http://147.102.106.44/rs/wiki/index.php?feed=atom&target=KOUTSOLIAKOS_PANAGIOTIS&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%2FKOUTSOLIAKOS_PANAGIOTIS 2026-04-15T11:02:41Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CF%83%CF%89%CE%BC%CE%B1%CF%84%CF%8E%CE%BD%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CE%B5_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AC_%CE%BF%CE%B9%CE%BA%CE%BF%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1:_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_QGIS_%CF%83%CF%84%CE%B7_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD. 2026-01-27T11:03:42Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div> [[Αρχείο:1forest.png|thumb|right|'''Εικόνα''': Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυση. Παρότι οι κόμες είναι καθαρά ορατές σε εικόνες υψηλής ανάλυσης (τρεις επάνω εικόνες), η ορατότητά τους μειώνεται σε χαμηλότερες χωρικές αναλύσεις και γίνεται μη αναγνωρίσιμη, όπως στο Sentinel-2.© LWF 2025, πηγή:https://www.lwf.bayern.de/informationstechnologie/fernerkund ung/345521/index.php]]<br /> <br /> [[Αρχείο:2forest.png|thumb|right|'''Εικόνα''':Χάρτες πλατυφύλλων (πράσινο) και κωνοφόρων (μπλε) δασικών εκτάσεων με το CIR ορθοφωτοχάρτη στο υπόβαθρο για μεικτά δάση στην Ελβετία. Παρότι δύο διαφορετικές προσεγγίσεις μοντελοποίησης Random Forest (RF) παράγουν σχεδόν ταυτόσημες συνολικές ακρίβειες (OA), η κατανομή των εικονοστοιχείων πλατυφύλλων και κωνοφόρων<br /> διαφέρει σε επίπεδο συστάδας (περιοχή πλαισίου). © Comprises adapted Copernicus-Sentinel-Data (2021-2023), Swiss NFI and swisstopo.]]<br /> [[category:Δάση και ημι-φυσικές περιοχές]]<br /> <br /> '''Πρωτότυπος τίτλος:''' Toward a Collaborative Framework: Integrating Remote Sensing Research with Forestry Practice<br /> <br /> '''Συγγραφείς:''' Lars T. Waser , Nataliia Rehush, Hannes Horneber, Raffael Bienz, Krzysztof Stereńczak, Mirela Beloiu Schwenke.<br /> <br /> '''Δημοσιεύθηκε:''' Μάιος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3929/ethz-b-000742242<br /> <br /> '''Εισαγωγή'''<br /> <br /> Υπάρχει αυξανόμενη ζήτηση, τόσο στην έρευνα όσο και στις πρακτικές εφαρμογές, για οικονομικά αποδοτικά, ακριβή, επίκαιρα και σταθερά διαθέσιμα δεδομένα (χάρτες) σχετικά με βασικά χαρακτηριστικά των δασών, όπως η σύνθεση των ειδών δέντρων, ο όγκος των κορμών, οι διαταραχές και η θνησιμότητα των δέντρων. Οι δασολόγοι συχνά αντιμετωπίζουν δυσκολίες λόγω της έλλειψης ποιοτικής, επικαιροποιημένης και χωρίς σφάλματα πληροφόρησης για την κατάσταση των δασών. Μετά από 40 χρόνια ανάπτυξης δασικών προϊόντων βασισμένων στην τηλεπισκόπηση, εντοπίζουμε τρία ζητήματα: 1) η υιοθέτησή τους από τους επαγγελματίες της δασοπονίας παραμένει διστακτική, 2) η ορθή, σύμφωνα με τον αρχικό σκοπό, χρήση τους δεν διασφαλίζεται πάντα και 3) τα προϊόντα υπολείπονται των προσδοκιών των χρηστών όσον αφορά το περιεχόμενο της πληροφορίας, την ακρίβεια και τη συχνότητα επικαιροποίησης. Παρ’ όλα αυτά, οι πρακτικές δασικές εκτιμήσεις βασίζονται γενικά στη συνολική σύνθεση των ειδών δέντρων μιας συστάδας και όχι μόνο στο ανώτερο στρώμα της κόμης. Ο κύριος λόγος γι’ αυτό το χάσμα είναι η ανεπαρκής επικοινωνία και συνεργασία μεταξύ της επιστημονικής κοινότητας και των εμπλεκόμενων φορέων. Το έργο αυτό ευθυγραμμίζεται με τη Δασική Στρατηγική της ΕΕ για τη βελτίωση της προστασίας, αποκατάστασης και ανθεκτικότητας των ευρωπαϊκών δασών, βοηθώντας τους δασολόγους να διαχειρίζονται τα δάση τους πιο αποτελεσματικά με οικονομικά αποδοτικά, απλά και ισχυρά εργαλεία τηλεπισκόπησης.<br /> <br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> • Δεδομένα: Χρησιμοποιούνται δορυφορικά δεδομένα (Sentinel-2, Landsat κ.ά.), υφιστάμενοι θεματικοί χάρτες (π.χ. όρια δασών, οδικό δίκτυο), καθώς και επιλεγμένα δεδομένα πεδίου για έλεγχο και επικύρωση.<br /> <br /> • Περιβάλλον εργασίας: Όλη η επεξεργασία γίνεται σε QGIS, με χρήση ενσωματωμένων εργαλείων raster–vector, plugin για λήψη/προεπεξεργασία δεδομένων και, όπου χρειάζεται, σύνδεση με εξωτερικά scripts (π.χ. Python, R).<br /> <br /> <br /> '''Βήματα Επεξεργασίας'''<br /> <br /> • Εισαγωγή εικόνων Sentinel-2/Landsat, γεωαναφορά και οργάνωση σε QGIS project.<br /> <br /> • Προεπεξεργασία (π.χ. διορθώσεις, δημιουργία μωσαϊκών, αποκοπή στην περιοχή ενδιαφέροντος).<br /> <br /> • Υπολογισμός δεικτών βλάστησης (NDVI, κ.λπ.) και άλλων παραγώγων raster.<br /> <br /> • Εποπτευόμενη ταξινόμηση ή/και κανόνες ταξινόμησης για δημιουργία χαρτών<br /> κάλυψης/τύπων δάσους.<br /> <br /> • Ανίχνευση αλλαγών μεταξύ διαφορετικών χρονολογιών (change detection) με σύγκριση χαρτών ή δεικτών.<br /> <br /> • Σύνθεση θεματικών χαρτών, layout, και εξαγωγή σε μορφές κατάλληλες για διαχειριστές (PDF, WebGIS κ.λπ.).<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> • Παράγονται λειτουργικοί χάρτες δασικής κάλυψης, τύπων δάσους και αλλαγών (π.χ. αποψιλώσεις, καμένες εκτάσεις) που έχουν επαρκή ακρίβεια για επιχειρησιακή χρήση από δασικές υπηρεσίες.<br /> <br /> • Δείχνεται ότι μεγάλα σύνολα δορυφορικών δεδομένων μπορούν να διαχειριστούν σε QGIS χωρίς ακριβό λογισμικό, με σχετικά απλά workflows που μπορούν να επαναχρησιμοποιηθούν (project templates, μοντέλα στο Model Builder).<br /> <br /> • Η συνεργασία ερευνητών–διαχειριστών βελτιώνεται: οι ερευνητές μετατρέπουν πολύπλοκες μεθόδους σε πρακτικά «εργαλεία» μέσα στο QGIS (π.χ. έτοιμες ροές εργασίας, plugins, προτυποποιημένα στυλ χαρτών), ενώ οι διαχειριστές αποκτούν πιο άμεση πρόσβαση σε χάρτες υψηλής πληροφορίας.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι το QGIS μπορεί να λειτουργήσει ως «γέφυρα» ανάμεσα στην προηγμένη τηλεπισκόπηση και την καθημερινή δασική πρακτική, επειδή συνδυάζει δωρεάν πρόσβαση, μεγάλη κοινότητα και δυνατότητα ενσωμάτωσης νέων μεθόδων (plugins, scripts). Τονίζεται πως, με σωστή καθοδήγηση (τεκμηρίωση, έτοιμα workflows, εκπαίδευση), ακόμη και μη ειδικοί στην τηλεπισκόπηση μπορούν να χρησιμοποιήσουν δορυφορικά δεδομένα για να εντοπίζουν διαταραχές, να παρακολουθούν την εξέλιξη του δάσους και να τεκμηριώνουν τις διαχειριστικές τους αποφάσεις. Τέλος, προτείνεται η περαιτέρω ανάπτυξη εξειδικευμένων εργαλείων/προσθέτων στο QGIS για συγκεκριμένα δασικά ζητήματα (π.χ. πυρκαγιές, βιομάζα,δασικά προϊόντα), ώστε η προσέγγιση να επεκταθεί και σε άλλα πλαίσια και χώρες.<br /> <br /> <br /> [[category:ΔΠΜΣ ]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%BF%CF%85%CF%84%CF%83%CE%BF%CE%BB%CE%B9%CE%AC%CE%BA%CE%BF%CF%82_%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%B9%CF%8E%CF%84%CE%B7%CF%82 2026-01-27T11:01:42Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div>*[[ Αντικειμενοστραφής Χαρτογράφηση της Ζωτικότητας των Βορείων Δασών με Πολυφασματικά Δεδομένα Drone‎ ]]<br /> *[[ Αξιολόγηση της Δυνατότητας Εντοπισμού Αστικών Δενδρωδών Ειδών με Συνδυασμό Πολυεποχικών Εικόνων Sentinel-2 και Εναέριου LiDAR‎ ]]<br /> *[[ Διερεύνηση της Επίδρασης του Εδάφους στους Αμπελώνες μέσω Χρονοσειρών Sentinel-2 και Δεικτών Φαινολογίας‎ ]]<br /> *[[ Πρόβλεψη αποδόσεων μανιτάριων σε μεσογειακό δάσος‎ ]]<br /> *[[ Ενσωματώνοντας την επιστήμη της τηλεπισκόπησης σε δασικά οικοσυστήματα: Χρήση του QGIS στη χαρτογράφηση και παρακολούθηση δασών. ]]<br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%94%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CE%95%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%BD%CE%B4%CF%81%CF%89%CE%B4%CF%8E%CE%BD_%CE%95%CE%B9%CE%B4%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%A3%CF%85%CE%BD%CE%B4%CF%85%CE%B1%CF%83%CE%BC%CF%8C_%CE%A0%CE%BF%CE%BB%CF%85%CE%B5%CF%80%CE%BF%CF%87%CE%B9%CE%BA%CF%8E%CE%BD_%CE%95%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_Sentinel-2_%CE%BA%CE%B1%CE%B9_%CE%95%CE%BD%CE%B1%CE%AD%CF%81%CE%B9%CE%BF%CF%85_LiDAR 2026-01-27T10:53:54Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div>[[Αρχείο:assesing1.png|thumb|right|'''Εικόνα''': Τοποθεσία και χρήση γης στην εξεταζόμενη περιοχή.]]<br /> <br /> [[Αρχείο:assesing2.png|thumb|right|'''Εικόνα''': Tαξινόμηση Random Forest (RF) 13 φυλλοβόλων ειδών. Ο αριθμός των σωστά ταξινομημένων δειγμάτων είναι σε έντονα γράμματα. PA ακρίβεια παραγωγού, UA ακρίβεια χρήστη, OA συνολική ακρίβεια.]]<br /> <br /> [[Αρχείο:assesing3.png|thumb|right|'''Εικόνα''': Ακρίβειες του μοντέλου ταξινόμησης Random Forest (OA συνολική ακρίβεια) με διάφορους συνδυασμούς πολυεποχιακών χρονοσειρών.]]<br /> <br /> '''Πρωτότυπος τίτλος:''' Assessing the potential of multi- seasonal Sentinel-2 satellite imagery combined with airborne LiDAR for urban tree species identification<br /> <br /> '''Συγγραφείς:''' Yunfang Jian, Xianghua Li, Lixian Peng, Chunjing Li &amp; Tao Song.<br /> <br /> '''Δημοσιεύτηκε:''' Ιούλιος του 2025<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1038/s41598-025-10971-6 <br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα αστικά δέντρα διαδραματίζουν κρίσιμο ρόλο στην παροχή υπηρεσιών στο οικοσύστημα, όπως ο καθαρισμός του αέρα, η μετριασμένη θερμότητα των πόλεων και η βελτίωση της υγείας και της ποιότητας ζωής των ανθρώπων. Η ακριβής αναγνώριση της σύστασης και της κατανομής των ειδών είναι προαπαιτούμενο για την αποτελεσματική σχεδίαση και διαχείριση του αστικού τοπίου. Ωστόσο, η ακριβής απόκτηση χωρικών πληροφοριών για τα αστικά δέντρα σε ιδιαίτερα ετερογενή και πολύπλοκα αστικά περιβάλλοντα αποτελεί σημαντική πρόκληση. Οι επίγειες έρευνες αποτελούν την ακριβέστερη μέθοδο συλλογής δεδομένων, αλλά είναι συχνά δαπανηρές και κατάλληλες μόνο για μικρής κλίμακας μελέτες. Η τηλεπισκόπηση προσφέρει παρατηρήσεις σε διάφορες κλίμακες, δίνοντας τη δυνατότητα αυτοματοποιημένης ταξινόμησης σε μεγάλη κλίμακα. Η δορυφορική ταξινόμηση ειδών έχει μελετηθεί εκτενώς σε φυσικά περιβάλλοντα, αλλά οι αστικές περιοχές παρουσιάζουν επιπλέον προκλήσεις όπως η πολυπλοκότητα χρήσης γης, η ποικιλομορφία της αστικής σύστασης δέντρων και η ποικίλη διαχείριση τα οποία απαιτούν ειδικές προσεγγίσεις. Το Sentinel-2 παρέχει δωρεάν πολυφασματικά δεδομένα με χωρική ανάλυση 10 μέτρων και πενθήμερο κύκλο επανάληψης, καθιστώντας το ιδανικό για εφαρμογές παρακολούθησης αστικών τοπίων. Η ενσωμάτωση δεδομένων LiDAR προσφέρει πρόσθετες δομικές πληροφορίες για την καλύτερη διαφοροποίηση ειδών. Η παρούσα μελέτη διερευνά τη δυνατότητα χρήσης πολυεποχιακής δορυφορικής τηλεπισκόπησης συνδυασμένης με αερομεταφερόμενα δεδομένα LiDAR για την αναγνώριση ειδών αστικών δέντρων σε μεγάλη κλίμακα (&gt; 5000 km2) στη Σαγκάη, μία από τις μεγαλύτερες πόλεις της Κίνας.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η μελέτη διεξήχθη στο κύριο ηπειρωτικό τμήμα της Σαγκάης (5.439 km2), ένα κλιματολογικά υγρό υποτροπικό περιβάλλον με ετήσια βροχόπτωση περίπου 1.200 mm και μέση ετήσια θερμοκρασία 17,7°C. Η περιοχή χαρακτηρίζεται από κάλυψη δέντρων 26% με ποικιλία 19 κυρίαρχων ειδών. Δεδομένα δορυφορική τηλεπισκόπησης Sentinel-2 συλλέχθησαν για τρεις κρίσιμες εποχές: Άνοιξη (15 Μαΐου, μέρα έτους 135), Καλοκαίρι (11 Αυγούστου, μέρα 223) και Φθινόπωρο (15 Οκτωβρίου, μέρα 288) του 2023, καλύπτοντας την περιοχή μελέτης. Τα δεδομένα Sentinel-2 Level 1C (Top-of-Atmosphere reflectance) μετατράπησαν σε Level 2A (surface reflectance) χρησιμοποιώντας τον επεξεργαστή MAJA. Η προ-επεξεργασία περιλάμβανε resampling, σύνθεση ζωνών, δημιουργία μωσαϊκού, μάσκαρισμα νεφών και συμπλήρωση ελλιπών τιμών χρησιμοποιώντας λογισμικό SNAP και ENVI. Δεδομένα αερομεταφερόμενου LiDAR συλλέχθησαν το καλοκαίρι του 2021 χρησιμοποιώντας UAV (Feima D200) με scanner RIEGL miniVUX-1UAV σε πυκνότητα 52 σημείων/m2. Τρία παράγωγα χαρακτηριστικά εξήχθησαν: ύψος κόμης (CH), κάλυψη κόμης (CC) και δείκτης φυλλικής επιφάνειας (LAI). Δημιουργήθηκαν επτά πειραματικά σχήματα συνδυάζοντας φασματικά χαρακτηριστικά (10 ζώνες και 24 δείκτες), χρονικά χαρακτηριστικά (Seasonal Trajectory Difference Index) και φυσικά χαρακτηριστικά LiDAR. Επιλέχθησαν χαρακτηριστικά χρησιμοποιώντας τη δοκιμή Kruskal-Wallis, ανάλυση πολυσυγγραμμικότητας και αξιολόγηση σημασίας Random Forest. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης εφαρμόστηκε σε τρία επίπεδα: κάλυψη γης, τύποι δάσους και ειδικά είδη δέντρων. Χρησιμοποιήθηκαν 80% των δεδομένων για εκπαίδευση και 20% για επικύρωση, με μετρικές αξιολόγησης την Ολική Ακρίβεια (OA), F1-score, Producer Accuracy (PA) και User Accuracy (UA).<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση κατέδειξε σημαντικές διαφορές στην απόδοση ταξινόμησης μεταξύ φυλλοβόλων και αειθαλών ειδών δέντρων. Για τα φυλλοβόλα φυλλοφόρα δέντρα (DBF), ο συνδυασμός φασματικών, χρονικών και φυσικών χαρακτηριστικών (που προέρχονται από Sentinel-2 και LiDAR) επέτυχε την υψηλότερη ακρίβεια με συνολική ακρίβεια 63,32% και F1-score 0,63. Αυτό αντιπροσωπεύει βελτίωση 29,65% σε σύγκριση με τον χαμηλότερης απόδοσης συνδυασμό που χρησιμοποιούσε μόνο φασματικά χαρακτηριστικά. Για τα αειθαλή φυλλοφόρα δέντρα (EBF), ο συνδυασμός χρονικών και φυσικών χαρακτηριστικών παρήγαγε τα καλύτερα αποτελέσματα με συνολική ακρίβεια 76,77% και F1-score 0,75, υποδεικνύοντας ότι τα αειθαλή είδη είναι ευκολότερα να διαφοροποιηθούν. Η χαρτογράφηση των κυρίαρχων ειδών δέντρων πραγματοποιήθηκε σε ανάλυση 10 μέτρων για ολόκληρη την περιοχή της Σαγκάης. Τα τρία πιο διαδεδομένα είδη—το Cinnamomum camphora (κανέλα), το Metasequoia glyptostroboides (δεντροσίσαμο) και το Salix babylonica (ιτιά)—καταλαμβάνουν το 57,56% της συνολικής δασικής έκτασης. Η λεπτομερής αξιολόγηση ακρίβειας ανά είδος αποκάλυψε σημαντική ποικιλία στην απόδοση ταξινόμησης. Για τα φυλλοβόλα είδη, το Populus alba επέτυχε PA 80,95%, δείχνοντας εξαιρετική ταξινόμηση, ενώ το Zelkova serrata παρουσίασε χαμηλότερη PA 55,38%, υποδεικνύοντας χαρακτηριστικές ομοιότητες με άλλα είδη. Για τα αειθαλή είδη, το Cinnamomum camphora κορυφώθηκε με UA 95,07% και PA 77,59%, αντανακλώντας εξαιρετική απόδοση ταξινόμησης και υψηλή αξιοπιστία. Η ανάλυση σημασίας χαρακτηριστικών κατέδειξε ότι τα φασματικά δεδομένα από την άνοιξη ήταν κυρίαρχα για την ταξινόμηση φυλλοβόλων ειδών, με τα κανάλια που αντιστοιχούν στο πράσινο και τον εγγύς υπέρυθρο (NIR) να είναι ιδιαίτερα σημαντικά. Αυτό αποδίδεται στη δυναμική αλλαγή του πράσινου φυλλώματος κατά την άνοιξη. Για τα αειθαλή είδη, διαφορετικές ζώνες του φάσματος κυριαρχούσαν σε διαφορετικές εποχές του χρόνου, υποδεικνύοντας ότι δεν υπάρχει μία μόνη εποχή που να είναι αρκετή για την αναγνώρισή τους. Το ύψος της κόμης του δέντρου αποδείχθηκε ως το πιο σημαντικό χαρακτηριστικό LiDAR και για τους δύο τύπους δάσους. Η ενσωμάτωση δεδομένων LiDAR βελτίωσε τα αποτελέσματα της ταξινόμησης, με αύξηση ακρίβειας έως 18,75% για τα φυλλοβόλα είδη, υποδεικνύοντας ότι οι δομικές πληροφορίες του δέντρου είναι κρίσιμες για την αναγνώριση φυλλοβόλων ειδών που είναι φασματικά παρόμοια μεταξύ τους.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη καταδεικνύει ότι ο συνδυασμός πολυεποχιακής δορυφορικής τηλεπισκόπησης Sentinel-2 με αερομεταφερόμενα δεδομένα LiDAR είναι αποτελεσματικός για την αναγνώριση ειδών αστικών δέντρων σε μεγάλες ετερογενείς αστικές περιοχές. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης επιτυγχάνει σαφώς διαφοροποιήσιμα αποτελέσματα, με συνολικές ακρίβειες 63,32% για φυλλοβόλα είδη και 76,77% για αειθαλή είδη. Τα πολυεποχιακά φασματικά δεδομένα αποτελούν το κύριο εξηγητικό χαρακτηριστικό, με την άνοιξη να έχει ιδιαίτερη σημασία για τα φυλλοβόλα είδη, ενώ κάθε εποχή έχει το δικό της κυρίαρχο φασματικό περιεχόμενο για τα αειθαλή είδη. Ο συνδυασμός δεδομένων τριών εποχών υπερτερεί έναντι δύο ή μίας εποχής συνδυασμών. Η ενσωμάτωση δομικών μετρήσεων LiDAR παρέχει σημαντικές βελτιώσεις, ιδιαίτερα για φυλλοβόλα είδη που είναι φασματικά παρόμοια. Αυτή η προσέγγιση προσφέρει μια οικονομικά αποδοτική και χρήσιμη μέθοδο δημιουργίας λεπτομερών χαρτών κατανομής αστικών δέντρων σε περιοχές μεγαλύτερες των 5000 km2. Τα ευρήματα έχουν σημαντικές επιπτώσεις για την αστική δασική διαχείριση, τη ποσοτικοποίηση υπηρεσιών οικοσυστήματος, και τη στήριξη πολιτικής αειφορικής ανάπτυξης των πόλεων. Μελλοντικές έρευνες θα μπορούσαν να εξερευνήσουν πυκνότερες χρονικές σειρές δεδομένων και επίγεια δεδομένα LiDAR υψηλής πυκνότητας για περαιτέρω βελτίωση της ακρίβειας ταξινόμησης.<br /> <br /> [[category:Αστικός ιστός]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%94%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CE%95%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%BD%CE%B4%CF%81%CF%89%CE%B4%CF%8E%CE%BD_%CE%95%CE%B9%CE%B4%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%A3%CF%85%CE%BD%CE%B4%CF%85%CE%B1%CF%83%CE%BC%CF%8C_%CE%A0%CE%BF%CE%BB%CF%85%CE%B5%CF%80%CE%BF%CF%87%CE%B9%CE%BA%CF%8E%CE%BD_%CE%95%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_Sentinel-2_%CE%BA%CE%B1%CE%B9_%CE%95%CE%BD%CE%B1%CE%AD%CF%81%CE%B9%CE%BF%CF%85_LiDAR 2026-01-27T10:53:22Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div>[[Αρχείο:assesing1.png|thumb|right|'''Εικόνα''': Τοποθεσία και χρήση γης στην εξεταζόμενη περιοχή.]]<br /> <br /> [[Αρχείο:assesing2.png|thumb|right|'''Εικόνα''': Tαξινόμηση Random Forest (RF) 13 φυλλοβόλων ειδών. Ο αριθμός των σωστά ταξινομημένων δειγμάτων είναι σε έντονα γράμματα. PA ακρίβεια παραγωγού, UA ακρίβεια χρήστη, OA συνολική ακρίβεια.]]<br /> <br /> [[Αρχείο:assesing3.png|thumb|right|'''Εικόνα''': Ακρίβειες του μοντέλου ταξινόμησης Random Forest (OA συνολική ακρίβεια) με διάφορους συνδυασμούς πολυεποχιακών χρονοσειρών.]]<br /> <br /> '''Πρωτότυπος τίτλος:''' Assessing the potential of multi- seasonal Sentinel-2 satellite imagery combined with airborne LiDAR for urban tree species identification<br /> <br /> '''Συγγραφείς:''' Yunfang Jian, Xianghua Li, Lixian Peng, Chunjing Li &amp; Tao Song.<br /> <br /> '''Δημοσιεύτηκε:''' Ιούλιος του 2025<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1038/s41598-025-10971-6 <br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα αστικά δέντρα διαδραματίζουν κρίσιμο ρόλο στην παροχή υπηρεσιών στο οικοσύστημα, όπως ο καθαρισμός του αέρα, η μετριασμένη θερμότητα των πόλεων και η βελτίωση της υγείας και της ποιότητας ζωής των ανθρώπων. Η ακριβής αναγνώριση της σύστασης και της κατανομής των ειδών είναι προαπαιτούμενο για την αποτελεσματική σχεδίαση και διαχείριση του αστικού τοπίου. Ωστόσο, η ακριβής απόκτηση χωρικών πληροφοριών για τα αστικά δέντρα σε ιδιαίτερα ετερογενή και πολύπλοκα αστικά περιβάλλοντα αποτελεί σημαντική πρόκληση. Οι επίγειες έρευνες αποτελούν την ακριβέστερη μέθοδο συλλογής δεδομένων, αλλά είναι συχνά δαπανηρές και κατάλληλες μόνο για μικρής κλίμακας μελέτες. Η τηλεπισκόπηση προσφέρει παρατηρήσεις σε διάφορες κλίμακες, δίνοντας τη δυνατότητα αυτοματοποιημένης ταξινόμησης σε μεγάλη κλίμακα. Η δορυφορική ταξινόμηση ειδών έχει μελετηθεί εκτενώς σε φυσικά περιβάλλοντα, αλλά οι αστικές περιοχές παρουσιάζουν επιπλέον προκλήσεις όπως η πολυπλοκότητα χρήσης γης, η ποικιλομορφία της αστικής σύστασης δέντρων και η ποικίλη διαχείριση τα οποία απαιτούν ειδικές προσεγγίσεις. Το Sentinel-2 παρέχει δωρεάν πολυφασματικά δεδομένα με χωρική ανάλυση 10 μέτρων και πενθήμερο κύκλο επανάληψης, καθιστώντας το ιδανικό για εφαρμογές παρακολούθησης αστικών τοπίων. Η ενσωμάτωση δεδομένων LiDAR προσφέρει πρόσθετες δομικές πληροφορίες για την καλύτερη διαφοροποίηση ειδών. Η παρούσα μελέτη διερευνά τη δυνατότητα χρήσης πολυεποχιακής δορυφορικής τηλεπισκόπησης συνδυασμένης με αερομεταφερόμενα δεδομένα LiDAR για την αναγνώριση ειδών αστικών δέντρων σε μεγάλη κλίμακα (&gt; 5000 km2) στη Σαγκάη, μία από τις μεγαλύτερες πόλεις της Κίνας.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η μελέτη διεξήχθη στο κύριο ηπειρωτικό τμήμα της Σαγκάης (5.439 km2), ένα κλιματολογικά υγρό υποτροπικό περιβάλλον με ετήσια βροχόπτωση περίπου 1.200 mm και μέση ετήσια θερμοκρασία 17,7°C. Η περιοχή χαρακτηρίζεται από κάλυψη δέντρων 26% με ποικιλία 19 κυρίαρχων ειδών. Δεδομένα δορυφορική τηλεπισκόπησης Sentinel-2 συλλέχθησαν για τρεις κρίσιμες εποχές: Άνοιξη (15 Μαΐου, μέρα έτους 135), Καλοκαίρι (11 Αυγούστου, μέρα 223) και Φθινόπωρο (15 Οκτωβρίου, μέρα 288) του 2023, καλύπτοντας την περιοχή μελέτης. Τα δεδομένα Sentinel-2 Level 1C (Top-of-Atmosphere reflectance) μετατράπησαν σε Level 2A (surface reflectance) χρησιμοποιώντας τον επεξεργαστή MAJA. Η προ-επεξεργασία περιλάμβανε resampling, σύνθεση ζωνών, δημιουργία μωσαϊκού, μάσκαρισμα νεφών και συμπλήρωση ελλιπών τιμών χρησιμοποιώντας λογισμικό SNAP και ENVI. Δεδομένα αερομεταφερόμενου LiDAR συλλέχθησαν το καλοκαίρι του 2021 χρησιμοποιώντας UAV (Feima D200) με scanner RIEGL miniVUX-1UAV σε πυκνότητα 52 σημείων/m2. Τρία παράγωγα χαρακτηριστικά εξήχθησαν: ύψος κόμης (CH), κάλυψη κόμης (CC) και δείκτης φυλλικής επιφάνειας (LAI). Δημιουργήθηκαν επτά πειραματικά σχήματα συνδυάζοντας φασματικά χαρακτηριστικά (10 ζώνες και 24 δείκτες), χρονικά χαρακτηριστικά (Seasonal Trajectory Difference Index) και φυσικά χαρακτηριστικά LiDAR. Επιλέχθησαν χαρακτηριστικά χρησιμοποιώντας τη δοκιμή Kruskal-Wallis, ανάλυση πολυσυγγραμμικότητας και αξιολόγηση σημασίας Random Forest. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης εφαρμόστηκε σε τρία επίπεδα: κάλυψη γης, τύποι δάσους και ειδικά είδη δέντρων. Χρησιμοποιήθηκαν 80% των δεδομένων για εκπαίδευση και 20% για επικύρωση, με μετρικές αξιολόγησης την Ολική Ακρίβεια (OA), F1-score, Producer Accuracy (PA) και User Accuracy (UA).