br /> Πέρα από την έκταση (SCF), η μελέτη εξέτασε αναλυτικά και τη φαινολογία του χιονιού μέσω δεικτών όπως η Τελευταία Ημέρα Χιονοκάλυψης (LSCD), <br /> η Πρώτη Ημέρα (FESD) και η έναρξη της σταθερής χιονόπτωσης (SOD). Παρόλο που οι μεμονωμένες τάσεις διάρκειας δεν ήταν πάντα στατιστικά σημαντικές <br /> (λόγω της μεγάλης ετήσιας μεταβλητότητας), η συνοχή τους υποδεικνύει μια σαφή στροφή του καθεστώτος. <br /> Ειδικότερα, παρατηρήθηκε συρρίκνωση της εποχής του χιονιού και από τα δύο άκρα: Αφενός, η Τελευταία Ημέρα (LSCD) και η ημέρα τήξης (SMOD) εμφανίζουν αρνητική τάση, μετατοπιζόμενες σταθερά νωρίτερα μέσα στο έτος. <br /> Αφετέρου, η έναρξη της χιονόπτωσης τείνει να καθυστερεί ή να γίνεται πιο ασταθής (επηρεάζοντας το FESD/SOD). <br /> Η μείωση αυτή της συνολικής διάρκειας (SCD) υπολογίστηκε κατά μέσο όρο σε 1 ημέρα ανά δεκαετία, φτάνοντας όμως τις 5,8 ημέρες ανά δεκαετία στις υψηλότερες ζώνες. Ο συνδυασμός της σημαντικής μείωσης της χειμερινής έκτασης (SCF) με τη συνεπή τάση πρόωρης τήξης συνθέτει την εικόνα της σταδιακής αποσταθεροποίησης της κρυόσφαιρας. &lt;br/&gt;<br /> <br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη κατέληξε στο συμπέρασμα ότι η Κανταβρική Οροσειρά παρουσιάζει σαφείς ενδείξεις υποχώρησης της κρυόσφαιρας. Η μεθοδολογία που αναπτύχθηκε, βασισμένη στην Τηλεπισκόπηση και την επεξεργασία στο νέφος (Cloud Computing), αποδείχθηκε ένα ισχυρό εργαλείο για την εξαγωγή περιβαλλοντικών πληροφοριών σε μεγάλη κλίμακα. Αν και ορισμένοι φαινολογικοί δείκτες διάρκειας εμφανίζουν κυρίως τάσεις (tendencies) λόγω της έντονης κλιματικής διακύμανσης, η στατιστικά επιβεβαιωμένη μείωση της χειμερινής έκτασης (SCF) είναι κρίσιμη για την προσαρμογή των μοντέλων διαχείρισης υδάτινων πόρων. Τα ευρήματα αυτά υπογραμμίζουν την ανάγκη για συνέχιση της παρακολούθησης ώστε να επιβεβαιωθούν οι μακροπρόθεσμες επιπτώσεις στη βιοποικιλότητα και τα υδατικά αποθέματα της περιοχής.<br /> <br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CF%84%CE%B1%CE%B2%CE%BB%CE%B7%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%B7%CF%82_%CE%A7%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%9A%CE%B1%CE%BD%CF%84%CE%B1%CE%B2%CF%81%CE%B9%CE%BA%CE%AE_%CE%9F%CF%81%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CE%AC:_%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%83%CE%B5_%CE%95%CF%80%CE%AF%CF%80%CE%B5%CE%B4%CE%BF_%CE%9B%CE%B5%CE%BA%CE%AC%CE%BD%CE%B7%CF%82_%CE%91%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_(2000%E2%80%932024) 2026-02-06T19:49:22Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μεταβλητότητα της Χιονοκάλυψης στην Κανταβρική Οροσειρά (Ισπανία): Μελέτη σε Επίπεδο Λεκάνης Απορροής με Χρήση Δορυφορικών Δεδομένων (2000–2024)''' &lt;br/&gt;<br /> '''Συγγραφείς: Adrián Melón-Nava, Amelia Gómez-Villar ''' &lt;br/&gt;<br /> '''Πηγή: https://doi.org/10.18172/cig.6543''' &lt;br/&gt;<br /> '''Ημερομηνία: 30 Ιουνίου 2025''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 6_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> <br /> [[Αρχείο: 6_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 6_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 6_4.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εστιάζει στο αντικείμενο της Υδρολογίας και της Κλιματολογίας, και συγκεκριμένα στην παρακολούθηση των κρυοσφαιρικών μεταβολών. Κύριος στόχος της εφαρμογής είναι η λεπτομερής ανάλυση της δυναμικής της χιονοκάλυψης στην Κανταβρική Οροσειρά της βόρειας Ισπανίας για μια περίοδο 24 ετών (2000–2024), προκειμένου να κατανοηθούν οι επιπτώσεις της κλιματικής αλλαγής στη διαθεσιμότητα υδάτινων πόρων. Πριν από την ανάπτυξη και την ευρεία χρήση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων σε ορεινούς όγκους γινόταν σχεδόν αποκλειστικά μέσω δικτύων επίγειων μετεωρολογικών σταθμών. Η μέθοδος αυτή παρουσίαζε σημαντικούς περιορισμούς, καθώς οι σταθμοί ήταν χωρικά αραιοί, βρίσκονταν κυρίως σε χαμηλά ή μέσα υψόμετρα και αδυνατούσαν να καταγράψουν τη χωρική ετερογένεια του χιονιού στις δυσπρόσιτες κορυφογραμμές, οδηγώντας σε ελλιπή κατανόηση του υδρολογικού κύκλου.<br /> <br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την υλοποίηση της μελέτης χρησιμοποιήθηκε ένας συνδυασμός διαφορετικών ειδών δορυφορικών συστημάτων και αισθητήρων. Συγκεκριμένα, αξιοποιήθηκαν εικόνες από τον φασματοραδιόμετρο MODIS (στους δορυφόρους Terra και Aqua) για την υψηλή χρονική του ανάλυση, καθώς και δεδομένα από τη σειρά δορυφόρων Landsat (Landsat 5 TM, Landsat 7 ETM+, Landsat 8 OLI, Landsat 9 OLI-2) και τους δορυφόρους Sentinel-2 (MSI) του προγράμματος Copernicus για την υψηλή χωρική τους διακριτική ικανότητα. Η επεξεργασία αυτού του τεράστιου όγκου δεδομένων πραγματοποιήθηκε εξ ολοκλήρου στην πλατφόρμα νέφους Google Earth Engine (GEE), η οποία επιτρέπει την ταχεία ανάλυση χρονοσειρών &quot;μεγάλων δεδομένων&quot; (big data).<br /> <br /> Από τους παραπάνω δέκτες έγινε χρήση συγκεκριμένων φασματικών καναλιών, κυρίως του ορατού φάσματος (Πράσινο κανάλι) και του Βραχέος Υπέρυθρου (SWIR). Η χρησιμότητα του συνδυασμού αυτών των καναλιών έγκειται στην ικανότητά τους να διαχωρίζουν αποτελεσματικά το χιόνι (που ανακλά έντονα στο ορατό και απορροφά στο SWIR) από τα σύννεφα (που ανακλούν και στα δύο), επιτρέποντας τον υπολογισμό του Κανονικοποιημένου Δείκτη Διαφοράς Χιονιού (NDSI). Οι απαραίτητες προεπεξεργασίες περιλάμβαναν την ατμοσφαιρική διόρθωση μέσω της χρήσης προϊόντων Επιφανειακής Ανακλαστικότητας (Surface Reflectance), τη γεωαναφορά και, κρισίμως, τη δημιουργία μασκών νεφών για την εξάλειψη των ατμοσφαιρικών παρεμβολών. Ως κύριος ψηφιακός αλγόριθμος χρησιμοποιήθηκε η κατωφλίωση του δείκτη NDSI (με τιμή &gt; 0.4) για την ταξινόμηση των εικονοστοιχείων. Για τη βελτίωση της ακρίβειας, εφαρμόστηκαν τεχνικές συγχώνευσης δεδομένων (data fusion) και χρονικής παρεμβολής για την πλήρωση κενών λόγω νέφωσης. Επιπρόσθετα, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) της αποστολής SRTM της NASA. Η αναγκαιότητα του DEM ήταν καθοριστική για τις ειδικές επεξεργασίες GIS, καθώς επέτρεψε την υψομετρική διαστρωμάτωση της ανάλυσης ανά 500 μέτρα και την εξαγωγή στατιστικών ανά υδρολογική λεκάνη.<br /> <br /> Για την εγκυρότητα των αποτελεσμάτων, πραγματοποιήθηκε αξιολόγηση με χρήση δεδομένων αναφοράς από επίγειες ψηφιακές κάμερες time-lapse (π.χ. στην περιοχή Campoo). Η σύγκριση έδειξε ότι σε συνθήκες καθαρής ατμόσφαιρας η συμφωνία ταξινόμησης (classification agreement) υπερβαίνει το 85%, ενώ οι αλγόριθμοι πλήρωσης κενών (gap-filling) μείωσαν σημαντικά τα σφάλματα υποτίμησης της χιονοκάλυψης, καθιστώντας τα προϊόντα αξιόπιστα.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η εφαρμογή προηγμένων στατιστικών αλγορίθμων (Mann-Kendall) αποκάλυψε μεταβολές στο καθεστώς χιονοκάλυψης, με τα πιο ισχυρά στατιστικά ευρήματα να εντοπίζονται στην ανάλυση της έκτασης. Συγκεκριμένα, για το Ποσοστό Χιονοκάλυψης (SCF), καταγράφηκαν στατιστικά σημαντικές (p&lt;0.05) πτωτικές τάσεις, ιδιαίτερα κατά τη διάρκεια του χειμώνα στις λεκάνες που προσανατολίζονται προς το Νότο (μείωση που αγγίζει το 10-16% ανά δεκαετία).<br /> <br /> Πέρα από την έκταση (SCF), η μελέτη εξέτασε αναλυτικά και τη φαινολογία του χιονιού μέσω δεικτών όπως η Τελευταία Ημέρα Χιονοκάλυψης (LSCD), <br /> η Πρώτη Ημέρα (FESD) και η έναρξη της σταθερής χιονόπτωσης (SOD). Παρόλο που οι μεμονωμένες τάσεις διάρκειας δεν ήταν πάντα στατιστικά σημαντικές <br /> (λόγω της μεγάλης ετήσιας μεταβλητότητας), η συνοχή τους υποδεικνύει μια σαφή στροφή του καθεστώτος. <br /> Ειδικότερα, παρατηρήθηκε συρρίκνωση της εποχής του χιονιού και από τα δύο άκρα: Αφενός, η Τελευταία Ημέρα (LSCD) και η ημέρα τήξης (SMOD) εμφανίζουν αρνητική τάση, μετατοπιζόμενες σταθερά νωρίτερα μέσα στο έτος. <br /> Αφετέρου, η έναρξη της χιονόπτωσης τείνει να καθυστερεί ή να γίνεται πιο ασταθής (επηρεάζοντας το FESD/SOD). <br /> Η μείωση αυτή της συνολικής διάρκειας (SCD) υπολογίστηκε κατά μέσο όρο σε 1 ημέρα ανά δεκαετία, φτάνοντας όμως τις 5,8 ημέρες ανά δεκαετία στις υψηλότερες ζώνες. Ο συνδυασμός της σημαντικής μείωσης της χειμερινής έκτασης (SCF) με τη συνεπή τάση πρόωρης τήξης συνθέτει την εικόνα της σταδιακής αποσταθεροποίησης της κρυόσφαιρας. &lt;br/&gt;<br /> <br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη κατέληξε στο συμπέρασμα ότι η Κανταβρική Οροσειρά παρουσιάζει σαφείς ενδείξεις υποχώρησης της κρυόσφαιρας. Η μεθοδολογία που αναπτύχθηκε, βασισμένη στην Τηλεπισκόπηση και την επεξεργασία στο νέφος (Cloud Computing), αποδείχθηκε ένα ισχυρό εργαλείο για την εξαγωγή περιβαλλοντικών πληροφοριών σε μεγάλη κλίμακα. Αν και ορισμένοι φαινολογικοί δείκτες διάρκειας εμφανίζουν κυρίως τάσεις (tendencies) λόγω της έντονης κλιματικής διακύμανσης, η στατιστικά επιβεβαιωμένη μείωση της χειμερινής έκτασης (SCF) είναι κρίσιμη για την προσαρμογή των μοντέλων διαχείρισης υδάτινων πόρων. Τα ευρήματα αυτά υπογραμμίζουν την ανάγκη για συνέχιση της παρακολούθησης ώστε να επιβεβαιωθούν οι μακροπρόθεσμες επιπτώσεις στη βιοποικιλότητα και τα υδατικά αποθέματα της περιοχής.<br /> <br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CF%84%CE%B1%CE%B2%CE%BB%CE%B7%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%B7%CF%82_%CE%A7%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%9A%CE%B1%CE%BD%CF%84%CE%B1%CE%B2%CF%81%CE%B9%CE%BA%CE%AE_%CE%9F%CF%81%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CE%AC:_%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%83%CE%B5_%CE%95%CF%80%CE%AF%CF%80%CE%B5%CE%B4%CE%BF_%CE%9B%CE%B5%CE%BA%CE%AC%CE%BD%CE%B7%CF%82_%CE%91%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_(2000%E2%80%932024) 2026-02-06T19:48:22Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μεταβλητότητα της Χιονοκάλυψης στην Κανταβρική Οροσειρά (Ισπανία): Μελέτη σε Επίπεδο Λεκάνης Απορροής με Χρήση Δορυφορικών Δεδομένων (2000–2024)''' &lt;br/&gt;<br /> '''Συγγραφείς: Adrián Melón-Nava, Amelia Gómez-Villar ''' &lt;br/&gt;<br /> '''Πηγή: https://doi.org/10.18172/cig.6543''' &lt;br/&gt;<br /> '''Ημερομηνία: 30 Ιουνίου 2025''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 6_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> <br /> [[Αρχείο: 6_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 6_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> <br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εστιάζει στο αντικείμενο της Υδρολογίας και της Κλιματολογίας, και συγκεκριμένα στην παρακολούθηση των κρυοσφαιρικών μεταβολών. Κύριος στόχος της εφαρμογής είναι η λεπτομερής ανάλυση της δυναμικής της χιονοκάλυψης στην Κανταβρική Οροσειρά της βόρειας Ισπανίας για μια περίοδο 24 ετών (2000–2024), προκειμένου να κατανοηθούν οι επιπτώσεις της κλιματικής αλλαγής στη διαθεσιμότητα υδάτινων πόρων. Πριν από την ανάπτυξη και την ευρεία χρήση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων σε ορεινούς όγκους γινόταν σχεδόν αποκλειστικά μέσω δικτύων επίγειων μετεωρολογικών σταθμών. Η μέθοδος αυτή παρουσίαζε σημαντικούς περιορισμούς, καθώς οι σταθμοί ήταν χωρικά αραιοί, βρίσκονταν κυρίως σε χαμηλά ή μέσα υψόμετρα και αδυνατούσαν να καταγράψουν τη χωρική ετερογένεια του χιονιού στις δυσπρόσιτες κορυφογραμμές, οδηγώντας σε ελλιπή κατανόηση του υδρολογικού κύκλου.<br /> <br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την υλοποίηση της μελέτης χρησιμοποιήθηκε ένας συνδυασμός διαφορετικών ειδών δορυφορικών συστημάτων και αισθητήρων. Συγκεκριμένα, αξιοποιήθηκαν εικόνες από τον φασματοραδιόμετρο MODIS (στους δορυφόρους Terra και Aqua) για την υψηλή χρονική του ανάλυση, καθώς και δεδομένα από τη σειρά δορυφόρων Landsat (Landsat 5 TM, Landsat 7 ETM+, Landsat 8 OLI, Landsat 9 OLI-2) και τους δορυφόρους Sentinel-2 (MSI) του προγράμματος Copernicus για την υψηλή χωρική τους διακριτική ικανότητα. Η επεξεργασία αυτού του τεράστιου όγκου δεδομένων πραγματοποιήθηκε εξ ολοκλήρου στην πλατφόρμα νέφους Google Earth Engine (GEE), η οποία επιτρέπει την ταχεία ανάλυση χρονοσειρών &quot;μεγάλων δεδομένων&quot; (big data).