<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση κατέδειξε σημαντικές διαφορές στην απόδοση ταξινόμησης μεταξύ φυλλοβόλων και αειθαλών ειδών δέντρων. Για τα φυλλοβόλα φυλλοφόρα δέντρα (DBF), ο συνδυασμός φασματικών, χρονικών και φυσικών χαρακτηριστικών (που προέρχονται από Sentinel-2 και LiDAR) επέτυχε την υψηλότερη ακρίβεια με συνολική ακρίβεια 63,32% και F1-score 0,63. Αυτό αντιπροσωπεύει βελτίωση 29,65% σε σύγκριση με τον χαμηλότερης απόδοσης συνδυασμό που χρησιμοποιούσε μόνο φασματικά χαρακτηριστικά. Για τα αειθαλή φυλλοφόρα δέντρα (EBF), ο συνδυασμός χρονικών και φυσικών χαρακτηριστικών παρήγαγε τα καλύτερα αποτελέσματα με συνολική ακρίβεια 76,77% και F1-score 0,75, υποδεικνύοντας ότι τα αειθαλή είδη είναι ευκολότερα να διαφοροποιηθούν. Η χαρτογράφηση των κυρίαρχων ειδών δέντρων πραγματοποιήθηκε σε ανάλυση 10 μέτρων για ολόκληρη την περιοχή της Σαγκάης. Τα τρία πιο διαδεδομένα είδη—το Cinnamomum camphora (κανέλα), το Metasequoia glyptostroboides (δεντροσίσαμο) και το Salix babylonica (ιτιά)—καταλαμβάνουν το 57,56% της συνολικής δασικής έκτασης. Η λεπτομερής αξιολόγηση ακρίβειας ανά είδος αποκάλυψε σημαντική ποικιλία στην απόδοση ταξινόμησης. Για τα φυλλοβόλα είδη, το Populus alba επέτυχε PA 80,95%, δείχνοντας εξαιρετική ταξινόμηση, ενώ το Zelkova serrata παρουσίασε χαμηλότερη PA 55,38%, υποδεικνύοντας χαρακτηριστικές ομοιότητες με άλλα είδη. Για τα αειθαλή είδη, το Cinnamomum camphora κορυφώθηκε με UA 95,07% και PA 77,59%, αντανακλώντας εξαιρετική απόδοση ταξινόμησης και υψηλή αξιοπιστία. Η ανάλυση σημασίας χαρακτηριστικών κατέδειξε ότι τα φασματικά δεδομένα από την άνοιξη ήταν κυρίαρχα για την ταξινόμηση φυλλοβόλων ειδών, με τα κανάλια που αντιστοιχούν στο πράσινο και τον εγγύς υπέρυθρο (NIR) να είναι ιδιαίτερα σημαντικά. Αυτό αποδίδεται στη δυναμική αλλαγή του πράσινου φυλλώματος κατά την άνοιξη. Για τα αειθαλή είδη, διαφορετικές ζώνες του φάσματος κυριαρχούσαν σε διαφορετικές εποχές του χρόνου, υποδεικνύοντας ότι δεν υπάρχει μία μόνη εποχή που να είναι αρκετή για την αναγνώρισή τους. Το ύψος της κόμης του δέντρου αποδείχθηκε ως το πιο σημαντικό χαρακτηριστικό LiDAR και για τους δύο τύπους δάσους. Η ενσωμάτωση δεδομένων LiDAR βελτίωσε τα αποτελέσματα της ταξινόμησης, με αύξηση ακρίβειας έως 18,75% για τα φυλλοβόλα είδη, υποδεικνύοντας ότι οι δομικές πληροφορίες του δέντρου είναι κρίσιμες για την αναγνώριση φυλλοβόλων ειδών που είναι φασματικά παρόμοια μεταξύ τους.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη καταδεικνύει ότι ο συνδυασμός πολυεποχιακής δορυφορικής τηλεπισκόπησης Sentinel-2 με αερομεταφερόμενα δεδομένα LiDAR είναι αποτελεσματικός για την αναγνώριση ειδών αστικών δέντρων σε μεγάλες ετερογενείς αστικές περιοχές. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης επιτυγχάνει σαφώς διαφοροποιήσιμα αποτελέσματα, με συνολικές ακρίβειες 63,32% για φυλλοβόλα είδη και 76,77% για αειθαλή είδη. Τα πολυεποχιακά φασματικά δεδομένα αποτελούν το κύριο εξηγητικό χαρακτηριστικό, με την άνοιξη να έχει ιδιαίτερη σημασία για τα φυλλοβόλα είδη, ενώ κάθε εποχή έχει το δικό της κυρίαρχο φασματικό περιεχόμενο για τα αειθαλή είδη. Ο συνδυασμός δεδομένων τριών εποχών υπερτερεί έναντι δύο ή μίας εποχής συνδυασμών. Η ενσωμάτωση δομικών μετρήσεων LiDAR παρέχει σημαντικές βελτιώσεις, ιδιαίτερα για φυλλοβόλα είδη που είναι φασματικά παρόμοια. Αυτή η προσέγγιση προσφέρει μια οικονομικά αποδοτική και χρήσιμη μέθοδο δημιουργίας λεπτομερών χαρτών κατανομής αστικών δέντρων σε περιοχές μεγαλύτερες των 5000 km2. Τα ευρήματα έχουν σημαντικές επιπτώσεις για την αστική δασική διαχείριση, τη ποσοτικοποίηση υπηρεσιών οικοσυστήματος, και τη στήριξη πολιτικής αειφορικής ανάπτυξης των πόλεων. Μελλοντικές έρευνες θα μπορούσαν να εξερευνήσουν πυκνότερες χρονικές σειρές δεδομένων και επίγεια δεδομένα LiDAR υψηλής πυκνότητας για περαιτέρω βελτίωση της ακρίβειας ταξινόμησης.<br /> <br /> [[category:Αστικός ιστός]]<br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%BF%CF%85%CF%84%CF%83%CE%BF%CE%BB%CE%B9%CE%AC%CE%BA%CE%BF%CF%82_%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%B9%CF%8E%CF%84%CE%B7%CF%82 2026-01-27T10:51:48Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div>*[[ Αντικειμενοστραφής Χαρτογράφηση της Ζωτικότητας των Βορείων Δασών με Πολυφασματικά Δεδομένα Drone ‎ ]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%BF%CF%85%CF%84%CF%83%CE%BF%CE%BB%CE%B9%CE%AC%CE%BA%CE%BF%CF%82_%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%B9%CF%8E%CF%84%CE%B7%CF%82 2026-01-27T10:50:50Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div>*[[ Αξιολόγηση της Δυνατότητας Εντοπισμού Αστικών Δενδρωδών Ειδών με Συνδυασμό Πολυεποχικών Εικόνων Sentinel-2 και Εναέριου LiDAR ‎ ]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%94%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CE%95%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%BD%CE%B4%CF%81%CF%89%CE%B4%CF%8E%CE%BD_%CE%95%CE%B9%CE%B4%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%A3%CF%85%CE%BD%CE%B4%CF%85%CE%B1%CF%83%CE%BC%CF%8C_%CE%A0%CE%BF%CE%BB%CF%85%CE%B5%CF%80%CE%BF%CF%87%CE%B9%CE%BA%CF%8E%CE%BD_%CE%95%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_Sentinel-2_%CE%BA%CE%B1%CE%B9_%CE%95%CE%BD%CE%B1%CE%AD%CF%81%CE%B9%CE%BF%CF%85_LiDAR 2026-01-27T10:49:03Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div>[[Αρχείο:assesing1.png|thumb|right|'''Εικόνα''': Τοποθεσία και χρήση γης στην εξεταζόμενη περιοχή.]]<br /> <br /> [[Αρχείο:assesing2.png|thumb|right|'''Εικόνα''': Tαξινόμηση Random Forest (RF) 13 φυλλοβόλων ειδών. Ο αριθμός των σωστά ταξινομημένων δειγμάτων είναι σε έντονα γράμματα. PA ακρίβεια παραγωγού, UA ακρίβεια χρήστη, OA συνολική ακρίβεια.]]<br /> <br /> [[Αρχείο:assesing3.png|thumb|right|'''Εικόνα''': Ακρίβειες του μοντέλου ταξινόμησης Random Forest (OA συνολική ακρίβεια) με διάφορους συνδυασμούς πολυεποχιακών χρονοσειρών.]]<br /> <br /> '''Πρωτότυπος τίτλος:''' Assessing the potential of multi- seasonal Sentinel-2 satellite imagery combined with airborne LiDAR for urban tree species identification<br /> <br /> '''Συγγραφείς:''' Yunfang Jian, Xianghua Li, Lixian Peng, Chunjing Li &amp; Tao Song.<br /> <br /> '''Δημοσιεύτηκε:''' Ιούλιος του 2025<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1038/s41598-025-10971-6 <br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα αστικά δέντρα διαδραματίζουν κρίσιμο ρόλο στην παροχή υπηρεσιών στο οικοσύστημα, όπως ο καθαρισμός του αέρα, η μετριασμένη θερμότητα των πόλεων και η βελτίωση της υγείας και της ποιότητας ζωής των ανθρώπων. Η ακριβής αναγνώριση της σύστασης και της κατανομής των ειδών είναι προαπαιτούμενο για την αποτελεσματική σχεδίαση και διαχείριση του αστικού τοπίου. Ωστόσο, η ακριβής απόκτηση χωρικών πληροφοριών για τα αστικά δέντρα σε ιδιαίτερα ετερογενή και πολύπλοκα αστικά περιβάλλοντα αποτελεί σημαντική πρόκληση. Οι επίγειες έρευνες αποτελούν την ακριβέστερη μέθοδο συλλογής δεδομένων, αλλά είναι συχνά δαπανηρές και κατάλληλες μόνο για μικρής κλίμακας μελέτες. Η τηλεπισκόπηση προσφέρει παρατηρήσεις σε διάφορες κλίμακες, δίνοντας τη δυνατότητα αυτοματοποιημένης ταξινόμησης σε μεγάλη κλίμακα. Η δορυφορική ταξινόμηση ειδών έχει μελετηθεί εκτενώς σε φυσικά περιβάλλοντα, αλλά οι αστικές περιοχές παρουσιάζουν επιπλέον προκλήσεις όπως η πολυπλοκότητα χρήσης γης, η ποικιλομορφία της αστικής σύστασης δέντρων και η ποικίλη διαχείριση τα οποία απαιτούν ειδικές προσεγγίσεις. Το Sentinel-2 παρέχει δωρεάν πολυφασματικά δεδομένα με χωρική ανάλυση 10 μέτρων και πενθήμερο κύκλο επανάληψης, καθιστώντας το ιδανικό για εφαρμογές παρακολούθησης αστικών τοπίων. Η ενσωμάτωση δεδομένων LiDAR προσφέρει πρόσθετες δομικές πληροφορίες για την καλύτερη διαφοροποίηση ειδών. Η παρούσα μελέτη διερευνά τη δυνατότητα χρήσης πολυεποχιακής δορυφορικής τηλεπισκόπησης συνδυασμένης με αερομεταφερόμενα δεδομένα LiDAR για την αναγνώριση ειδών αστικών δέντρων σε μεγάλη κλίμακα (&gt; 5000 km2) στη Σαγκάη, μία από τις μεγαλύτερες πόλεις της Κίνας.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η μελέτη διεξήχθη στο κύριο ηπειρωτικό τμήμα της Σαγκάης (5.439 km2), ένα κλιματολογικά υγρό υποτροπικό περιβάλλον με ετήσια βροχόπτωση περίπου 1.200 mm και μέση ετήσια θερμοκρασία 17,7°C. Η περιοχή χαρακτηρίζεται από κάλυψη δέντρων 26% με ποικιλία 19 κυρίαρχων ειδών. Δεδομένα δορυφορική τηλεπισκόπησης Sentinel-2 συλλέχθησαν για τρεις κρίσιμες εποχές: Άνοιξη (15 Μαΐου, μέρα έτους 135), Καλοκαίρι (11 Αυγούστου, μέρα 223) και Φθινόπωρο (15 Οκτωβρίου, μέρα 288) του 2023, καλύπτοντας την περιοχή μελέτης. Τα δεδομένα Sentinel-2 Level 1C (Top-of-Atmosphere reflectance) μετατράπησαν σε Level 2A (surface reflectance) χρησιμοποιώντας τον επεξεργαστή MAJA. Η προ-επεξεργασία περιλάμβανε resampling, σύνθεση ζωνών, δημιουργία μωσαϊκού, μάσκαρισμα νεφών και συμπλήρωση ελλιπών τιμών χρησιμοποιώντας λογισμικό SNAP και ENVI. Δεδομένα αερομεταφερόμενου LiDAR συλλέχθησαν το καλοκαίρι του 2021 χρησιμοποιώντας UAV (Feima D200) με scanner RIEGL miniVUX-1UAV σε πυκνότητα 52 σημείων/m2. Τρία παράγωγα χαρακτηριστικά εξήχθησαν: ύψος κόμης (CH), κάλυψη κόμης (CC) και δείκτης φυλλικής επιφάνειας (LAI). Δημιουργήθηκαν επτά πειραματικά σχήματα συνδυάζοντας φασματικά χαρακτηριστικά (10 ζώνες και 24 δείκτες), χρονικά χαρακτηριστικά (Seasonal Trajectory Difference Index) και φυσικά χαρακτηριστικά LiDAR. Επιλέχθησαν χαρακτηριστικά χρησιμοποιώντας τη δοκιμή Kruskal-Wallis, ανάλυση πολυσυγγραμμικότητας και αξιολόγηση σημασίας Random Forest. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης εφαρμόστηκε σε τρία επίπεδα: κάλυψη γης, τύποι δάσους και ειδικά είδη δέντρων. Χρησιμοποιήθηκαν 80% των δεδομένων για εκπαίδευση και 20% για επικύρωση, με μετρικές αξιολόγησης την Ολική Ακρίβεια (OA), F1-score, Producer Accuracy (PA) και User Accuracy (UA).<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση κατέδειξε σημαντικές διαφορές στην απόδοση ταξινόμησης μεταξύ φυλλοβόλων και αειθαλών ειδών δέντρων. Για τα φυλλοβόλα φυλλοφόρα δέντρα (DBF), ο συνδυασμός φασματικών, χρονικών και φυσικών χαρακτηριστικών (που προέρχονται από Sentinel-2 και LiDAR) επέτυχε την υψηλότερη ακρίβεια με συνολική ακρίβεια 63,32% και F1-score 0,63. Αυτό αντιπροσωπεύει βελτίωση 29,65% σε σύγκριση με τον χαμηλότερης απόδοσης συνδυασμό που χρησιμοποιούσε μόνο φασματικά χαρακτηριστικά. Για τα αειθαλή φυλλοφόρα δέντρα (EBF), ο συνδυασμός χρονικών και φυσικών χαρακτηριστικών παρήγαγε τα καλύτερα αποτελέσματα με συνολική ακρίβεια 76,77% και F1-score 0,75, υποδεικνύοντας ότι τα αειθαλή είδη είναι ευκολότερα να διαφοροποιηθούν. Η χαρτογράφηση των κυρίαρχων ειδών δέντρων πραγματοποιήθηκε σε ανάλυση 10 μέτρων για ολόκληρη την περιοχή της Σαγκάης. Τα τρία πιο διαδεδομένα είδη—το Cinnamomum camphora (κανέλα), το Metasequoia glyptostroboides (δεντροσίσαμο) και το Salix babylonica (ιτιά)—καταλαμβάνουν το 57,56% της συνολικής δασικής έκτασης. Η λεπτομερής αξιολόγηση ακρίβειας ανά είδος αποκάλυψε σημαντική ποικιλία στην απόδοση ταξινόμησης. Για τα φυλλοβόλα είδη, το Populus alba επέτυχε PA 80,95%, δείχνοντας εξαιρετική ταξινόμηση, ενώ το Zelkova serrata παρουσίασε χαμηλότερη PA 55,38%, υποδεικνύοντας χαρακτηριστικές ομοιότητες με άλλα είδη. Για τα αειθαλή είδη, το Cinnamomum camphora κορυφώθηκε με UA 95,07% και PA 77,59%, αντανακλώντας εξαιρετική απόδοση ταξινόμησης και υψηλή αξιοπιστία. Η ανάλυση σημασίας χαρακτηριστικών κατέδειξε ότι τα φασματικά δεδομένα από την άνοιξη ήταν κυρίαρχα για την ταξινόμηση φυλλοβόλων ειδών, με τα κανάλια που αντιστοιχούν στο πράσινο και τον εγγύς υπέρυθρο (NIR) να είναι ιδιαίτερα σημαντικά. Αυτό αποδίδεται στη δυναμική αλλαγή του πράσινου φυλλώματος κατά την άνοιξη. Για τα αειθαλή είδη, διαφορετικές ζώνες του φάσματος κυριαρχούσαν σε διαφορετικές εποχές του χρόνου, υποδεικνύοντας ότι δεν υπάρχει μία μόνη εποχή που να είναι αρκετή για την αναγνώρισή τους. Το ύψος της κόμης του δέντρου αποδείχθηκε ως το πιο σημαντικό χαρακτηριστικό LiDAR και για τους δύο τύπους δάσους. Η ενσωμάτωση δεδομένων LiDAR βελτίωσε τα αποτελέσματα της ταξινόμησης, με αύξηση ακρίβειας έως 18,75% για τα φυλλοβόλα είδη, υποδεικνύοντας ότι οι δομικές πληροφορίες του δέντρου είναι κρίσιμες για την αναγνώριση φυλλοβόλων ειδών που είναι φασματικά παρόμοια μεταξύ τους.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη καταδεικνύει ότι ο συνδυασμός πολυεποχιακής δορυφορικής τηλεπισκόπησης Sentinel-2 με αερομεταφερόμενα δεδομένα LiDAR είναι αποτελεσματικός για την αναγνώριση ειδών αστικών δέντρων σε μεγάλες ετερογενείς αστικές περιοχές. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης επιτυγχάνει σαφώς διαφοροποιήσιμα αποτελέσματα, με συνολικές ακρίβειες 63,32% για φυλλοβόλα είδη και 76,77% για αειθαλή είδη. Τα πολυεποχιακά φασματικά δεδομένα αποτελούν το κύριο εξηγητικό χαρακτηριστικό, με την άνοιξη να έχει ιδιαίτερη σημασία για τα φυλλοβόλα είδη, ενώ κάθε εποχή έχει το δικό της κυρίαρχο φασματικό περιεχόμενο για τα αειθαλή είδη. Ο συνδυασμός δεδομένων τριών εποχών υπερτερεί έναντι δύο ή μίας εποχής συνδυασμών. Η ενσωμάτωση δομικών μετρήσεων LiDAR παρέχει σημαντικές βελτιώσεις, ιδιαίτερα για φυλλοβόλα είδη που είναι φασματικά παρόμοια. Αυτή η προσέγγιση προσφέρει μια οικονομικά αποδοτική και χρήσιμη μέθοδο δημιουργίας λεπτομερών χαρτών κατανομής αστικών δέντρων σε περιοχές μεγαλύτερες των 5000 km2. Τα ευρήματα έχουν σημαντικές επιπτώσεις για την αστική δασική διαχείριση, τη ποσοτικοποίηση υπηρεσιών οικοσυστήματος, και τη στήριξη πολιτικής αειφορικής ανάπτυξης των πόλεων. Μελλοντικές έρευνες θα μπορούσαν να εξερευνήσουν πυκνότερες χρονικές σειρές δεδομένων και επίγεια δεδομένα LiDAR υψηλής πυκνότητας για περαιτέρω βελτίωση της ακρίβειας ταξινόμησης.<br /> <br /> [[category:Αστικός ιστός]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%94%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CE%95%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%BD%CE%B4%CF%81%CF%89%CE%B4%CF%8E%CE%BD_%CE%95%CE%B9%CE%B4%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%A3%CF%85%CE%BD%CE%B4%CF%85%CE%B1%CF%83%CE%BC%CF%8C_%CE%A0%CE%BF%CE%BB%CF%85%CE%B5%CF%80%CE%BF%CF%87%CE%B9%CE%BA%CF%8E%CE%BD_%CE%95%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_Sentinel-2_%CE%BA%CE%B1%CE%B9_%CE%95%CE%BD%CE%B1%CE%AD%CF%81%CE%B9%CE%BF%CF%85_LiDAR 2026-01-27T10:47:33Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div>[[Αρχείο:assesing1.png|thumb|right|'''Εικόνα''': Τοποθεσία και χρήση γης στην εξεταζόμενη περιοχή.]]<br /> <br /> [[Αρχείο:assesing2.png|thumb|right|'''Εικόνα''': Tαξινόμηση Random Forest (RF) 13 φυλλοβόλων ειδών. Ο αριθμός των σωστά ταξινομημένων δειγμάτων είναι σε έντονα γράμματα. PA ακρίβεια παραγωγού, UA ακρίβεια χρήστη, OA συνολική ακρίβεια.]]<br /> <br /> [[Αρχείο:assesing3.png|thumb|right|'''Εικόνα''': Ακρίβειες του μοντέλου ταξινόμησης Random Forest (OA συνολική ακρίβεια) με διάφορους συνδυασμούς πολυεποχιακών χρονοσειρών.]]<br /> <br /> '''Πρωτότυπος τίτλος:''' Assessing the potential of multi- seasonal Sentinel-2 satellite imagery combined with airborne LiDAR for urban tree species identification<br /> <br /> '''Συγγραφείς:''' Yunfang Jian, Xianghua Li, Lixian Peng, Chunjing Li &amp; Tao Song.<br /> <br /> '''Δημοσιεύτηκε:''' Ιούλιος του 2025<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1038/s41598-025-10971-6 <br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα αστικά δέντρα διαδραματίζουν κρίσιμο ρόλο στην παροχή υπηρεσιών στο οικοσύστημα, όπως ο καθαρισμός του αέρα, η μετριασμένη θερμότητα των πόλεων και η βελτίωση της υγείας και της ποιότητας ζωής των ανθρώπων. Η ακριβής αναγνώριση της σύστασης και της κατανομής των ειδών είναι προαπαιτούμενο για την αποτελεσματική σχεδίαση και διαχείριση του αστικού τοπίου. Ωστόσο, η ακριβής απόκτηση χωρικών πληροφοριών για τα αστικά δέντρα σε ιδιαίτερα ετερογενή και πολύπλοκα αστικά περιβάλλοντα αποτελεί σημαντική πρόκληση. Οι επίγειες έρευνες αποτελούν την ακριβέστερη μέθοδο συλλογής δεδομένων, αλλά είναι συχνά δαπανηρές και κατάλληλες μόνο για μικρής κλίμακας μελέτες. Η τηλεπισκόπηση προσφέρει παρατηρήσεις σε διάφορες κλίμακες, δίνοντας τη δυνατότητα αυτοματοποιημένης ταξινόμησης σε μεγάλη κλίμακα. Η δορυφορική ταξινόμηση ειδών έχει μελετηθεί εκτενώς σε φυσικά περιβάλλοντα, αλλά οι αστικές περιοχές παρουσιάζουν επιπλέον προκλήσεις όπως η πολυπλοκότητα χρήσης γης, η ποικιλομορφία της αστικής σύστασης δέντρων και η ποικίλη διαχείριση τα οποία απαιτούν ειδικές προσεγγίσεις. Το Sentinel-2 παρέχει δωρεάν πολυφασματικά δεδομένα με χωρική ανάλυση 10 μέτρων και πενθήμερο κύκλο επανάληψης, καθιστώντας το ιδανικό για εφαρμογές παρακολούθησης αστικών τοπίων. Η ενσωμάτωση δεδομένων LiDAR προσφέρει πρόσθετες δομικές πληροφορίες για την καλύτερη διαφοροποίηση ειδών. Η παρούσα μελέτη διερευνά τη δυνατότητα χρήσης πολυεποχιακής δορυφορικής τηλεπισκόπησης συνδυασμένης με αερομεταφερόμενα δεδομένα LiDAR για την αναγνώριση ειδών αστικών δέντρων σε μεγάλη κλίμακα (&gt; 5000 km2) στη Σαγκάη, μία από τις μεγαλύτερες πόλεις της Κίνας.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η μελέτη διεξήχθη στο κύριο ηπειρωτικό τμήμα της Σαγκάης (5.439 km2), ένα κλιματολογικά υγρό υποτροπικό περιβάλλον με ετήσια βροχόπτωση περίπου 1.200 mm και μέση ετήσια θερμοκρασία 17,7°C. Η περιοχή χαρακτηρίζεται από κάλυψη δέντρων 26% με ποικιλία 19 κυρίαρχων ειδών. Δεδομένα δορυφορική τηλεπισκόπησης Sentinel-2 συλλέχθησαν για τρεις κρίσιμες εποχές: Άνοιξη (15 Μαΐου, μέρα έτους 135), Καλοκαίρι (11 Αυγούστου, μέρα 223) και Φθινόπωρο (15 Οκτωβρίου, μέρα 288) του 2023, καλύπτοντας την περιοχή μελέτης. Τα δεδομένα Sentinel-2 Level 1C (Top-of-Atmosphere reflectance) μετατράπησαν σε Level 2A (surface reflectance) χρησιμοποιώντας τον επεξεργαστή MAJA. Η προ-επεξεργασία περιλάμβανε resampling, σύνθεση ζωνών, δημιουργία μωσαϊκού, μάσκαρισμα νεφών και συμπλήρωση ελλιπών τιμών χρησιμοποιώντας λογισμικό SNAP και ENVI. Δεδομένα αερομεταφερόμενου LiDAR συλλέχθησαν το καλοκαίρι του 2021 χρησιμοποιώντας UAV (Feima D200) με scanner RIEGL miniVUX-1UAV σε πυκνότητα 52 σημείων/m2. Τρία παράγωγα χαρακτηριστικά εξήχθησαν: ύψος κόμης (CH), κάλυψη κόμης (CC) και δείκτης φυλλικής επιφάνειας (LAI). Δημιουργήθηκαν επτά πειραματικά σχήματα συνδυάζοντας φασματικά χαρακτηριστικά (10 ζώνες και 24 δείκτες), χρονικά χαρακτηριστικά (Seasonal Trajectory Difference Index) και φυσικά χαρακτηριστικά LiDAR. Επιλέχθησαν χαρακτηριστικά χρησιμοποιώντας τη δοκιμή Kruskal-Wallis, ανάλυση πολυσυγγραμμικότητας και αξιολόγηση σημασίας Random Forest. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης εφαρμόστηκε σε τρία επίπεδα: κάλυψη γης, τύποι δάσους και ειδικά είδη δέντρων. Χρησιμοποιήθηκαν 80% των δεδομένων για εκπαίδευση και 20% για επικύρωση, με μετρικές αξιολόγησης την Ολική Ακρίβεια (OA), F1-score, Producer Accuracy (PA) και User Accuracy (UA).<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση κατέδειξε σημαντικές διαφορές στην απόδοση ταξινόμησης μεταξύ φυλλοβόλων και αειθαλών ειδών δέντρων. Για τα φυλλοβόλα φυλλοφόρα δέντρα (DBF), ο συνδυασμός φασματικών, χρονικών και φυσικών χαρακτηριστικών (που προέρχονται από Sentinel-2 και LiDAR) επέτυχε την υψηλότερη ακρίβεια με συνολική ακρίβεια 63,32% και F1-score 0,63. Αυτό αντιπροσωπεύει βελτίωση 29,65% σε σύγκριση με τον χαμηλότερης απόδοσης συνδυασμό που χρησιμοποιούσε μόνο φασματικά χαρακτηριστικά. Για τα αειθαλή φυλλοφόρα δέντρα (EBF), ο συνδυασμός χρονικών και φυσικών χαρακτηριστικών παρήγαγε τα καλύτερα αποτελέσματα με συνολική ακρίβεια 76,77% και F1-score 0,75, υποδεικνύοντας ότι τα αειθαλή είδη είναι ευκολότερα να διαφοροποιηθούν. Η χαρτογράφηση των κυρίαρχων ειδών δέντρων πραγματοποιήθηκε σε ανάλυση 10 μέτρων για ολόκληρη την περιοχή της Σαγκάης. Τα τρία πιο διαδεδομένα είδη—το Cinnamomum camphora (κανέλα), το Metasequoia glyptostroboides (δεντροσίσαμο) και το Salix babylonica (ιτιά)—καταλαμβάνουν το 57,56% της συνολικής δασικής έκτασης. Η λεπτομερής αξιολόγηση ακρίβειας ανά είδος αποκάλυψε σημαντική ποικιλία στην απόδοση ταξινόμησης. Για τα φυλλοβόλα είδη, το Populus alba επέτυχε PA 80,95%, δείχνοντας εξαιρετική ταξινόμηση, ενώ το Zelkova serrata παρουσίασε χαμηλότερη PA 55,38%, υποδεικνύοντας χαρακτηριστικές ομοιότητες με άλλα είδη. Για τα αειθαλή είδη, το Cinnamomum camphora κορυφώθηκε με UA 95,07% και PA 77,59%, αντανακλώντας εξαιρετική απόδοση ταξινόμησης και υψηλή αξιοπιστία. Η ανάλυση σημασίας χαρακτηριστικών κατέδειξε ότι τα φασματικά δεδομένα από την άνοιξη ήταν κυρίαρχα για την ταξινόμηση φυλλοβόλων ειδών, με τα κανάλια που αντιστοιχούν στο πράσινο και τον εγγύς υπέρυθρο (NIR) να είναι ιδιαίτερα σημαντικά. Αυτό αποδίδεται στη δυναμική αλλαγή του πράσινου φυλλώματος κατά την άνοιξη. Για τα αειθαλή είδη, διαφορετικές ζώνες του φάσματος κυριαρχούσαν σε διαφορετικές εποχές του χρόνου, υποδεικνύοντας ότι δεν υπάρχει μία μόνη εποχή που να είναι αρκετή για την αναγνώρισή τους. Το ύψος της κόμης του δέντρου αποδείχθηκε ως το πιο σημαντικό χαρακτηριστικό LiDAR και για τους δύο τύπους δάσους. Η ενσωμάτωση δεδομένων LiDAR βελτίωσε τα αποτελέσματα της ταξινόμησης, με αύξηση ακρίβειας έως 18,75% για τα φυλλοβόλα είδη, υποδεικνύοντας ότι οι δομικές πληροφορίες του δέντρου είναι κρίσιμες για την αναγνώριση φυλλοβόλων ειδών που είναι φασματικά παρόμοια μεταξύ τους.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη καταδεικνύει ότι ο συνδυασμός πολυεποχιακής δορυφορικής τηλεπισκόπησης Sentinel-2 με αερομεταφερόμενα δεδομένα LiDAR είναι αποτελεσματικός για την αναγνώριση ειδών αστικών δέντρων σε μεγάλες ετερογενείς αστικές περιοχές. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης επιτυγχάνει σαφώς διαφοροποιήσιμα αποτελέσματα, με συνολικές ακρίβειες 63,32% για φυλλοβόλα είδη και 76,77% για αειθαλή είδη. Τα πολυεποχιακά φασματικά δεδομένα αποτελούν το κύριο εξηγητικό χαρακτηριστικό, με την άνοιξη να έχει ιδιαίτερη σημασία για τα φυλλοβόλα είδη, ενώ κάθε εποχή έχει το δικό της κυρίαρχο φασματικό περιεχόμενο για τα αειθαλή είδη. Ο συνδυασμός δεδομένων τριών εποχών υπερτερεί έναντι δύο ή μίας εποχής συνδυασμών. Η ενσωμάτωση δομικών μετρήσεων LiDAR παρέχει σημαντικές βελτιώσεις, ιδιαίτερα για φυλλοβόλα είδη που είναι φασματικά παρόμοια. Αυτή η προσέγγιση προσφέρει μια οικονομικά αποδοτική και χρήσιμη μέθοδο δημιουργίας λεπτομερών χαρτών κατανομής αστικών δέντρων σε περιοχές μεγαλύτερες των 5000 km2. Τα ευρήματα έχουν σημαντικές επιπτώσεις για την αστική δασική διαχείριση, τη ποσοτικοποίηση υπηρεσιών οικοσυστήματος, και τη στήριξη πολιτικής αειφορικής ανάπτυξης των πόλεων. Μελλοντικές έρευνες θα μπορούσαν να εξερευνήσουν πυκνότερες χρονικές σειρές δεδομένων και επίγεια δεδομένα LiDAR υψηλής πυκνότητας για περαιτέρω βελτίωση της ακρίβειας ταξινόμησης.<br /> <br /> [[category:Αστικός ιστός]]<br /> [[ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%BF%CF%85%CF%84%CF%83%CE%BF%CE%BB%CE%B9%CE%AC%CE%BA%CE%BF%CF%82_%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%B9%CF%8E%CF%84%CE%B7%CF%82 2026-01-27T10:46:01Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div>*[[Αντικειμενοστραφής Χαρτογράφηση της Ζωτικότητας των Βορείων Δασών με Πολυφασματικά Δεδομένα Drone]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%BF%CF%85%CF%84%CF%83%CE%BF%CE%BB%CE%B9%CE%AC%CE%BA%CE%BF%CF%82_%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%B9%CF%8E%CF%84%CE%B7%CF%82 2026-01-27T10:44:36Z

<p>KOUTSOLIAKOS PANAGIOTIS: Νέα σελίδα με '*[[Αντικειμενοστραφής Χαρτογράφηση της Ζωτικότητας των Βορείων Δασών με Πολυφασματικά Δεδομ...'</p> <hr /> <div>*[[Αντικειμενοστραφής Χαρτογράφηση της Ζωτικότητας των Βορείων Δασών με Πολυφασματικά Δεδομένα Drone]]<br /> <br /> [[category:ΔΠΜΣ ]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CF%84%CE%B9%CE%BA%CE%B5%CE%B9%CE%BC%CE%B5%CE%BD%CE%BF%CF%83%CF%84%CF%81%CE%B1%CF%86%CE%AE%CF%82_%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%96%CF%89%CF%84%CE%B9%CE%BA%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CF%89%CE%BD_%CE%92%CE%BF%CF%81%CE%B5%CE%AF%CF%89%CE%BD_%CE%94%CE%B1%CF%83%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%A0%CE%BF%CE%BB%CF%85%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AC_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1_Drone 2026-01-27T10:42:35Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div>[[Αρχείο:5bor.png|thumb|right|'''Εικόνα''': Γενική εικόνα των περιοχών μελέτης. Αριστερά: ερευνητικό πάρκο Svartberget (1 ha), όπου οι χρονοσειρές πολυφασματικών δεδομένων UAV (2024–2025) και οι φυσιολογικοί αισθητήρες επιτρέπουν την παρακολούθηση της ζωτικότητας σε επίπεδο μεμονωμένου δέντρου. Δεξιά: περιοχή δοκιμών Attsjö (2.300 ha) με δεδομένα UAV RGB, πολυφασματικά και LiDAR για κλιμάκωση της παρακολούθησης του δάσους.]]<br /> <br /> [[Αρχείο:51bor.png|thumb|right|'''Εικόνα''': Χωρική κατανομή των 16 οργανομετρημένων ζωντανών δέντρων και των 60 νεκρών δέντρων μέσα στην πιλοτική περιοχή Svartberget. Τα σύμβολα αντιπροσωπεύουν τα είδη (πεύκο, ερυθρελάτη, σημύδα) και αντιστοιχούν επίσης στις διαμορφώσεις αισθητήρων (ροή χυμών, δενδρόμετρο, δυναμικό νερού).]]<br /> <br /> [[Αρχείο:52bor.png|thumb|right|'''Εικόνα''': Mean spectral profiles (DN) of spruce, pine, birch, and dead trees across five bands from 15 UAV flights (2024–2025).]]<br /> <br /> '''Πρωτότυπος τίτλος:''' Mapping Boreal Forest Vitality Using Drone-Based Multispectral Time-Series and Object- Based Classification<br /> <br /> '''Συγγραφείς:''' Basam Dahy, Esra Sengun, Johanna Witzell, Johan E. S. Fransson.<br /> <br /> '''Δημοσιεύθηκε:''' Σεπτέμβριος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.5194/isprs-archives-XLVIII-2- W11-2025-81-2025<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η ζωτικότητα των δασών της βόρειας ζώνης (boreal forests) απειλείται ολοένα και περισσότερο από την κλιματική αλλαγή, την αύξηση των ακραίων καιρικών φαινομένων και τις επιδημίες εντόμων και παθογόνων, γεγονός που απαιτεί έγκαιρη και λεπτομερή παρακολούθηση της υγείας των δέντρων. Οι παραδοσιακές μέθοδοι παρακολούθησης, όπως οι επίγειες απογραφές, είναι δαπανηρές, χρονοβόρες και συχνά αδυνατούν να ανιχνεύσουν έγκαιρα ή λεπτές φυσιολογικές μεταβολές, ειδικά σε επίπεδο μεμονωμένου δέντρου. Τα δορυφορικά δεδομένα ναι μεν παρέχουν μεγάλη χωρική κάλυψη, αλλά στερούνται της απαιτούμενης χωρικής λεπτομέρειας και ευαισθησίας για πρώιμη ανίχνευση στρες σε μεμονωμένες κόμες. Μέσα σε αυτό το πλαίσιο, η μελέτη προτείνει ένα πλαίσιο βασισμένο σε UAV (drone) με πολυφασματικούς αισθητήρες, ικανό να απεικονίσει με πολύ υψηλή ανάλυση (σε επίπεδο κόμης) τα δάση και να συνδέσει τις φασματικές υπογραφές με φυσιολογικούς δείκτες ζωτικότητας. Κεντρικός στόχος είναι η ανάπτυξη και αξιολόγηση μιας μεθοδολογίας που συνδυάζει χρονοσειρές πολυφασματικών εικόνων UAV, αντικειμενοστραφή ταξινόμηση (object-based image analysis, OBIA) και επίγειες φυσιολογικές μετρήσεις, προκειμένου να διακριθούν ζωντανά, στρεσαρισμένα και νεκρά δέντρα σε ένα πιλοτικό πλαίσιο βόρειου τύπου δάσος. Οι συγγραφείς υπογραμμίζουν ότι ένα τέτοιο σύστημα μπορεί να αποτελέσει γέφυρα ανάμεσα στην τηλεπισκόπηση και την οικοφυσιολογία, και να δημιουργήσει πρότυπο για κλιμάκωση σε μεγαλύτερες εκτάσεις μέσω συνδυασμού με άλλους αισθητήρες (LiDAR, δορυφορικά δεδομένα).<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η μελέτη διεξήχθη στο ερευνητικό πάρκο Svartberget στη βόρεια Σουηδία (βορεαλική ζώνη), σε πιλοτική έκταση περίπου 1 ha, με κυρίαρχα είδη την ερυθρελάτη(sprune), το πεύκο(pine) και τη σημύδα(birch). Επιλέχθηκαν 76 δέντρα (ζωντανά και νεκρά) για λεπτομερή παρακολούθηση, ενώ 16 ζωντανά δέντρα οργανομετρήθηκαν με φυσιολογικούς αισθητήρες (sap flow, δενδρόμετρα, αισθητήρες περιεκτικότητας και δυναμικού νερού στον κορμό), ώστε να παρακολουθούνται σε πραγματικό χρόνο οι ροές νερού, η αύξηση διαμέτρου και το υδατικό στρες. Στο χρονικό διάστημα 2024– 2025 πραγματοποιήθηκαν 15 πτήσεις UAV, καλύπτοντας βασικές φάσεις της βλαστητικής περιόδου. Το drone έφερε πολυφασματική κάμερα με ζώνες RGB, green, red, red-edge και near-infrared (NIR), από τις οποίες παραγάγονταν ορθομωσαϊκά υψηλής ανάλυσης. Η αντικειμενοστραφής ανάλυση εικόνας (OBIA) υλοποιήθηκε στο ERDAS IMAGINE: τα ορθομωσαϊκά υποβλήθηκαν σε πολυκλιμακωτή τμηματοποίηση (segmentation) βελτιστοποιημένη σε επίπεδο κόμης, δημιουργώντας αντικείμενα-κόμες. Στη συνέχεια εφαρμόστηκε εποπτευόμενη ταξινόμηση με Random Forest, με κλάσεις «spruce», «pine», «birch» και «dead trees», χρησιμοποιώντας ως χαρακτηριστικά φασματικά, υφής και γεωμετρικά γνωρίσματα. Τα πολυγωνικά αντικείμενα εξήχθησαν ως vector layers με χρονικά χαρακτηριστικά (φασματικές τιμές ανά ημερομηνία), επιτρέποντας ανάλυση χρονοσειρών ανά δέντρο και κλάση ζωτικότητας. Παράλληλα, τα χρονικά προφίλ ανακλαστικότητας συσχετίστηκαν με τις φυσιολογικές μετρήσεις μέσω συγχρονισμού ημερομηνιών λήψης και μετρήσεων.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση των χρονοσειρών πολυφασματικών δεδομένων έδειξε ότι οι μέσες φασματικές υπογραφές (mean digital numbers) για spruce, pine, birch και νεκρά δέντρα διαφοροποιούνται σαφώς στη διάρκεια της βλαστητικής περιόδου, ιδίως στις ζώνες red-edge και NIR. Οι διαφορές μεταξύ ζωντανών και νεκρών δέντρων έγιναν ιδιαίτερα έντονες μετά τα τέλη Μαΐου, όταν η κόμη των ζωντανών δέντρων πρασίνισε πλήρως και παρουσίασε υψηλότερη ανακλαστικότητα στο NIR και χαμηλότερη στο red, ενώ τα νεκρά δέντρα διατήρησαν χαμηλότερες τιμές και επίπεδες καμπύλες, αντανακλώντας την απώλεια χλωροφύλλης και δομικής ακεραιότητας. Οι ζώνες RGB αποδείχθηκαν λιγότερο ευαίσθητες σε λεπτές φυσιολογικές μεταβολές, ενώ η red-edge κατέγραψε πρώιμα σήματα στρες πριν αυτά γίνουν εμφανή στο ορατό φάσμα. Η αντικειμενοστραφής ταξινόμηση πέτυχε υψηλή ακρίβεια διάκρισης ειδών και κατάστασης ζωτικότητας σε επίπεδο κόμης, με σαφή χωρική κατανομή των ζωντανών και νεκρών δέντρων στον χάρτη της πιλοτικής έκτασης. Παράλληλα, οι προκαταρκτικές αναλύσεις έδειξαν ότι οι μεταβολές στη ροή χυμών και στη διάμετρο κορμού (από sap flow και δενδρόμετρα) ευθυγραμμίζονται χρονικά με μεταβολές στη φασματική υπογραφή, γεγονός που ενισχύει την οικοφυσιολογική ερμηνεία των εικόνων UAV. Συνολικά, τα αποτελέσματα δείχνουν ότι η πολυχρονική πολυφασματική απεικόνιση UAV μπορεί να ανιχνεύσει διαφορές ζωτικότητας και είδους σε λεπτές χωρικές και χρονικές κλίμακες.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Συμπεραίνεται ότι το προτεινόμενο πλαίσιο μετρήσεων αποτελεί μια ισχυρή και εφαρμόσιμη προσέγγιση για λεπτομερή παρακολούθηση της ζωτικότητας των δασών της βόρειας ζώνης σε επίπεδο μεμονωμένων δέντρων. Η μελέτη αποδεικνύει ότι οι χρονοσειρές πολυφασματικών εικόνων, ιδιαίτερα στις ζώνες red-edge και NIR, μπορούν να διακρίνουν αποτελεσματικά είδη και κλάσεις ζωτικότητας και να εντοπίζουν πρώιμα σήματα στρες, πριν αυτά γίνουν ορατά σε πιο ορατούς δείκτες ή στο ανθρώπινο μάτι. Η ενσωμάτωση επίγειων φυσιολογικών αισθητήρων παρέχει κρίσιμο πλαίσιο για την ερμηνεία των φασματικών δεδομένων και δημιουργεί βάση για ανάπτυξη μοντέλων που συνδέουν άμεσα τις τηλεσκοπικές παρατηρήσεις με οικοφυσιολογικές διεργασίες. τονίζεται ότι η πιλοτική εφαρμογή στο 1 ha του Svartberget σχεδιάζεται να κλιμακωθεί στο «Attsjö super test site» (2.300 ha), όπου θα συνδυαστούν δεδομένα UAV (RGB, multispectral, LiDAR) με άλλες πηγές για παρακολούθηση σε επίπεδο τοπίου. Τέλος, προτείνουν ότι η προσέγγιση αυτή μπορεί να ενσωματωθεί σε επιχειρησιακά συστήματα παρακολούθησης δασικής υγείας και «precision forestry», υποστηρίζοντας κλιματικά ανθεκτική διαχείριση οικοσυστημάτων και έγκαιρο εντοπισμό κινδύνων από κλιματικό στρες ή βιοτικούς παράγοντες.<br /> <br /> [[category:Δάση και ημι-φυσικές περιοχές]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CF%84%CE%B9%CE%BA%CE%B5%CE%B9%CE%BC%CE%B5%CE%BD%CE%BF%CF%83%CF%84%CF%81%CE%B1%CF%86%CE%AE%CF%82_%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%96%CF%89%CF%84%CE%B9%CE%BA%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CF%89%CE%BD_%CE%92%CE%BF%CF%81%CE%B5%CE%AF%CF%89%CE%BD_%CE%94%CE%B1%CF%83%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%A0%CE%BF%CE%BB%CF%85%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AC_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1_Drone 2026-01-18T20:20:06Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div>[[Αρχείο:5bbor.png|thumb|right|'''Εικόνα''': Γενική εικόνα των περιοχών μελέτης. Αριστερά: ερευνητικό πάρκο Svartberget (1 ha), όπου οι χρονοσειρές πολυφασματικών δεδομένων UAV (2024–2025) και οι φυσιολογικοί αισθητήρες επιτρέπουν την παρακολούθηση της ζωτικότητας σε επίπεδο μεμονωμένου δέντρου. Δεξιά: περιοχή δοκιμών Attsjö (2.300 ha) με δεδομένα UAV RGB, πολυφασματικά και LiDAR για κλιμάκωση της παρακολούθησης του δάσους.]]<br /> <br /> [[Αρχείο:51bor.png|thumb|right|'''Εικόνα''': Χωρική κατανομή των 16 οργανομετρημένων ζωντανών δέντρων και των 60 νεκρών δέντρων μέσα στην πιλοτική περιοχή Svartberget. Τα σύμβολα αντιπροσωπεύουν τα είδη (πεύκο, ερυθρελάτη, σημύδα) και αντιστοιχούν επίσης στις διαμορφώσεις αισθητήρων (ροή χυμών, δενδρόμετρο, δυναμικό νερού).]]<br /> <br /> [[Αρχείο:52bor.png|thumb|right|'''Εικόνα''': Mean spectral profiles (DN) of spruce, pine, birch, and dead trees across five bands from 15 UAV flights (2024–2025).]]<br /> <br /> '''Πρωτότυπος τίτλος:''' Mapping Boreal Forest Vitality Using Drone-Based Multispectral Time-Series and Object- Based Classification<br /> <br /> '''Συγγραφείς:''' Basam Dahy, Esra Sengun, Johanna Witzell, Johan E. S. Fransson.<br /> <br /> '''Δημοσιεύθηκε:''' Σεπτέμβριος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.5194/isprs-archives-XLVIII-2- W11-2025-81-2025<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η ζωτικότητα των δασών της βόρειας ζώνης (boreal forests) απειλείται ολοένα και περισσότερο από την κλιματική αλλαγή, την αύξηση των ακραίων καιρικών φαινομένων και τις επιδημίες εντόμων και παθογόνων, γεγονός που απαιτεί έγκαιρη και λεπτομερή παρακολούθηση της υγείας των δέντρων. Οι παραδοσιακές μέθοδοι παρακολούθησης, όπως οι επίγειες απογραφές, είναι δαπανηρές, χρονοβόρες και συχνά αδυνατούν να ανιχνεύσουν έγκαιρα ή λεπτές φυσιολογικές μεταβολές, ειδικά σε επίπεδο μεμονωμένου δέντρου. Τα δορυφορικά δεδομένα ναι μεν παρέχουν μεγάλη χωρική κάλυψη, αλλά στερούνται της απαιτούμενης χωρικής λεπτομέρειας και ευαισθησίας για πρώιμη ανίχνευση στρες σε μεμονωμένες κόμες. Μέσα σε αυτό το πλαίσιο, η μελέτη προτείνει ένα πλαίσιο βασισμένο σε UAV (drone) με πολυφασματικούς αισθητήρες, ικανό να απεικονίσει με πολύ υψηλή ανάλυση (σε επίπεδο κόμης) τα δάση και να συνδέσει τις φασματικές υπογραφές με φυσιολογικούς δείκτες ζωτικότητας. Κεντρικός στόχος είναι η ανάπτυξη και αξιολόγηση μιας μεθοδολογίας που συνδυάζει χρονοσειρές πολυφασματικών εικόνων UAV, αντικειμενοστραφή ταξινόμηση (object-based image analysis, OBIA) και επίγειες φυσιολογικές μετρήσεις, προκειμένου να διακριθούν ζωντανά, στρεσαρισμένα και νεκρά δέντρα σε ένα πιλοτικό πλαίσιο βόρειου τύπου δάσος. Οι συγγραφείς υπογραμμίζουν ότι ένα τέτοιο σύστημα μπορεί να αποτελέσει γέφυρα ανάμεσα στην τηλεπισκόπηση και την οικοφυσιολογία, και να δημιουργήσει πρότυπο για κλιμάκωση σε μεγαλύτερες εκτάσεις μέσω συνδυασμού με άλλους αισθητήρες (LiDAR, δορυφορικά δεδομένα).<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η μελέτη διεξήχθη στο ερευνητικό πάρκο Svartberget στη βόρεια Σουηδία (βορεαλική ζώνη), σε πιλοτική έκταση περίπου 1 ha, με κυρίαρχα είδη την ερυθρελάτη(sprune), το πεύκο(pine) και τη σημύδα(birch). Επιλέχθηκαν 76 δέντρα (ζωντανά και νεκρά) για λεπτομερή παρακολούθηση, ενώ 16 ζωντανά δέντρα οργανομετρήθηκαν με φυσιολογικούς αισθητήρες (sap flow, δενδρόμετρα, αισθητήρες περιεκτικότητας και δυναμικού νερού στον κορμό), ώστε να παρακολουθούνται σε πραγματικό χρόνο οι ροές νερού, η αύξηση διαμέτρου και το υδατικό στρες. Στο χρονικό διάστημα 2024– 2025 πραγματοποιήθηκαν 15 πτήσεις UAV, καλύπτοντας βασικές φάσεις της βλαστητικής περιόδου. Το drone έφερε πολυφασματική κάμερα με ζώνες RGB, green, red, red-edge και near-infrared (NIR), από τις οποίες παραγάγονταν ορθομωσαϊκά υψηλής ανάλυσης. Η αντικειμενοστραφής ανάλυση εικόνας (OBIA) υλοποιήθηκε στο ERDAS IMAGINE: τα ορθομωσαϊκά υποβλήθηκαν σε πολυκλιμακωτή τμηματοποίηση (segmentation) βελτιστοποιημένη σε επίπεδο κόμης, δημιουργώντας αντικείμενα-κόμες. Στη συνέχεια εφαρμόστηκε εποπτευόμενη ταξινόμηση με Random Forest, με κλάσεις «spruce», «pine», «birch» και «dead trees», χρησιμοποιώντας ως χαρακτηριστικά φασματικά, υφής και γεωμετρικά γνωρίσματα. Τα πολυγωνικά αντικείμενα εξήχθησαν ως vector layers με χρονικά χαρακτηριστικά (φασματικές τιμές ανά ημερομηνία), επιτρέποντας ανάλυση χρονοσειρών ανά δέντρο και κλάση ζωτικότητας. Παράλληλα, τα χρονικά προφίλ ανακλαστικότητας συσχετίστηκαν με τις φυσιολογικές μετρήσεις μέσω συγχρονισμού ημερομηνιών λήψης και μετρήσεων.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση των χρονοσειρών πολυφασματικών δεδομένων έδειξε ότι οι μέσες φασματικές υπογραφές (mean digital numbers) για spruce, pine, birch και νεκρά δέντρα διαφοροποιούνται σαφώς στη διάρκεια της βλαστητικής περιόδου, ιδίως στις ζώνες red-edge και NIR. Οι διαφορές μεταξύ ζωντανών και νεκρών δέντρων έγιναν ιδιαίτερα έντονες μετά τα τέλη Μαΐου, όταν η κόμη των ζωντανών δέντρων πρασίνισε πλήρως και παρουσίασε υψηλότερη ανακλαστικότητα στο NIR και χαμηλότερη στο red, ενώ τα νεκρά δέντρα διατήρησαν χαμηλότερες τιμές και επίπεδες καμπύλες, αντανακλώντας την απώλεια χλωροφύλλης και δομικής ακεραιότητας. Οι ζώνες RGB αποδείχθηκαν λιγότερο ευαίσθητες σε λεπτές φυσιολογικές μεταβολές, ενώ η red-edge κατέγραψε πρώιμα σήματα στρες πριν αυτά γίνουν εμφανή στο ορατό φάσμα. Η αντικειμενοστραφής ταξινόμηση πέτυχε υψηλή ακρίβεια διάκρισης ειδών και κατάστασης ζωτικότητας σε επίπεδο κόμης, με σαφή χωρική κατανομή των ζωντανών και νεκρών δέντρων στον χάρτη της πιλοτικής έκτασης. Παράλληλα, οι προκαταρκτικές αναλύσεις έδειξαν ότι οι μεταβολές στη ροή χυμών και στη διάμετρο κορμού (από sap flow και δενδρόμετρα) ευθυγραμμίζονται χρονικά με μεταβολές στη φασματική υπογραφή, γεγονός που ενισχύει την οικοφυσιολογική ερμηνεία των εικόνων UAV. Συνολικά, τα αποτελέσματα δείχνουν ότι η πολυχρονική πολυφασματική απεικόνιση UAV μπορεί να ανιχνεύσει διαφορές ζωτικότητας και είδους σε λεπτές χωρικές και χρονικές κλίμακες.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Συμπεραίνεται ότι το προτεινόμενο πλαίσιο μετρήσεων αποτελεί μια ισχυρή και εφαρμόσιμη προσέγγιση για λεπτομερή παρακολούθηση της ζωτικότητας των δασών της βόρειας ζώνης σε επίπεδο μεμονωμένων δέντρων. Η μελέτη αποδεικνύει ότι οι χρονοσειρές πολυφασματικών εικόνων, ιδιαίτερα στις ζώνες red-edge και NIR, μπορούν να διακρίνουν αποτελεσματικά είδη και κλάσεις ζωτικότητας και να εντοπίζουν πρώιμα σήματα στρες, πριν αυτά γίνουν ορατά σε πιο ορατούς δείκτες ή στο ανθρώπινο μάτι. Η ενσωμάτωση επίγειων φυσιολογικών αισθητήρων παρέχει κρίσιμο πλαίσιο για την ερμηνεία των φασματικών δεδομένων και δημιουργεί βάση για ανάπτυξη μοντέλων που συνδέουν άμεσα τις τηλεσκοπικές παρατηρήσεις με οικοφυσιολογικές διεργασίες. τονίζεται ότι η πιλοτική εφαρμογή στο 1 ha του Svartberget σχεδιάζεται να κλιμακωθεί στο «Attsjö super test site» (2.300 ha), όπου θα συνδυαστούν δεδομένα UAV (RGB, multispectral, LiDAR) με άλλες πηγές για παρακολούθηση σε επίπεδο τοπίου. Τέλος, προτείνουν ότι η προσέγγιση αυτή μπορεί να ενσωματωθεί σε επιχειρησιακά συστήματα παρακολούθησης δασικής υγείας και «precision forestry», υποστηρίζοντας κλιματικά ανθεκτική διαχείριση οικοσυστημάτων και έγκαιρο εντοπισμό κινδύνων από κλιματικό στρες ή βιοτικούς παράγοντες.<br /> <br /> [[category:Δάση και ημι-φυσικές περιοχές]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:52bor.png 2026-01-18T20:19:27Z