<br /> <br /> Από τους παραπάνω δέκτες έγινε χρήση συγκεκριμένων φασματικών καναλιών, κυρίως του ορατού φάσματος (Πράσινο κανάλι) και του Βραχέος Υπέρυθρου (SWIR). Η χρησιμότητα του συνδυασμού αυτών των καναλιών έγκειται στην ικανότητά τους να διαχωρίζουν αποτελεσματικά το χιόνι (που ανακλά έντονα στο ορατό και απορροφά στο SWIR) από τα σύννεφα (που ανακλούν και στα δύο), επιτρέποντας τον υπολογισμό του Κανονικοποιημένου Δείκτη Διαφοράς Χιονιού (NDSI). Οι απαραίτητες προεπεξεργασίες περιλάμβαναν την ατμοσφαιρική διόρθωση μέσω της χρήσης προϊόντων Επιφανειακής Ανακλαστικότητας (Surface Reflectance), τη γεωαναφορά και, κρισίμως, τη δημιουργία μασκών νεφών για την εξάλειψη των ατμοσφαιρικών παρεμβολών. Ως κύριος ψηφιακός αλγόριθμος χρησιμοποιήθηκε η κατωφλίωση του δείκτη NDSI (με τιμή &gt; 0.4) για την ταξινόμηση των εικονοστοιχείων. Για τη βελτίωση της ακρίβειας, εφαρμόστηκαν τεχνικές συγχώνευσης δεδομένων (data fusion) και χρονικής παρεμβολής για την πλήρωση κενών λόγω νέφωσης. Επιπρόσθετα, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) της αποστολής SRTM της NASA. Η αναγκαιότητα του DEM ήταν καθοριστική για τις ειδικές επεξεργασίες GIS, καθώς επέτρεψε την υψομετρική διαστρωμάτωση της ανάλυσης ανά 500 μέτρα και την εξαγωγή στατιστικών ανά υδρολογική λεκάνη.<br /> <br /> Για την εγκυρότητα των αποτελεσμάτων, πραγματοποιήθηκε αξιολόγηση με χρήση δεδομένων αναφοράς από επίγειες ψηφιακές κάμερες time-lapse (π.χ. στην περιοχή Campoo). Η σύγκριση έδειξε ότι σε συνθήκες καθαρής ατμόσφαιρας η συμφωνία ταξινόμησης (classification agreement) υπερβαίνει το 85%, ενώ οι αλγόριθμοι πλήρωσης κενών (gap-filling) μείωσαν σημαντικά τα σφάλματα υποτίμησης της χιονοκάλυψης, καθιστώντας τα προϊόντα αξιόπιστα.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η εφαρμογή προηγμένων στατιστικών αλγορίθμων (Mann-Kendall) αποκάλυψε μεταβολές στο καθεστώς χιονοκάλυψης, με τα πιο ισχυρά στατιστικά ευρήματα να εντοπίζονται στην ανάλυση της έκτασης. Συγκεκριμένα, για το Ποσοστό Χιονοκάλυψης (SCF), καταγράφηκαν στατιστικά σημαντικές (p&lt;0.05) πτωτικές τάσεις, ιδιαίτερα κατά τη διάρκεια του χειμώνα στις λεκάνες που προσανατολίζονται προς το Νότο (μείωση που αγγίζει το 10-16% ανά δεκαετία).<br /> <br /> Πέρα από την έκταση (SCF), η μελέτη εξέτασε αναλυτικά και τη φαινολογία του χιονιού μέσω δεικτών όπως η Τελευταία Ημέρα Χιονοκάλυψης (LSCD), <br /> η Πρώτη Ημέρα (FESD) και η έναρξη της σταθερής χιονόπτωσης (SOD). Παρόλο που οι μεμονωμένες τάσεις διάρκειας δεν ήταν πάντα στατιστικά σημαντικές <br /> (λόγω της μεγάλης ετήσιας μεταβλητότητας), η συνοχή τους υποδεικνύει μια σαφή στροφή του καθεστώτος. <br /> Ειδικότερα, παρατηρήθηκε συρρίκνωση της εποχής του χιονιού και από τα δύο άκρα: Αφενός, η Τελευταία Ημέρα (LSCD) και η ημέρα τήξης (SMOD) εμφανίζουν αρνητική τάση, μετατοπιζόμενες σταθερά νωρίτερα μέσα στο έτος. <br /> Αφετέρου, η έναρξη της χιονόπτωσης τείνει να καθυστερεί ή να γίνεται πιο ασταθής (επηρεάζοντας το FESD/SOD). <br /> Η μείωση αυτή της συνολικής διάρκειας (SCD) υπολογίστηκε κατά μέσο όρο σε 1 ημέρα ανά δεκαετία, φτάνοντας όμως τις 5,8 ημέρες ανά δεκαετία στις υψηλότερες ζώνες. Ο συνδυασμός της σημαντικής μείωσης της χειμερινής έκτασης (SCF) με τη συνεπή τάση πρόωρης τήξης συνθέτει την εικόνα της σταδιακής αποσταθεροποίησης της κρυόσφαιρας. &lt;br/&gt;<br /> <br /> [[Αρχείο: 6_4.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη κατέληξε στο συμπέρασμα ότι η Κανταβρική Οροσειρά παρουσιάζει σαφείς ενδείξεις υποχώρησης της κρυόσφαιρας. Η μεθοδολογία που αναπτύχθηκε, βασισμένη στην Τηλεπισκόπηση και την επεξεργασία στο νέφος (Cloud Computing), αποδείχθηκε ένα ισχυρό εργαλείο για την εξαγωγή περιβαλλοντικών πληροφοριών σε μεγάλη κλίμακα. Αν και ορισμένοι φαινολογικοί δείκτες διάρκειας εμφανίζουν κυρίως τάσεις (tendencies) λόγω της έντονης κλιματικής διακύμανσης, η στατιστικά επιβεβαιωμένη μείωση της χειμερινής έκτασης (SCF) είναι κρίσιμη για την προσαρμογή των μοντέλων διαχείρισης υδάτινων πόρων. Τα ευρήματα αυτά υπογραμμίζουν την ανάγκη για συνέχιση της παρακολούθησης ώστε να επιβεβαιωθούν οι μακροπρόθεσμες επιπτώσεις στη βιοποικιλότητα και τα υδατικά αποθέματα της περιοχής.<br /> <br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CF%84%CE%B1%CE%B2%CE%BB%CE%B7%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%B7%CF%82_%CE%A7%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%9A%CE%B1%CE%BD%CF%84%CE%B1%CE%B2%CF%81%CE%B9%CE%BA%CE%AE_%CE%9F%CF%81%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CE%AC:_%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%83%CE%B5_%CE%95%CF%80%CE%AF%CF%80%CE%B5%CE%B4%CE%BF_%CE%9B%CE%B5%CE%BA%CE%AC%CE%BD%CE%B7%CF%82_%CE%91%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_(2000%E2%80%932024) 2026-02-06T19:47:14Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μεταβλητότητα της Χιονοκάλυψης στην Κανταβρική Οροσειρά (Ισπανία): Μελέτη σε Επίπεδο Λεκάνης Απορροής με Χρήση Δορυφορικών Δεδομένων (2000–2024)''' &lt;br/&gt;<br /> '''Συγγραφείς: Adrián Melón-Nava, Amelia Gómez-Villar ''' &lt;br/&gt;<br /> '''Πηγή: https://doi.org/10.18172/cig.6543''' &lt;br/&gt;<br /> '''Ημερομηνία: 30 Ιουνίου 2025''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 6_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> <br /> [[Αρχείο: 6_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 6_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> <br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εστιάζει στο αντικείμενο της Υδρολογίας και της Κλιματολογίας, και συγκεκριμένα στην παρακολούθηση των κρυοσφαιρικών μεταβολών. Κύριος στόχος της εφαρμογής είναι η λεπτομερής ανάλυση της δυναμικής της χιονοκάλυψης στην Κανταβρική Οροσειρά της βόρειας Ισπανίας για μια περίοδο 24 ετών (2000–2024), προκειμένου να κατανοηθούν οι επιπτώσεις της κλιματικής αλλαγής στη διαθεσιμότητα υδάτινων πόρων. Πριν από την ανάπτυξη και την ευρεία χρήση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων σε ορεινούς όγκους γινόταν σχεδόν αποκλειστικά μέσω δικτύων επίγειων μετεωρολογικών σταθμών. Η μέθοδος αυτή παρουσίαζε σημαντικούς περιορισμούς, καθώς οι σταθμοί ήταν χωρικά αραιοί, βρίσκονταν κυρίως σε χαμηλά ή μέσα υψόμετρα και αδυνατούσαν να καταγράψουν τη χωρική ετερογένεια του χιονιού στις δυσπρόσιτες κορυφογραμμές, οδηγώντας σε ελλιπή κατανόηση του υδρολογικού κύκλου.<br /> <br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την υλοποίηση της μελέτης χρησιμοποιήθηκε ένας συνδυασμός διαφορετικών ειδών δορυφορικών συστημάτων και αισθητήρων. Συγκεκριμένα, αξιοποιήθηκαν εικόνες από τον φασματοραδιόμετρο MODIS (στους δορυφόρους Terra και Aqua) για την υψηλή χρονική του ανάλυση, καθώς και δεδομένα από τη σειρά δορυφόρων Landsat (Landsat 5 TM, Landsat 7 ETM+, Landsat 8 OLI, Landsat 9 OLI-2) και τους δορυφόρους Sentinel-2 (MSI) του προγράμματος Copernicus για την υψηλή χωρική τους διακριτική ικανότητα. Η επεξεργασία αυτού του τεράστιου όγκου δεδομένων πραγματοποιήθηκε εξ ολοκλήρου στην πλατφόρμα νέφους Google Earth Engine (GEE), η οποία επιτρέπει την ταχεία ανάλυση χρονοσειρών &quot;μεγάλων δεδομένων&quot; (big data).<br /> <br /> Από τους παραπάνω δέκτες έγινε χρήση συγκεκριμένων φασματικών καναλιών, κυρίως του ορατού φάσματος (Πράσινο κανάλι) και του Βραχέος Υπέρυθρου (SWIR). Η χρησιμότητα του συνδυασμού αυτών των καναλιών έγκειται στην ικανότητά τους να διαχωρίζουν αποτελεσματικά το χιόνι (που ανακλά έντονα στο ορατό και απορροφά στο SWIR) από τα σύννεφα (που ανακλούν και στα δύο), επιτρέποντας τον υπολογισμό του Κανονικοποιημένου Δείκτη Διαφοράς Χιονιού (NDSI). Οι απαραίτητες προεπεξεργασίες περιλάμβαναν την ατμοσφαιρική διόρθωση μέσω της χρήσης προϊόντων Επιφανειακής Ανακλαστικότητας (Surface Reflectance), τη γεωαναφορά και, κρισίμως, τη δημιουργία μασκών νεφών για την εξάλειψη των ατμοσφαιρικών παρεμβολών. Ως κύριος ψηφιακός αλγόριθμος χρησιμοποιήθηκε η κατωφλίωση του δείκτη NDSI (με τιμή &gt; 0.4) για την ταξινόμηση των εικονοστοιχείων. Για τη βελτίωση της ακρίβειας, εφαρμόστηκαν τεχνικές συγχώνευσης δεδομένων (data fusion) και χρονικής παρεμβολής για την πλήρωση κενών λόγω νέφωσης. Επιπρόσθετα, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) της αποστολής SRTM της NASA. Η αναγκαιότητα του DEM ήταν καθοριστική για τις ειδικές επεξεργασίες GIS, καθώς επέτρεψε την υψομετρική διαστρωμάτωση της ανάλυσης ανά 500 μέτρα και την εξαγωγή στατιστικών ανά υδρολογική λεκάνη.<br /> <br /> Για την εγκυρότητα των αποτελεσμάτων, πραγματοποιήθηκε αξιολόγηση με χρήση δεδομένων αναφοράς από επίγειες ψηφιακές κάμερες time-lapse (π.χ. στην περιοχή Campoo). Η σύγκριση έδειξε ότι σε συνθήκες καθαρής ατμόσφαιρας η συμφωνία ταξινόμησης (classification agreement) υπερβαίνει το 85%, ενώ οι αλγόριθμοι πλήρωσης κενών (gap-filling) μείωσαν σημαντικά τα σφάλματα υποτίμησης της χιονοκάλυψης, καθιστώντας τα προϊόντα αξιόπιστα.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η εφαρμογή προηγμένων στατιστικών αλγορίθμων (Mann-Kendall) αποκάλυψε μεταβολές στο καθεστώς χιονοκάλυψης, με τα πιο ισχυρά στατιστικά ευρήματα να εντοπίζονται στην ανάλυση της έκτασης. Συγκεκριμένα, για το Ποσοστό Χιονοκάλυψης (SCF), καταγράφηκαν στατιστικά σημαντικές (p&lt;0.05) πτωτικές τάσεις, ιδιαίτερα κατά τη διάρκεια του χειμώνα στις λεκάνες που προσανατολίζονται προς το Νότο (μείωση που αγγίζει το 10-16% ανά δεκαετία).<br /> <br /> Πέρα από την έκταση (SCF), η μελέτη εξέτασε αναλυτικά και τη φαινολογία του χιονιού μέσω δεικτών όπως η Τελευταία Ημέρα Χιονοκάλυψης (LSCD), η Πρώτη Ημέρα (FESD) και η έναρξη της σταθερής χιονόπτωσης (SOD). Παρόλο που οι μεμονωμένες τάσεις διάρκειας δεν ήταν πάντα στατιστικά σημαντικές (λόγω της μεγάλης ετήσιας μεταβλητότητας), η συνοχή τους υποδεικνύει μια σαφή στροφή του καθεστώτος. Ειδικότερα, παρατηρήθηκε συρρίκνωση της εποχής του χιονιού και από τα δύο άκρα: Αφενός, η Τελευταία Ημέρα (LSCD) και η ημέρα τήξης (SMOD) εμφανίζουν αρνητική τάση, μετατοπιζόμενες σταθερά νωρίτερα μέσα στο έτος. Αφετέρου, η έναρξη της χιονόπτωσης τείνει να καθυστερεί ή να γίνεται πιο ασταθής (επηρεάζοντας το FESD/SOD). Η μείωση αυτή της συνολικής διάρκειας (SCD) υπολογίστηκε κατά μέσο όρο σε 1 ημέρα ανά δεκαετία, φτάνοντας όμως τις 5,8 ημέρες ανά δεκαετία στις υψηλότερες ζώνες. Ο συνδυασμός της σημαντικής μείωσης της χειμερινής έκτασης (SCF) με τη συνεπή τάση πρόωρης τήξης συνθέτει την εικόνα της σταδιακής αποσταθεροποίησης της κρυόσφαιρας. &lt;br/&gt;<br /> <br /> [[Αρχείο: 6_4.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη κατέληξε στο συμπέρασμα ότι η Κανταβρική Οροσειρά παρουσιάζει σαφείς ενδείξεις υποχώρησης της κρυόσφαιρας. Η μεθοδολογία που αναπτύχθηκε, βασισμένη στην Τηλεπισκόπηση και την επεξεργασία στο νέφος (Cloud Computing), αποδείχθηκε ένα ισχυρό εργαλείο για την εξαγωγή περιβαλλοντικών πληροφοριών σε μεγάλη κλίμακα. Αν και ορισμένοι φαινολογικοί δείκτες διάρκειας εμφανίζουν κυρίως τάσεις (tendencies) λόγω της έντονης κλιματικής διακύμανσης, η στατιστικά επιβεβαιωμένη μείωση της χειμερινής έκτασης (SCF) είναι κρίσιμη για την προσαρμογή των μοντέλων διαχείρισης υδάτινων πόρων. Τα ευρήματα αυτά υπογραμμίζουν την ανάγκη για συνέχιση της παρακολούθησης ώστε να επιβεβαιωθούν οι μακροπρόθεσμες επιπτώσεις στη βιοποικιλότητα και τα υδατικά αποθέματα της περιοχής.<br /> <br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CF%84%CE%B1%CE%B2%CE%BB%CE%B7%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%B7%CF%82_%CE%A7%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%9A%CE%B1%CE%BD%CF%84%CE%B1%CE%B2%CF%81%CE%B9%CE%BA%CE%AE_%CE%9F%CF%81%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CE%AC:_%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%83%CE%B5_%CE%95%CF%80%CE%AF%CF%80%CE%B5%CE%B4%CE%BF_%CE%9B%CE%B5%CE%BA%CE%AC%CE%BD%CE%B7%CF%82_%CE%91%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_(2000%E2%80%932024) 2026-02-06T19:46:32Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μεταβλητότητα της Χιονοκάλυψης στην Κανταβρική Οροσειρά (Ισπανία): Μελέτη σε Επίπεδο Λεκάνης Απορροής με Χρήση Δορυφορικών Δεδομένων (2000–2024)''' &lt;br/&gt;<br /> '''Συγγραφείς: Adrián Melón-Nava, Amelia Gómez-Villar ''' &lt;br/&gt;<br /> '''Πηγή: https://doi.org/10.18172/cig.6543''' &lt;br/&gt;<br /> '''Ημερομηνία: 30 Ιουνίου 2025''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 6_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> <br /> [[Αρχείο: 6_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 6_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> <br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εστιάζει στο αντικείμενο της Υδρολογίας και της Κλιματολογίας, και συγκεκριμένα στην παρακολούθηση των κρυοσφαιρικών μεταβολών. Κύριος στόχος της εφαρμογής είναι η λεπτομερής ανάλυση της δυναμικής της χιονοκάλυψης στην Κανταβρική Οροσειρά της βόρειας Ισπανίας για μια περίοδο 24 ετών (2000–2024), προκειμένου να κατανοηθούν οι επιπτώσεις της κλιματικής αλλαγής στη διαθεσιμότητα υδάτινων πόρων. Πριν από την ανάπτυξη και την ευρεία χρήση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων σε ορεινούς όγκους γινόταν σχεδόν αποκλειστικά μέσω δικτύων επίγειων μετεωρολογικών σταθμών. Η μέθοδος αυτή παρουσίαζε σημαντικούς περιορισμούς, καθώς οι σταθμοί ήταν χωρικά αραιοί, βρίσκονταν κυρίως σε χαμηλά ή μέσα υψόμετρα και αδυνατούσαν να καταγράψουν τη χωρική ετερογένεια του χιονιού στις δυσπρόσιτες κορυφογραμμές, οδηγώντας σε ελλιπή κατανόηση του υδρολογικού κύκλου.<br /> <br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την υλοποίηση της μελέτης χρησιμοποιήθηκε ένας συνδυασμός διαφορετικών ειδών δορυφορικών συστημάτων και αισθητήρων. Συγκεκριμένα, αξιοποιήθηκαν εικόνες από τον φασματοραδιόμετρο MODIS (στους δορυφόρους Terra και Aqua) για την υψηλή χρονική του ανάλυση, καθώς και δεδομένα από τη σειρά δορυφόρων Landsat (Landsat 5 TM, Landsat 7 ETM+, Landsat 8 OLI, Landsat 9 OLI-2) και τους δορυφόρους Sentinel-2 (MSI) του προγράμματος Copernicus για την υψηλή χωρική τους διακριτική ικανότητα. Η επεξεργασία αυτού του τεράστιου όγκου δεδομένων πραγματοποιήθηκε εξ ολοκλήρου στην πλατφόρμα νέφους Google Earth Engine (GEE), η οποία επιτρέπει την ταχεία ανάλυση χρονοσειρών &quot;μεγάλων δεδομένων&quot; (big data).<br /> <br /> Από τους παραπάνω δέκτες έγινε χρήση συγκεκριμένων φασματικών καναλιών, κυρίως του ορατού φάσματος (Πράσινο κανάλι) και του Βραχέος Υπέρυθρου (SWIR). Η χρησιμότητα του συνδυασμού αυτών των καναλιών έγκειται στην ικανότητά τους να διαχωρίζουν αποτελεσματικά το χιόνι (που ανακλά έντονα στο ορατό και απορροφά στο SWIR) από τα σύννεφα (που ανακλούν και στα δύο), επιτρέποντας τον υπολογισμό του Κανονικοποιημένου Δείκτη Διαφοράς Χιονιού (NDSI). Οι απαραίτητες προεπεξεργασίες περιλάμβαναν την ατμοσφαιρική διόρθωση μέσω της χρήσης προϊόντων Επιφανειακής Ανακλαστικότητας (Surface Reflectance), τη γεωαναφορά και, κρισίμως, τη δημιουργία μασκών νεφών για την εξάλειψη των ατμοσφαιρικών παρεμβολών. Ως κύριος ψηφιακός αλγόριθμος χρησιμοποιήθηκε η κατωφλίωση του δείκτη NDSI (με τιμή &gt; 0.4) για την ταξινόμηση των εικονοστοιχείων. Για τη βελτίωση της ακρίβειας, εφαρμόστηκαν τεχνικές συγχώνευσης δεδομένων (data fusion) και χρονικής παρεμβολής για την πλήρωση κενών λόγω νέφωσης. Επιπρόσθετα, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) της αποστολής SRTM της NASA. Η αναγκαιότητα του DEM ήταν καθοριστική για τις ειδικές επεξεργασίες GIS, καθώς επέτρεψε την υψομετρική διαστρωμάτωση της ανάλυσης ανά 500 μέτρα και την εξαγωγή στατιστικών ανά υδρολογική λεκάνη.<br /> <br /> Για την εγκυρότητα των αποτελεσμάτων, πραγματοποιήθηκε αξιολόγηση με χρήση δεδομένων αναφοράς από επίγειες ψηφιακές κάμερες time-lapse (π.χ. στην περιοχή Campoo). Η σύγκριση έδειξε ότι σε συνθήκες καθαρής ατμόσφαιρας η συμφωνία ταξινόμησης (classification agreement) υπερβαίνει το 85%, ενώ οι αλγόριθμοι πλήρωσης κενών (gap-filling) μείωσαν σημαντικά τα σφάλματα υποτίμησης της χιονοκάλυψης, καθιστώντας τα προϊόντα αξιόπιστα.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η εφαρμογή προηγμένων στατιστικών αλγορίθμων (Mann-Kendall) αποκάλυψε μεταβολές στο καθεστώς χιονοκάλυψης, με τα πιο ισχυρά στατιστικά ευρήματα να εντοπίζονται στην ανάλυση της έκτασης. Συγκεκριμένα, για το Ποσοστό Χιονοκάλυψης (SCF), καταγράφηκαν στατιστικά σημαντικές (p&lt;0.05) πτωτικές τάσεις, ιδιαίτερα κατά τη διάρκεια του χειμώνα στις λεκάνες που προσανατολίζονται προς το Νότο (μείωση που αγγίζει το 10-16% ανά δεκαετία).<br /> <br /> Πέρα από την έκταση (SCF), η μελέτη εξέτασε αναλυτικά και τη φαινολογία του χιονιού μέσω δεικτών όπως η Τελευταία Ημέρα Χιονοκάλυψης (LSCD), η Πρώτη Ημέρα (FESD) και η έναρξη της σταθερής χιονόπτωσης (SOD). Παρόλο που οι μεμονωμένες τάσεις διάρκειας δεν ήταν πάντα στατιστικά σημαντικές (λόγω της μεγάλης ετήσιας μεταβλητότητας), η συνοχή τους υποδεικνύει μια σαφή στροφή του καθεστώτος. Ειδικότερα, παρατηρήθηκε συρρίκνωση της εποχής του χιονιού και από τα δύο άκρα: Αφενός, η Τελευταία Ημέρα (LSCD) και η ημέρα τήξης (SMOD) εμφανίζουν αρνητική τάση, μετατοπιζόμενες σταθερά νωρίτερα μέσα στο έτος. Αφετέρου, η έναρξη της χιονόπτωσης τείνει να καθυστερεί ή να γίνεται πιο ασταθής (επηρεάζοντας το FESD/SOD). Η μείωση αυτή της συνολικής διάρκειας (SCD) υπολογίστηκε κατά μέσο όρο σε 1 ημέρα ανά δεκαετία, φτάνοντας όμως τις 5,8 ημέρες ανά δεκαετία στις υψηλότερες ζώνες. Ο συνδυασμός της σημαντικής μείωσης της χειμερινής έκτασης (SCF) με τη συνεπή τάση πρόωρης τήξης συνθέτει την εικόνα της σταδιακής αποσταθεροποίησης της κρυόσφαιρας.<br /> <br /> [[Αρχείο: 6_4.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη κατέληξε στο συμπέρασμα ότι η Κανταβρική Οροσειρά παρουσιάζει σαφείς ενδείξεις υποχώρησης της κρυόσφαιρας. Η μεθοδολογία που αναπτύχθηκε, βασισμένη στην Τηλεπισκόπηση και την επεξεργασία στο νέφος (Cloud Computing), αποδείχθηκε ένα ισχυρό εργαλείο για την εξαγωγή περιβαλλοντικών πληροφοριών σε μεγάλη κλίμακα. Αν και ορισμένοι φαινολογικοί δείκτες διάρκειας εμφανίζουν κυρίως τάσεις (tendencies) λόγω της έντονης κλιματικής διακύμανσης, η στατιστικά επιβεβαιωμένη μείωση της χειμερινής έκτασης (SCF) είναι κρίσιμη για την προσαρμογή των μοντέλων διαχείρισης υδάτινων πόρων. Τα ευρήματα αυτά υπογραμμίζουν την ανάγκη για συνέχιση της παρακολούθησης ώστε να επιβεβαιωθούν οι μακροπρόθεσμες επιπτώσεις στη βιοποικιλότητα και τα υδατικά αποθέματα της περιοχής.<br /> <br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CF%84%CE%B1%CE%B2%CE%BB%CE%B7%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%B7%CF%82_%CE%A7%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%9A%CE%B1%CE%BD%CF%84%CE%B1%CE%B2%CF%81%CE%B9%CE%BA%CE%AE_%CE%9F%CF%81%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CE%AC:_%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%83%CE%B5_%CE%95%CF%80%CE%AF%CF%80%CE%B5%CE%B4%CE%BF_%CE%9B%CE%B5%CE%BA%CE%AC%CE%BD%CE%B7%CF%82_%CE%91%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_(2000%E2%80%932024) 2026-02-06T19:45:52Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μεταβλητότητα της Χιονοκάλυψης στην Κανταβρική Οροσειρά (Ισπανία): Μελέτη σε Επίπεδο Λεκάνης Απορροής με Χρήση Δορυφορικών Δεδομένων (2000–2024)''' &lt;br/&gt;<br /> '''Συγγραφείς: Adrián Melón-Nava, Amelia Gómez-Villar ''' &lt;br/&gt;<br /> '''Πηγή: https://doi.org/10.18172/cig.6543''' &lt;br/&gt;<br /> '''Ημερομηνία: 30 Ιουνίου 2025''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 6_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> <br /> [[Αρχείο: 6_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 6_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> <br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εστιάζει στο αντικείμενο της Υδρολογίας και της Κλιματολογίας, και συγκεκριμένα στην παρακολούθηση των κρυοσφαιρικών μεταβολών. Κύριος στόχος της εφαρμογής είναι η λεπτομερής ανάλυση της δυναμικής της χιονοκάλυψης στην Κανταβρική Οροσειρά της βόρειας Ισπανίας για μια περίοδο 24 ετών (2000–2024), προκειμένου να κατανοηθούν οι επιπτώσεις της κλιματικής αλλαγής στη διαθεσιμότητα υδάτινων πόρων. Πριν από την ανάπτυξη και την ευρεία χρήση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων σε ορεινούς όγκους γινόταν σχεδόν αποκλειστικά μέσω δικτύων επίγειων μετεωρολογικών σταθμών. Η μέθοδος αυτή παρουσίαζε σημαντικούς περιορισμούς, καθώς οι σταθμοί ήταν χωρικά αραιοί, βρίσκονταν κυρίως σε χαμηλά ή μέσα υψόμετρα και αδυνατούσαν να καταγράψουν τη χωρική ετερογένεια του χιονιού στις δυσπρόσιτες κορυφογραμμές, οδηγώντας σε ελλιπή κατανόηση του υδρολογικού κύκλου.<br /> <br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την υλοποίηση της μελέτης χρησιμοποιήθηκε ένας συνδυασμός διαφορετικών ειδών δορυφορικών συστημάτων και αισθητήρων. Συγκεκριμένα, αξιοποιήθηκαν εικόνες από τον φασματοραδιόμετρο MODIS (στους δορυφόρους Terra και Aqua) για την υψηλή χρονική του ανάλυση, καθώς και δεδομένα από τη σειρά δορυφόρων Landsat (Landsat 5 TM, Landsat 7 ETM+, Landsat 8 OLI, Landsat 9 OLI-2) και τους δορυφόρους Sentinel-2 (MSI) του προγράμματος Copernicus για την υψηλή χωρική τους διακριτική ικανότητα. Η επεξεργασία αυτού του τεράστιου όγκου δεδομένων πραγματοποιήθηκε εξ ολοκλήρου στην πλατφόρμα νέφους Google Earth Engine (GEE), η οποία επιτρέπει την ταχεία ανάλυση χρονοσειρών &quot;μεγάλων δεδομένων&quot; (big data).<br /> <br /> Από τους παραπάνω δέκτες έγινε χρήση συγκεκριμένων φασματικών καναλιών, κυρίως του ορατού φάσματος (Πράσινο κανάλι) και του Βραχέος Υπέρυθρου (SWIR). Η χρησιμότητα του συνδυασμού αυτών των καναλιών έγκειται στην ικανότητά τους να διαχωρίζουν αποτελεσματικά το χιόνι (που ανακλά έντονα στο ορατό και απορροφά στο SWIR) από τα σύννεφα (που ανακλούν και στα δύο), επιτρέποντας τον υπολογισμό του Κανονικοποιημένου Δείκτη Διαφοράς Χιονιού (NDSI). Οι απαραίτητες προεπεξεργασίες περιλάμβαναν την ατμοσφαιρική διόρθωση μέσω της χρήσης προϊόντων Επιφανειακής Ανακλαστικότητας (Surface Reflectance), τη γεωαναφορά και, κρισίμως, τη δημιουργία μασκών νεφών για την εξάλειψη των ατμοσφαιρικών παρεμβολών. Ως κύριος ψηφιακός αλγόριθμος χρησιμοποιήθηκε η κατωφλίωση του δείκτη NDSI (με τιμή &gt; 0.4) για την ταξινόμηση των εικονοστοιχείων. Για τη βελτίωση της ακρίβειας, εφαρμόστηκαν τεχνικές συγχώνευσης δεδομένων (data fusion) και χρονικής παρεμβολής για την πλήρωση κενών λόγω νέφωσης. Επιπρόσθετα, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) της αποστολής SRTM της NASA. Η αναγκαιότητα του DEM ήταν καθοριστική για τις ειδικές επεξεργασίες GIS, καθώς επέτρεψε την υψομετρική διαστρωμάτωση της ανάλυσης ανά 500 μέτρα και την εξαγωγή στατιστικών ανά υδρολογική λεκάνη.<br /> <br /> Για την εγκυρότητα των αποτελεσμάτων, πραγματοποιήθηκε αξιολόγηση με χρήση δεδομένων αναφοράς από επίγειες ψηφιακές κάμερες time-lapse (π.χ. στην περιοχή Campoo). Η σύγκριση έδειξε ότι σε συνθήκες καθαρής ατμόσφαιρας η συμφωνία ταξινόμησης (classification agreement) υπερβαίνει το 85%, ενώ οι αλγόριθμοι πλήρωσης κενών (gap-filling) μείωσαν σημαντικά τα σφάλματα υποτίμησης της χιονοκάλυψης, καθιστώντας τα προϊόντα αξιόπιστα.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η εφαρμογή προηγμένων στατιστικών αλγορίθμων (Mann-Kendall) αποκάλυψε μεταβολές στο καθεστώς χιονοκάλυψης, με τα πιο ισχυρά στατιστικά ευρήματα να εντοπίζονται στην ανάλυση της έκτασης. Συγκεκριμένα, για το Ποσοστό Χιονοκάλυψης (SCF), καταγράφηκαν στατιστικά σημαντικές (p&lt;0.05) πτωτικές τάσεις, ιδιαίτερα κατά τη διάρκεια του χειμώνα στις λεκάνες που προσανατολίζονται προς το Νότο (μείωση που αγγίζει το 10-16% ανά δεκαετία).