<p>KOUTSOLIAKOS PANAGIOTIS: Mean spectral profiles (DN) of spruce, pine, birch, and dead trees across five bands from 15 UAV flights (2024–2025).</p> <hr /> <div>Mean spectral profiles (DN) of spruce, pine, birch, and dead trees across five bands from 15 UAV flights (2024–2025).</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:51bor.png 2026-01-18T20:18:21Z

<p>KOUTSOLIAKOS PANAGIOTIS: Χωρική κατανομή των 16 οργανομετρημένων ζωντανών δέντρων και των 60 νεκρών δέντρων μέσα στην πιλοτική περιοχή Svartberget. Τα σύμβολα αντιπροσωπε</p> <hr /> <div>Χωρική κατανομή των 16 οργανομετρημένων ζωντανών δέντρων και των 60 νεκρών δέντρων μέσα στην πιλοτική περιοχή Svartberget. Τα σύμβολα αντιπροσωπεύουν τα είδη (πεύκο, ερυθρελάτη, σημύδα) και αντιστοιχούν επίσης στις διαμορφώσεις αισθητήρων (ροή χυμών, δενδρόμετρο, δυναμικό νερού).</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:5bor.png 2026-01-18T20:17:51Z

<p>KOUTSOLIAKOS PANAGIOTIS: Γενική εικόνα των περιοχών μελέτης. Αριστερά: ερευνητικό πάρκο Svartberget (1 ha), όπου οι χρονοσειρές πολυφασματικών δεδομένων UAV (2024–2025) και οι φυ</p> <hr /> <div>Γενική εικόνα των περιοχών μελέτης. Αριστερά: ερευνητικό πάρκο Svartberget (1 ha), όπου οι χρονοσειρές πολυφασματικών δεδομένων UAV (2024–2025) και οι φυσιολογικοί αισθητήρες επιτρέπουν την παρακολούθηση της ζωτικότητας σε επίπεδο μεμονωμένου δέντρου. Δεξιά: περιοχή δοκιμών Attsjö (2.300 ha) με δεδομένα UAV RGB, πολυφασματικά και LiDAR για κλιμάκωση της παρακολούθησης του δάσους.</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%94%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CE%95%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%BD%CE%B4%CF%81%CF%89%CE%B4%CF%8E%CE%BD_%CE%95%CE%B9%CE%B4%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%A3%CF%85%CE%BD%CE%B4%CF%85%CE%B1%CF%83%CE%BC%CF%8C_%CE%A0%CE%BF%CE%BB%CF%85%CE%B5%CF%80%CE%BF%CF%87%CE%B9%CE%BA%CF%8E%CE%BD_%CE%95%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_Sentinel-2_%CE%BA%CE%B1%CE%B9_%CE%95%CE%BD%CE%B1%CE%AD%CF%81%CE%B9%CE%BF%CF%85_LiDAR 2026-01-18T20:10:55Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div>[[Αρχείο:assesing1.png|thumb|right|'''Εικόνα''': Τοποθεσία και χρήση γης στην εξεταζόμενη περιοχή.]]<br /> <br /> [[Αρχείο:assesing2.png|thumb|right|'''Εικόνα''': Tαξινόμηση Random Forest (RF) 13 φυλλοβόλων ειδών. Ο αριθμός των σωστά ταξινομημένων δειγμάτων είναι σε έντονα γράμματα. PA ακρίβεια παραγωγού, UA ακρίβεια χρήστη, OA συνολική ακρίβεια.]]<br /> <br /> [[Αρχείο:assesing3.png|thumb|right|'''Εικόνα''': Ακρίβειες του μοντέλου ταξινόμησης Random Forest (OA συνολική ακρίβεια) με διάφορους συνδυασμούς πολυεποχιακών χρονοσειρών.]]<br /> <br /> '''Πρωτότυπος τίτλος:''' Assessing the potential of multi- seasonal Sentinel-2 satellite imagery combined with airborne LiDAR for urban tree species identification<br /> <br /> '''Συγγραφείς:''' Yunfang Jian, Xianghua Li, Lixian Peng, Chunjing Li &amp; Tao Song.<br /> <br /> '''Δημοσιεύτηκε:''' Ιούλιος του 2025<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1038/s41598-025-10971-6 <br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα αστικά δέντρα διαδραματίζουν κρίσιμο ρόλο στην παροχή υπηρεσιών στο οικοσύστημα, όπως ο καθαρισμός του αέρα, η μετριασμένη θερμότητα των πόλεων και η βελτίωση της υγείας και της ποιότητας ζωής των ανθρώπων. Η ακριβής αναγνώριση της σύστασης και της κατανομής των ειδών είναι προαπαιτούμενο για την αποτελεσματική σχεδίαση και διαχείριση του αστικού τοπίου. Ωστόσο, η ακριβής απόκτηση χωρικών πληροφοριών για τα αστικά δέντρα σε ιδιαίτερα ετερογενή και πολύπλοκα αστικά περιβάλλοντα αποτελεί σημαντική πρόκληση. Οι επίγειες έρευνες αποτελούν την ακριβέστερη μέθοδο συλλογής δεδομένων, αλλά είναι συχνά δαπανηρές και κατάλληλες μόνο για μικρής κλίμακας μελέτες. Η τηλεπισκόπηση προσφέρει παρατηρήσεις σε διάφορες κλίμακες, δίνοντας τη δυνατότητα αυτοματοποιημένης ταξινόμησης σε μεγάλη κλίμακα. Η δορυφορική ταξινόμηση ειδών έχει μελετηθεί εκτενώς σε φυσικά περιβάλλοντα, αλλά οι αστικές περιοχές παρουσιάζουν επιπλέον προκλήσεις όπως η πολυπλοκότητα χρήσης γης, η ποικιλομορφία της αστικής σύστασης δέντρων και η ποικίλη διαχείριση τα οποία απαιτούν ειδικές προσεγγίσεις. Το Sentinel-2 παρέχει δωρεάν πολυφασματικά δεδομένα με χωρική ανάλυση 10 μέτρων και πενθήμερο κύκλο επανάληψης, καθιστώντας το ιδανικό για εφαρμογές παρακολούθησης αστικών τοπίων. Η ενσωμάτωση δεδομένων LiDAR προσφέρει πρόσθετες δομικές πληροφορίες για την καλύτερη διαφοροποίηση ειδών. Η παρούσα μελέτη διερευνά τη δυνατότητα χρήσης πολυεποχιακής δορυφορικής τηλεπισκόπησης συνδυασμένης με αερομεταφερόμενα δεδομένα LiDAR για την αναγνώριση ειδών αστικών δέντρων σε μεγάλη κλίμακα (&gt; 5000 km2) στη Σαγκάη, μία από τις μεγαλύτερες πόλεις της Κίνας.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η μελέτη διεξήχθη στο κύριο ηπειρωτικό τμήμα της Σαγκάης (5.439 km2), ένα κλιματολογικά υγρό υποτροπικό περιβάλλον με ετήσια βροχόπτωση περίπου 1.200 mm και μέση ετήσια θερμοκρασία 17,7°C. Η περιοχή χαρακτηρίζεται από κάλυψη δέντρων 26% με ποικιλία 19 κυρίαρχων ειδών. Δεδομένα δορυφορική τηλεπισκόπησης Sentinel-2 συλλέχθησαν για τρεις κρίσιμες εποχές: Άνοιξη (15 Μαΐου, μέρα έτους 135), Καλοκαίρι (11 Αυγούστου, μέρα 223) και Φθινόπωρο (15 Οκτωβρίου, μέρα 288) του 2023, καλύπτοντας την περιοχή μελέτης. Τα δεδομένα Sentinel-2 Level 1C (Top-of-Atmosphere reflectance) μετατράπησαν σε Level 2A (surface reflectance) χρησιμοποιώντας τον επεξεργαστή MAJA. Η προ-επεξεργασία περιλάμβανε resampling, σύνθεση ζωνών, δημιουργία μωσαϊκού, μάσκαρισμα νεφών και συμπλήρωση ελλιπών τιμών χρησιμοποιώντας λογισμικό SNAP και ENVI. Δεδομένα αερομεταφερόμενου LiDAR συλλέχθησαν το καλοκαίρι του 2021 χρησιμοποιώντας UAV (Feima D200) με scanner RIEGL miniVUX-1UAV σε πυκνότητα 52 σημείων/m2. Τρία παράγωγα χαρακτηριστικά εξήχθησαν: ύψος κόμης (CH), κάλυψη κόμης (CC) και δείκτης φυλλικής επιφάνειας (LAI). Δημιουργήθηκαν επτά πειραματικά σχήματα συνδυάζοντας φασματικά χαρακτηριστικά (10 ζώνες και 24 δείκτες), χρονικά χαρακτηριστικά (Seasonal Trajectory Difference Index) και φυσικά χαρακτηριστικά LiDAR. Επιλέχθησαν χαρακτηριστικά χρησιμοποιώντας τη δοκιμή Kruskal-Wallis, ανάλυση πολυσυγγραμμικότητας και αξιολόγηση σημασίας Random Forest. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης εφαρμόστηκε σε τρία επίπεδα: κάλυψη γης, τύποι δάσους και ειδικά είδη δέντρων. Χρησιμοποιήθηκαν 80% των δεδομένων για εκπαίδευση και 20% για επικύρωση, με μετρικές αξιολόγησης την Ολική Ακρίβεια (OA), F1-score, Producer Accuracy (PA) και User Accuracy (UA).<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση κατέδειξε σημαντικές διαφορές στην απόδοση ταξινόμησης μεταξύ φυλλοβόλων και αειθαλών ειδών δέντρων. Για τα φυλλοβόλα φυλλοφόρα δέντρα (DBF), ο συνδυασμός φασματικών, χρονικών και φυσικών χαρακτηριστικών (που προέρχονται από Sentinel-2 και LiDAR) επέτυχε την υψηλότερη ακρίβεια με συνολική ακρίβεια 63,32% και F1-score 0,63. Αυτό αντιπροσωπεύει βελτίωση 29,65% σε σύγκριση με τον χαμηλότερης απόδοσης συνδυασμό που χρησιμοποιούσε μόνο φασματικά χαρακτηριστικά. Για τα αειθαλή φυλλοφόρα δέντρα (EBF), ο συνδυασμός χρονικών και φυσικών χαρακτηριστικών παρήγαγε τα καλύτερα αποτελέσματα με συνολική ακρίβεια 76,77% και F1-score 0,75, υποδεικνύοντας ότι τα αειθαλή είδη είναι ευκολότερα να διαφοροποιηθούν. Η χαρτογράφηση των κυρίαρχων ειδών δέντρων πραγματοποιήθηκε σε ανάλυση 10 μέτρων για ολόκληρη την περιοχή της Σαγκάης. Τα τρία πιο διαδεδομένα είδη—το Cinnamomum camphora (κανέλα), το Metasequoia glyptostroboides (δεντροσίσαμο) και το Salix babylonica (ιτιά)—καταλαμβάνουν το 57,56% της συνολικής δασικής έκτασης. Η λεπτομερής αξιολόγηση ακρίβειας ανά είδος αποκάλυψε σημαντική ποικιλία στην απόδοση ταξινόμησης. Για τα φυλλοβόλα είδη, το Populus alba επέτυχε PA 80,95%, δείχνοντας εξαιρετική ταξινόμηση, ενώ το Zelkova serrata παρουσίασε χαμηλότερη PA 55,38%, υποδεικνύοντας χαρακτηριστικές ομοιότητες με άλλα είδη. Για τα αειθαλή είδη, το Cinnamomum camphora κορυφώθηκε με UA 95,07% και PA 77,59%, αντανακλώντας εξαιρετική απόδοση ταξινόμησης και υψηλή αξιοπιστία. Η ανάλυση σημασίας χαρακτηριστικών κατέδειξε ότι τα φασματικά δεδομένα από την άνοιξη ήταν κυρίαρχα για την ταξινόμηση φυλλοβόλων ειδών, με τα κανάλια που αντιστοιχούν στο πράσινο και τον εγγύς υπέρυθρο (NIR) να είναι ιδιαίτερα σημαντικά. Αυτό αποδίδεται στη δυναμική αλλαγή του πράσινου φυλλώματος κατά την άνοιξη. Για τα αειθαλή είδη, διαφορετικές ζώνες του φάσματος κυριαρχούσαν σε διαφορετικές εποχές του χρόνου, υποδεικνύοντας ότι δεν υπάρχει μία μόνη εποχή που να είναι αρκετή για την αναγνώρισή τους. Το ύψος της κόμης του δέντρου αποδείχθηκε ως το πιο σημαντικό χαρακτηριστικό LiDAR και για τους δύο τύπους δάσους. Η ενσωμάτωση δεδομένων LiDAR βελτίωσε τα αποτελέσματα της ταξινόμησης, με αύξηση ακρίβειας έως 18,75% για τα φυλλοβόλα είδη, υποδεικνύοντας ότι οι δομικές πληροφορίες του δέντρου είναι κρίσιμες για την αναγνώριση φυλλοβόλων ειδών που είναι φασματικά παρόμοια μεταξύ τους.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη καταδεικνύει ότι ο συνδυασμός πολυεποχιακής δορυφορικής τηλεπισκόπησης Sentinel-2 με αερομεταφερόμενα δεδομένα LiDAR είναι αποτελεσματικός για την αναγνώριση ειδών αστικών δέντρων σε μεγάλες ετερογενείς αστικές περιοχές. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης επιτυγχάνει σαφώς διαφοροποιήσιμα αποτελέσματα, με συνολικές ακρίβειες 63,32% για φυλλοβόλα είδη και 76,77% για αειθαλή είδη. Τα πολυεποχιακά φασματικά δεδομένα αποτελούν το κύριο εξηγητικό χαρακτηριστικό, με την άνοιξη να έχει ιδιαίτερη σημασία για τα φυλλοβόλα είδη, ενώ κάθε εποχή έχει το δικό της κυρίαρχο φασματικό περιεχόμενο για τα αειθαλή είδη. Ο συνδυασμός δεδομένων τριών εποχών υπερτερεί έναντι δύο ή μίας εποχής συνδυασμών. Η ενσωμάτωση δομικών μετρήσεων LiDAR παρέχει σημαντικές βελτιώσεις, ιδιαίτερα για φυλλοβόλα είδη που είναι φασματικά παρόμοια. Αυτή η προσέγγιση προσφέρει μια οικονομικά αποδοτική και χρήσιμη μέθοδο δημιουργίας λεπτομερών χαρτών κατανομής αστικών δέντρων σε περιοχές μεγαλύτερες των 5000 km2. Τα ευρήματα έχουν σημαντικές επιπτώσεις για την αστική δασική διαχείριση, τη ποσοτικοποίηση υπηρεσιών οικοσυστήματος, και τη στήριξη πολιτικής αειφορικής ανάπτυξης των πόλεων. Μελλοντικές έρευνες θα μπορούσαν να εξερευνήσουν πυκνότερες χρονικές σειρές δεδομένων και επίγεια δεδομένα LiDAR υψηλής πυκνότητας για περαιτέρω βελτίωση της ακρίβειας ταξινόμησης.<br /> <br /> [[category:Αστικός ιστός]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Assesing3.png 2026-01-18T20:10:40Z

<p>KOUTSOLIAKOS PANAGIOTIS: Ακρίβειες του μοντέλου ταξινόμησης Random Forest (OA συνολική ακρίβεια) με διάφορους συνδυασμούς πολυεποχιακών χρονοσειρών.</p> <hr /> <div>Ακρίβειες του μοντέλου ταξινόμησης Random Forest (OA συνολική ακρίβεια) με διάφορους συνδυασμούς πολυεποχιακών χρονοσειρών.</div>