<br /> <br /> Πέρα από την έκταση (SCF), η μελέτη εξέτασε αναλυτικά και τη φαινολογία του χιονιού μέσω δεικτών όπως η Τελευταία Ημέρα Χιονοκάλυψης (LSCD), η Πρώτη Ημέρα (FESD) και η έναρξη της σταθερής χιονόπτωσης (SOD). Παρόλο που οι μεμονωμένες τάσεις διάρκειας δεν ήταν πάντα στατιστικά σημαντικές (λόγω της μεγάλης ετήσιας μεταβλητότητας), η συνοχή τους υποδεικνύει μια σαφή στροφή του καθεστώτος. Ειδικότερα, παρατηρήθηκε συρρίκνωση της εποχής του χιονιού και από τα δύο άκρα: Αφενός, η Τελευταία Ημέρα (LSCD) και η ημέρα τήξης (SMOD) εμφανίζουν αρνητική τάση, μετατοπιζόμενες σταθερά νωρίτερα μέσα στο έτος. Αφετέρου, η έναρξη της χιονόπτωσης τείνει να καθυστερεί ή να γίνεται πιο ασταθής (επηρεάζοντας το FESD/SOD). Η μείωση αυτή της συνολικής διάρκειας (SCD) υπολογίστηκε κατά μέσο όρο σε 1 ημέρα ανά δεκαετία, φτάνοντας όμως τις 5,8 ημέρες ανά δεκαετία στις υψηλότερες ζώνες. Ο συνδυασμός της σημαντικής μείωσης της χειμερινής έκτασης (SCF) με τη συνεπή τάση πρόωρης τήξης συνθέτει την εικόνα της σταδιακής αποσταθεροποίησης της κρυόσφαιρας.<br /> <br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη κατέληξε στο συμπέρασμα ότι η Κανταβρική Οροσειρά παρουσιάζει σαφείς ενδείξεις υποχώρησης της κρυόσφαιρας. Η μεθοδολογία που αναπτύχθηκε, βασισμένη στην Τηλεπισκόπηση και την επεξεργασία στο νέφος (Cloud Computing), αποδείχθηκε ένα ισχυρό εργαλείο για την εξαγωγή περιβαλλοντικών πληροφοριών σε μεγάλη κλίμακα. Αν και ορισμένοι φαινολογικοί δείκτες διάρκειας εμφανίζουν κυρίως τάσεις (tendencies) λόγω της έντονης κλιματικής διακύμανσης, η στατιστικά επιβεβαιωμένη μείωση της χειμερινής έκτασης (SCF) είναι κρίσιμη για την προσαρμογή των μοντέλων διαχείρισης υδάτινων πόρων. Τα ευρήματα αυτά υπογραμμίζουν την ανάγκη για συνέχιση της παρακολούθησης ώστε να επιβεβαιωθούν οι μακροπρόθεσμες επιπτώσεις στη βιοποικιλότητα και τα υδατικά αποθέματα της περιοχής.<br /> <br /> <br /> [[Αρχείο: 6_4.jpg | thumb | '''Πίνακας 1.''' ]]<br /> [[category:Υδατικοί Πόροι]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CF%84%CE%B1%CE%B2%CE%BB%CE%B7%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%B7%CF%82_%CE%A7%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%9A%CE%B1%CE%BD%CF%84%CE%B1%CE%B2%CF%81%CE%B9%CE%BA%CE%AE_%CE%9F%CF%81%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CE%AC:_%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%83%CE%B5_%CE%95%CF%80%CE%AF%CF%80%CE%B5%CE%B4%CE%BF_%CE%9B%CE%B5%CE%BA%CE%AC%CE%BD%CE%B7%CF%82_%CE%91%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_(2000%E2%80%932024) 2026-02-06T19:45:36Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μεταβλητότητα της Χιονοκάλυψης στην Κανταβρική Οροσειρά (Ισπανία): Μελέτη σε Επίπεδο Λεκάνης Απορροής με Χρήση Δορυφορικών Δεδομένων (2000–2024)''' &lt;br/&gt;<br /> '''Συγγραφείς: Adrián Melón-Nava, Amelia Gómez-Villar ''' &lt;br/&gt;<br /> '''Πηγή: https://doi.org/10.18172/cig.6543''' &lt;br/&gt;<br /> '''Ημερομηνία: 30 Ιουνίου 2025''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 6_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> <br /> [[Αρχείο: 6_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 6_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> <br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εστιάζει στο αντικείμενο της Υδρολογίας και της Κλιματολογίας, και συγκεκριμένα στην παρακολούθηση των κρυοσφαιρικών μεταβολών. Κύριος στόχος της εφαρμογής είναι η λεπτομερής ανάλυση της δυναμικής της χιονοκάλυψης στην Κανταβρική Οροσειρά της βόρειας Ισπανίας για μια περίοδο 24 ετών (2000–2024), προκειμένου να κατανοηθούν οι επιπτώσεις της κλιματικής αλλαγής στη διαθεσιμότητα υδάτινων πόρων. Πριν από την ανάπτυξη και την ευρεία χρήση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων σε ορεινούς όγκους γινόταν σχεδόν αποκλειστικά μέσω δικτύων επίγειων μετεωρολογικών σταθμών. Η μέθοδος αυτή παρουσίαζε σημαντικούς περιορισμούς, καθώς οι σταθμοί ήταν χωρικά αραιοί, βρίσκονταν κυρίως σε χαμηλά ή μέσα υψόμετρα και αδυνατούσαν να καταγράψουν τη χωρική ετερογένεια του χιονιού στις δυσπρόσιτες κορυφογραμμές, οδηγώντας σε ελλιπή κατανόηση του υδρολογικού κύκλου.<br /> <br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την υλοποίηση της μελέτης χρησιμοποιήθηκε ένας συνδυασμός διαφορετικών ειδών δορυφορικών συστημάτων και αισθητήρων. Συγκεκριμένα, αξιοποιήθηκαν εικόνες από τον φασματοραδιόμετρο MODIS (στους δορυφόρους Terra και Aqua) για την υψηλή χρονική του ανάλυση, καθώς και δεδομένα από τη σειρά δορυφόρων Landsat (Landsat 5 TM, Landsat 7 ETM+, Landsat 8 OLI, Landsat 9 OLI-2) και τους δορυφόρους Sentinel-2 (MSI) του προγράμματος Copernicus για την υψηλή χωρική τους διακριτική ικανότητα. Η επεξεργασία αυτού του τεράστιου όγκου δεδομένων πραγματοποιήθηκε εξ ολοκλήρου στην πλατφόρμα νέφους Google Earth Engine (GEE), η οποία επιτρέπει την ταχεία ανάλυση χρονοσειρών &quot;μεγάλων δεδομένων&quot; (big data).<br /> <br /> Από τους παραπάνω δέκτες έγινε χρήση συγκεκριμένων φασματικών καναλιών, κυρίως του ορατού φάσματος (Πράσινο κανάλι) και του Βραχέος Υπέρυθρου (SWIR). Η χρησιμότητα του συνδυασμού αυτών των καναλιών έγκειται στην ικανότητά τους να διαχωρίζουν αποτελεσματικά το χιόνι (που ανακλά έντονα στο ορατό και απορροφά στο SWIR) από τα σύννεφα (που ανακλούν και στα δύο), επιτρέποντας τον υπολογισμό του Κανονικοποιημένου Δείκτη Διαφοράς Χιονιού (NDSI). Οι απαραίτητες προεπεξεργασίες περιλάμβαναν την ατμοσφαιρική διόρθωση μέσω της χρήσης προϊόντων Επιφανειακής Ανακλαστικότητας (Surface Reflectance), τη γεωαναφορά και, κρισίμως, τη δημιουργία μασκών νεφών για την εξάλειψη των ατμοσφαιρικών παρεμβολών. Ως κύριος ψηφιακός αλγόριθμος χρησιμοποιήθηκε η κατωφλίωση του δείκτη NDSI (με τιμή &gt; 0.4) για την ταξινόμηση των εικονοστοιχείων. Για τη βελτίωση της ακρίβειας, εφαρμόστηκαν τεχνικές συγχώνευσης δεδομένων (data fusion) και χρονικής παρεμβολής για την πλήρωση κενών λόγω νέφωσης. Επιπρόσθετα, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) της αποστολής SRTM της NASA. Η αναγκαιότητα του DEM ήταν καθοριστική για τις ειδικές επεξεργασίες GIS, καθώς επέτρεψε την υψομετρική διαστρωμάτωση της ανάλυσης ανά 500 μέτρα και την εξαγωγή στατιστικών ανά υδρολογική λεκάνη.<br /> <br /> Για την εγκυρότητα των αποτελεσμάτων, πραγματοποιήθηκε αξιολόγηση με χρήση δεδομένων αναφοράς από επίγειες ψηφιακές κάμερες time-lapse (π.χ. στην περιοχή Campoo). Η σύγκριση έδειξε ότι σε συνθήκες καθαρής ατμόσφαιρας η συμφωνία ταξινόμησης (classification agreement) υπερβαίνει το 85%, ενώ οι αλγόριθμοι πλήρωσης κενών (gap-filling) μείωσαν σημαντικά τα σφάλματα υποτίμησης της χιονοκάλυψης, καθιστώντας τα προϊόντα αξιόπιστα.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η εφαρμογή προηγμένων στατιστικών αλγορίθμων (Mann-Kendall) αποκάλυψε μεταβολές στο καθεστώς χιονοκάλυψης, με τα πιο ισχυρά στατιστικά ευρήματα να εντοπίζονται στην ανάλυση της έκτασης. Συγκεκριμένα, για το Ποσοστό Χιονοκάλυψης (SCF), καταγράφηκαν στατιστικά σημαντικές (p&lt;0.05) πτωτικές τάσεις, ιδιαίτερα κατά τη διάρκεια του χειμώνα στις λεκάνες που προσανατολίζονται προς το Νότο (μείωση που αγγίζει το 10-16% ανά δεκαετία).<br /> <br /> Πέρα από την έκταση (SCF), η μελέτη εξέτασε αναλυτικά και τη φαινολογία του χιονιού μέσω δεικτών όπως η Τελευταία Ημέρα Χιονοκάλυψης (LSCD), η Πρώτη Ημέρα (FESD) και η έναρξη της σταθερής χιονόπτωσης (SOD). Παρόλο που οι μεμονωμένες τάσεις διάρκειας δεν ήταν πάντα στατιστικά σημαντικές (λόγω της μεγάλης ετήσιας μεταβλητότητας), η συνοχή τους υποδεικνύει μια σαφή στροφή του καθεστώτος. Ειδικότερα, παρατηρήθηκε συρρίκνωση της εποχής του χιονιού και από τα δύο άκρα: Αφενός, η Τελευταία Ημέρα (LSCD) και η ημέρα τήξης (SMOD) εμφανίζουν αρνητική τάση, μετατοπιζόμενες σταθερά νωρίτερα μέσα στο έτος. Αφετέρου, η έναρξη της χιονόπτωσης τείνει να καθυστερεί ή να γίνεται πιο ασταθής (επηρεάζοντας το FESD/SOD). Η μείωση αυτή της συνολικής διάρκειας (SCD) υπολογίστηκε κατά μέσο όρο σε 1 ημέρα ανά δεκαετία, φτάνοντας όμως τις 5,8 ημέρες ανά δεκαετία στις υψηλότερες ζώνες. Ο συνδυασμός της σημαντικής μείωσης της χειμερινής έκτασης (SCF) με τη συνεπή τάση πρόωρης τήξης συνθέτει την εικόνα της σταδιακής αποσταθεροποίησης της κρυόσφαιρας.<br /> <br /> <br /> [[Αρχείο: 6_4.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη κατέληξε στο συμπέρασμα ότι η Κανταβρική Οροσειρά παρουσιάζει σαφείς ενδείξεις υποχώρησης της κρυόσφαιρας. Η μεθοδολογία που αναπτύχθηκε, βασισμένη στην Τηλεπισκόπηση και την επεξεργασία στο νέφος (Cloud Computing), αποδείχθηκε ένα ισχυρό εργαλείο για την εξαγωγή περιβαλλοντικών πληροφοριών σε μεγάλη κλίμακα. Αν και ορισμένοι φαινολογικοί δείκτες διάρκειας εμφανίζουν κυρίως τάσεις (tendencies) λόγω της έντονης κλιματικής διακύμανσης, η στατιστικά επιβεβαιωμένη μείωση της χειμερινής έκτασης (SCF) είναι κρίσιμη για την προσαρμογή των μοντέλων διαχείρισης υδάτινων πόρων. Τα ευρήματα αυτά υπογραμμίζουν την ανάγκη για συνέχιση της παρακολούθησης ώστε να επιβεβαιωθούν οι μακροπρόθεσμες επιπτώσεις στη βιοποικιλότητα και τα υδατικά αποθέματα της περιοχής.<br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CF%84%CE%B1%CE%B2%CE%BB%CE%B7%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%B7%CF%82_%CE%A7%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%9A%CE%B1%CE%BD%CF%84%CE%B1%CE%B2%CF%81%CE%B9%CE%BA%CE%AE_%CE%9F%CF%81%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CE%AC:_%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%83%CE%B5_%CE%95%CF%80%CE%AF%CF%80%CE%B5%CE%B4%CE%BF_%CE%9B%CE%B5%CE%BA%CE%AC%CE%BD%CE%B7%CF%82_%CE%91%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_(2000%E2%80%932024) 2026-02-06T19:45:00Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μεταβλητότητα της Χιονοκάλυψης στην Κανταβρική Οροσειρά (Ισπανία): Μελέτη σε Επίπεδο Λεκάνης Απορροής με Χρήση Δορυφορικών Δεδομένων (2000–2024)''' &lt;br/&gt;<br /> '''Συγγραφείς: Adrián Melón-Nava, Amelia Gómez-Villar ''' &lt;br/&gt;<br /> '''Πηγή: https://doi.org/10.18172/cig.6543''' &lt;br/&gt;<br /> '''Ημερομηνία: 30 Ιουνίου 2025''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 6_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> <br /> [[Αρχείο: 6_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 6_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> <br /> <br /> [[Αρχείο: 6_4.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εστιάζει στο αντικείμενο της Υδρολογίας και της Κλιματολογίας, και συγκεκριμένα στην παρακολούθηση των κρυοσφαιρικών μεταβολών. Κύριος στόχος της εφαρμογής είναι η λεπτομερής ανάλυση της δυναμικής της χιονοκάλυψης στην Κανταβρική Οροσειρά της βόρειας Ισπανίας για μια περίοδο 24 ετών (2000–2024), προκειμένου να κατανοηθούν οι επιπτώσεις της κλιματικής αλλαγής στη διαθεσιμότητα υδάτινων πόρων. Πριν από την ανάπτυξη και την ευρεία χρήση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων σε ορεινούς όγκους γινόταν σχεδόν αποκλειστικά μέσω δικτύων επίγειων μετεωρολογικών σταθμών. Η μέθοδος αυτή παρουσίαζε σημαντικούς περιορισμούς, καθώς οι σταθμοί ήταν χωρικά αραιοί, βρίσκονταν κυρίως σε χαμηλά ή μέσα υψόμετρα και αδυνατούσαν να καταγράψουν τη χωρική ετερογένεια του χιονιού στις δυσπρόσιτες κορυφογραμμές, οδηγώντας σε ελλιπή κατανόηση του υδρολογικού κύκλου.<br /> <br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την υλοποίηση της μελέτης χρησιμοποιήθηκε ένας συνδυασμός διαφορετικών ειδών δορυφορικών συστημάτων και αισθητήρων. Συγκεκριμένα, αξιοποιήθηκαν εικόνες από τον φασματοραδιόμετρο MODIS (στους δορυφόρους Terra και Aqua) για την υψηλή χρονική του ανάλυση, καθώς και δεδομένα από τη σειρά δορυφόρων Landsat (Landsat 5 TM, Landsat 7 ETM+, Landsat 8 OLI, Landsat 9 OLI-2) και τους δορυφόρους Sentinel-2 (MSI) του προγράμματος Copernicus για την υψηλή χωρική τους διακριτική ικανότητα. Η επεξεργασία αυτού του τεράστιου όγκου δεδομένων πραγματοποιήθηκε εξ ολοκλήρου στην πλατφόρμα νέφους Google Earth Engine (GEE), η οποία επιτρέπει την ταχεία ανάλυση χρονοσειρών &quot;μεγάλων δεδομένων&quot; (big data).<br /> <br /> Από τους παραπάνω δέκτες έγινε χρήση συγκεκριμένων φασματικών καναλιών, κυρίως του ορατού φάσματος (Πράσινο κανάλι) και του Βραχέος Υπέρυθρου (SWIR). Η χρησιμότητα του συνδυασμού αυτών των καναλιών έγκειται στην ικανότητά τους να διαχωρίζουν αποτελεσματικά το χιόνι (που ανακλά έντονα στο ορατό και απορροφά στο SWIR) από τα σύννεφα (που ανακλούν και στα δύο), επιτρέποντας τον υπολογισμό του Κανονικοποιημένου Δείκτη Διαφοράς Χιονιού (NDSI). Οι απαραίτητες προεπεξεργασίες περιλάμβαναν την ατμοσφαιρική διόρθωση μέσω της χρήσης προϊόντων Επιφανειακής Ανακλαστικότητας (Surface Reflectance), τη γεωαναφορά και, κρισίμως, τη δημιουργία μασκών νεφών για την εξάλειψη των ατμοσφαιρικών παρεμβολών. Ως κύριος ψηφιακός αλγόριθμος χρησιμοποιήθηκε η κατωφλίωση του δείκτη NDSI (με τιμή &gt; 0.4) για την ταξινόμηση των εικονοστοιχείων. Για τη βελτίωση της ακρίβειας, εφαρμόστηκαν τεχνικές συγχώνευσης δεδομένων (data fusion) και χρονικής παρεμβολής για την πλήρωση κενών λόγω νέφωσης. Επιπρόσθετα, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) της αποστολής SRTM της NASA. Η αναγκαιότητα του DEM ήταν καθοριστική για τις ειδικές επεξεργασίες GIS, καθώς επέτρεψε την υψομετρική διαστρωμάτωση της ανάλυσης ανά 500 μέτρα και την εξαγωγή στατιστικών ανά υδρολογική λεκάνη.<br /> <br /> Για την εγκυρότητα των αποτελεσμάτων, πραγματοποιήθηκε αξιολόγηση με χρήση δεδομένων αναφοράς από επίγειες ψηφιακές κάμερες time-lapse (π.χ. στην περιοχή Campoo). Η σύγκριση έδειξε ότι σε συνθήκες καθαρής ατμόσφαιρας η συμφωνία ταξινόμησης (classification agreement) υπερβαίνει το 85%, ενώ οι αλγόριθμοι πλήρωσης κενών (gap-filling) μείωσαν σημαντικά τα σφάλματα υποτίμησης της χιονοκάλυψης, καθιστώντας τα προϊόντα αξιόπιστα.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η εφαρμογή προηγμένων στατιστικών αλγορίθμων (Mann-Kendall) αποκάλυψε μεταβολές στο καθεστώς χιονοκάλυψης, με τα πιο ισχυρά στατιστικά ευρήματα να εντοπίζονται στην ανάλυση της έκτασης. Συγκεκριμένα, για το Ποσοστό Χιονοκάλυψης (SCF), καταγράφηκαν στατιστικά σημαντικές (p&lt;0.05) πτωτικές τάσεις, ιδιαίτερα κατά τη διάρκεια του χειμώνα στις λεκάνες που προσανατολίζονται προς το Νότο (μείωση που αγγίζει το 10-16% ανά δεκαετία).<br /> <br /> Πέρα από την έκταση (SCF), η μελέτη εξέτασε αναλυτικά και τη φαινολογία του χιονιού μέσω δεικτών όπως η Τελευταία Ημέρα Χιονοκάλυψης (LSCD), η Πρώτη Ημέρα (FESD) και η έναρξη της σταθερής χιονόπτωσης (SOD). Παρόλο που οι μεμονωμένες τάσεις διάρκειας δεν ήταν πάντα στατιστικά σημαντικές (λόγω της μεγάλης ετήσιας μεταβλητότητας), η συνοχή τους υποδεικνύει μια σαφή στροφή του καθεστώτος. Ειδικότερα, παρατηρήθηκε συρρίκνωση της εποχής του χιονιού και από τα δύο άκρα: Αφενός, η Τελευταία Ημέρα (LSCD) και η ημέρα τήξης (SMOD) εμφανίζουν αρνητική τάση, μετατοπιζόμενες σταθερά νωρίτερα μέσα στο έτος. Αφετέρου, η έναρξη της χιονόπτωσης τείνει να καθυστερεί ή να γίνεται πιο ασταθής (επηρεάζοντας το FESD/SOD). Η μείωση αυτή της συνολικής διάρκειας (SCD) υπολογίστηκε κατά μέσο όρο σε 1 ημέρα ανά δεκαετία, φτάνοντας όμως τις 5,8 ημέρες ανά δεκαετία στις υψηλότερες ζώνες. Ο συνδυασμός της σημαντικής μείωσης της χειμερινής έκτασης (SCF) με τη συνεπή τάση πρόωρης τήξης συνθέτει την εικόνα της σταδιακής αποσταθεροποίησης της κρυόσφαιρας.<br /> <br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη κατέληξε στο συμπέρασμα ότι η Κανταβρική Οροσειρά παρουσιάζει σαφείς ενδείξεις υποχώρησης της κρυόσφαιρας. Η μεθοδολογία που αναπτύχθηκε, βασισμένη στην Τηλεπισκόπηση και την επεξεργασία στο νέφος (Cloud Computing), αποδείχθηκε ένα ισχυρό εργαλείο για την εξαγωγή περιβαλλοντικών πληροφοριών σε μεγάλη κλίμακα. Αν και ορισμένοι φαινολογικοί δείκτες διάρκειας εμφανίζουν κυρίως τάσεις (tendencies) λόγω της έντονης κλιματικής διακύμανσης, η στατιστικά επιβεβαιωμένη μείωση της χειμερινής έκτασης (SCF) είναι κρίσιμη για την προσαρμογή των μοντέλων διαχείρισης υδάτινων πόρων. Τα ευρήματα αυτά υπογραμμίζουν την ανάγκη για συνέχιση της παρακολούθησης ώστε να επιβεβαιωθούν οι μακροπρόθεσμες επιπτώσεις στη βιοποικιλότητα και τα υδατικά αποθέματα της περιοχής.<br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CF%84%CE%B1%CE%B2%CE%BB%CE%B7%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%B7%CF%82_%CE%A7%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%9A%CE%B1%CE%BD%CF%84%CE%B1%CE%B2%CF%81%CE%B9%CE%BA%CE%AE_%CE%9F%CF%81%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CE%AC:_%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%83%CE%B5_%CE%95%CF%80%CE%AF%CF%80%CE%B5%CE%B4%CE%BF_%CE%9B%CE%B5%CE%BA%CE%AC%CE%BD%CE%B7%CF%82_%CE%91%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_(2000%E2%80%932024) 2026-02-06T19:44:38Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μεταβλητότητα της Χιονοκάλυψης στην Κανταβρική Οροσειρά (Ισπανία): Μελέτη σε Επίπεδο Λεκάνης Απορροής με Χρήση Δορυφορικών Δεδομένων (2000–2024)''' &lt;br/&gt;<br /> '''Συγγραφείς: Adrián Melón-Nava, Amelia Gómez-Villar ''' &lt;br/&gt;<br /> '''Πηγή: https://doi.org/10.18172/cig.6543''' &lt;br/&gt;<br /> '''Ημερομηνία: 30 Ιουνίου 2025''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 6_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 6_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 6_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 6_4.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εστιάζει στο αντικείμενο της Υδρολογίας και της Κλιματολογίας, και συγκεκριμένα στην παρακολούθηση των κρυοσφαιρικών μεταβολών. Κύριος στόχος της εφαρμογής είναι η λεπτομερής ανάλυση της δυναμικής της χιονοκάλυψης στην Κανταβρική Οροσειρά της βόρειας Ισπανίας για μια περίοδο 24 ετών (2000–2024), προκειμένου να κατανοηθούν οι επιπτώσεις της κλιματικής αλλαγής στη διαθεσιμότητα υδάτινων πόρων. Πριν από την ανάπτυξη και την ευρεία χρήση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων σε ορεινούς όγκους γινόταν σχεδόν αποκλειστικά μέσω δικτύων επίγειων μετεωρολογικών σταθμών. Η μέθοδος αυτή παρουσίαζε σημαντικούς περιορισμούς, καθώς οι σταθμοί ήταν χωρικά αραιοί, βρίσκονταν κυρίως σε χαμηλά ή μέσα υψόμετρα και αδυνατούσαν να καταγράψουν τη χωρική ετερογένεια του χιονιού στις δυσπρόσιτες κορυφογραμμές, οδηγώντας σε ελλιπή κατανόηση του υδρολογικού κύκλου.<br /> <br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την υλοποίηση της μελέτης χρησιμοποιήθηκε ένας συνδυασμός διαφορετικών ειδών δορυφορικών συστημάτων και αισθητήρων. Συγκεκριμένα, αξιοποιήθηκαν εικόνες από τον φασματοραδιόμετρο MODIS (στους δορυφόρους Terra και Aqua) για την υψηλή χρονική του ανάλυση, καθώς και δεδομένα από τη σειρά δορυφόρων Landsat (Landsat 5 TM, Landsat 7 ETM+, Landsat 8 OLI, Landsat 9 OLI-2) και τους δορυφόρους Sentinel-2 (MSI) του προγράμματος Copernicus για την υψηλή χωρική τους διακριτική ικανότητα. Η επεξεργασία αυτού του τεράστιου όγκου δεδομένων πραγματοποιήθηκε εξ ολοκλήρου στην πλατφόρμα νέφους Google Earth Engine (GEE), η οποία επιτρέπει την ταχεία ανάλυση χρονοσειρών &quot;μεγάλων δεδομένων&quot; (big data).<br /> <br /> Από τους παραπάνω δέκτες έγινε χρήση συγκεκριμένων φασματικών καναλιών, κυρίως του ορατού φάσματος (Πράσινο κανάλι) και του Βραχέος Υπέρυθρου (SWIR). Η χρησιμότητα του συνδυασμού αυτών των καναλιών έγκειται στην ικανότητά τους να διαχωρίζουν αποτελεσματικά το χιόνι (που ανακλά έντονα στο ορατό και απορροφά στο SWIR) από τα σύννεφα (που ανακλούν και στα δύο), επιτρέποντας τον υπολογισμό του Κανονικοποιημένου Δείκτη Διαφοράς Χιονιού (NDSI). Οι απαραίτητες προεπεξεργασίες περιλάμβαναν την ατμοσφαιρική διόρθωση μέσω της χρήσης προϊόντων Επιφανειακής Ανακλαστικότητας (Surface Reflectance), τη γεωαναφορά και, κρισίμως, τη δημιουργία μασκών νεφών για την εξάλειψη των ατμοσφαιρικών παρεμβολών. Ως κύριος ψηφιακός αλγόριθμος χρησιμοποιήθηκε η κατωφλίωση του δείκτη NDSI (με τιμή &gt; 0.4) για την ταξινόμηση των εικονοστοιχείων. Για τη βελτίωση της ακρίβειας, εφαρμόστηκαν τεχνικές συγχώνευσης δεδομένων (data fusion) και χρονικής παρεμβολής για την πλήρωση κενών λόγω νέφωσης. Επιπρόσθετα, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) της αποστολής SRTM της NASA. Η αναγκαιότητα του DEM ήταν καθοριστική για τις ειδικές επεξεργασίες GIS, καθώς επέτρεψε την υψομετρική διαστρωμάτωση της ανάλυσης ανά 500 μέτρα και την εξαγωγή στατιστικών ανά υδρολογική λεκάνη.<br /> <br /> Για την εγκυρότητα των αποτελεσμάτων, πραγματοποιήθηκε αξιολόγηση με χρήση δεδομένων αναφοράς από επίγειες ψηφιακές κάμερες time-lapse (π.χ. στην περιοχή Campoo). Η σύγκριση έδειξε ότι σε συνθήκες καθαρής ατμόσφαιρας η συμφωνία ταξινόμησης (classification agreement) υπερβαίνει το 85%, ενώ οι αλγόριθμοι πλήρωσης κενών (gap-filling) μείωσαν σημαντικά τα σφάλματα υποτίμησης της χιονοκάλυψης, καθιστώντας τα προϊόντα αξιόπιστα.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η εφαρμογή προηγμένων στατιστικών αλγορίθμων (Mann-Kendall) αποκάλυψε μεταβολές στο καθεστώς χιονοκάλυψης, με τα πιο ισχυρά στατιστικά ευρήματα να εντοπίζονται στην ανάλυση της έκτασης. Συγκεκριμένα, για το Ποσοστό Χιονοκάλυψης (SCF), καταγράφηκαν στατιστικά σημαντικές (p&lt;0.05) πτωτικές τάσεις, ιδιαίτερα κατά τη διάρκεια του χειμώνα στις λεκάνες που προσανατολίζονται προς το Νότο (μείωση που αγγίζει το 10-16% ανά δεκαετία).<br /> <br /> Πέρα από την έκταση (SCF), η μελέτη εξέτασε αναλυτικά και τη φαινολογία του χιονιού μέσω δεικτών όπως η Τελευταία Ημέρα Χιονοκάλυψης (LSCD), η Πρώτη Ημέρα (FESD) και η έναρξη της σταθερής χιονόπτωσης (SOD). Παρόλο που οι μεμονωμένες τάσεις διάρκειας δεν ήταν πάντα στατιστικά σημαντικές (λόγω της μεγάλης ετήσιας μεταβλητότητας), η συνοχή τους υποδεικνύει μια σαφή στροφή του καθεστώτος. Ειδικότερα, παρατηρήθηκε συρρίκνωση της εποχής του χιονιού και από τα δύο άκρα: Αφενός, η Τελευταία Ημέρα (LSCD) και η ημέρα τήξης (SMOD) εμφανίζουν αρνητική τάση, μετατοπιζόμενες σταθερά νωρίτερα μέσα στο έτος. Αφετέρου, η έναρξη της χιονόπτωσης τείνει να καθυστερεί ή να γίνεται πιο ασταθής (επηρεάζοντας το FESD/SOD). Η μείωση αυτή της συνολικής διάρκειας (SCD) υπολογίστηκε κατά μέσο όρο σε 1 ημέρα ανά δεκαετία, φτάνοντας όμως τις 5,8 ημέρες ανά δεκαετία στις υψηλότερες ζώνες. Ο συνδυασμός της σημαντικής μείωσης της χειμερινής έκτασης (SCF) με τη συνεπή τάση πρόωρης τήξης συνθέτει την εικόνα της σταδιακής αποσταθεροποίησης της κρυόσφαιρας.<br /> <br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη κατέληξε στο συμπέρασμα ότι η Κανταβρική Οροσειρά παρουσιάζει σαφείς ενδείξεις υποχώρησης της κρυόσφαιρας. Η μεθοδολογία που αναπτύχθηκε, βασισμένη στην Τηλεπισκόπηση και την επεξεργασία στο νέφος (Cloud Computing), αποδείχθηκε ένα ισχυρό εργαλείο για την εξαγωγή περιβαλλοντικών πληροφοριών σε μεγάλη κλίμακα. Αν και ορισμένοι φαινολογικοί δείκτες διάρκειας εμφανίζουν κυρίως τάσεις (tendencies) λόγω της έντονης κλιματικής διακύμανσης, η στατιστικά επιβεβαιωμένη μείωση της χειμερινής έκτασης (SCF) είναι κρίσιμη για την προσαρμογή των μοντέλων διαχείρισης υδάτινων πόρων. Τα ευρήματα αυτά υπογραμμίζουν την ανάγκη για συνέχιση της παρακολούθησης ώστε να επιβεβαιωθούν οι μακροπρόθεσμες επιπτώσεις στη βιοποικιλότητα και τα υδατικά αποθέματα της περιοχής.