KOUTSOLIAKOS PANAGIOTIS 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%95%CF%80%CE%AF%CE%B4%CF%81%CE%B1%CF%83%CE%B7%CF%82_%CF%84%CE%BF%CF%85_%CE%95%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%BF%CF%85%CF%82_%CE%91%CE%BC%CF%80%CE%B5%CE%BB%CF%8E%CE%BD%CE%B5%CF%82_%CE%BC%CE%AD%CF%83%CF%89_%CE%A7%CF%81%CE%BF%CE%BD%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CF%8E%CE%BD_Sentinel-2_%CE%BA%CE%B1%CE%B9_%CE%94%CE%B5%CE%B9%CE%BA%CF%84%CF%8E%CE%BD_%CE%A6%CE%B1%CE%B9%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1%CF%82 2026-01-18T19:34:23Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div>[[Αρχείο:4vine.png|thumb|right|'''Εικόνα''': Κατανομή της περιοχής μελέτης σε εθνικό (α) και περιφερειακό επίπεδο (β). Ορθοφωτογραφία υψηλής ανάλυσης (γ, κάτω δεξιά) και χάρτης χωρικής κατανομής των Εδαφικών Ομάδων Υποστρώματος (δ, αριστερά). Το κόκκινο πλαίσιο υποδεικνύει την περιοχή ενδιαφέροντος. (Για την ερμηνεία των χρωμάτων, βλ. ηλεκτρονική έκδοση του άρθρου.)]]<br /> <br /> [[Αρχείο:41vine.png|thumb|right|'''Εικόνα''': Στο πάνω μέρος παρουσιάζεται η διάμεσος RMSE σε σχέση με τους δύο δείκτες βλάστησης NDVI και EVI2. Η διάμεσος υπολογίζεται από τα αποτελέσματα όλων των τεσσάρων μεθόδων. Στο κάτω μέρος παρουσιάζεται η τυπική απόκλιση για κάθε έτος των φαινολογικών μετρήσεων (LSP metrics) που εξήχθησαν με τη μέθοδο AG και Beck.]]<br /> <br /> '''Πρωτότυπος τίτλος:''' Monitoring soil substrate influence in vineyards using Sentinel- 2 time series and land surface phenology.<br /> <br /> '''Συγγραφείς:''' Thomas Maffei, Marco Moretto , Pietro Franceschi.<br /> <br /> '''Δημοσιεύτηκε:''' Νοέμβριος του 2025<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.jag.2025.104977<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η παρακολούθηση των αμπελώνων αποτελεί μια κρίσιμη πρακτική για τη βελτιστοποίηση της ποιότητας των σταφυλιών και την εξασφάλιση της βιωσιμότητας της παραγωγής οίνου. Οι διαφορές στο εδαφικό υπόστρωμα και την εδαφική σύσταση έχουν σημαντική επίδραση στη φυσιολογία των αμπέλων και στη φαινολογία τους. Η χρήση τηλεπισκόπησης μέσω δορυφόρων έχει αναδειχθεί ως μια ισχυρή τεχνολογία για την παρακολούθηση της βλάστησης σε αγροτικές εκτάσεις. Η δορυφορική μονάδα Sentinel-2, με τα πολλαπλά φασματικά κανάλια της και την υψηλή χωρική ανάλυση, προσφέρει ιδανικές δυνατότητες για τη λεπτομερή παρατήρηση των αμπελώνων. Το άρθρο αυτό εξερευνά τη δυνατότητα χρήσης χρονοσειρών Sentinel-2 για τη διερεύνηση των διαφορών που παρατηρούνται στους αμπελώνες, οι οποίες σχετίζονται με διάφορα εδαφικά υποστρώματα. Η έρευνα διεξήχθη στην περιοχή Piana Rotaliana της αυτόνομης επαρχίας Τρέντο στην Ιταλία, όπου ήταν δυνατή η επιλογή αμπελώνων που εκπαιδεύονται με το ίδιο σύστημα μόρφωσης (καλλιεργητική τεχνική) και αποφεύγουν τη ανανέωση των φυτευμάτων κατά την περίοδο 2017-2023. Τα δεδομένα χρονοσειρών οργανώθηκαν με συνέπεια για να διασφαλιστεί η αξιοπιστία και η συγκρισιμότητα των αποτελεσμάτων.<br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> '''Δεδομένα Sentinel-2 και Προ-επεξεργασία'''<br /> <br /> Η μελέτη χρησιμοποίησε δεδομένα δορυφορικής τηλεπισκόπησης από τον δορυφόρο Sentinel-2, ο οποίος παρέχει εικόνες υψηλής ανάλυσης με χωρική ανάλυση 10 μέτρων και χρονικό διάστημα επανάληψης 5 ημερών. Τα δεδομένα συλλέχθησαν για τη χρονική περίοδο 2017-2023 για τους αμπελώνες της Piana Rotaliana. Οι εικόνες Sentinel-2 Level 1C (orthorectified Top-of-Atmosphere reflectance) μετατράπησαν σε Level 2A (surface reflectance) χρησιμοποιώντας τον επεξεργαστή MAJA (Multi-temporal Cloud Screening and Atmospheric Correction Processor). Ο MAJA αναπτύχθηκε από τα CESBIO, CNES και DLR και προσφέρει προσαρμογή για ατμοσφαιρικές επιδράσεις, ανίχνευση νεφών και εκτίμηση του οπτικού πάχους αερολύματος (AOT) και υδρατμών. Η επεξεργασία MAJA παρέχει υψηλής ποιότητας χρονοσειρές επιφανειακής ανακλαστικότητας που είναι απαραίτητες για τη χρονική ανάλυση της φαινολογίας. Τα δεδομένα Level 2A περιέχουν 11 φασματικά κανάλια σε διάφορες χωρικές ανάλυσεις (10, 20 και 60 μέτρα), επιτρέποντας τον υπολογισμό πολλαπλών δεικτών βλάστησης.<br /> <br /> '''Δείκτες Βλάστησης και Εξαγωγή Φαινολογίας'''<br /> <br /> Για την εξαγωγή της επιφανειακής φαινολογίας (Land Surface Phenology - LSP), δύο κύριοι δείκτες βλάστησης αξιολογήθησαν: ο Normalized Difference Vegetation Index (NDVI) και ο Enhanced Vegetation Index 2 (EVI2). Ο NDVI υπολογίζεται από τη διαφορά μεταξύ του εγγύς υπέρυθρου (NIR) και κόκκινου φασματικού καναλιού, διαιρούμενη με το άθροισμά τους, και είναι ο πιο ευρέως χρησιμοποιούμενος δείκτης για τη μελέτη της βλάστησης. Ο EVI2, ωστόσο, είναι ένας τροποποιημένος δείκτης που χρησιμοποιεί τα κανάλια NIR, κόκκινο και SWIR (Short-Wave Infrared) για να μειώσει τις επιδράσεις του φόντου εδάφους και του κορεσμού σε περιοχές με πυκνή βλάστηση. Η ανάλυση έδειξε ότι ο EVI2 παρέχει καλύτερη σταθερότητα και ευρωστία στη χρονική σειρά σε σύγκριση με τον NDVI, ειδικά κατά τις περιόδους πήξης και αποφύλλωσης των αμπέλων. Πέρα από αυτούς τους κύριους δείκτες, εξετάστηκαν και άλλοι δείκτες, όπως ο Global Vegetation Moisture Index (GVMI), ο οποίος μετρά το περιεχόμενο νερού της βλάστησης. Ο GVMI αποδείχθηκε ως ο πιο αποτελεσματικός δείκτης για τη διάκριση της επίδρασης του εδαφικού υποστρώματος, καθώς είναι ευαίσθητος στην ικανότητα διατήρησης νερού του εδάφους.<br /> <br /> '''Μέθοδοι Εξαγωγής Χαρακτηριστικών Φαινολογίας'''<br /> <br /> Για κάθε αμπελώνα, υπολογίστηκαν πολλαπλά φαινολογικά χαρακτηριστικά (phenometrics) που περιλαμβάνουν LSP metrics (μέγιστη τιμή δείκτη βλάστησης, ημερομηνία μέγιστου, μέγεθος κορυφής), Growing Season (GS) metrics που αντιπροσωπεύουν παρατηρήσεις κατά την ενεργή περίοδο ανάπτυξης και off-Season metrics για παρατηρήσεις εκτός της LSP περιόδου. Διάφορες τεχνικές προσαρμογής (fitting methods) εξετάστηκαν για τη δημιουργία ομαλών χρονοσειρών και την εξαγωγή ακριβών φαινολογικών σημείων αναφοράς. Οι μέθοδοι περιλάμβαναν τη χρήση κινητού μέσου όρου (Moving Average), φίλτρα Savitzky-Golay και ημι-εμπειρικές μεθόδους προσαρμογής που βελτιστοποιούν την ανίχνευση κλειδιών φαινολογικών γεγονότων. Η επιλογή του καταλληλότερου συνδυασμού δείκτη βλάστησης και μεθόδου προσαρμογής ήταν κρίσιμη για την ακρίβεια των εξαγόμενων χαρακτηριστικών.<br /> <br /> '''Δημιουργία Συνόλων Δεδομένων και Ταξινόμηση'''<br /> <br /> Οκτώ διαφορετικά σύνολα δεδομένων δημιουργήθησαν με βάση τους διάφορους συνδυασμούς δεικτών βλάστησης και φαινολογικών μετρήσεων (LSP, GS και off- Season). Για τη διαφοροποίηση αμπελώνων ανάλογα με τον εδαφικό τύπο, εφαρμόστηκε ένας ταξινομητής Random Forest, ο οποίος είναι ένας επιβλεπόμενος μηχανικής μάθησης αλγόριθμος που κατασκευάζει πολλά decision trees χρησιμοποιώντας δείγματα εκπαίδευσης.Ο Random Forest είναι γρήγορος και αξιόπιστος. Δουλεύει καλά ακόμα και όταν έχουμε πολλά διαφορετικά δεδομένα (π.χ. πολλούς δείκτες βλάστησης) και δεν &quot;κολλάει&quot; στα δεδομένα εκπαίδευσης, γι' αυτό δουλεύει καλά και σε νέα δεδομένα. Η ακρίβεια της ταξινόμησης αξιολογήθηκε χρησιμοποιώντας τυποποιημένες μετρήσεις όπως η συνολική ακρίβεια και ο συντελεστής Kappa. Η σταθερότητα του μοντέλου εξετάστηκε με cross-validation: εκπαιδεύτηκαν μοντέλα με δεδομένα ενός έτους και δοκιμάστηκαν με δεδομένα από τα υπόλοιπα έτη, ώστε να αξιολογηθεί η αποτελεσματικότητά τους σε διαφορετικές χρονικές περιόδους.<br /> <br /> '''Αποτελέσματα και Συμπεράσματα'''<br /> <br /> Η ανάλυση των χρονοσειρών Sentinel-2 αποκάλυψε σημαντικές διαφορές στη φαινολογία των αμπελώνων που σχετίζονται άμεσα με τον εδαφικό τύπο. Ο EVI2 επέδειξε ανώτερη σταθερότητα και αξιοπιστία έναντι του NDVI, ιδιαίτερα κατά τις κρίσιμες περιόδους πήξης και αποφύλλωσης. Οι φαινολογικές κορυφές και τα σημεία περιστροφής αναγνωρίστηκαν με υψηλή ακρίβεια, παρέχοντας λεπτομερείς πληροφορίες για τον κύκλο ανάπτυξης των φυτών. Οι μετρήσεις Growing Season (GS) κατέδειξαν διαφορές στη διάρκεια της ενεργής περιόδου ανάπτυξης μεταξύ αμπελώνων με διαφορετικά εδαφικά υποστρώματα, υποδεικνύοντας την επίδραση των εδαφικών ιδιοτήτων στη φυσιολογία των φυτών. Οι χωρικές ανομοιογένειες στη βλάστηση συσχετίστηκαν με τη γνωστή κατανομή εδαφικών τύπων, ενώ ο ταξινομητής Random Forest επιτυγχάνει υψηλή ακρίβεια διαφοροποίησης αμπελώνων ανάλογα με τον εδαφικό τύπο. Η μελέτη καταδεικνύει ότι η χρήση δορυφορικών χρονοσειρών σε συνδυασμό με τη φαινολογική ανάλυση αποτελεί ένα ισχυρό εργαλείο για τη διερεύνηση της επίδρασης του εδαφικού υποστρώματος στη λειτουργία των αμπελώνων. Τα εξαγόμενα φαινολογικά χαρακτηριστικά επιτρέπουν την αναγνώριση και χαρτογράφηση της χωρικής ετερογένειας που σχετίζεται με εδαφικές ιδιότητες. Αυτή η προσέγγιση έχει σημαντικές επιπτώσεις για τη γεωργία ακριβείας στους αμπελώνες, καθώς παρέχει τη δυνατότητα προσδιορισμού ζωνών που απαιτούν διαφοροποιημένη διαχείριση. Τα ευρήματα δείχνουν ότι η ενσωμάτωση της φαινολογίας επιφανείας σε πλαίσια παρακολούθησης αμπελώνων βελτιώνει την κατανόηση εδαφο-φυτικών αλληλεπιδράσεων και υποστηρίζει καλύτερες αποφάσεις διαχείρισης. Συστήνεται περαιτέρω εφαρμογή αυτής της μεθοδολογίας σε άλλες περιοχές παραγωγής κρασιού και σε άλλες καλλιέργειες.<br /> <br /> <br /> [[category:Γεωργικές περιοχές]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:41vine.png 2026-01-18T19:33:10Z

<p>KOUTSOLIAKOS PANAGIOTIS: Στο πάνω μέρος παρουσιάζεται η διάμεσος RMSE σε σχέση με τους δύο δείκτες βλάστησης NDVI και EVI2. Η διάμεσος υπολογίζεται από τα αποτελέσματα όλ�</p> <hr /> <div>Στο πάνω μέρος παρουσιάζεται η διάμεσος RMSE σε σχέση με τους δύο δείκτες βλάστησης NDVI και EVI2. Η διάμεσος υπολογίζεται από τα αποτελέσματα όλων των τεσσάρων μεθόδων. Στο κάτω μέρος παρουσιάζεται η τυπική απόκλιση για κάθε έτος των φαινολογικών μετρήσεων (LSP metrics) που εξήχθησαν με τη μέθοδο AG και Beck.</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:4vine.png 2026-01-18T19:32:39Z

<p>KOUTSOLIAKOS PANAGIOTIS: Κατανομή της περιοχής μελέτης σε εθνικό (α) και περιφερειακό επίπεδο (β). Ορθοφωτογραφία υψηλής ανάλυσης (γ, κάτω δεξιά) και χάρτης χωρικής κ�</p> <hr /> <div>Κατανομή της περιοχής μελέτης σε εθνικό (α) και περιφερειακό επίπεδο (β). Ορθοφωτογραφία υψηλής ανάλυσης (γ, κάτω δεξιά) και χάρτης χωρικής κατανομής των Εδαφικών Ομάδων Υποστρώματος (δ, αριστερά). Το κόκκινο πλαίσιο υποδεικνύει την περιοχή ενδιαφέροντος. (Για την ερμηνεία των χρωμάτων, βλ. ηλεκτρονική έκδοση του άρθρου.)</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%86%CF%81%CE%B8%CF%81%CE%BF_2 2026-01-18T19:10:03Z

<p>KOUTSOLIAKOS PANAGIOTIS: Η Άρθρο 2 μετακινήθηκε στη θέση Πρόβλεψη αποδόσεων μανιτάριων σε μεσογειακό δάσος: ορθογραφικά</p> <hr /> <div>#ΑΝΑΚΑΤΕΥΘΥΝΣΗ [[Πρόβλεψη αποδόσεων μανιτάριων σε μεσογειακό δάσος]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CE%B1%CF%80%CE%BF%CE%B4%CF%8C%CF%83%CE%B5%CF%89%CE%BD_%CE%BC%CE%B1%CE%BD%CE%B9%CF%84%CE%AC%CF%81%CE%B9%CF%89%CE%BD_%CF%83%CE%B5_%CE%BC%CE%B5%CF%83%CE%BF%CE%B3%CE%B5%CE%B9%CE%B1%CE%BA%CF%8C_%CE%B4%CE%AC%CF%83%CE%BF%CF%82 2026-01-18T19:10:03Z

<p>KOUTSOLIAKOS PANAGIOTIS: Η Άρθρο 2 μετακινήθηκε στη θέση Πρόβλεψη αποδόσεων μανιτάριων σε μεσογειακό δάσος: ορθογραφικά</p> <hr /> <div>[[Αρχείο:3forest.png|thumb|right|'''Εικόνα''': Χαρακτηρισμός της περιοχής μελέτης: (a) συνολική έκταση μεσογειακών δασών του είδους Pinus pinaster (source: Caudullo et al., 2017). (b) η θέση και η χωρική κατανομή του δικτύου των επιφανειών (δειγματοληψίας) (c) κλιματογράφημα (source: AEMET).]]<br /> <br /> [[Αρχείο:31forest.png|thumb|right|'''Εικόνα''': Νέφος σημείων που αποκτήθηκε με GeosLAM. (α) Παράδειγμα αποκομμένου νέφους σημείων επιφάνειας που αντιστοιχεί στην επιφάνεια 22. (β) Σχηματικό παράδειγμα διαδικασίας voxelization.]]<br /> <br /> [[Αρχείο:32forest.png|thumb|right|'''Πίνακας''': Περιγραφή μεταβλητών που συμμετείχαν στη στατιστική ανάλυση.]]<br /> <br /> '''Πρωτότυπος τίτλος:''' Stand Structural Characteristics Derived from Combined TLS and Landsat Data Support Predictions of Mushroom Yields in Mediterranean Forest<br /> <br /> '''Συγγραφείς:''' Raquel Martínez-Rodrigo, and Beatriz Águeda, Cristina Gómez, Astor Toraño-Caicoya, Luke Bohnhorst, Enno Uhl.<br /> <br /> '''Δημοσιεύθηκε:''' Οκτώβρης του 2022<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3390/rs14195025<br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα άγρια μανιτάρια αποτελούν σημαντικό δασικό προϊόν στη Μεσόγειο, με υψηλή οικονομική, οικολογική και κοινωνική αξία, αλλά η παραγωγή τους είναι χωρικά και χρονικά πολύ μεταβλητή και δύσκολο να προβλεφθεί. Η καρποφορία των μανιταριών επηρεάζεται από το κλίμα (ιδίως τις βροχοπτώσεις και τη θερμοκρασία), τα χαρακτηριστικά του εδάφους και, κυρίως, τη δομή και παραγωγικότητα του δάσους, δηλαδή την ποσότητα και κατανομή της βιομάζας. Προηγούμενες μελέτες έδειξαν συσχέτιση της μανιταροπαραγωγής με την πρωτογενή παραγωγικότητα (π.χ. NDVI)<br /> και με δείκτες υγρασίας εδάφους από δορυφόρους, όμως συχνά έλειπαν λεπτομερή δομικά δεδομένα για τη συστάδα.Ο συνδυασμός παθητικών οπτικών δεδομένων Landsat (πολυχρονικός NDVI ως δείκτης παραγωγικότητας) με λεπτομερή δομικά χαρακτηριστικά από κινητό Terrestrial Laser Scanning (TLS) μπορεί να βελτιώσει ουσιαστικά τα μοντέλα πρόβλεψης, γιατί αποτυπώνει ταυτόχρονα τόσο το «πόσο ζωντανό» είναι το δάσος όσο και το πώς είναι δομημένο στον χώρο. Οι στόχοι της έρευνας συνοψίζονται σε 3 μέρη: (i) να αξιολογήσουν τη δυνατότητα των πολυχρονικών μεταβλητών Landsat και των TLS δομικών χαρακτηριστικών να προβλέψουν τη συνολική παραγωγή μανιταριών σε μεσογειακά δάση Pinus pinaster, (ii) να διερευνήσουν αν η παραγωγική ικανότητα του δάσους, και ειδικότερα ο όγκος υπέργειας βιομάζας, καθορίζει την παραγωγή μανιταριών, και (iii) να συγκρίνουν αν οι παράγοντες που εξηγούν την συνολική παραγωγή είναι οι ίδιοι με εκείνους που ελέγχουν την παραγωγή του εμπορικά σημαντικού είδους Lactarius deliciosus. Με αυτό το πλαίσιο, η μελέτη συνδέει την τηλεπισκόπηση με τη διαχείριση μη ξυλωδών δασικών προϊόντων.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η περιοχή μελέτης βρίσκεται σε μεσογειακά δάση Pinus pinaster στην επαρχία Soria (Ισπανία), όπου υπάρχει πειραματικό δίκτυο δειγματοληπτικών επιφανειών με μακροχρόνια παρακολούθηση της παραγωγής μανιταριών. Σε κάθε επιφάνεια καταγράφηκαν εβδομαδιαία, για δέκα χρόνια (2012–2021), τα καρποσώματα όλων των ειδών μανιταριών: αριθμός, είδος και βιομάζα, δημιουργώντας χρονοσειρές ετήσιας παραγωγής τόσο για το σύνολο των ειδών όσο και ξεχωριστά για το Lactarius deliciosus. Παράλληλα χρησιμοποιήθηκαν κλιματικά δεδομένα δεκαετίας (βροχόπτωση και θερμοκρασία), με έμφαση στη φθινοπωρινή βροχόπτωση, γνωστό κλειδί για την καρποφορία. Η δομή του δάσους αποτυπώθηκε με κινητό TLS, από το οποίο εξήχθησαν μεταβλητές όπως πυκνότητα συστάδας (Stand Density Index, SDI), βασική επιφάνεια, όγκος υπέργειας βιομάζας και κάλυψη κόμης. Από πολυχρονικά δεδομένα Landsat υπολογίστηκε NDVI για διαφορετικές περιόδους, και χρησιμοποιήθηκε είτε ως απόλυτη τιμή είτε ως διαφορά (NDVIdiff) μεταξύ κρίσιμων φάσεων, ώστε να εκφράζει τη δυναμική της πρωτογενούς παραγωγικότητας. Στατιστικά, οι συγγραφείς χρησιμοποίησαν Generalized Additive Mixed Models (GAMMs), που επιτρέπουν μη γραμμικές σχέσεις και τυχαίες επιδράσεις, με μεταβλητές προβλέψεως το κλίμα, τη δομή του δάσους και τον NDVI, και απόκριση την ετήσια βιομάζα μανιταριών ανά επιφάνεια. Δημιουργήθηκαν δύο χωριστά μοντέλα: ένα για τη συνολική παραγωγή όλων των ειδών και ένα για το Lactarius deliciosus.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα έδειξαν ότι και για τη συνολική παραγωγή μανιταριών και για το Lactarius deliciosus οι σχέσεις με τους περιβαλλοντικούς παράγοντες είναι έντονα μη γραμμικές, κάτι που αποτυπώνεται στις υψηλές τιμές effective degrees of freedom των GAMM. Η φθινοπωρινή βροχόπτωση (Precautumn) πάνω από ένα κατώφλι περίπου 150 mm συνδέθηκε με σαφή αύξηση της παραγωγής, ενώ κάτω από αυτό το όριο δεν παρατηρήθηκε θετική επίδραση, υποδεικνύοντας μια κατώφλιακή συμπεριφορά στο νερό που απαιτείται για καρποφορία. Ο δείκτης πυκνότητας συστάδας SDI εμφάνισε βέλτιστο διάστημα μεταξύ ~1000–1200: σε αυτές τις τιμές οι αποδόσεις ήταν μέγιστες, ενώ σε χαμηλότερες ή πολύ υψηλές πυκνότητες η παραγωγή μειωνόταν, πιθανόν λόγω έλλειψης, αντίστοιχα, συμβιωτικών ριζών ή υπερβολικού ανταγωνισμού. Ιδιαίτερα σημαντική ήταν η αλληλεπίδραση του όγκου βιομάζας με τον NDVIdiff: μεγαλύτερος όγκος και υψηλότερη πρωτογενής παραγωγικότητα συνδέθηκαν με αυξημένη παραγωγή μανιταριών, επιβεβαιώνοντας ότι τα μανιτάρια εξαρτώνται από την ενεργή, παραγωγική βλάστηση του δάσους. Επιπλέον, η αλληλεπίδραση κάλυψης κόμης και ελάχιστης θερμοκρασίας έδειξε ότι υψηλότερη κάλυψη, σε συνδυασμό με πιο ήπιες ελάχιστες θερμοκρασίες φθινοπώρου, ευνοεί τις αποδόσεις, πιθανώς μέσω καλύτερου μικροκλίματος και υγρασίας εδάφους. Το μοντέλο για το L. deliciosus είχε μικρότερο R2 (~0,3) αλλά παρόμοια μοτίβα, υποδεικνύοντας ότι το είδος ανταποκρίνεται σε παρόμοιους, αλλά πιο στενούς, οικολογικούς περιορισμούς.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Ο συνδυασμός δομικών χαρακτηριστικών συστάδας από TLS με πολυχρονικά δεδομένα NDVI από Landsat βελτιώνει ουσιαστικά την κατανόηση και πρόβλεψη της παραγωγής άγριων μανιταριών σε μεσογειακά πευκοδάση. Η φθινοπωρινή βροχόπτωση παραμένει βασικός οδηγός καρποφορίας, αλλά η παραγωγή δεν εξαρτάται μόνο από το κλίμα· εξαρτάται επίσης από τη δομή του δάσους (πυκνότητα, βιομάζα, κάλυψη κόμης) και την πρωτογενή παραγωγικότητα, που μπορούν πλέον να εκτιμηθούν σε μεγάλη κλίμακα με τηλεπισκόπηση. Έτσι, τα μανιτάρια μπορούν να θεωρηθούν δείκτες της λειτουργικής κατάστασης και παραγωγικής ικανότητας του δασικού οικοσυστήματος, και τα μοντέλα που βασίζονται σε TLS + Landsat προσφέρουν ρεαλιστικά εργαλεία για χωρικό σχεδιασμό της συλλογής, εκτίμηση αποδόσεων και υποστήριξη πολιτικών για μη ξυλώδη δασικά προϊόντα. Οι συγγραφείς επισημαίνουν ότι η προσέγγιση είναι επεκτάσιμη: με αντίστοιχο συνδυασμό ενεργών (LiDAR) και παθητικών (οπτικών/NDVI) δεδομένων μπορεί να εφαρμοστεί σε άλλα είδη μανιταριών και σε άλλα δασικά συστήματα. Τέλος, προτείνεται ότι η ενσωμάτωση αυτού του τύπου τηλεπισκοπικών μοντέλων στη δασική διαχείριση θα ενισχύσει τόσο την οικονομική αξιοποίηση όσο και τη διατήρηση της βιοποικιλότητας, καθώς θα προσφέρει αντικειμενική πληροφόρηση για την παραγωγή άγριων μανιταριών σε βάθος χρόνου.<br /> <br /> [[category:Δάση και ημι-φυσικές περιοχές]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CE%B1%CF%80%CE%BF%CE%B4%CF%8C%CF%83%CE%B5%CF%89%CE%BD_%CE%BC%CE%B1%CE%BD%CE%B9%CF%84%CE%AC%CF%81%CE%B9%CF%89%CE%BD_%CF%83%CE%B5_%CE%BC%CE%B5%CF%83%CE%BF%CE%B3%CE%B5%CE%B9%CE%B1%CE%BA%CF%8C_%CE%B4%CE%AC%CF%83%CE%BF%CF%82 2026-01-18T19:04:36Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div>[[Αρχείο:3forest.png|thumb|right|'''Εικόνα''': Χαρακτηρισμός της περιοχής μελέτης: (a) συνολική έκταση μεσογειακών δασών του είδους Pinus pinaster (source: Caudullo et al., 2017). (b) η θέση και η χωρική κατανομή του δικτύου των επιφανειών (δειγματοληψίας) (c) κλιματογράφημα (source: AEMET).]]<br /> <br /> [[Αρχείο:31forest.png|thumb|right|'''Εικόνα''': Νέφος σημείων που αποκτήθηκε με GeosLAM. (α) Παράδειγμα αποκομμένου νέφους σημείων επιφάνειας που αντιστοιχεί στην επιφάνεια 22. (β) Σχηματικό παράδειγμα διαδικασίας voxelization.]]<br /> <br /> [[Αρχείο:32forest.png|thumb|right|'''Πίνακας''': Περιγραφή μεταβλητών που συμμετείχαν στη στατιστική ανάλυση.]]<br /> <br /> '''Πρωτότυπος τίτλος:''' Stand Structural Characteristics Derived from Combined TLS and Landsat Data Support Predictions of Mushroom Yields in Mediterranean Forest<br /> <br /> '''Συγγραφείς:''' Raquel Martínez-Rodrigo, and Beatriz Águeda, Cristina Gómez, Astor Toraño-Caicoya, Luke Bohnhorst, Enno Uhl.<br /> <br /> '''Δημοσιεύθηκε:''' Οκτώβρης του 2022<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3390/rs14195025<br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα άγρια μανιτάρια αποτελούν σημαντικό δασικό προϊόν στη Μεσόγειο, με υψηλή οικονομική, οικολογική και κοινωνική αξία, αλλά η παραγωγή τους είναι χωρικά και χρονικά πολύ μεταβλητή και δύσκολο να προβλεφθεί. Η καρποφορία των μανιταριών επηρεάζεται από το κλίμα (ιδίως τις βροχοπτώσεις και τη θερμοκρασία), τα χαρακτηριστικά του εδάφους και, κυρίως, τη δομή και παραγωγικότητα του δάσους, δηλαδή την ποσότητα και κατανομή της βιομάζας. Προηγούμενες μελέτες έδειξαν συσχέτιση της μανιταροπαραγωγής με την πρωτογενή παραγωγικότητα (π.χ. NDVI)<br /> και με δείκτες υγρασίας εδάφους από δορυφόρους, όμως συχνά έλειπαν λεπτομερή δομικά δεδομένα για τη συστάδα.Ο συνδυασμός παθητικών οπτικών δεδομένων Landsat (πολυχρονικός NDVI ως δείκτης παραγωγικότητας) με λεπτομερή δομικά χαρακτηριστικά από κινητό Terrestrial Laser Scanning (TLS) μπορεί να βελτιώσει ουσιαστικά τα μοντέλα πρόβλεψης, γιατί αποτυπώνει ταυτόχρονα τόσο το «πόσο ζωντανό» είναι το δάσος όσο και το πώς είναι δομημένο στον χώρο. Οι στόχοι της έρευνας συνοψίζονται σε 3 μέρη: (i) να αξιολογήσουν τη δυνατότητα των πολυχρονικών μεταβλητών Landsat και των TLS δομικών χαρακτηριστικών να προβλέψουν τη συνολική παραγωγή μανιταριών σε μεσογειακά δάση Pinus pinaster, (ii) να διερευνήσουν αν η παραγωγική ικανότητα του δάσους, και ειδικότερα ο όγκος υπέργειας βιομάζας, καθορίζει την παραγωγή μανιταριών, και (iii) να συγκρίνουν αν οι παράγοντες που εξηγούν την συνολική παραγωγή είναι οι ίδιοι με εκείνους που ελέγχουν την παραγωγή του εμπορικά σημαντικού είδους Lactarius deliciosus. Με αυτό το πλαίσιο, η μελέτη συνδέει την τηλεπισκόπηση με τη διαχείριση μη ξυλωδών δασικών προϊόντων.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η περιοχή μελέτης βρίσκεται σε μεσογειακά δάση Pinus pinaster στην επαρχία Soria (Ισπανία), όπου υπάρχει πειραματικό δίκτυο δειγματοληπτικών επιφανειών με μακροχρόνια παρακολούθηση της παραγωγής μανιταριών. Σε κάθε επιφάνεια καταγράφηκαν εβδομαδιαία, για δέκα χρόνια (2012–2021), τα καρποσώματα όλων των ειδών μανιταριών: αριθμός, είδος και βιομάζα, δημιουργώντας χρονοσειρές ετήσιας παραγωγής τόσο για το σύνολο των ειδών όσο και ξεχωριστά για το Lactarius deliciosus. Παράλληλα χρησιμοποιήθηκαν κλιματικά δεδομένα δεκαετίας (βροχόπτωση και θερμοκρασία), με έμφαση στη φθινοπωρινή βροχόπτωση, γνωστό κλειδί για την καρποφορία. Η δομή του δάσους αποτυπώθηκε με κινητό TLS, από το οποίο εξήχθησαν μεταβλητές όπως πυκνότητα συστάδας (Stand Density Index, SDI), βασική επιφάνεια, όγκος υπέργειας βιομάζας και κάλυψη κόμης. Από πολυχρονικά δεδομένα Landsat υπολογίστηκε NDVI για διαφορετικές περιόδους, και χρησιμοποιήθηκε είτε ως απόλυτη τιμή είτε ως διαφορά (NDVIdiff) μεταξύ κρίσιμων φάσεων, ώστε να εκφράζει τη δυναμική της πρωτογενούς παραγωγικότητας. Στατιστικά, οι συγγραφείς χρησιμοποίησαν Generalized Additive Mixed Models (GAMMs), που επιτρέπουν μη γραμμικές σχέσεις και τυχαίες επιδράσεις, με μεταβλητές προβλέψεως το κλίμα, τη δομή του δάσους και τον NDVI, και απόκριση την ετήσια βιομάζα μανιταριών ανά επιφάνεια. Δημιουργήθηκαν δύο χωριστά μοντέλα: ένα για τη συνολική παραγωγή όλων των ειδών και ένα για το Lactarius deliciosus.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα έδειξαν ότι και για τη συνολική παραγωγή μανιταριών και για το Lactarius deliciosus οι σχέσεις με τους περιβαλλοντικούς παράγοντες είναι έντονα μη γραμμικές, κάτι που αποτυπώνεται στις υψηλές τιμές effective degrees of freedom των GAMM. Η φθινοπωρινή βροχόπτωση (Precautumn) πάνω από ένα κατώφλι περίπου 150 mm συνδέθηκε με σαφή αύξηση της παραγωγής, ενώ κάτω από αυτό το όριο δεν παρατηρήθηκε θετική επίδραση, υποδεικνύοντας μια κατώφλιακή συμπεριφορά στο νερό που απαιτείται για καρποφορία. Ο δείκτης πυκνότητας συστάδας SDI εμφάνισε βέλτιστο διάστημα μεταξύ ~1000–1200: σε αυτές τις τιμές οι αποδόσεις ήταν μέγιστες, ενώ σε χαμηλότερες ή πολύ υψηλές πυκνότητες η παραγωγή μειωνόταν, πιθανόν λόγω έλλειψης, αντίστοιχα, συμβιωτικών ριζών ή υπερβολικού ανταγωνισμού. Ιδιαίτερα σημαντική ήταν η αλληλεπίδραση του όγκου βιομάζας με τον NDVIdiff: μεγαλύτερος όγκος και υψηλότερη πρωτογενής παραγωγικότητα συνδέθηκαν με αυξημένη παραγωγή μανιταριών, επιβεβαιώνοντας ότι τα μανιτάρια εξαρτώνται από την ενεργή, παραγωγική βλάστηση του δάσους. Επιπλέον, η αλληλεπίδραση κάλυψης κόμης και ελάχιστης θερμοκρασίας έδειξε ότι υψηλότερη κάλυψη, σε συνδυασμό με πιο ήπιες ελάχιστες θερμοκρασίες φθινοπώρου, ευνοεί τις αποδόσεις, πιθανώς μέσω καλύτερου μικροκλίματος και υγρασίας εδάφους. Το μοντέλο για το L. deliciosus είχε μικρότερο R2 (~0,3) αλλά παρόμοια μοτίβα, υποδεικνύοντας ότι το είδος ανταποκρίνεται σε παρόμοιους, αλλά πιο στενούς, οικολογικούς περιορισμούς.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Ο συνδυασμός δομικών χαρακτηριστικών συστάδας από TLS με πολυχρονικά δεδομένα NDVI από Landsat βελτιώνει ουσιαστικά την κατανόηση και πρόβλεψη της παραγωγής άγριων μανιταριών σε μεσογειακά πευκοδάση. Η φθινοπωρινή βροχόπτωση παραμένει βασικός οδηγός καρποφορίας, αλλά η παραγωγή δεν εξαρτάται μόνο από το κλίμα· εξαρτάται επίσης από τη δομή του δάσους (πυκνότητα, βιομάζα, κάλυψη κόμης) και την πρωτογενή παραγωγικότητα, που μπορούν πλέον να εκτιμηθούν σε μεγάλη κλίμακα με τηλεπισκόπηση. Έτσι, τα μανιτάρια μπορούν να θεωρηθούν δείκτες της λειτουργικής κατάστασης και παραγωγικής ικανότητας του δασικού οικοσυστήματος, και τα μοντέλα που βασίζονται σε TLS + Landsat προσφέρουν ρεαλιστικά εργαλεία για χωρικό σχεδιασμό της συλλογής, εκτίμηση αποδόσεων και υποστήριξη πολιτικών για μη ξυλώδη δασικά προϊόντα. Οι συγγραφείς επισημαίνουν ότι η προσέγγιση είναι επεκτάσιμη: με αντίστοιχο συνδυασμό ενεργών (LiDAR) και παθητικών (οπτικών/NDVI) δεδομένων μπορεί να εφαρμοστεί σε άλλα είδη μανιταριών και σε άλλα δασικά συστήματα. Τέλος, προτείνεται ότι η ενσωμάτωση αυτού του τύπου τηλεπισκοπικών μοντέλων στη δασική διαχείριση θα ενισχύσει τόσο την οικονομική αξιοποίηση όσο και τη διατήρηση της βιοποικιλότητας, καθώς θα προσφέρει αντικειμενική πληροφόρηση για την παραγωγή άγριων μανιταριών σε βάθος χρόνου.<br /> <br /> [[category:Δάση και ημι-φυσικές περιοχές]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CF%83%CF%89%CE%BC%CE%B1%CF%84%CF%8E%CE%BD%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CE%B5_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AC_%CE%BF%CE%B9%CE%BA%CE%BF%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1:_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_QGIS_%CF%83%CF%84%CE%B7_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD. 2026-01-18T19:00:59Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div> [[Αρχείο:1forest.png|thumb|right|'''Εικόνα''': Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυση. Παρότι οι κόμες είναι καθαρά ορατές σε εικόνες υψηλής ανάλυσης (τρεις επάνω εικόνες), η ορατότητά τους μειώνεται σε χαμηλότερες χωρικές αναλύσεις και γίνεται μη αναγνωρίσιμη, όπως στο Sentinel-2.© LWF 2025, πηγή:https://www.lwf.bayern.de/informationstechnologie/fernerkund ung/345521/index.php]]<br /> <br /> [[Αρχείο:2forest.png|thumb|right|'''Εικόνα''':Χάρτες πλατυφύλλων (πράσινο) και κωνοφόρων (μπλε) δασικών εκτάσεων με το CIR ορθοφωτοχάρτη στο υπόβαθρο για μεικτά δάση στην Ελβετία. Παρότι δύο διαφορετικές προσεγγίσεις μοντελοποίησης Random Forest (RF) παράγουν σχεδόν ταυτόσημες συνολικές ακρίβειες (OA), η κατανομή των εικονοστοιχείων πλατυφύλλων και κωνοφόρων<br /> διαφέρει σε επίπεδο συστάδας (περιοχή πλαισίου). © Comprises adapted Copernicus-Sentinel-Data (2021-2023), Swiss NFI and swisstopo.]]<br /> [[category:Δάση και ημι-φυσικές περιοχές]]<br /> <br /> '''Ενσωματώνοντας την επιστήμη της τηλεπισκόπησης σε δασικά οικοσυστήματα: Χρήση του QGIS στη χαρτογράφηση και παρακολούθηση δασών.'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Toward a Collaborative Framework: Integrating Remote Sensing Research with Forestry Practice<br /> <br /> '''Συγγραφείς:''' Lars T. Waser , Nataliia Rehush, Hannes Horneber, Raffael Bienz, Krzysztof Stereńczak, Mirela Beloiu Schwenke.<br /> <br /> '''Δημοσιεύθηκε:''' Μάιος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3929/ethz-b-000742242<br /> <br /> '''Εισαγωγή'''<br /> <br /> Υπάρχει αυξανόμενη ζήτηση, τόσο στην έρευνα όσο και στις πρακτικές εφαρμογές, για οικονομικά αποδοτικά, ακριβή, επίκαιρα και σταθερά διαθέσιμα δεδομένα (χάρτες) σχετικά με βασικά χαρακτηριστικά των δασών, όπως η σύνθεση των ειδών δέντρων, ο όγκος των κορμών, οι διαταραχές και η θνησιμότητα των δέντρων. Οι δασολόγοι συχνά αντιμετωπίζουν δυσκολίες λόγω της έλλειψης ποιοτικής, επικαιροποιημένης και χωρίς σφάλματα πληροφόρησης για την κατάσταση των δασών. Μετά από 40 χρόνια ανάπτυξης δασικών προϊόντων βασισμένων στην τηλεπισκόπηση, εντοπίζουμε τρία ζητήματα: 1) η υιοθέτησή τους από τους επαγγελματίες της δασοπονίας παραμένει διστακτική, 2) η ορθή, σύμφωνα με τον αρχικό σκοπό, χρήση τους δεν διασφαλίζεται πάντα και 3) τα προϊόντα υπολείπονται των προσδοκιών των χρηστών όσον αφορά το περιεχόμενο της πληροφορίας, την ακρίβεια και τη συχνότητα επικαιροποίησης. Παρ’ όλα αυτά, οι πρακτικές δασικές εκτιμήσεις βασίζονται γενικά στη συνολική σύνθεση των ειδών δέντρων μιας συστάδας και όχι μόνο στο ανώτερο στρώμα της κόμης. Ο κύριος λόγος γι’ αυτό το χάσμα είναι η ανεπαρκής επικοινωνία και συνεργασία μεταξύ της επιστημονικής κοινότητας και των εμπλεκόμενων φορέων. Το έργο αυτό ευθυγραμμίζεται με τη Δασική Στρατηγική της ΕΕ για τη βελτίωση της προστασίας, αποκατάστασης και ανθεκτικότητας των ευρωπαϊκών δασών, βοηθώντας τους δασολόγους να διαχειρίζονται τα δάση τους πιο αποτελεσματικά με οικονομικά αποδοτικά, απλά και ισχυρά εργαλεία τηλεπισκόπησης.<br /> <br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> • Δεδομένα: Χρησιμοποιούνται δορυφορικά δεδομένα (Sentinel-2, Landsat κ.ά.), υφιστάμενοι θεματικοί χάρτες (π.χ. όρια δασών, οδικό δίκτυο), καθώς και επιλεγμένα δεδομένα πεδίου για έλεγχο και επικύρωση.<br /> <br /> • Περιβάλλον εργασίας: Όλη η επεξεργασία γίνεται σε QGIS, με χρήση ενσωματωμένων εργαλείων raster–vector, plugin για λήψη/προεπεξεργασία δεδομένων και, όπου χρειάζεται, σύνδεση με εξωτερικά scripts (π.χ. Python, R).<br /> <br /> <br /> '''Βήματα Επεξεργασίας'''<br /> <br /> • Εισαγωγή εικόνων Sentinel-2/Landsat, γεωαναφορά και οργάνωση σε QGIS project.<br /> <br /> • Προεπεξεργασία (π.χ. διορθώσεις, δημιουργία μωσαϊκών, αποκοπή στην περιοχή ενδιαφέροντος).<br /> <br /> • Υπολογισμός δεικτών βλάστησης (NDVI, κ.λπ.) και άλλων παραγώγων raster.<br /> <br /> • Εποπτευόμενη ταξινόμηση ή/και κανόνες ταξινόμησης για δημιουργία χαρτών<br /> κάλυψης/τύπων δάσους.<br /> <br /> • Ανίχνευση αλλαγών μεταξύ διαφορετικών χρονολογιών (change detection) με σύγκριση χαρτών ή δεικτών.<br /> <br /> • Σύνθεση θεματικών χαρτών, layout, και εξαγωγή σε μορφές κατάλληλες για διαχειριστές (PDF, WebGIS κ.λπ.).<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> • Παράγονται λειτουργικοί χάρτες δασικής κάλυψης, τύπων δάσους και αλλαγών (π.χ. αποψιλώσεις, καμένες εκτάσεις) που έχουν επαρκή ακρίβεια για επιχειρησιακή χρήση από δασικές υπηρεσίες.<br /> <br /> • Δείχνεται ότι μεγάλα σύνολα δορυφορικών δεδομένων μπορούν να διαχειριστούν σε QGIS χωρίς ακριβό λογισμικό, με σχετικά απλά workflows που μπορούν να επαναχρησιμοποιηθούν (project templates, μοντέλα στο Model Builder).<br /> <br /> • Η συνεργασία ερευνητών–διαχειριστών βελτιώνεται: οι ερευνητές μετατρέπουν πολύπλοκες μεθόδους σε πρακτικά «εργαλεία» μέσα στο QGIS (π.χ. έτοιμες ροές εργασίας, plugins, προτυποποιημένα στυλ χαρτών), ενώ οι διαχειριστές αποκτούν πιο άμεση πρόσβαση σε χάρτες υψηλής πληροφορίας.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι το QGIS μπορεί να λειτουργήσει ως «γέφυρα» ανάμεσα στην προηγμένη τηλεπισκόπηση και την καθημερινή δασική πρακτική, επειδή συνδυάζει δωρεάν πρόσβαση, μεγάλη κοινότητα και δυνατότητα ενσωμάτωσης νέων μεθόδων (plugins, scripts). Τονίζεται πως, με σωστή καθοδήγηση (τεκμηρίωση, έτοιμα workflows, εκπαίδευση), ακόμη και μη ειδικοί στην τηλεπισκόπηση μπορούν να χρησιμοποιήσουν δορυφορικά δεδομένα για να εντοπίζουν διαταραχές, να παρακολουθούν την εξέλιξη του δάσους και να τεκμηριώνουν τις διαχειριστικές τους αποφάσεις. Τέλος, προτείνεται η περαιτέρω ανάπτυξη εξειδικευμένων εργαλείων/προσθέτων στο QGIS για συγκεκριμένα δασικά ζητήματα (π.χ. πυρκαγιές, βιομάζα,δασικά προϊόντα), ώστε η προσέγγιση να επεκταθεί και σε άλλα πλαίσια και χώρες.<br /> <br /> <br /> [[category:ΔΠΜΣ ]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:32forest.png 2026-01-18T19:00:05Z