<br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%BD%CE%B5%CF%81%CE%B3%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%CE%94%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CE%A4%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%9F%CF%80%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%A1%CE%B1%CE%BD%CF%84%CE%AC%CF%81_%CE%A3%CF%85%CF%83%CF%84%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%A7%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82 2026-02-06T19:43:13Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Συνεργατική Δυνατότητα Τηλεπισκόπησης Οπτικών και Ραντάρ Συστημάτων για την Παρακολούθηση της Χιονοκάλυψης''' &lt;br/&gt;<br /> '''Συγγραφείς: Jose-David Hidalgo-Hidalgo, Antonio-Juan Collados-Lara, David Pulido-Velazquez, Steven R. Fassnacht, C. Husillos ''' &lt;br/&gt;<br /> '''Πηγή: https://doi.org/10.3390/rs16193705''' &lt;br/&gt; <br /> '''Ημερομηνία: 5 Οκτωβρίου 2024''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 5_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 5_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 5_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 5_4.jpg | thumb | '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 5_5.jpg | thumb | '''Εικόνα 5.''' ]]<br /> <br /> [[Αρχείο: 5_6.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εντάσσεται στο ευρύτερο επιστημονικό αντικείμενο της Υδρολογίας και της Κλιματολογίας, εστιάζοντας στην κρίσιμη ανάγκη για ακριβή και διαχρονική παρακολούθηση της χιονοκάλυψης σε ορεινά οικοσυστήματα. Ο κύριος στόχος της εφαρμογής είναι η υπέρβαση των σημαντικών περιορισμών που θέτει η συχνή νεφοκάλυψη στις ορεινές περιοχές, η οποία παραδοσιακά εμποδίζει την παρατήρηση της επιφάνειας της Γης. Πριν την έλευση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων βασιζόταν αποκλειστικά σε δίκτυα επίγειων μετεωρολογικών σταθμών και σε επιτόπιες δειγματοληψίες. Οι μέθοδοι αυτές παρείχαν μόνο σημειακές και χωρικά ασυνεχείς πληροφορίες, καθιστώντας αδύνατη την ακριβή χαρτογράφηση της κατανομής του χιονιού σε μεγάλες, δυσπρόσιτες και γεωμορφολογικά πολύπλοκες οροσειρές. Η έρευνα αυτή, εστιάζοντας σε πέντε οροσειρές της Ιβηρικής Χερσονήσου, επιχειρεί να αποδείξει πως η συνδυαστική χρήση διαφορετικών δορυφορικών τεχνολογιών μπορεί να καλύψει αυτά τα κενά πληροφόρησης.<br /> <br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την επίτευξη των στόχων της μελέτης χρησιμοποιήθηκε μια συνδυαστική μεθοδολογία που αξιοποιεί διαφορετικά είδη δορυφορικών συστημάτων, ενσωματώνοντας τόσο παθητικούς όσο και ενεργητικούς αισθητήρες. Συγκεκριμένα, έγινε χρήση του δορυφόρου Terra που φέρει τον οπτικό δέκτη MODIS (κάνοντας χρήση οπτικών και υπέρυθρων καναλιών), καθώς και του δορυφόρου Sentinel-1 της ευρωπαϊκής αποστολής Copernicus, ο οποίος είναι εξοπλισμένος με Ραντάρ Συνθετικού Ανοίγματος (SAR) στη ζώνη συχνοτήτων C-band. Η χρησιμότητα των συγκεκριμένων δεκτών λειτούργησε συμπληρωματικά, καθώς ο μεν MODIS προσέφερε μια μακροχρόνια και συνεπή χρονοσειρά οπτικών δεδομένων από το 2000 έως το 2022, ο δε Sentinel-1 αξιοποιήθηκε για τη μοναδική του ικανότητα να διαπερνά τα σύννεφα και να εντοπίζει το υγρό χιόνι κατά τις περιόδους τήξης, λειτουργώντας ως εργαλείο πλήρωσης κενών.<br /> <br /> Σε επίπεδο προεπεξεργασίας και ψηφιακών επεξεργασιών, η μελέτη εφάρμοσε συγκεκριμένους αλγορίθμους και τεχνικές GIS. Αρχικά, για την ελαχιστοποίηση του θορύβου από τη νεφοκάλυψη στα οπτικά δεδομένα, χρησιμοποιήθηκαν οι 8-ήμερες συνθέσεις του προϊόντος MOD10A2, ενώ πραγματοποιήθηκε γεωαναφορά και επαναδειγματοληψία (resampling) για την ομογενοποίηση των δεδομένων. Στη συνέχεια, εφαρμόστηκε ο δείκτης Πιθανότητας Παρουσίας Χιονοκάλυψης (PSCPI), βασισμένος σε μεθόδους φασματικών λόγων και ταξινόμησης (classification), για την ποσοτικοποίηση της χιονοκάλυψης. Παράλληλα, ενσωματώθηκε το προϊόν HRS&amp;I SWS για την ανάκτηση δεδομένων στις περιοχές που οι οπτικοί αισθητήρες αδυνατούσαν να καταγράψουν. Μια κρίσιμη ειδική επεξεργασία αφορούσε τη διαδικασία &quot;gap-filling&quot;, κατά την οποία τα κενά των οπτικών εικόνων συμπληρώθηκαν με την πληροφορία υγρού χιονιού από το HRS&amp;I SWS. Η εφαρμογή αυτής της μεθοδολογίας επέτρεψε τη δημιουργία ολοκληρωμένων χαρτών χιονοκάλυψης, αξιοποιώντας την υψηλή ανάλυση του προϊόντος ραντάρ.<br /> <br /> Επιπρόσθετα, για την ανάλυση της επίδρασης της τοπογραφίας, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) Copernicus GLO-30, η αναγκαιότητα του οποίου κρίθηκε επιτακτική για τη συσχέτιση του υψομέτρου με τη διάρκεια του χιονιού. Τέλος, η στατιστική ανάλυση των τάσεων πραγματοποιήθηκε με τη χρήση των αλγορίθμων Mann-Kendall και Sen’s slope estimator.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση των αποτελεσμάτων ανέδειξε τη σημαντική χωρική διαφοροποίηση της χιονοκάλυψης, με τα Πυρηναία και τη Σιέρα Νεβάδα να εμφανίζουν τη μεγαλύτερη διάρκεια χιονιού. Οι στατιστικές επεξεργασίες επιβεβαίωσαν ότι το γεωγραφικό πλάτος επηρεάζει καθοριστικά το υψόμετρο της χιονοκάλυψης, με τον συντελεστή προσδιορισμού να αγγίζει πολύ υψηλές τιμές (R2 ≥ 0.84). Παράλληλα, η ισχυρή εξάρτηση της πιθανότητας χιονιού (PSCPI) από το υψόμετρο αποτυπώνεται ξεκάθαρα στα παρακάτω διαγράμματα διασποράς για κάθε οροσειρά ξεχωριστά. <br /> <br /> Ένα από τα κρισιμότερα ευρήματα ήταν η εξαιρετική αποτελεσματικότητα της μεθόδου &quot;gap-filling&quot; με τη χρήση του προϊόντος HRS&amp;I SWS. Το παρακάτω γράφημα αποτυπώνει ξεκάθαρα τη συνεισφορά του προϊόντος SWS στη συνολική χαρτογράφηση. Όπως φαίνεται, η συμβολή του (το τμήμα που προστίθεται στο συνολικό εμβαδό) είναι καθοριστική κατά τους εαρινούς μήνες, επιτρέποντας την ανάκτηση χιονοκάλυψης που οι οπτικοί αισθητήρες έχαναν λόγω νεφών.<br /> <br /> Τέλος, η ανάλυση των κλιματικών τάσεων αποκάλυψε μια ανησυχητική μείωση. Ο παρακάτω πίνακας παρουσιάζει το μέγεθος της τάσης μεταβολής ανά πενταετία για κάθε μήνα. Οι αρνητικές τιμές κυριαρχούν, ιδιαίτερα τους χειμερινούς μήνες, υποδεικνύοντας σαφή συρρίκνωση της χιονοκάλυψης λόγω της κλιματικής αλλαγής.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η αξιολόγηση των μεθόδων καταδεικνύει ότι η συνέργεια μεταξύ οπτικών συστημάτων όπως ο MODIS και του προϊόντος HRS&amp;I SWS αποτελεί μια εξαιρετικά αποτελεσματική προσέγγιση για την υδρολογική παρακολούθηση και τη διαχείριση των ορεινών υδάτινων πόρων. Οι συγγραφείς τονίζουν ότι, ενώ οι οπτικοί αισθητήρες παραμένουν αναντικατάστατοι για την ιστορική καταγραφή και την ευρεία κάλυψη, η συμπληρωματική χρήση προηγμένων προϊόντων ραντάρ είναι απαραίτητη για την υπέρβαση των ατμοσφαιρικών εμποδίων. Η προτεινόμενη μεθοδολογία κρίνεται πλέον ως επιχειρησιακά ώριμη και προτείνεται η επέκτασή της σε άλλες ορεινές περιοχές, προσφέροντας μια πιο ολοκληρωμένη και αξιόπιστη εικόνα της κρυόσφαιρας σε συνθήκες μεταβαλλόμενου κλίματος.<br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B5%CF%81%CE%B5%CF%8D%CE%BD%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%93%CE%B9%CE%B3%CE%B1%CE%BD%CF%84%CE%B9%CE%B1%CE%AF%CE%B1%CF%82_%CE%91%CE%BC%CE%BC%CE%BF%CE%B8%CF%8D%CE%B5%CE%BB%CE%BB%CE%B1%CF%82_%CF%84%CE%B7%CF%82_%CE%A3%CE%B1%CF%87%CE%AC%CF%81%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%99%CE%BF%CF%85%CE%BD%CE%AF%CE%BF%CF%85_2020_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CF%89%CE%BD_%CE%95%CF%80%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82 2026-02-06T19:41:57Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης''' &lt;br/&gt;<br /> '''Συγγραφείς: A Asutosh, V Vinoj, Nuncio Murukesh, Ramakrishna Ramisetty, Nishant Mittal ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.1038/s41598-022-10017-1 &lt;br/&gt;<br /> '''Ημερομηνία: 12 Απριλίου 2022 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 4_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 4_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 4_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 4_4.png | thumb | '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 4_5.jpg | thumb | '''Εικόνα 5.''' ]]<br /> <br /> [[Αρχείο: 4_6.jpg | thumb | '''Εικόνα 6.''' ]]<br /> <br /> [[Αρχείο: 4_7.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και της Διαχείρισης Φυσικών Καταστροφών, εστιάζοντας ειδικότερα στην πολυπαραμετρική ανάλυση της ιστορικής αμμοθύελλας &quot;Godzilla&quot; του Ιουνίου 2020. Πρόκειται για το σφοδρότερο γεγονός μεταφοράς σκόνης των τελευταίων δεκαετιών, και ο κύριος στόχος της εφαρμογής είναι η διερεύνηση των άμεσων επιπτώσεών του στις ατμοσφαιρικές ακτινοβολιακές και θερμοδυναμικές ιδιότητες, καθώς και η αξιολόγηση της ικανότητας των σύγχρονων εργαλείων να χαρτογραφούν τέτοια ακραία φαινόμενα. Στο παρελθόν, η παρακολούθηση της μεταφοράς σκόνης γινόταν με μεθόδους όπως τα αραιά δίκτυα επίγειων μετρήσεων και οι υποκειμενικές αναφορές ορατότητας από εμπορικά πλοία ή αεροδρόμια. Οι μέθοδοι αυτές άφηναν τεράστια χωρικά κενά στον Ατλαντικό Ωκεανό και αδυνατούσαν πλήρως να καταγράψουν την κατακόρυφη δομή του νέφους ή να ποσοτικοποιήσουν την επίδρασή του στο ενεργειακό ισοζύγιο. Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, συνδυάζοντας δορυφορικά δεδομένα πολλαπλών δεκτών με προηγμένα μοντέλα για την ολοκληρωμένη μελέτη του φαινομένου σε τρεις διαστάσεις.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> <br /> Η έρευνα αξιοποιεί δεδομένα από ένα πλέγμα δορυφορικών συστημάτων (Terra, Aqua, Aura, CALIPSO) σε συνέργεια με τα παγκόσμια μοντέλα επανάλυσης MERRA-2 και CAMS. Χρησιμοποιήθηκαν εξειδικευμένοι δέκτες για κάθε πτυχή του φαινομένου: το MODIS (φάσμα ορατού) παρείχε το Οπτικό Βάθος Αερολυμάτων (AOD) για τη χωρική κατανομή, το OMI (υπεριώδες) τον Δείκτη Αερολυμάτων (UVAI) για τον διαχωρισμό των απορροφητικών σωματιδίων, ενώ το AIRS συνεισέφερε με προφίλ θερμοκρασίας και υγρασίας. Κρίσιμη ήταν η συμβολή του ενεργού αισθητήρα Lidar του CALIOP, ο οποίος επέτρεψε την τομή της ατμόσφαιρας για την εύρεση του ύψους της σκόνης.<br /> Σε επίπεδο προεπεξεργασίας, επιλέχθηκαν δεδομένα Επιπέδου 3 (Level-3), τα οποία είχαν υποστεί γεωαναφορά και αναγωγή σε παγκόσμιο πλέγμα 1° × 1°. Βασικό μεθοδολογικό βήμα αποτέλεσε ο υπολογισμός των κλιματικών ανωμαλιών βάσει της περιόδου αναφοράς 2002–2019. Μέσω αυτής της διαδικασίας αφαιρέθηκε το εποχικό υπόβαθρο, επιτρέποντας την ακριβή απομόνωση και ποσοτικοποίηση της ακραίας απόκλισης που προκάλεσε το συγκεκριμένο γεγονός.<br /> <br /> Επιπλέον, για την πλήρη κατανόηση της τρισδιάστατης εξέλιξης, αξιοποιήθηκαν τα δεδομένα του CALIOP. Η ανάλυση της κατακόρυφης τομής ήταν απαραίτητη για να επιβεβαιωθεί ότι η θέρμανση που παρατηρήθηκε συνέπιπτε υψομετρικά με το στρώμα της σκόνης.<br /> <br /> Τέλος, πραγματοποιήθηκε συγχώνευση και στατιστική σύγκριση των δορυφορικών μετρήσεων με τα μοντέλα για την αμοιβαία επικύρωση των ευρημάτων.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση κατέδειξε ότι το φαινόμενο ήταν το ισχυρότερο της εικοσαετίας, με τις τιμές AOD να ξεπερνούν το 1.5, τιμή εξαιρετικά σπάνια για ωκεάνιες περιοχές.<br /> <br /> Η σύγκριση της χωρικής κατανομής μεταξύ των δορυφορικών δεδομένων και των μοντέλων έδειξε ότι τα μοντέλα (MERRA-2, CAMS) κατάφεραν να αναπαράγουν με μεγάλη ακρίβεια τη γεωγραφική εξάπλωση του νέφους σκόνης. Η στατιστική αντιπαραβολή με τα μοντέλα επανάλυσης εμφάνισε υψηλή συσχέτιση (Pearson’s r &gt; 0.93), αποδεικνύοντας την αξιοπιστία των σύγχρονων προσομοιώσεων.<br /> Πέρα από την ποσότητα, αναλύθηκαν και οι οπτικές ιδιότητες των σωματιδίων για να επιβεβαιωθεί η προέλευσή τους. Οι δείκτες επιβεβαίωσαν ότι πρόκειται για χονδρόκοκκα και απορροφητικά σωματίδια σκόνης, όπως φαίνεται στα παρακάτω διαγράμματα.<br /> <br /> <br /> Το σημαντικότερο εύρημα, ωστόσο, αφορά τη θερμοδυναμική αλληλεπίδραση. Η παρουσία του πυκνού νέφους σκόνης προκάλεσε σημαντική θέρμανση των ατμοσφαιρικών στρωμάτων (8–16%) και μείωση της σχετικής υγρασίας (2–4%), γεγονός που επιβεβαιώνεται από την ανάλυση των κατακόρυφων προφίλ της ατμόσφαιρας μέσω επίγειων μετρήσεων.<br /> <br /> <br /> Η αιτία αυτής της θέρμανσης και της μεταβολής στη σταθερότητα της ατμόσφαιρας αποδίδεται στον Εξαναγκασμό Ακτινοβολίας (ARF). Η σκόνη απορρόφησε ηλιακή ενέργεια εντός της ατμόσφαιρας, εμποδίζοντάς την να φτάσει στην επιφάνεια, προκαλώντας έτσι ψύξη χαμηλά αλλά θέρμανση στα ψηλότερα στρώματα.<br /> <br /> Για την ποσοτική αποτίμηση της έντασης του φαινομένου, οι συνολικές αποκλίσεις όλων των εξεταζόμενων παραμέτρων (οπτικών και θερμοδυναμικών) σε σχέση με την κλιματολογική περίοδο αναφοράς, συνοψίζονται στον ακόλουθο πίνακα:<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη αποδεικνύει ότι η συνδυαστική χρήση πολυφασματικών δορυφορικών δεκτών και μοντέλων είναι απαραίτητη για την ολοκληρωμένη παρακολούθηση ακραίων φαινομένων. Η μέθοδος υπερτερεί σαφώς των συμβατικών τεχνικών, καθώς παρέχει κρίσιμη γνώση όχι μόνο για τη μεταφορά μάζας, αλλά και για την αλληλεπίδραση αερολυμάτων-ακτινοβολίας. Τα ευρήματα αυτά είναι ζωτικής σημασίας για τη βελτίωση των κλιματικών προβλέψεων, καθώς η ακριβής αναπαράσταση της θέρμανσης που προκαλεί η σκόνη μπορεί να βελτιώσει την κατανόηση της ενεργειακής ισορροπίας του πλανήτη και της εξέλιξης των καιρικών συστημάτων στον Ατλαντικό.<br /> <br /> <br /> '''Βιβλιογραφία''' &lt;br/&gt;<br /> <br /> 1. NASA Earth Observatory. A Dust Plume to Remember. June 2020. https://earthobservatory.nasa.gov/<br /> <br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B5%CF%81%CE%B5%CF%8D%CE%BD%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%93%CE%B9%CE%B3%CE%B1%CE%BD%CF%84%CE%B9%CE%B1%CE%AF%CE%B1%CF%82_%CE%91%CE%BC%CE%BC%CE%BF%CE%B8%CF%8D%CE%B5%CE%BB%CE%BB%CE%B1%CF%82_%CF%84%CE%B7%CF%82_%CE%A3%CE%B1%CF%87%CE%AC%CF%81%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%99%CE%BF%CF%85%CE%BD%CE%AF%CE%BF%CF%85_2020_%CE%BC%CE%B5_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%9C%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CF%89%CE%BD_%CE%95%CF%80%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82 2026-02-06T19:40:31Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης''' &lt;br/&gt;<br /> '''Συγγραφείς: A Asutosh, V Vinoj, Nuncio Murukesh, Ramakrishna Ramisetty, Nishant Mittal ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.1038/s41598-022-10017-1 &lt;br/&gt;<br /> '''Ημερομηνία: 12 Απριλίου 2022 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 4_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 4_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 4_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 4_4.jpg | thumb | '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 4_5.jpg | thumb | '''Εικόνα 5.''' ]]<br /> <br /> [[Αρχείο: 4_6.jpg | thumb | '''Εικόνα 6.''' ]]<br /> <br /> [[Αρχείο: 4_7.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και της Διαχείρισης Φυσικών Καταστροφών, εστιάζοντας ειδικότερα στην πολυπαραμετρική ανάλυση της ιστορικής αμμοθύελλας &quot;Godzilla&quot; του Ιουνίου 2020. Πρόκειται για το σφοδρότερο γεγονός μεταφοράς σκόνης των τελευταίων δεκαετιών, και ο κύριος στόχος της εφαρμογής είναι η διερεύνηση των άμεσων επιπτώσεών του στις ατμοσφαιρικές ακτινοβολιακές και θερμοδυναμικές ιδιότητες, καθώς και η αξιολόγηση της ικανότητας των σύγχρονων εργαλείων να χαρτογραφούν τέτοια ακραία φαινόμενα. Στο παρελθόν, η παρακολούθηση της μεταφοράς σκόνης γινόταν με μεθόδους όπως τα αραιά δίκτυα επίγειων μετρήσεων και οι υποκειμενικές αναφορές ορατότητας από εμπορικά πλοία ή αεροδρόμια. Οι μέθοδοι αυτές άφηναν τεράστια χωρικά κενά στον Ατλαντικό Ωκεανό και αδυνατούσαν πλήρως να καταγράψουν την κατακόρυφη δομή του νέφους ή να ποσοτικοποιήσουν την επίδρασή του στο ενεργειακό ισοζύγιο. Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, συνδυάζοντας δορυφορικά δεδομένα πολλαπλών δεκτών με προηγμένα μοντέλα για την ολοκληρωμένη μελέτη του φαινομένου σε τρεις διαστάσεις.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> <br /> Η έρευνα αξιοποιεί δεδομένα από ένα πλέγμα δορυφορικών συστημάτων (Terra, Aqua, Aura, CALIPSO) σε συνέργεια με τα παγκόσμια μοντέλα επανάλυσης MERRA-2 και CAMS. Χρησιμοποιήθηκαν εξειδικευμένοι δέκτες για κάθε πτυχή του φαινομένου: το MODIS (φάσμα ορατού) παρείχε το Οπτικό Βάθος Αερολυμάτων (AOD) για τη χωρική κατανομή, το OMI (υπεριώδες) τον Δείκτη Αερολυμάτων (UVAI) για τον διαχωρισμό των απορροφητικών σωματιδίων, ενώ το AIRS συνεισέφερε με προφίλ θερμοκρασίας και υγρασίας. Κρίσιμη ήταν η συμβολή του ενεργού αισθητήρα Lidar του CALIOP, ο οποίος επέτρεψε την τομή της ατμόσφαιρας για την εύρεση του ύψους της σκόνης.<br /> Σε επίπεδο προεπεξεργασίας, επιλέχθηκαν δεδομένα Επιπέδου 3 (Level-3), τα οποία είχαν υποστεί γεωαναφορά και αναγωγή σε παγκόσμιο πλέγμα 1° × 1°. Βασικό μεθοδολογικό βήμα αποτέλεσε ο υπολογισμός των κλιματικών ανωμαλιών βάσει της περιόδου αναφοράς 2002–2019. Μέσω αυτής της διαδικασίας αφαιρέθηκε το εποχικό υπόβαθρο, επιτρέποντας την ακριβή απομόνωση και ποσοτικοποίηση της ακραίας απόκλισης που προκάλεσε το συγκεκριμένο γεγονός.<br /> <br /> Επιπλέον, για την πλήρη κατανόηση της τρισδιάστατης εξέλιξης, αξιοποιήθηκαν τα δεδομένα του CALIOP. Η ανάλυση της κατακόρυφης τομής ήταν απαραίτητη για να επιβεβαιωθεί ότι η θέρμανση που παρατηρήθηκε συνέπιπτε υψομετρικά με το στρώμα της σκόνης.<br /> <br /> Τέλος, πραγματοποιήθηκε συγχώνευση και στατιστική σύγκριση των δορυφορικών μετρήσεων με τα μοντέλα για την αμοιβαία επικύρωση των ευρημάτων.<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> <br /> Η ανάλυση κατέδειξε ότι το φαινόμενο ήταν το ισχυρότερο της εικοσαετίας, με τις τιμές AOD να ξεπερνούν το 1.5, τιμή εξαιρετικά σπάνια για ωκεάνιες περιοχές.<br /> <br /> Η σύγκριση της χωρικής κατανομής μεταξύ των δορυφορικών δεδομένων και των μοντέλων έδειξε ότι τα μοντέλα (MERRA-2, CAMS) κατάφεραν να αναπαράγουν με μεγάλη ακρίβεια τη γεωγραφική εξάπλωση του νέφους σκόνης. Η στατιστική αντιπαραβολή με τα μοντέλα επανάλυσης εμφάνισε υψηλή συσχέτιση (Pearson’s r &gt; 0.93), αποδεικνύοντας την αξιοπιστία των σύγχρονων προσομοιώσεων.<br /> Πέρα από την ποσότητα, αναλύθηκαν και οι οπτικές ιδιότητες των σωματιδίων για να επιβεβαιωθεί η προέλευσή τους. Οι δείκτες επιβεβαίωσαν ότι πρόκειται για χονδρόκοκκα και απορροφητικά σωματίδια σκόνης, όπως φαίνεται στα παρακάτω διαγράμματα.<br /> <br /> <br /> Το σημαντικότερο εύρημα, ωστόσο, αφορά τη θερμοδυναμική αλληλεπίδραση. Η παρουσία του πυκνού νέφους σκόνης προκάλεσε σημαντική θέρμανση των ατμοσφαιρικών στρωμάτων (8–16%) και μείωση της σχετικής υγρασίας (2–4%), γεγονός που επιβεβαιώνεται από την ανάλυση των κατακόρυφων προφίλ της ατμόσφαιρας μέσω επίγειων μετρήσεων.<br /> <br /> <br /> Η αιτία αυτής της θέρμανσης και της μεταβολής στη σταθερότητα της ατμόσφαιρας αποδίδεται στον Εξαναγκασμό Ακτινοβολίας (ARF). Η σκόνη απορρόφησε ηλιακή ενέργεια εντός της ατμόσφαιρας, εμποδίζοντάς την να φτάσει στην επιφάνεια, προκαλώντας έτσι ψύξη χαμηλά αλλά θέρμανση στα ψηλότερα στρώματα.<br /> <br /> Για την ποσοτική αποτίμηση της έντασης του φαινομένου, οι συνολικές αποκλίσεις όλων των εξεταζόμενων παραμέτρων (οπτικών και θερμοδυναμικών) σε σχέση με την κλιματολογική περίοδο αναφοράς, συνοψίζονται στον ακόλουθο πίνακα:<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη αποδεικνύει ότι η συνδυαστική χρήση πολυφασματικών δορυφορικών δεκτών και μοντέλων είναι απαραίτητη για την ολοκληρωμένη παρακολούθηση ακραίων φαινομένων. Η μέθοδος υπερτερεί σαφώς των συμβατικών τεχνικών, καθώς παρέχει κρίσιμη γνώση όχι μόνο για τη μεταφορά μάζας, αλλά και για την αλληλεπίδραση αερολυμάτων-ακτινοβολίας. Τα ευρήματα αυτά είναι ζωτικής σημασίας για τη βελτίωση των κλιματικών προβλέψεων, καθώς η ακριβής αναπαράσταση της θέρμανσης που προκαλεί η σκόνη μπορεί να βελτιώσει την κατανόηση της ενεργειακής ισορροπίας του πλανήτη και της εξέλιξης των καιρικών συστημάτων στον Ατλαντικό.<br /> <br /> <br /> '''Βιβλιογραφία''' &lt;br/&gt;<br /> <br /> 1. NASA Earth Observatory. A Dust Plume to Remember. June 2020. https://earthobservatory.nasa.gov/<br /> <br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B5%CE%BB%CF%84%CE%B9%CF%89%CE%BC%CE%AD%CE%BD%CE%BF%CF%82_%CE%95%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CE%A0%CE%B1%CE%B3%CE%BA%CF%8C%CF%83%CE%BC%CE%B9%CF%89%CE%BD_%CE%A3%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD_NO2_%CE%B1%CF%80%CF%8C_%CF%84%CE%B7_%CE%9D%CE%B1%CF%85%CF%84%CE%B9%CE%BB%CE%AF%CE%B1 2026-02-06T19:39:19Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Improved detection of global NO2 signals from shipping in Sentinel-5P TROPOMI data''' &lt;br/&gt;<br /> '''Συγγραφείς: Miriam Latsch, Andreas Richter, John P. Burrows, Hartmut Bösch ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.5194/amt-18-4373-2025 &lt;br/&gt;<br /> '''Ημερομηνία: 10 Σεπτεμβρίου 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 3_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 3_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 3_3.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 3_4.jpg | thumb | '''Εικόνα 4.''' ]]<br /> <br /> [[Αρχείο: 3_5.jpg | thumb | '''Εικόνα 5.''' ]]<br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και Ποιότητας Αέρα, εστιάζοντας στον εντοπισμό ανθρωπογενών εκπομπών οξειδίων του αζώτου (NO2) από την παγκόσμια ναυτιλία. Κύριος στόχος είναι η ανάπτυξη μιας μεθοδολογίας για τη δημιουργία ενός ανεξάρτητου εργαλείου παρακολούθησης, ικανού να επαληθεύει τις απογραφές ρύπων και να εντοπίζει πηγές που διαφεύγουν της καταγραφής. Στο παρελθόν, η εκτίμηση των ναυτιλιακών εκπομπών γινόταν αποκλειστικά με συμβατικές μεθόδους, όπως τα μοντέλα απογραφής (bottom-up) και τα δεδομένα AIS. Οι μέθοδοι αυτές, ωστόσο, παρουσίαζαν σημαντικούς περιορισμούς λόγω ελλιπών στοιχείων ή αδυναμίας κάλυψης παράνομων δραστηριοτήτων (&quot;σκοτεινά πλοία&quot;). Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, αξιοποιώντας τη συνεχή δορυφορική κάλυψη για την απευθείας μέτρηση των ρύπων, προσφέροντας μια αντικειμενική εικόνα της ρύπανσης που δεν βασίζεται στην εθελοντική αναφορά θέσης από τα πλοία.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η έρευνα βασίζεται αποκλειστικά σε δεδομένα από τον δορυφόρο Sentinel-5P του προγράμματος Copernicus και το φασματόμετρο TROPOMI, εστιάζοντας στο φασματικό εύρος UV-Visible (405–465 nm) για την ανίχνευση NO2. Μια κρίσιμη καινοτομία είναι η χρήση της λοξής στήλης πυκνότητας (tSCD) αντί της τυπικής κάθετης στήλης (VCD). Η επιλογή αυτή έγινε για να αποφευχθούν οι αβεβαιότητες του Συντελεστή Αέριας Μάζας (AMF) πάνω από τους ωκεανούς, ο οποίος συχνά επισκιάζει το ασθενές σήμα των πλοίων.<br /> Για την ανάδειξη της πληροφορίας, χρησιμοποιήθηκε ένα εκτεταμένο χρονοσειριακό σύνολο δεδομένων (2018–2022) ώστε να μεγιστοποιηθεί ο λόγος σήματος προς θόρυβο. Εφαρμόστηκαν αυστηρές προεπεξεργασίες: φιλτράρισμα νέφωσης (κάλυψη &gt;30%), μάσκα ξηράς για εστίαση στο θαλάσσιο περιβάλλον και χρήση φίλτρων Fourier για destriping (αφαίρεση θορύβου γραμμώσεων). Ως προηγμένη επεξεργασία εξαγωγή χαρακτηριστικών, αναπτύχθηκε ένας αλγόριθμος επαναληπτικού υψιπερατού φίλτρου (High-pass filter), ο οποίος αφαιρεί το ομαλό υπόβαθρο του NO2 και απομονώνει τις αιχμές των καυσαερίων, επιτρέποντας τον εντοπισμό ακόμα και ασθενών ιχνών που χάνονταν σε ημερήσιες λήψεις.<br /> <br /> Στο πλαίσιο των επεξεργασιών GIS, τα δεδομένα συγχωνεύθηκαν σε χωρικό πλέγμα υψηλής ανάλυσης (0.05° × 0.05°) μέσω υπερ-δειγματοληψίας. Η χρήση επιπρόσθετων δεδομένων (μοντέλο απογραφής CAMS-GLOB-SHIP και χάρτες AIS) κρίθηκε αναγκαία για την αξιολόγηση, καθώς χωρίς αυτά θα ήταν αδύνατος ο διαχωρισμός των πραγματικών σημάτων ναυσιπλοΐας από τυχόν τεχνητά σφάλματα του δορυφόρου ή ατμοσφαιρικό θόρυβο.<br /> <br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η μέθοδος αποκάλυψε με ευκρίνεια τις κύριες ναυτιλιακές οδούς σε Ινδικό, Μεσόγειο και Ειρηνικό, οι οποίες παρέμεναν αόρατες στα ακατέργαστα δεδομένα επιπέδου L2. Επιπλέον, η ανάλυση κατέδειξε ότι η ποιότητα του εντοπισμού εξαρτάται σημαντικά από τις μετεωρολογικές συνθήκες, καθώς οι ισχυροί άνεμοι προκαλούν διασπορά και &quot;θόλωμα&quot; των ιχνών, καθιστώντας δυσκολότερη την ανίχνευση σε περιοχές με έντονη κυκλωνική δραστηριότητα, εντούτοις η μακροχρόνια συσσώρευση δεδομένων αντιστάθμισε μερικώς αυτό το πρόβλημα.