<p>KOUTSOLIAKOS PANAGIOTIS: Περιγραφή μεταβλητών που συμμετείχαν στη στατιστική ανάλυση.</p> <hr /> <div>Περιγραφή μεταβλητών που συμμετείχαν στη στατιστική ανάλυση.</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:31forest.png 2026-01-18T18:59:26Z

<p>KOUTSOLIAKOS PANAGIOTIS: Νέφος σημείων που αποκτήθηκε με GeosLAM. (α) Παράδειγμα αποκομμένου νέφους σημείων επιφάνειας που αντιστοιχεί στην επιφάνεια 22. (β) Σχηματικό π�</p> <hr /> <div>Νέφος σημείων που αποκτήθηκε με GeosLAM. (α) Παράδειγμα αποκομμένου νέφους σημείων επιφάνειας που αντιστοιχεί στην επιφάνεια 22. (β) Σχηματικό παράδειγμα διαδικασίας voxelization.</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:3forest.png 2026-01-18T18:59:04Z

<p>KOUTSOLIAKOS PANAGIOTIS: Χαρακτηρισμός της περιοχής μελέτης: (a) συνολική έκταση μεσογειακών δασών του είδους Pinus pinaster (source: Caudullo et al., 2017). (b) η θέση και η χωρική κατανο�</p> <hr /> <div> Χαρακτηρισμός της περιοχής μελέτης: (a) συνολική έκταση μεσογειακών δασών του είδους Pinus pinaster (source: Caudullo et al., 2017). (b) η θέση και η χωρική κατανομή του δικτύου των επιφανειών (δειγματοληψίας) (c) κλιματογράφημα (source: AEMET).</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%94%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CE%95%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%BD%CE%B4%CF%81%CF%89%CE%B4%CF%8E%CE%BD_%CE%95%CE%B9%CE%B4%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%A3%CF%85%CE%BD%CE%B4%CF%85%CE%B1%CF%83%CE%BC%CF%8C_%CE%A0%CE%BF%CE%BB%CF%85%CE%B5%CF%80%CE%BF%CF%87%CE%B9%CE%BA%CF%8E%CE%BD_%CE%95%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_Sentinel-2_%CE%BA%CE%B1%CE%B9_%CE%95%CE%BD%CE%B1%CE%AD%CF%81%CE%B9%CE%BF%CF%85_LiDAR 2026-01-16T21:18:48Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div>[[Αρχείο:assesing1.png|thumb|right|'''Εικόνα''': Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυση. Παρότι οι κόμες είναι καθαρά ορατές σε εικόνες υψηλής ανάλυσης (τρεις επάνω εικόνες), η ορατότητά τους μειώνεται σε χαμηλότερες χωρικές αναλύσεις και γίνεται μη αναγνωρίσιμη, όπως στο Sentinel-2.© LWF 2025, πηγή:https://www.lwf.bayern.de/informationstechnologie/fernerkund ung/345521/index.php]]<br /> <br /> [[Αρχείο:assesing2.png|thumb|right|'''Εικόνα''': Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυση. Παρότι οι κόμες είναι καθαρά ορατές σε εικόνες υψηλής ανάλυσης (τρεις επάνω εικόνες), η ορατότητά τους μειώνεται σε χαμηλότερες χωρικές αναλύσεις και γίνεται μη αναγνωρίσιμη, όπως στο Sentinel-2.© LWF 2025, πηγή:https://www.lwf.bayern.de/informationstechnologie/fernerkund ung/345521/index.php]]<br /> <br /> '''Πρωτότυπος τίτλος:''' Assessing the potential of multi- seasonal Sentinel-2 satellite imagery combined with airborne LiDAR for urban tree species identification<br /> <br /> '''Συγγραφείς:''' Yunfang Jian, Xianghua Li, Lixian Peng, Chunjing Li &amp; Tao Song.<br /> <br /> '''Δημοσιεύτηκε:''' Ιούλιος του 2025<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1038/s41598-025-10971-6 <br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα αστικά δέντρα διαδραματίζουν κρίσιμο ρόλο στην παροχή υπηρεσιών στο οικοσύστημα, όπως ο καθαρισμός του αέρα, η μετριασμένη θερμότητα των πόλεων και η βελτίωση της υγείας και της ποιότητας ζωής των ανθρώπων. Η ακριβής αναγνώριση της σύστασης και της κατανομής των ειδών είναι προαπαιτούμενο για την αποτελεσματική σχεδίαση και διαχείριση του αστικού τοπίου. Ωστόσο, η ακριβής απόκτηση χωρικών πληροφοριών για τα αστικά δέντρα σε ιδιαίτερα ετερογενή και πολύπλοκα αστικά περιβάλλοντα αποτελεί σημαντική πρόκληση. Οι επίγειες έρευνες αποτελούν την ακριβέστερη μέθοδο συλλογής δεδομένων, αλλά είναι συχνά δαπανηρές και κατάλληλες μόνο για μικρής κλίμακας μελέτες. Η τηλεπισκόπηση προσφέρει παρατηρήσεις σε διάφορες κλίμακες, δίνοντας τη δυνατότητα αυτοματοποιημένης ταξινόμησης σε μεγάλη κλίμακα. Η δορυφορική ταξινόμηση ειδών έχει μελετηθεί εκτενώς σε φυσικά περιβάλλοντα, αλλά οι αστικές περιοχές παρουσιάζουν επιπλέον προκλήσεις όπως η πολυπλοκότητα χρήσης γης, η ποικιλομορφία της αστικής σύστασης δέντρων και η ποικίλη διαχείριση τα οποία απαιτούν ειδικές προσεγγίσεις. Το Sentinel-2 παρέχει δωρεάν πολυφασματικά δεδομένα με χωρική ανάλυση 10 μέτρων και πενθήμερο κύκλο επανάληψης, καθιστώντας το ιδανικό για εφαρμογές παρακολούθησης αστικών τοπίων. Η ενσωμάτωση δεδομένων LiDAR προσφέρει πρόσθετες δομικές πληροφορίες για την καλύτερη διαφοροποίηση ειδών. Η παρούσα μελέτη διερευνά τη δυνατότητα χρήσης πολυεποχιακής δορυφορικής τηλεπισκόπησης συνδυασμένης με αερομεταφερόμενα δεδομένα LiDAR για την αναγνώριση ειδών αστικών δέντρων σε μεγάλη κλίμακα (&gt; 5000 km2) στη Σαγκάη, μία από τις μεγαλύτερες πόλεις της Κίνας.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η μελέτη διεξήχθη στο κύριο ηπειρωτικό τμήμα της Σαγκάης (5.439 km2), ένα κλιματολογικά υγρό υποτροπικό περιβάλλον με ετήσια βροχόπτωση περίπου 1.200 mm και μέση ετήσια θερμοκρασία 17,7°C. Η περιοχή χαρακτηρίζεται από κάλυψη δέντρων 26% με ποικιλία 19 κυρίαρχων ειδών. Δεδομένα δορυφορική τηλεπισκόπησης Sentinel-2 συλλέχθησαν για τρεις κρίσιμες εποχές: Άνοιξη (15 Μαΐου, μέρα έτους 135), Καλοκαίρι (11 Αυγούστου, μέρα 223) και Φθινόπωρο (15 Οκτωβρίου, μέρα 288) του 2023, καλύπτοντας την περιοχή μελέτης. Τα δεδομένα Sentinel-2 Level 1C (Top-of-Atmosphere reflectance) μετατράπησαν σε Level 2A (surface reflectance) χρησιμοποιώντας τον επεξεργαστή MAJA. Η προ-επεξεργασία περιλάμβανε resampling, σύνθεση ζωνών, δημιουργία μωσαϊκού, μάσκαρισμα νεφών και συμπλήρωση ελλιπών τιμών χρησιμοποιώντας λογισμικό SNAP και ENVI. Δεδομένα αερομεταφερόμενου LiDAR συλλέχθησαν το καλοκαίρι του 2021 χρησιμοποιώντας UAV (Feima D200) με scanner RIEGL miniVUX-1UAV σε πυκνότητα 52 σημείων/m2. Τρία παράγωγα χαρακτηριστικά εξήχθησαν: ύψος κόμης (CH), κάλυψη κόμης (CC) και δείκτης φυλλικής επιφάνειας (LAI). Δημιουργήθηκαν επτά πειραματικά σχήματα συνδυάζοντας φασματικά χαρακτηριστικά (10 ζώνες και 24 δείκτες), χρονικά χαρακτηριστικά (Seasonal Trajectory Difference Index) και φυσικά χαρακτηριστικά LiDAR. Επιλέχθησαν χαρακτηριστικά χρησιμοποιώντας τη δοκιμή Kruskal-Wallis, ανάλυση πολυσυγγραμμικότητας και αξιολόγηση σημασίας Random Forest. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης εφαρμόστηκε σε τρία επίπεδα: κάλυψη γης, τύποι δάσους και ειδικά είδη δέντρων. Χρησιμοποιήθηκαν 80% των δεδομένων για εκπαίδευση και 20% για επικύρωση, με μετρικές αξιολόγησης την Ολική Ακρίβεια (OA), F1-score, Producer Accuracy (PA) και User Accuracy (UA).<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση κατέδειξε σημαντικές διαφορές στην απόδοση ταξινόμησης μεταξύ φυλλοβόλων και αειθαλών ειδών δέντρων. Για τα φυλλοβόλα φυλλοφόρα δέντρα (DBF), ο συνδυασμός φασματικών, χρονικών και φυσικών χαρακτηριστικών (που προέρχονται από Sentinel-2 και LiDAR) επέτυχε την υψηλότερη ακρίβεια με συνολική ακρίβεια 63,32% και F1-score 0,63. Αυτό αντιπροσωπεύει βελτίωση 29,65% σε σύγκριση με τον χαμηλότερης απόδοσης συνδυασμό που χρησιμοποιούσε μόνο φασματικά χαρακτηριστικά. Για τα αειθαλή φυλλοφόρα δέντρα (EBF), ο συνδυασμός χρονικών και φυσικών χαρακτηριστικών παρήγαγε τα καλύτερα αποτελέσματα με συνολική ακρίβεια 76,77% και F1-score 0,75, υποδεικνύοντας ότι τα αειθαλή είδη είναι ευκολότερα να διαφοροποιηθούν. Η χαρτογράφηση των κυρίαρχων ειδών δέντρων πραγματοποιήθηκε σε ανάλυση 10 μέτρων για ολόκληρη την περιοχή της Σαγκάης. Τα τρία πιο διαδεδομένα είδη—το Cinnamomum camphora (κανέλα), το Metasequoia glyptostroboides (δεντροσίσαμο) και το Salix babylonica (ιτιά)—καταλαμβάνουν το 57,56% της συνολικής δασικής έκτασης. Η λεπτομερής αξιολόγηση ακρίβειας ανά είδος αποκάλυψε σημαντική ποικιλία στην απόδοση ταξινόμησης. Για τα φυλλοβόλα είδη, το Populus alba επέτυχε PA 80,95%, δείχνοντας εξαιρετική ταξινόμηση, ενώ το Zelkova serrata παρουσίασε χαμηλότερη PA 55,38%, υποδεικνύοντας χαρακτηριστικές ομοιότητες με άλλα είδη. Για τα αειθαλή είδη, το Cinnamomum camphora κορυφώθηκε με UA 95,07% και PA 77,59%, αντανακλώντας εξαιρετική απόδοση ταξινόμησης και υψηλή αξιοπιστία. Η ανάλυση σημασίας χαρακτηριστικών κατέδειξε ότι τα φασματικά δεδομένα από την άνοιξη ήταν κυρίαρχα για την ταξινόμηση φυλλοβόλων ειδών, με τα κανάλια που αντιστοιχούν στο πράσινο και τον εγγύς υπέρυθρο (NIR) να είναι ιδιαίτερα σημαντικά. Αυτό αποδίδεται στη δυναμική αλλαγή του πράσινου φυλλώματος κατά την άνοιξη. Για τα αειθαλή είδη, διαφορετικές ζώνες του φάσματος κυριαρχούσαν σε διαφορετικές εποχές του χρόνου, υποδεικνύοντας ότι δεν υπάρχει μία μόνη εποχή που να είναι αρκετή για την αναγνώρισή τους. Το ύψος της κόμης του δέντρου αποδείχθηκε ως το πιο σημαντικό χαρακτηριστικό LiDAR και για τους δύο τύπους δάσους. Η ενσωμάτωση δεδομένων LiDAR βελτίωσε τα αποτελέσματα της ταξινόμησης, με αύξηση ακρίβειας έως 18,75% για τα φυλλοβόλα είδη, υποδεικνύοντας ότι οι δομικές πληροφορίες του δέντρου είναι κρίσιμες για την αναγνώριση φυλλοβόλων ειδών που είναι φασματικά παρόμοια μεταξύ τους.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη καταδεικνύει ότι ο συνδυασμός πολυεποχιακής δορυφορικής τηλεπισκόπησης Sentinel-2 με αερομεταφερόμενα δεδομένα LiDAR είναι αποτελεσματικός για την αναγνώριση ειδών αστικών δέντρων σε μεγάλες ετερογενείς αστικές περιοχές. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης επιτυγχάνει σαφώς διαφοροποιήσιμα αποτελέσματα, με συνολικές ακρίβειες 63,32% για φυλλοβόλα είδη και 76,77% για αειθαλή είδη. Τα πολυεποχιακά φασματικά δεδομένα αποτελούν το κύριο εξηγητικό χαρακτηριστικό, με την άνοιξη να έχει ιδιαίτερη σημασία για τα φυλλοβόλα είδη, ενώ κάθε εποχή έχει το δικό της κυρίαρχο φασματικό περιεχόμενο για τα αειθαλή είδη. Ο συνδυασμός δεδομένων τριών εποχών υπερτερεί έναντι δύο ή μίας εποχής συνδυασμών. Η ενσωμάτωση δομικών μετρήσεων LiDAR παρέχει σημαντικές βελτιώσεις, ιδιαίτερα για φυλλοβόλα είδη που είναι φασματικά παρόμοια. Αυτή η προσέγγιση προσφέρει μια οικονομικά αποδοτική και χρήσιμη μέθοδο δημιουργίας λεπτομερών χαρτών κατανομής αστικών δέντρων σε περιοχές μεγαλύτερες των 5000 km2. Τα ευρήματα έχουν σημαντικές επιπτώσεις για την αστική δασική διαχείριση, τη ποσοτικοποίηση υπηρεσιών οικοσυστήματος, και τη στήριξη πολιτικής αειφορικής ανάπτυξης των πόλεων. Μελλοντικές έρευνες θα μπορούσαν να εξερευνήσουν πυκνότερες χρονικές σειρές δεδομένων και επίγεια δεδομένα LiDAR υψηλής πυκνότητας για περαιτέρω βελτίωση της ακρίβειας ταξινόμησης.<br /> <br /> [[category:Αστικός ιστός]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Assesing2.png 2026-01-16T21:16:57Z