<br /> <br /> Η στατιστική και οπτική σύγκριση με τη βάση CAMS-GLOB-SHIP έδειξε ισχυρή χωρική συσχέτιση, επιβεβαιώνοντας την ικανότητα του δορυφόρου να ποσοτικοποιεί τη δραστηριότητα. Όπως φαίνεται και στο παράδειγμα του Ατλαντικού Ωκεανού, οι διακριτές λωρίδες ναυσιπλοΐας που εντοπίζει ο δορυφόρος ταυτίζονται απόλυτα με τις καταγραφές των μοντέλων AIS.<br /> <br /> Η ακρίβεια της μεθόδου επιβεβαιώθηκε περαιτέρω μέσω του εντοπισμού σταθερών σημείων εκπομπής, όπως οι πλατφόρμες πετρελαίου στη Βόρεια Θάλασσα, οι οποίες ταυτοποιήθηκαν απόλυτα με τις γνωστές εγκαταστάσεις.<br /> <br /> Το πλέον σημαντικό εύρημα προέκυψε από την αντιπαραβολή με το AIS. Σε περιοχές όπως ο Βόρειος Ειρηνικός, το μοντέλο εντόπισε σαφή γραμμικά ίχνη NO2 (&quot;ορφανά σήματα&quot;) χωρίς αντίστοιχα στίγματα πλοίων. Αυτό υποδηλώνει την παρουσία πλοίων που δεν αναφέρουν τη θέση τους ή σφάλματα καταγραφής, αποδεικνύοντας την υπεροχή της τηλεπισκόπησης στον εντοπισμό μη δηλωμένης δραστηριότητας.<br /> <br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταδεικνύει ότι η καινοτόμος χρήση της tSCD του TROPOMI με εξειδικευμένους αλγορίθμους συνιστά μια αξιόπιστη μέθοδο παρακολούθησης της ναυτιλίας. Λειτουργώντας συμπληρωματικά προς το AIS, προσφέρει ένα κρίσιμο εργαλείο ελέγχου συμμόρφωσης και εντοπισμού παράνομων εκπομπών, ειδικά εντός των καθορισμένων Περιοχών Ελέγχου Εκπομπών (ECAs). Η δυνατότητα ανεξάρτητης επαλήθευσης κρίνεται απαραίτητη για την υποστήριξη των διεθνών κανονισμών του IMO, θέτοντας παράλληλα τα θεμέλια για την αξιοποίηση μελλοντικών αποστολών (όπως το CO2M) υψηλότερης διακριτικής ικανότητας, οι οποίες θα επιτρέψουν τη συσχέτιση των εκπομπών NO2 με τα αέρια του θερμοκηπίου για την αντιμετώπιση της κλιματικής αλλαγής.<br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%84%CE%B7%CF%82_%CE%A0%CE%BF%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%91%CE%AD%CF%81%CE%B1 2026-02-06T19:35:19Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' &lt;br/&gt;<br /> '''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' &lt;br/&gt;<br /> '''Πηγή:''' https://doi.org/10.3390/rs17203472 &lt;br/&gt;<br /> '''Ημερομηνία: 17 Οκτώβρη 2025 ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 2_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 2_2.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> [[Αρχείο: 2_3α.jpg | thumb | '''Εικόνα 2α''' ]]<br /> [[Αρχείο: 2_3β.jpg | thumb | '''Εικόνα 2β''' ]]<br /> <br /> [[Αρχείο: 2_4.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 2_5.jpg | thumb | '''Εικόνα 4.''' ]]<br /> <br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών &quot;ενσωματώσεων&quot; (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.<br /> Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία &quot;ετήσιων μέσων συνθέσεων&quot; (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.<br /> <br /> Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό. <br /> <br /> Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.<br /> Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον. <br /> <br /> Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που &quot;θολώνουν&quot; την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να &quot;ακολουθούν&quot; πιστά τη χάραξη των μεγάλων λεωφόρων.<br /> <br /> Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots&quot; και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CF%84%CE%B7%CF%82_%CE%91%CF%84%CE%BC%CE%BF%CF%83%CF%86%CE%B1%CE%B9%CF%81%CE%B9%CE%BA%CE%AE%CF%82_%CE%A1%CF%8D%CF%80%CE%B1%CE%BD%CF%83%CE%B7%CF%82_%CE%B1%CF%80%CF%8C_%CE%94%CE%B1%CF%83%CE%B9%CE%BA%CE%AD%CF%82_%CE%A0%CF%85%CF%81%CE%BA%CE%B1%CE%B3%CE%B9%CE%AD%CF%82_%CE%BC%CE%B5_%CE%94%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AD%CF%82_%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%B7%CF%81%CE%AE%CF%83%CE%B5%CE%B9%CF%82 2026-02-06T19:30:10Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div>''' &lt;span style=&quot;color:#006400&quot;&gt; Άρθρο: &quot;Προσδιορισμός της Ατμοσφαιρικής Ρύπανσης από Δασικές Πυρκαγιές με Δορυφορικές Παρατηρήσεις&quot;''' &lt;br/&gt;<br /> '''Συγγραφείς: Efem Bilgiç, Gizem Tuna Tuygun, Orhan Gunduz ''' &lt;br/&gt;<br /> '''Πηγή:''' https://www.researchgate.net/publication/356791231_Determination_of_Air_Pollution_from_Wildfires_with_Satellite_Observations &lt;br/&gt;<br /> '''Ημερομηνία: 1-2 Δεκεμβρίου 2021 (Συνέδριο) ''' &lt;br/&gt;<br /> <br /> [[Αρχείο: 1_1.jpg | thumb | '''Εικόνα 1.''' ]]<br /> <br /> [[Αρχείο: 1_2.jpg | thumb | '''Εικόνα 2.''' ]]<br /> <br /> [[Αρχείο: 1_3.jpg | thumb | '''Πίνακας 1.''' ]]<br /> <br /> [[Αρχείο: 1_4.jpg | thumb | '''Εικόνα 3.''' ]]<br /> <br /> [[Αρχείο: 1_5.jpg | thumb | '''Πίνακας 2.''' ]]<br /> <br /> <br /> <br /> '''Περίληψη''' &lt;br/&gt;<br /> <br /> Η παρούσα μελέτη διερευνά τις εκπομπές ατμοσφαιρικής ρύπανσης που προκλήθηκαν από τις καταστροφικές δασικές πυρκαγιές που σημειώθηκαν στην δυτική και νοτιοδυτική Τουρκία μεταξύ της 15ης Ιουλίου 2021 και της 15ης Αυγούστου 2021. Κατά τη διάρκεια αυτής της περιόδου, η Τουρκία βίωσε μερικές από τις χειρότερες πυρκαγιές στην ιστορία της, με περίπου 200.000 εκτάρια να έχουν καεί έως το τέλος Σεπτεμβρίου σύμφωνα με το Ευρωπαϊκό Σύστημα Πληροφόρησης για Δασικές Πυρκαγιές (EFFIS). Οι πυρκαγιές προκάλεσαν σημαντικές ζημιές στο οικοσύστημα και επηρέασαν αρνητικά την περιφερειακή ποιότητα του αέρα. Οι ερευνητές εστίασαν συγκεκριμένα στις επαρχίες Muğla, Antalya και İçel (Mersin) για να ποσοτικοποιήσουν τις εκπομπές διαφόρων ρύπων που προέκυψαν από αυτά τα γεγονότα. Αξιοποιώντας την τεχνολογία τηλεπισκόπησης και τα μοντέλα απογραφής εκπομπών, η μελέτη στοχεύει να παρέχει μια λεπτομερή αξιολόγηση των περιβαλλοντικών επιπτώσεων αυτών των πυρκαγιών και να αξιολογήσει την αποτελεσματικότητα των μεθόδων δορυφορικής παρατήρησης στην παρακολούθηση της ατμοσφαιρικής ρύπανσης που προκαλείται από πυρκαγιές. &lt;br/&gt;<br /> <br /> <br /> '''Μέθοδοι''' &lt;br/&gt;<br /> <br /> Για την ανάλυση των πυρκαγιών, οι ερευνητές χρησιμοποίησαν μια μεθοδολογική προσέγγιση πολλαπλών βημάτων συνδυάζοντας την τηλεπισκόπηση και τα Γεωγραφικά Συστήματα Πληροφοριών (GIS). Αρχικά, επεξεργάστηκαν εικόνες που ελήφθησαν πριν και μετά την πυρκαγιά από τον δορυφόρο Sentinel-2, ο οποίος παρέχει οπτική απεικόνιση υψηλής ανάλυσης (10–20 m). Αυτή η προσέγγιση προσφέρει υψηλότερο επίπεδο λεπτομερούς ανάλυσης σε σύγκριση με το τυπικό Ευρωπαϊκό Σύστημα Πληροφόρησης για Δασικές Πυρκαγιές (EFFIS), το οποίο βασίζεται συνήθως σε αισθητήρες χαμηλότερης ανάλυσης όπως οι MODIS (250 m) και VIIRS (375 m) για ταχεία εκτίμηση ζημιών σε ηπειρωτική κλίμακα. Χρησιμοποιώντας τις εικόνες του Sentinel-2, οι ερευνητές υπολόγισαν τον διαφορικό Κανονικοποιημένο Δείκτη Καύσης (dNBR) —τη διαφορά μεταξύ του NBR πριν και μετά την πυρκαγιά— για να εντοπίσουν τις καμένες περιοχές και να αξιολογήσουν τη σφοδρότητα της καύσης βάσει κλιμάκων που προτείνονται από το Γεωλογικό Ινστιτούτο των ΗΠΑ (USGS). &lt;br/&gt;<br /> <br /> Χρησιμοποιώντας αυτόν τον φασματικό δείκτη σε δεδομένα υψηλής ανάλυσης, η μελέτη πέτυχε έναν πιο ακριβή προσδιορισμό της χωρικής έκτασης και της έντασης της ζημιάς από τις ευρύτερες επιχειρησιακές χαρτογραφήσεις που παράγονται συχνά από το EFFIS, καταγράφοντας τη λεπτομερή ετερογένεια της καύσης που οι αισθητήρες χαμηλότερης ανάλυσης ενδέχεται να παραβλέψουν. Μετά τη χωρική ανάλυση, η μελέτη υπολόγισε τα φορτία ρύπων που απελευθερώθηκαν από τις πυρκαγιές χρησιμοποιώντας την τεχνολογικά εξειδικευμένη προσέγγιση EMEP/EEA Tier 2. Αυτή η μέθοδος &quot;από κάτω προς τα πάνω&quot; χρησιμοποιεί τα ακριβή δεδομένα καμένων εκτάσεων που ελήφθησαν από την ανάλυση GIS σε συνδυασμό με τυπικούς συντελεστές καύσιμης ύλης για την εκτίμηση εκπομπών διαφόρων ρύπων, συμπεριλαμβανομένων των Οξειδίων του Αζώτου (NOx), του Μονοξειδίου του Άνθρακα (CO), των Οξειδίων του Θείου (SOx), των Ολικών Αιωρούμενων Σωματιδίων (TSP), των Αιωρούμενων Σωματιδίων (PM2.5) και του Μαύρου Άνθρακα (BC). Τέλος, τα υπολογισμένα αποτελέσματα εκπομπών συγκρίθηκαν με δεδομένα από το Παγκόσμιο Σύστημα Αφομοίωσης Πυρκαγιών (GFAS), το οποίο χρησιμοποιεί μια διακριτά διαφορετική μεθοδολογία &quot;από πάνω προς τα κάτω&quot;. Το GFAS αφομοιώνει παρατηρήσεις Ακτινοβολουμένης Ισχύος Πυρκαγιάς (FRP) από δορυφορικούς αισθητήρες για να παράγει ημερήσιες εκτιμήσεις εκπομπών βάσει της ανιχνευόμενης έντασης θερμικής ενέργειας και όχι απλώς του φυσικού αποτυπώματος, λειτουργώντας ως ένα ισχυρό βήμα επικύρωσης για τη διασταύρωση των υπολογισμών της μελέτης που βασίζονται στην έκταση έναντι των παρατηρήσεων που βασίζονται στην ενέργεια. &lt;br/&gt;<br /> <br /> <br /> '''Αποτελέσματα''' &lt;br/&gt;<br /> <br /> Εκτιμήθηκε ότι κάηκαν συνολικά 136.709 εκτάρια σε 18 ζώνες πυρκαγιάς σε διαφορετικά επίπεδα, και περίπου το 40% της καμένης έκτασης είχε υψηλή και μέτρια-υψηλή σφοδρότητα. Το EFFIS υπολόγισε τη συνολική καμένη έκταση σε 144.871 εκτάρια, και οι συγκρίσεις βάσει πολυγώνων με το EFFIS έδειξαν ότι ελήφθησαν συνεπή αποτελέσματα σε σχεδόν όλα τα πολύγωνα. &lt;br/&gt;<br /> <br /> Τα αποτελέσματα του EFFIS ήταν ελαφρώς υπερεκτιμημένα στο Köyceğiz (μία από τις 18 ζώνες πυρκαγιάς). Η ανάλυση GIS αποκάλυψε ότι τα δάση γύρω από το Manavgat στην επαρχία της Antalya υπέστησαν την πιο εκτεταμένη καύση. Οι συνολικές καμένες δασικές εκτάσεις που υπολογίστηκαν για τις επαρχίες ήταν 52.291 εκτάρια για τη Muğla, 66.211 εκτάρια για την Antalya και 13.642 εκτάρια για το İçel. Η μελέτη ποσοτικοποίησε με επιτυχία τα ειδικά φορτία για ιχνοστοιχεία αερίων και αιωρούμενα σωματίδια για κάθε εντοπισμένη ζώνη πυρκαγιάς. Για παράδειγμα, στις ζώνες που επλήγησαν σοβαρότερα, απελευθερώθηκαν σημαντικές ποσότητες CO και NOx στην ατμόσφαιρα. &lt;br/&gt;<br /> <br /> Κατά τη σύγκριση των υπολογιζόμενων εκπομπών της μελέτης με τα δεδομένα του GFAS, οι ερευνητές διαπίστωσαν ισχυρή συμφωνία, ιδιαίτερα όσον αφορά τις εκπομπές αερίων. Ενώ η συνολική καμένη έκταση παρείχε μια βάση για την καταστροφή, η συμπερίληψη των βαθμίδων σφοδρότητας καύσης προσέφερε πιο λεπτομερή αποτελέσματα, δείχνοντας ότι το μέγεθος της περιοχής από μόνο του δεν αποτελεί πάντα επαρκές κριτήριο για την αξιολόγηση των επιπτώσεων. Επισημάνθηκε ότι, ενώ υπήρχαν διαφορές σε συγκεκριμένες τιμές μεταξύ των υπολογισμών της μελέτης και των δεδομένων GFAS για ορισμένους ρύπους όπως τα TSP και PM2.5, οι γενικές τάσεις και τα μεγέθη ήταν σε μεγάλο βαθμό σύμφωνα.<br /> <br /> <br /> '''Συμπεράσματα''' &lt;br/&gt;<br /> <br /> Οι συγγραφείς κατέληξαν στο συμπέρασμα ότι η μεθοδολογία που αξιοποιεί προϊόντα του δορυφόρου Sentinel-2 σε συνδυασμό με το μοντέλο εκπομπών EMEP/EEA αποτελεί ένα ορθολογικά αξιόπιστο εργαλείο για τον προσδιορισμό τόσο των καμένων εκτάσεων όσο και των επακόλουθων εκπομπών ατμοσφαιρικής ρύπανσης. Η υψηλή χωρική ανάλυση του Sentinel-2 επέτρεψε την ακριβή αξιολόγηση της σφοδρότητας της καύσης, η οποία είναι κρίσιμη για την ακριβή εκτίμηση των εκπομπών. Η συμφωνία μεταξύ των αποτελεσμάτων της μελέτης και των δεδομένων αφομοίωσης GFAS επικύρωσε περαιτέρω αυτή την προσέγγιση. Η μελέτη προτείνει ότι αυτή η μεθοδολογία μπορεί να εφαρμοστεί αποτελεσματικά για την επαλήθευση των επιπτώσεων πυρκαγιών σε άλλα μέρη του κόσμου. Επιπλέον, τα δεδομένα εκπομπών που παράγονται από αυτή την έρευνα μπορούν να χρησιμεύσουν ως ακριβείς χωροχρονικοί όροι πηγής για μοντέλα ατμοσφαιρικής μεταφοράς μικρής και μεσαίας εμβέλειας, βοηθώντας στην προσομοίωση της διασποράς ρύπων που προέρχονται από πυρκαγιές σε μελλοντικές μελέτες ποιότητας του αέρα.<br /> <br /> <br /> <br /> [[category:Ατμοσφαιρική Ρύπανση]]</div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:6_4.jpg 2026-02-06T19:27:14Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div></div>

KONSTANTINOU GEORGIOS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:6_3.jpg 2026-02-06T19:27:02Z

<p>KONSTANTINOU GEORGIOS: </p> <hr /> <div></div>

KONSTANTINOU GEORGIOS