<p>KOUTSOLIAKOS PANAGIOTIS: Tαξινόμηση Random Forest (RF) 13 φυλλοβόλων ειδών. Ο αριθμός των σωστά ταξινομημένων δειγμάτων είναι σε έντονα γράμματα. PA ακρίβεια παραγωγού, UA ακρί</p> <hr /> <div>Tαξινόμηση Random Forest (RF) 13 φυλλοβόλων ειδών. Ο αριθμός των σωστά ταξινομημένων δειγμάτων είναι σε έντονα γράμματα. PA ακρίβεια παραγωγού, UA ακρίβεια χρήστη, OA συνολική ακρίβεια.</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Assesing1.png 2026-01-16T21:16:27Z

<p>KOUTSOLIAKOS PANAGIOTIS: Τοποθεσία και χρήση γης στην εξεταζόμενη περιοχή.</p> <hr /> <div>Τοποθεσία και χρήση γης στην εξεταζόμενη περιοχή.</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%94%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CE%95%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%94%CE%B5%CE%BD%CE%B4%CF%81%CF%89%CE%B4%CF%8E%CE%BD_%CE%95%CE%B9%CE%B4%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%A3%CF%85%CE%BD%CE%B4%CF%85%CE%B1%CF%83%CE%BC%CF%8C_%CE%A0%CE%BF%CE%BB%CF%85%CE%B5%CF%80%CE%BF%CF%87%CE%B9%CE%BA%CF%8E%CE%BD_%CE%95%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_Sentinel-2_%CE%BA%CE%B1%CE%B9_%CE%95%CE%BD%CE%B1%CE%AD%CF%81%CE%B9%CE%BF%CF%85_LiDAR 2026-01-16T21:14:03Z

<p>KOUTSOLIAKOS PANAGIOTIS: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Assessing the potential of multi- seasonal Sentinel-2 satellite imagery combined with airborne LiDAR for urban tree species identi...'</p> <hr /> <div>'''Πρωτότυπος τίτλος:''' Assessing the potential of multi- seasonal Sentinel-2 satellite imagery combined with airborne LiDAR for urban tree species identification<br /> <br /> '''Συγγραφείς:''' Yunfang Jian, Xianghua Li, Lixian Peng, Chunjing Li &amp; Tao Song.<br /> <br /> '''Δημοσιεύτηκε:''' Ιούλιος του 2025<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1038/s41598-025-10971-6 <br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα αστικά δέντρα διαδραματίζουν κρίσιμο ρόλο στην παροχή υπηρεσιών στο οικοσύστημα, όπως ο καθαρισμός του αέρα, η μετριασμένη θερμότητα των πόλεων και η βελτίωση της υγείας και της ποιότητας ζωής των ανθρώπων. Η ακριβής αναγνώριση της σύστασης και της κατανομής των ειδών είναι προαπαιτούμενο για την αποτελεσματική σχεδίαση και διαχείριση του αστικού τοπίου. Ωστόσο, η ακριβής απόκτηση χωρικών πληροφοριών για τα αστικά δέντρα σε ιδιαίτερα ετερογενή και πολύπλοκα αστικά περιβάλλοντα αποτελεί σημαντική πρόκληση. Οι επίγειες έρευνες αποτελούν την ακριβέστερη μέθοδο συλλογής δεδομένων, αλλά είναι συχνά δαπανηρές και κατάλληλες μόνο για μικρής κλίμακας μελέτες. Η τηλεπισκόπηση προσφέρει παρατηρήσεις σε διάφορες κλίμακες, δίνοντας τη δυνατότητα αυτοματοποιημένης ταξινόμησης σε μεγάλη κλίμακα. Η δορυφορική ταξινόμηση ειδών έχει μελετηθεί εκτενώς σε φυσικά περιβάλλοντα, αλλά οι αστικές περιοχές παρουσιάζουν επιπλέον προκλήσεις όπως η πολυπλοκότητα χρήσης γης, η ποικιλομορφία της αστικής σύστασης δέντρων και η ποικίλη διαχείριση τα οποία απαιτούν ειδικές προσεγγίσεις. Το Sentinel-2 παρέχει δωρεάν πολυφασματικά δεδομένα με χωρική ανάλυση 10 μέτρων και πενθήμερο κύκλο επανάληψης, καθιστώντας το ιδανικό για εφαρμογές παρακολούθησης αστικών τοπίων. Η ενσωμάτωση δεδομένων LiDAR προσφέρει πρόσθετες δομικές πληροφορίες για την καλύτερη διαφοροποίηση ειδών. Η παρούσα μελέτη διερευνά τη δυνατότητα χρήσης πολυεποχιακής δορυφορικής τηλεπισκόπησης συνδυασμένης με αερομεταφερόμενα δεδομένα LiDAR για την αναγνώριση ειδών αστικών δέντρων σε μεγάλη κλίμακα (&gt; 5000 km2) στη Σαγκάη, μία από τις μεγαλύτερες πόλεις της Κίνας.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η μελέτη διεξήχθη στο κύριο ηπειρωτικό τμήμα της Σαγκάης (5.439 km2), ένα κλιματολογικά υγρό υποτροπικό περιβάλλον με ετήσια βροχόπτωση περίπου 1.200 mm και μέση ετήσια θερμοκρασία 17,7°C. Η περιοχή χαρακτηρίζεται από κάλυψη δέντρων 26% με ποικιλία 19 κυρίαρχων ειδών. Δεδομένα δορυφορική τηλεπισκόπησης Sentinel-2 συλλέχθησαν για τρεις κρίσιμες εποχές: Άνοιξη (15 Μαΐου, μέρα έτους 135), Καλοκαίρι (11 Αυγούστου, μέρα 223) και Φθινόπωρο (15 Οκτωβρίου, μέρα 288) του 2023, καλύπτοντας την περιοχή μελέτης. Τα δεδομένα Sentinel-2 Level 1C (Top-of-Atmosphere reflectance) μετατράπησαν σε Level 2A (surface reflectance) χρησιμοποιώντας τον επεξεργαστή MAJA. Η προ-επεξεργασία περιλάμβανε resampling, σύνθεση ζωνών, δημιουργία μωσαϊκού, μάσκαρισμα νεφών και συμπλήρωση ελλιπών τιμών χρησιμοποιώντας λογισμικό SNAP και ENVI. Δεδομένα αερομεταφερόμενου LiDAR συλλέχθησαν το καλοκαίρι του 2021 χρησιμοποιώντας UAV (Feima D200) με scanner RIEGL miniVUX-1UAV σε πυκνότητα 52 σημείων/m2. Τρία παράγωγα χαρακτηριστικά εξήχθησαν: ύψος κόμης (CH), κάλυψη κόμης (CC) και δείκτης φυλλικής επιφάνειας (LAI). Δημιουργήθηκαν επτά πειραματικά σχήματα συνδυάζοντας φασματικά χαρακτηριστικά (10 ζώνες και 24 δείκτες), χρονικά χαρακτηριστικά (Seasonal Trajectory Difference Index) και φυσικά χαρακτηριστικά LiDAR. Επιλέχθησαν χαρακτηριστικά χρησιμοποιώντας τη δοκιμή Kruskal-Wallis, ανάλυση πολυσυγγραμμικότητας και αξιολόγηση σημασίας Random Forest. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης εφαρμόστηκε σε τρία επίπεδα: κάλυψη γης, τύποι δάσους και ειδικά είδη δέντρων. Χρησιμοποιήθηκαν 80% των δεδομένων για εκπαίδευση και 20% για επικύρωση, με μετρικές αξιολόγησης την Ολική Ακρίβεια (OA), F1-score, Producer Accuracy (PA) και User Accuracy (UA).<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση κατέδειξε σημαντικές διαφορές στην απόδοση ταξινόμησης μεταξύ φυλλοβόλων και αειθαλών ειδών δέντρων. Για τα φυλλοβόλα φυλλοφόρα δέντρα (DBF), ο συνδυασμός φασματικών, χρονικών και φυσικών χαρακτηριστικών (που προέρχονται από Sentinel-2 και LiDAR) επέτυχε την υψηλότερη ακρίβεια με συνολική ακρίβεια 63,32% και F1-score 0,63. Αυτό αντιπροσωπεύει βελτίωση 29,65% σε σύγκριση με τον χαμηλότερης απόδοσης συνδυασμό που χρησιμοποιούσε μόνο φασματικά χαρακτηριστικά. Για τα αειθαλή φυλλοφόρα δέντρα (EBF), ο συνδυασμός χρονικών και φυσικών χαρακτηριστικών παρήγαγε τα καλύτερα αποτελέσματα με συνολική ακρίβεια 76,77% και F1-score 0,75, υποδεικνύοντας ότι τα αειθαλή είδη είναι ευκολότερα να διαφοροποιηθούν. Η χαρτογράφηση των κυρίαρχων ειδών δέντρων πραγματοποιήθηκε σε ανάλυση 10 μέτρων για ολόκληρη την περιοχή της Σαγκάης. Τα τρία πιο διαδεδομένα είδη—το Cinnamomum camphora (κανέλα), το Metasequoia glyptostroboides (δεντροσίσαμο) και το Salix babylonica (ιτιά)—καταλαμβάνουν το 57,56% της συνολικής δασικής έκτασης. Η λεπτομερής αξιολόγηση ακρίβειας ανά είδος αποκάλυψε σημαντική ποικιλία στην απόδοση ταξινόμησης. Για τα φυλλοβόλα είδη, το Populus alba επέτυχε PA 80,95%, δείχνοντας εξαιρετική ταξινόμηση, ενώ το Zelkova serrata παρουσίασε χαμηλότερη PA 55,38%, υποδεικνύοντας χαρακτηριστικές ομοιότητες με άλλα είδη. Για τα αειθαλή είδη, το Cinnamomum camphora κορυφώθηκε με UA 95,07% και PA 77,59%, αντανακλώντας εξαιρετική απόδοση ταξινόμησης και υψηλή αξιοπιστία. Η ανάλυση σημασίας χαρακτηριστικών κατέδειξε ότι τα φασματικά δεδομένα από την άνοιξη ήταν κυρίαρχα για την ταξινόμηση φυλλοβόλων ειδών, με τα κανάλια που αντιστοιχούν στο πράσινο και τον εγγύς υπέρυθρο (NIR) να είναι ιδιαίτερα σημαντικά. Αυτό αποδίδεται στη δυναμική αλλαγή του πράσινου φυλλώματος κατά την άνοιξη. Για τα αειθαλή είδη, διαφορετικές ζώνες του φάσματος κυριαρχούσαν σε διαφορετικές εποχές του χρόνου, υποδεικνύοντας ότι δεν υπάρχει μία μόνη εποχή που να είναι αρκετή για την αναγνώρισή τους. Το ύψος της κόμης του δέντρου αποδείχθηκε ως το πιο σημαντικό χαρακτηριστικό LiDAR και για τους δύο τύπους δάσους. Η ενσωμάτωση δεδομένων LiDAR βελτίωσε τα αποτελέσματα της ταξινόμησης, με αύξηση ακρίβειας έως 18,75% για τα φυλλοβόλα είδη, υποδεικνύοντας ότι οι δομικές πληροφορίες του δέντρου είναι κρίσιμες για την αναγνώριση φυλλοβόλων ειδών που είναι φασματικά παρόμοια μεταξύ τους.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη καταδεικνύει ότι ο συνδυασμός πολυεποχιακής δορυφορικής τηλεπισκόπησης Sentinel-2 με αερομεταφερόμενα δεδομένα LiDAR είναι αποτελεσματικός για την αναγνώριση ειδών αστικών δέντρων σε μεγάλες ετερογενείς αστικές περιοχές. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης επιτυγχάνει σαφώς διαφοροποιήσιμα αποτελέσματα, με συνολικές ακρίβειες 63,32% για φυλλοβόλα είδη και 76,77% για αειθαλή είδη. Τα πολυεποχιακά φασματικά δεδομένα αποτελούν το κύριο εξηγητικό χαρακτηριστικό, με την άνοιξη να έχει ιδιαίτερη σημασία για τα φυλλοβόλα είδη, ενώ κάθε εποχή έχει το δικό της κυρίαρχο φασματικό περιεχόμενο για τα αειθαλή είδη. Ο συνδυασμός δεδομένων τριών εποχών υπερτερεί έναντι δύο ή μίας εποχής συνδυασμών. Η ενσωμάτωση δομικών μετρήσεων LiDAR παρέχει σημαντικές βελτιώσεις, ιδιαίτερα για φυλλοβόλα είδη που είναι φασματικά παρόμοια. Αυτή η προσέγγιση προσφέρει μια οικονομικά αποδοτική και χρήσιμη μέθοδο δημιουργίας λεπτομερών χαρτών κατανομής αστικών δέντρων σε περιοχές μεγαλύτερες των 5000 km2. Τα ευρήματα έχουν σημαντικές επιπτώσεις για την αστική δασική διαχείριση, τη ποσοτικοποίηση υπηρεσιών οικοσυστήματος, και τη στήριξη πολιτικής αειφορικής ανάπτυξης των πόλεων. Μελλοντικές έρευνες θα μπορούσαν να εξερευνήσουν πυκνότερες χρονικές σειρές δεδομένων και επίγεια δεδομένα LiDAR υψηλής πυκνότητας για περαιτέρω βελτίωση της ακρίβειας ταξινόμησης.<br /> <br /> [[category:Αστικός ιστός]]</div>

KOUTSOLIAKOS PANAGIOTIS 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%95%CF%80%CE%AF%CE%B4%CF%81%CE%B1%CF%83%CE%B7%CF%82_%CF%84%CE%BF%CF%85_%CE%95%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%BF%CF%85%CF%82_%CE%91%CE%BC%CF%80%CE%B5%CE%BB%CF%8E%CE%BD%CE%B5%CF%82_%CE%BC%CE%AD%CF%83%CF%89_%CE%A7%CF%81%CE%BF%CE%BD%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CF%8E%CE%BD_Sentinel-2_%CE%BA%CE%B1%CE%B9_%CE%94%CE%B5%CE%B9%CE%BA%CF%84%CF%8E%CE%BD_%CE%A6%CE%B1%CE%B9%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1%CF%82 2026-01-16T21:09:56Z

<p>KOUTSOLIAKOS PANAGIOTIS: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Monitoring soil substrate influence in vineyards using Sentinel- 2 time series and land surface phenology. '''Συγγραφεί...'</p> <hr /> <div>'''Πρωτότυπος τίτλος:''' Monitoring soil substrate influence in vineyards using Sentinel- 2 time series and land surface phenology.<br /> <br /> '''Συγγραφείς:''' Thomas Maffei, Marco Moretto , Pietro Franceschi.<br /> <br /> '''Δημοσιεύτηκε:''' Νοέμβριος του 2025<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.jag.2025.104977<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η παρακολούθηση των αμπελώνων αποτελεί μια κρίσιμη πρακτική για τη βελτιστοποίηση της ποιότητας των σταφυλιών και την εξασφάλιση της βιωσιμότητας της παραγωγής οίνου. Οι διαφορές στο εδαφικό υπόστρωμα και την εδαφική σύσταση έχουν σημαντική επίδραση στη φυσιολογία των αμπέλων και στη φαινολογία τους. Η χρήση τηλεπισκόπησης μέσω δορυφόρων έχει αναδειχθεί ως μια ισχυρή τεχνολογία για την παρακολούθηση της βλάστησης σε αγροτικές εκτάσεις. Η δορυφορική μονάδα Sentinel-2, με τα πολλαπλά φασματικά κανάλια της και την υψηλή χωρική ανάλυση, προσφέρει ιδανικές δυνατότητες για τη λεπτομερή παρατήρηση των αμπελώνων. Το άρθρο αυτό εξερευνά τη δυνατότητα χρήσης χρονοσειρών Sentinel-2 για τη διερεύνηση των διαφορών που παρατηρούνται στους αμπελώνες, οι οποίες σχετίζονται με διάφορα εδαφικά υποστρώματα. Η έρευνα διεξήχθη στην περιοχή Piana Rotaliana της αυτόνομης επαρχίας Τρέντο στην Ιταλία, όπου ήταν δυνατή η επιλογή αμπελώνων που εκπαιδεύονται με το ίδιο σύστημα μόρφωσης (καλλιεργητική τεχνική) και αποφεύγουν τη ανανέωση των φυτευμάτων κατά την περίοδο 2017-2023. Τα δεδομένα χρονοσειρών οργανώθηκαν με συνέπεια για να διασφαλιστεί η αξιοπιστία και η συγκρισιμότητα των αποτελεσμάτων.<br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> '''Δεδομένα Sentinel-2 και Προ-επεξεργασία'''<br /> <br /> Η μελέτη χρησιμοποίησε δεδομένα δορυφορικής τηλεπισκόπησης από τον δορυφόρο Sentinel-2, ο οποίος παρέχει εικόνες υψηλής ανάλυσης με χωρική ανάλυση 10 μέτρων και χρονικό διάστημα επανάληψης 5 ημερών. Τα δεδομένα συλλέχθησαν για τη χρονική περίοδο 2017-2023 για τους αμπελώνες της Piana Rotaliana. Οι εικόνες Sentinel-2 Level 1C (orthorectified Top-of-Atmosphere reflectance) μετατράπησαν σε Level 2A (surface reflectance) χρησιμοποιώντας τον επεξεργαστή MAJA (Multi-temporal Cloud Screening and Atmospheric Correction Processor). Ο MAJA αναπτύχθηκε από τα CESBIO, CNES και DLR και προσφέρει προσαρμογή για ατμοσφαιρικές επιδράσεις, ανίχνευση νεφών και εκτίμηση του οπτικού πάχους αερολύματος (AOT) και υδρατμών. Η επεξεργασία MAJA παρέχει υψηλής ποιότητας χρονοσειρές επιφανειακής ανακλαστικότητας που είναι απαραίτητες για τη χρονική ανάλυση της φαινολογίας. Τα δεδομένα Level 2A περιέχουν 11 φασματικά κανάλια σε διάφορες χωρικές ανάλυσεις (10, 20 και 60 μέτρα), επιτρέποντας τον υπολογισμό πολλαπλών δεικτών βλάστησης.<br /> <br /> '''Δείκτες Βλάστησης και Εξαγωγή Φαινολογίας'''<br /> <br /> Για την εξαγωγή της επιφανειακής φαινολογίας (Land Surface Phenology - LSP), δύο κύριοι δείκτες βλάστησης αξιολογήθησαν: ο Normalized Difference Vegetation Index (NDVI) και ο Enhanced Vegetation Index 2 (EVI2). Ο NDVI υπολογίζεται από τη διαφορά μεταξύ του εγγύς υπέρυθρου (NIR) και κόκκινου φασματικού καναλιού, διαιρούμενη με το άθροισμά τους, και είναι ο πιο ευρέως χρησιμοποιούμενος δείκτης για τη μελέτη της βλάστησης. Ο EVI2, ωστόσο, είναι ένας τροποποιημένος δείκτης που χρησιμοποιεί τα κανάλια NIR, κόκκινο και SWIR (Short-Wave Infrared) για να μειώσει τις επιδράσεις του φόντου εδάφους και του κορεσμού σε περιοχές με πυκνή βλάστηση. Η ανάλυση έδειξε ότι ο EVI2 παρέχει καλύτερη σταθερότητα και ευρωστία στη χρονική σειρά σε σύγκριση με τον NDVI, ειδικά κατά τις περιόδους πήξης και αποφύλλωσης των αμπέλων. Πέρα από αυτούς τους κύριους δείκτες, εξετάστηκαν και άλλοι δείκτες, όπως ο Global Vegetation Moisture Index (GVMI), ο οποίος μετρά το περιεχόμενο νερού της βλάστησης. Ο GVMI αποδείχθηκε ως ο πιο αποτελεσματικός δείκτης για τη διάκριση της επίδρασης του εδαφικού υποστρώματος, καθώς είναι ευαίσθητος στην ικανότητα διατήρησης νερού του εδάφους.<br /> <br /> '''Μέθοδοι Εξαγωγής Χαρακτηριστικών Φαινολογίας'''<br /> <br /> Για κάθε αμπελώνα, υπολογίστηκαν πολλαπλά φαινολογικά χαρακτηριστικά (phenometrics) που περιλαμβάνουν LSP metrics (μέγιστη τιμή δείκτη βλάστησης, ημερομηνία μέγιστου, μέγεθος κορυφής), Growing Season (GS) metrics που αντιπροσωπεύουν παρατηρήσεις κατά την ενεργή περίοδο ανάπτυξης και off-Season metrics για παρατηρήσεις εκτός της LSP περιόδου. Διάφορες τεχνικές προσαρμογής (fitting methods) εξετάστηκαν για τη δημιουργία ομαλών χρονοσειρών και την εξαγωγή ακριβών φαινολογικών σημείων αναφοράς. Οι μέθοδοι περιλάμβαναν τη χρήση κινητού μέσου όρου (Moving Average), φίλτρα Savitzky-Golay και ημι-εμπειρικές μεθόδους προσαρμογής που βελτιστοποιούν την ανίχνευση κλειδιών φαινολογικών γεγονότων. Η επιλογή του καταλληλότερου συνδυασμού δείκτη βλάστησης και μεθόδου προσαρμογής ήταν κρίσιμη για την ακρίβεια των εξαγόμενων χαρακτηριστικών.<br /> <br /> '''Δημιουργία Συνόλων Δεδομένων και Ταξινόμηση'''<br /> <br /> Οκτώ διαφορετικά σύνολα δεδομένων δημιουργήθησαν με βάση τους διάφορους συνδυασμούς δεικτών βλάστησης και φαινολογικών μετρήσεων (LSP, GS και off- Season). Για τη διαφοροποίηση αμπελώνων ανάλογα με τον εδαφικό τύπο, εφαρμόστηκε ένας ταξινομητής Random Forest, ο οποίος είναι ένας επιβλεπόμενος μηχανικής μάθησης αλγόριθμος που κατασκευάζει πολλά decision trees χρησιμοποιώντας δείγματα εκπαίδευσης.Ο Random Forest είναι γρήγορος και αξιόπιστος. Δουλεύει καλά ακόμα και όταν έχουμε πολλά διαφορετικά δεδομένα (π.χ. πολλούς δείκτες βλάστησης) και δεν &quot;κολλάει&quot; στα δεδομένα εκπαίδευσης, γι' αυτό δουλεύει καλά και σε νέα δεδομένα. Η ακρίβεια της ταξινόμησης αξιολογήθηκε χρησιμοποιώντας τυποποιημένες μετρήσεις όπως η συνολική ακρίβεια και ο συντελεστής Kappa. Η σταθερότητα του μοντέλου εξετάστηκε με cross-validation: εκπαιδεύτηκαν μοντέλα με δεδομένα ενός έτους και δοκιμάστηκαν με δεδομένα από τα υπόλοιπα έτη, ώστε να αξιολογηθεί η αποτελεσματικότητά τους σε διαφορετικές χρονικές περιόδους.<br /> <br /> '''Αποτελέσματα και Συμπεράσματα'''<br /> <br /> Η ανάλυση των χρονοσειρών Sentinel-2 αποκάλυψε σημαντικές διαφορές στη φαινολογία των αμπελώνων που σχετίζονται άμεσα με τον εδαφικό τύπο. Ο EVI2 επέδειξε ανώτερη σταθερότητα και αξιοπιστία έναντι του NDVI, ιδιαίτερα κατά τις κρίσιμες περιόδους πήξης και αποφύλλωσης. Οι φαινολογικές κορυφές και τα σημεία περιστροφής αναγνωρίστηκαν με υψηλή ακρίβεια, παρέχοντας λεπτομερείς πληροφορίες για τον κύκλο ανάπτυξης των φυτών. Οι μετρήσεις Growing Season (GS) κατέδειξαν διαφορές στη διάρκεια της ενεργής περιόδου ανάπτυξης μεταξύ αμπελώνων με διαφορετικά εδαφικά υποστρώματα, υποδεικνύοντας την επίδραση των εδαφικών ιδιοτήτων στη φυσιολογία των φυτών. Οι χωρικές ανομοιογένειες στη βλάστηση συσχετίστηκαν με τη γνωστή κατανομή εδαφικών τύπων, ενώ ο ταξινομητής Random Forest επιτυγχάνει υψηλή ακρίβεια διαφοροποίησης αμπελώνων ανάλογα με τον εδαφικό τύπο. Η μελέτη καταδεικνύει ότι η χρήση δορυφορικών χρονοσειρών σε συνδυασμό με τη φαινολογική ανάλυση αποτελεί ένα ισχυρό εργαλείο για τη διερεύνηση της επίδρασης του εδαφικού υποστρώματος στη λειτουργία των αμπελώνων. Τα εξαγόμενα φαινολογικά χαρακτηριστικά επιτρέπουν την αναγνώριση και χαρτογράφηση της χωρικής ετερογένειας που σχετίζεται με εδαφικές ιδιότητες. Αυτή η προσέγγιση έχει σημαντικές επιπτώσεις για τη γεωργία ακριβείας στους αμπελώνες, καθώς παρέχει τη δυνατότητα προσδιορισμού ζωνών που απαιτούν διαφοροποιημένη διαχείριση. Τα ευρήματα δείχνουν ότι η ενσωμάτωση της φαινολογίας επιφανείας σε πλαίσια παρακολούθησης αμπελώνων βελτιώνει την κατανόηση εδαφο-φυτικών αλληλεπιδράσεων και υποστηρίζει καλύτερες αποφάσεις διαχείρισης. Συστήνεται περαιτέρω εφαρμογή αυτής της μεθοδολογίας σε άλλες περιοχές παραγωγής κρασιού και σε άλλες καλλιέργειες.<br /> <br /> <br /> [[category:Γεωργικές περιοχές]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CF%84%CE%B9%CE%BA%CE%B5%CE%B9%CE%BC%CE%B5%CE%BD%CE%BF%CF%83%CF%84%CF%81%CE%B1%CF%86%CE%AE%CF%82_%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%96%CF%89%CF%84%CE%B9%CE%BA%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CF%84%CF%89%CE%BD_%CE%92%CE%BF%CF%81%CE%B5%CE%AF%CF%89%CE%BD_%CE%94%CE%B1%CF%83%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%A0%CE%BF%CE%BB%CF%85%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AC_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1_Drone 2026-01-16T21:06:26Z

<p>KOUTSOLIAKOS PANAGIOTIS: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Mapping Boreal Forest Vitality Using Drone-Based Multispectral Time-Series and Object- Based Classification '''Συγγραφεί...'</p> <hr /> <div>'''Πρωτότυπος τίτλος:''' Mapping Boreal Forest Vitality Using Drone-Based Multispectral Time-Series and Object- Based Classification<br /> <br /> '''Συγγραφείς:''' Basam Dahy, Esra Sengun, Johanna Witzell, Johan E. S. Fransson.<br /> <br /> '''Δημοσιεύθηκε:''' Σεπτέμβριος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.5194/isprs-archives-XLVIII-2- W11-2025-81-2025<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η ζωτικότητα των δασών της βόρειας ζώνης (boreal forests) απειλείται ολοένα και περισσότερο από την κλιματική αλλαγή, την αύξηση των ακραίων καιρικών φαινομένων και τις επιδημίες εντόμων και παθογόνων, γεγονός που απαιτεί έγκαιρη και λεπτομερή παρακολούθηση της υγείας των δέντρων. Οι παραδοσιακές μέθοδοι παρακολούθησης, όπως οι επίγειες απογραφές, είναι δαπανηρές, χρονοβόρες και συχνά αδυνατούν να ανιχνεύσουν έγκαιρα ή λεπτές φυσιολογικές μεταβολές, ειδικά σε επίπεδο μεμονωμένου δέντρου. Τα δορυφορικά δεδομένα ναι μεν παρέχουν μεγάλη χωρική κάλυψη, αλλά στερούνται της απαιτούμενης χωρικής λεπτομέρειας και ευαισθησίας για πρώιμη ανίχνευση στρες σε μεμονωμένες κόμες. Μέσα σε αυτό το πλαίσιο, η μελέτη προτείνει ένα πλαίσιο βασισμένο σε UAV (drone) με πολυφασματικούς αισθητήρες, ικανό να απεικονίσει με πολύ υψηλή ανάλυση (σε επίπεδο κόμης) τα δάση και να συνδέσει τις φασματικές υπογραφές με φυσιολογικούς δείκτες ζωτικότητας. Κεντρικός στόχος είναι η ανάπτυξη και αξιολόγηση μιας μεθοδολογίας που συνδυάζει χρονοσειρές πολυφασματικών εικόνων UAV, αντικειμενοστραφή ταξινόμηση (object-based image analysis, OBIA) και επίγειες φυσιολογικές μετρήσεις, προκειμένου να διακριθούν ζωντανά, στρεσαρισμένα και νεκρά δέντρα σε ένα πιλοτικό πλαίσιο βόρειου τύπου δάσος. Οι συγγραφείς υπογραμμίζουν ότι ένα τέτοιο σύστημα μπορεί να αποτελέσει γέφυρα ανάμεσα στην τηλεπισκόπηση και την οικοφυσιολογία, και να δημιουργήσει πρότυπο για κλιμάκωση σε μεγαλύτερες εκτάσεις μέσω συνδυασμού με άλλους αισθητήρες (LiDAR, δορυφορικά δεδομένα).<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η μελέτη διεξήχθη στο ερευνητικό πάρκο Svartberget στη βόρεια Σουηδία (βορεαλική ζώνη), σε πιλοτική έκταση περίπου 1 ha, με κυρίαρχα είδη την ερυθρελάτη(sprune), το πεύκο(pine) και τη σημύδα(birch). Επιλέχθηκαν 76 δέντρα (ζωντανά και νεκρά) για λεπτομερή παρακολούθηση, ενώ 16 ζωντανά δέντρα οργανομετρήθηκαν με φυσιολογικούς αισθητήρες (sap flow, δενδρόμετρα, αισθητήρες περιεκτικότητας και δυναμικού νερού στον κορμό), ώστε να παρακολουθούνται σε πραγματικό χρόνο οι ροές νερού, η αύξηση διαμέτρου και το υδατικό στρες. Στο χρονικό διάστημα 2024– 2025 πραγματοποιήθηκαν 15 πτήσεις UAV, καλύπτοντας βασικές φάσεις της βλαστητικής περιόδου. Το drone έφερε πολυφασματική κάμερα με ζώνες RGB, green, red, red-edge και near-infrared (NIR), από τις οποίες παραγάγονταν ορθομωσαϊκά υψηλής ανάλυσης. Η αντικειμενοστραφής ανάλυση εικόνας (OBIA) υλοποιήθηκε στο ERDAS IMAGINE: τα ορθομωσαϊκά υποβλήθηκαν σε πολυκλιμακωτή τμηματοποίηση (segmentation) βελτιστοποιημένη σε επίπεδο κόμης, δημιουργώντας αντικείμενα-κόμες. Στη συνέχεια εφαρμόστηκε εποπτευόμενη ταξινόμηση με Random Forest, με κλάσεις «spruce», «pine», «birch» και «dead trees», χρησιμοποιώντας ως χαρακτηριστικά φασματικά, υφής και γεωμετρικά γνωρίσματα. Τα πολυγωνικά αντικείμενα εξήχθησαν ως vector layers με χρονικά χαρακτηριστικά (φασματικές τιμές ανά ημερομηνία), επιτρέποντας ανάλυση χρονοσειρών ανά δέντρο και κλάση ζωτικότητας. Παράλληλα, τα χρονικά προφίλ ανακλαστικότητας συσχετίστηκαν με τις φυσιολογικές μετρήσεις μέσω συγχρονισμού ημερομηνιών λήψης και μετρήσεων.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση των χρονοσειρών πολυφασματικών δεδομένων έδειξε ότι οι μέσες φασματικές υπογραφές (mean digital numbers) για spruce, pine, birch και νεκρά δέντρα διαφοροποιούνται σαφώς στη διάρκεια της βλαστητικής περιόδου, ιδίως στις ζώνες red-edge και NIR. Οι διαφορές μεταξύ ζωντανών και νεκρών δέντρων έγιναν ιδιαίτερα έντονες μετά τα τέλη Μαΐου, όταν η κόμη των ζωντανών δέντρων πρασίνισε πλήρως και παρουσίασε υψηλότερη ανακλαστικότητα στο NIR και χαμηλότερη στο red, ενώ τα νεκρά δέντρα διατήρησαν χαμηλότερες τιμές και επίπεδες καμπύλες, αντανακλώντας την απώλεια χλωροφύλλης και δομικής ακεραιότητας. Οι ζώνες RGB αποδείχθηκαν λιγότερο ευαίσθητες σε λεπτές φυσιολογικές μεταβολές, ενώ η red-edge κατέγραψε πρώιμα σήματα στρες πριν αυτά γίνουν εμφανή στο ορατό φάσμα. Η αντικειμενοστραφής ταξινόμηση πέτυχε υψηλή ακρίβεια διάκρισης ειδών και κατάστασης ζωτικότητας σε επίπεδο κόμης, με σαφή χωρική κατανομή των ζωντανών και νεκρών δέντρων στον χάρτη της πιλοτικής έκτασης. Παράλληλα, οι προκαταρκτικές αναλύσεις έδειξαν ότι οι μεταβολές στη ροή χυμών και στη διάμετρο κορμού (από sap flow και δενδρόμετρα) ευθυγραμμίζονται χρονικά με μεταβολές στη φασματική υπογραφή, γεγονός που ενισχύει την οικοφυσιολογική ερμηνεία των εικόνων UAV. Συνολικά, τα αποτελέσματα δείχνουν ότι η πολυχρονική πολυφασματική απεικόνιση UAV μπορεί να ανιχνεύσει διαφορές ζωτικότητας και είδους σε λεπτές χωρικές και χρονικές κλίμακες.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Συμπεραίνεται ότι το προτεινόμενο πλαίσιο μετρήσεων αποτελεί μια ισχυρή και εφαρμόσιμη προσέγγιση για λεπτομερή παρακολούθηση της ζωτικότητας των δασών της βόρειας ζώνης σε επίπεδο μεμονωμένων δέντρων. Η μελέτη αποδεικνύει ότι οι χρονοσειρές πολυφασματικών εικόνων, ιδιαίτερα στις ζώνες red-edge και NIR, μπορούν να διακρίνουν αποτελεσματικά είδη και κλάσεις ζωτικότητας και να εντοπίζουν πρώιμα σήματα στρες, πριν αυτά γίνουν ορατά σε πιο ορατούς δείκτες ή στο ανθρώπινο μάτι. Η ενσωμάτωση επίγειων φυσιολογικών αισθητήρων παρέχει κρίσιμο πλαίσιο για την ερμηνεία των φασματικών δεδομένων και δημιουργεί βάση για ανάπτυξη μοντέλων που συνδέουν άμεσα τις τηλεσκοπικές παρατηρήσεις με οικοφυσιολογικές διεργασίες. τονίζεται ότι η πιλοτική εφαρμογή στο 1 ha του Svartberget σχεδιάζεται να κλιμακωθεί στο «Attsjö super test site» (2.300 ha), όπου θα συνδυαστούν δεδομένα UAV (RGB, multispectral, LiDAR) με άλλες πηγές για παρακολούθηση σε επίπεδο τοπίου. Τέλος, προτείνουν ότι η προσέγγιση αυτή μπορεί να ενσωματωθεί σε επιχειρησιακά συστήματα παρακολούθησης δασικής υγείας και «precision forestry», υποστηρίζοντας κλιματικά ανθεκτική διαχείριση οικοσυστημάτων και έγκαιρο εντοπισμό κινδύνων από κλιματικό στρες ή βιοτικούς παράγοντες.<br /> <br /> [[category:Δάση και ημι-φυσικές περιοχές]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%BF%CE%BA%CE%BF 2026-01-16T20:38:03Z

<p>KOUTSOLIAKOS PANAGIOTIS: Η Κοκο μετακινήθηκε στη θέση Άρθρο 2: ορθογραφικά</p> <hr /> <div>#ΑΝΑΚΑΤΕΥΘΥΝΣΗ [[Άρθρο 2]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CE%B1%CF%80%CE%BF%CE%B4%CF%8C%CF%83%CE%B5%CF%89%CE%BD_%CE%BC%CE%B1%CE%BD%CE%B9%CF%84%CE%AC%CF%81%CE%B9%CF%89%CE%BD_%CF%83%CE%B5_%CE%BC%CE%B5%CF%83%CE%BF%CE%B3%CE%B5%CE%B9%CE%B1%CE%BA%CF%8C_%CE%B4%CE%AC%CF%83%CE%BF%CF%82 2026-01-16T20:38:03Z

<p>KOUTSOLIAKOS PANAGIOTIS: Η Κοκο μετακινήθηκε στη θέση Άρθρο 2: ορθογραφικά</p> <hr /> <div>'''Πρωτότυπος τίτλος:''' Stand Structural Characteristics Derived from Combined TLS and Landsat Data Support Predictions of Mushroom Yields in Mediterranean Forest<br /> <br /> '''Συγγραφείς:''' Raquel Martínez-Rodrigo, and Beatriz Águeda, Cristina Gómez, Astor Toraño-Caicoya, Luke Bohnhorst, Enno Uhl.<br /> <br /> '''Δημοσιεύθηκε:''' Οκτώβρης του 2022<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3390/rs14195025<br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα άγρια μανιτάρια αποτελούν σημαντικό δασικό προϊόν στη Μεσόγειο, με υψηλή οικονομική, οικολογική και κοινωνική αξία, αλλά η παραγωγή τους είναι χωρικά και χρονικά πολύ μεταβλητή και δύσκολο να προβλεφθεί. Η καρποφορία των μανιταριών επηρεάζεται από το κλίμα (ιδίως τις βροχοπτώσεις και τη θερμοκρασία), τα χαρακτηριστικά του εδάφους και, κυρίως, τη δομή και παραγωγικότητα του δάσους, δηλαδή την ποσότητα και κατανομή της βιομάζας. Προηγούμενες μελέτες έδειξαν συσχέτιση της μανιταροπαραγωγής με την πρωτογενή παραγωγικότητα (π.χ. NDVI)<br /> και με δείκτες υγρασίας εδάφους από δορυφόρους, όμως συχνά έλειπαν λεπτομερή δομικά δεδομένα για τη συστάδα.Ο συνδυασμός παθητικών οπτικών δεδομένων Landsat (πολυχρονικός NDVI ως δείκτης παραγωγικότητας) με λεπτομερή δομικά χαρακτηριστικά από κινητό Terrestrial Laser Scanning (TLS) μπορεί να βελτιώσει ουσιαστικά τα μοντέλα πρόβλεψης, γιατί αποτυπώνει ταυτόχρονα τόσο το «πόσο ζωντανό» είναι το δάσος όσο και το πώς είναι δομημένο στον χώρο. Οι στόχοι της έρευνας συνοψίζονται σε 3 μέρη: (i) να αξιολογήσουν τη δυνατότητα των πολυχρονικών μεταβλητών Landsat και των TLS δομικών χαρακτηριστικών να προβλέψουν τη συνολική παραγωγή μανιταριών σε μεσογειακά δάση Pinus pinaster, (ii) να διερευνήσουν αν η παραγωγική ικανότητα του δάσους, και ειδικότερα ο όγκος υπέργειας βιομάζας, καθορίζει την παραγωγή μανιταριών, και (iii) να συγκρίνουν αν οι παράγοντες που εξηγούν την συνολική παραγωγή είναι οι ίδιοι με εκείνους που ελέγχουν την παραγωγή του εμπορικά σημαντικού είδους Lactarius deliciosus. Με αυτό το πλαίσιο, η μελέτη συνδέει την τηλεπισκόπηση με τη διαχείριση μη ξυλωδών δασικών προϊόντων.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η περιοχή μελέτης βρίσκεται σε μεσογειακά δάση Pinus pinaster στην επαρχία Soria (Ισπανία), όπου υπάρχει πειραματικό δίκτυο δειγματοληπτικών επιφανειών με μακροχρόνια παρακολούθηση της παραγωγής μανιταριών. Σε κάθε επιφάνεια καταγράφηκαν εβδομαδιαία, για δέκα χρόνια (2012–2021), τα καρποσώματα όλων των ειδών μανιταριών: αριθμός, είδος και βιομάζα, δημιουργώντας χρονοσειρές ετήσιας παραγωγής τόσο για το σύνολο των ειδών όσο και ξεχωριστά για το Lactarius deliciosus. Παράλληλα χρησιμοποιήθηκαν κλιματικά δεδομένα δεκαετίας (βροχόπτωση και θερμοκρασία), με έμφαση στη φθινοπωρινή βροχόπτωση, γνωστό κλειδί για την καρποφορία. Η δομή του δάσους αποτυπώθηκε με κινητό TLS, από το οποίο εξήχθησαν μεταβλητές όπως πυκνότητα συστάδας (Stand Density Index, SDI), βασική επιφάνεια, όγκος υπέργειας βιομάζας και κάλυψη κόμης. Από πολυχρονικά δεδομένα Landsat υπολογίστηκε NDVI για διαφορετικές περιόδους, και χρησιμοποιήθηκε είτε ως απόλυτη τιμή είτε ως διαφορά (NDVIdiff) μεταξύ κρίσιμων φάσεων, ώστε να εκφράζει τη δυναμική της πρωτογενούς παραγωγικότητας. Στατιστικά, οι συγγραφείς χρησιμοποίησαν Generalized Additive Mixed Models (GAMMs), που επιτρέπουν μη γραμμικές σχέσεις και τυχαίες επιδράσεις, με μεταβλητές προβλέψεως το κλίμα, τη δομή του δάσους και τον NDVI, και απόκριση την ετήσια βιομάζα μανιταριών ανά επιφάνεια. Δημιουργήθηκαν δύο χωριστά μοντέλα: ένα για τη συνολική παραγωγή όλων των ειδών και ένα για το Lactarius deliciosus.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα έδειξαν ότι και για τη συνολική παραγωγή μανιταριών και για το Lactarius deliciosus οι σχέσεις με τους περιβαλλοντικούς παράγοντες είναι έντονα μη γραμμικές, κάτι που αποτυπώνεται στις υψηλές τιμές effective degrees of freedom των GAMM. Η φθινοπωρινή βροχόπτωση (Precautumn) πάνω από ένα κατώφλι περίπου 150 mm συνδέθηκε με σαφή αύξηση της παραγωγής, ενώ κάτω από αυτό το όριο δεν παρατηρήθηκε θετική επίδραση, υποδεικνύοντας μια κατώφλιακή συμπεριφορά στο νερό που απαιτείται για καρποφορία. Ο δείκτης πυκνότητας συστάδας SDI εμφάνισε βέλτιστο διάστημα μεταξύ ~1000–1200: σε αυτές τις τιμές οι αποδόσεις ήταν μέγιστες, ενώ σε χαμηλότερες ή πολύ υψηλές πυκνότητες η παραγωγή μειωνόταν, πιθανόν λόγω έλλειψης, αντίστοιχα, συμβιωτικών ριζών ή υπερβολικού ανταγωνισμού. Ιδιαίτερα σημαντική ήταν η αλληλεπίδραση του όγκου βιομάζας με τον NDVIdiff: μεγαλύτερος όγκος και υψηλότερη πρωτογενής παραγωγικότητα συνδέθηκαν με αυξημένη παραγωγή μανιταριών, επιβεβαιώνοντας ότι τα μανιτάρια εξαρτώνται από την ενεργή, παραγωγική βλάστηση του δάσους. Επιπλέον, η αλληλεπίδραση κάλυψης κόμης και ελάχιστης θερμοκρασίας έδειξε ότι υψηλότερη κάλυψη, σε συνδυασμό με πιο ήπιες ελάχιστες θερμοκρασίες φθινοπώρου, ευνοεί τις αποδόσεις, πιθανώς μέσω καλύτερου μικροκλίματος και υγρασίας εδάφους. Το μοντέλο για το L. deliciosus είχε μικρότερο R2 (~0,3) αλλά παρόμοια μοτίβα, υποδεικνύοντας ότι το είδος ανταποκρίνεται σε παρόμοιους, αλλά πιο στενούς, οικολογικούς περιορισμούς.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Ο συνδυασμός δομικών χαρακτηριστικών συστάδας από TLS με πολυχρονικά δεδομένα NDVI από Landsat βελτιώνει ουσιαστικά την κατανόηση και πρόβλεψη της παραγωγής άγριων μανιταριών σε μεσογειακά πευκοδάση. Η φθινοπωρινή βροχόπτωση παραμένει βασικός οδηγός καρποφορίας, αλλά η παραγωγή δεν εξαρτάται μόνο από το κλίμα· εξαρτάται επίσης από τη δομή του δάσους (πυκνότητα, βιομάζα, κάλυψη κόμης) και την πρωτογενή παραγωγικότητα, που μπορούν πλέον να εκτιμηθούν σε μεγάλη κλίμακα με τηλεπισκόπηση. Έτσι, τα μανιτάρια μπορούν να θεωρηθούν δείκτες της λειτουργικής κατάστασης και παραγωγικής ικανότητας του δασικού οικοσυστήματος, και τα μοντέλα που βασίζονται σε TLS + Landsat προσφέρουν ρεαλιστικά εργαλεία για χωρικό σχεδιασμό της συλλογής, εκτίμηση αποδόσεων και υποστήριξη πολιτικών για μη ξυλώδη δασικά προϊόντα. Οι συγγραφείς επισημαίνουν ότι η προσέγγιση είναι επεκτάσιμη: με αντίστοιχο συνδυασμό ενεργών (LiDAR) και παθητικών (οπτικών/NDVI) δεδομένων μπορεί να εφαρμοστεί σε άλλα είδη μανιταριών και σε άλλα δασικά συστήματα. Τέλος, προτείνεται ότι η ενσωμάτωση αυτού του τύπου τηλεπισκοπικών μοντέλων στη δασική διαχείριση θα ενισχύσει τόσο την οικονομική αξιοποίηση όσο και τη διατήρηση της βιοποικιλότητας, καθώς θα προσφέρει αντικειμενική πληροφόρηση για την παραγωγή άγριων μανιταριών σε βάθος χρόνου.<br /> <br /> [[category:Δάση και ημι-φυσικές περιοχές]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CE%B1%CF%80%CE%BF%CE%B4%CF%8C%CF%83%CE%B5%CF%89%CE%BD_%CE%BC%CE%B1%CE%BD%CE%B9%CF%84%CE%AC%CF%81%CE%B9%CF%89%CE%BD_%CF%83%CE%B5_%CE%BC%CE%B5%CF%83%CE%BF%CE%B3%CE%B5%CE%B9%CE%B1%CE%BA%CF%8C_%CE%B4%CE%AC%CF%83%CE%BF%CF%82 2026-01-16T20:36:13Z

<p>KOUTSOLIAKOS PANAGIOTIS: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Stand Structural Characteristics Derived from Combined TLS and Landsat Data Support Predictions of Mushroom Yields in Mediterranea...'</p> <hr /> <div>'''Πρωτότυπος τίτλος:''' Stand Structural Characteristics Derived from Combined TLS and Landsat Data Support Predictions of Mushroom Yields in Mediterranean Forest<br /> <br /> '''Συγγραφείς:''' Raquel Martínez-Rodrigo, and Beatriz Águeda, Cristina Gómez, Astor Toraño-Caicoya, Luke Bohnhorst, Enno Uhl.<br /> <br /> '''Δημοσιεύθηκε:''' Οκτώβρης του 2022<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3390/rs14195025<br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα άγρια μανιτάρια αποτελούν σημαντικό δασικό προϊόν στη Μεσόγειο, με υψηλή οικονομική, οικολογική και κοινωνική αξία, αλλά η παραγωγή τους είναι χωρικά και χρονικά πολύ μεταβλητή και δύσκολο να προβλεφθεί. Η καρποφορία των μανιταριών επηρεάζεται από το κλίμα (ιδίως τις βροχοπτώσεις και τη θερμοκρασία), τα χαρακτηριστικά του εδάφους και, κυρίως, τη δομή και παραγωγικότητα του δάσους, δηλαδή την ποσότητα και κατανομή της βιομάζας. Προηγούμενες μελέτες έδειξαν συσχέτιση της μανιταροπαραγωγής με την πρωτογενή παραγωγικότητα (π.χ. NDVI)<br /> και με δείκτες υγρασίας εδάφους από δορυφόρους, όμως συχνά έλειπαν λεπτομερή δομικά δεδομένα για τη συστάδα.Ο συνδυασμός παθητικών οπτικών δεδομένων Landsat (πολυχρονικός NDVI ως δείκτης παραγωγικότητας) με λεπτομερή δομικά χαρακτηριστικά από κινητό Terrestrial Laser Scanning (TLS) μπορεί να βελτιώσει ουσιαστικά τα μοντέλα πρόβλεψης, γιατί αποτυπώνει ταυτόχρονα τόσο το «πόσο ζωντανό» είναι το δάσος όσο και το πώς είναι δομημένο στον χώρο. Οι στόχοι της έρευνας συνοψίζονται σε 3 μέρη: (i) να αξιολογήσουν τη δυνατότητα των πολυχρονικών μεταβλητών Landsat και των TLS δομικών χαρακτηριστικών να προβλέψουν τη συνολική παραγωγή μανιταριών σε μεσογειακά δάση Pinus pinaster, (ii) να διερευνήσουν αν η παραγωγική ικανότητα του δάσους, και ειδικότερα ο όγκος υπέργειας βιομάζας, καθορίζει την παραγωγή μανιταριών, και (iii) να συγκρίνουν αν οι παράγοντες που εξηγούν την συνολική παραγωγή είναι οι ίδιοι με εκείνους που ελέγχουν την παραγωγή του εμπορικά σημαντικού είδους Lactarius deliciosus. Με αυτό το πλαίσιο, η μελέτη συνδέει την τηλεπισκόπηση με τη διαχείριση μη ξυλωδών δασικών προϊόντων.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η περιοχή μελέτης βρίσκεται σε μεσογειακά δάση Pinus pinaster στην επαρχία Soria (Ισπανία), όπου υπάρχει πειραματικό δίκτυο δειγματοληπτικών επιφανειών με μακροχρόνια παρακολούθηση της παραγωγής μανιταριών. Σε κάθε επιφάνεια καταγράφηκαν εβδομαδιαία, για δέκα χρόνια (2012–2021), τα καρποσώματα όλων των ειδών μανιταριών: αριθμός, είδος και βιομάζα, δημιουργώντας χρονοσειρές ετήσιας παραγωγής τόσο για το σύνολο των ειδών όσο και ξεχωριστά για το Lactarius deliciosus. Παράλληλα χρησιμοποιήθηκαν κλιματικά δεδομένα δεκαετίας (βροχόπτωση και θερμοκρασία), με έμφαση στη φθινοπωρινή βροχόπτωση, γνωστό κλειδί για την καρποφορία. Η δομή του δάσους αποτυπώθηκε με κινητό TLS, από το οποίο εξήχθησαν μεταβλητές όπως πυκνότητα συστάδας (Stand Density Index, SDI), βασική επιφάνεια, όγκος υπέργειας βιομάζας και κάλυψη κόμης. Από πολυχρονικά δεδομένα Landsat υπολογίστηκε NDVI για διαφορετικές περιόδους, και χρησιμοποιήθηκε είτε ως απόλυτη τιμή είτε ως διαφορά (NDVIdiff) μεταξύ κρίσιμων φάσεων, ώστε να εκφράζει τη δυναμική της πρωτογενούς παραγωγικότητας. Στατιστικά, οι συγγραφείς χρησιμοποίησαν Generalized Additive Mixed Models (GAMMs), που επιτρέπουν μη γραμμικές σχέσεις και τυχαίες επιδράσεις, με μεταβλητές προβλέψεως το κλίμα, τη δομή του δάσους και τον NDVI, και απόκριση την ετήσια βιομάζα μανιταριών ανά επιφάνεια. Δημιουργήθηκαν δύο χωριστά μοντέλα: ένα για τη συνολική παραγωγή όλων των ειδών και ένα για το Lactarius deliciosus.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα έδειξαν ότι και για τη συνολική παραγωγή μανιταριών και για το Lactarius deliciosus οι σχέσεις με τους περιβαλλοντικούς παράγοντες είναι έντονα μη γραμμικές, κάτι που αποτυπώνεται στις υψηλές τιμές effective degrees of freedom των GAMM. Η φθινοπωρινή βροχόπτωση (Precautumn) πάνω από ένα κατώφλι περίπου 150 mm συνδέθηκε με σαφή αύξηση της παραγωγής, ενώ κάτω από αυτό το όριο δεν παρατηρήθηκε θετική επίδραση, υποδεικνύοντας μια κατώφλιακή συμπεριφορά στο νερό που απαιτείται για καρποφορία. Ο δείκτης πυκνότητας συστάδας SDI εμφάνισε βέλτιστο διάστημα μεταξύ ~1000–1200: σε αυτές τις τιμές οι αποδόσεις ήταν μέγιστες, ενώ σε χαμηλότερες ή πολύ υψηλές πυκνότητες η παραγωγή μειωνόταν, πιθανόν λόγω έλλειψης, αντίστοιχα, συμβιωτικών ριζών ή υπερβολικού ανταγωνισμού. Ιδιαίτερα σημαντική ήταν η αλληλεπίδραση του όγκου βιομάζας με τον NDVIdiff: μεγαλύτερος όγκος και υψηλότερη πρωτογενής παραγωγικότητα συνδέθηκαν με αυξημένη παραγωγή μανιταριών, επιβεβαιώνοντας ότι τα μανιτάρια εξαρτώνται από την ενεργή, παραγωγική βλάστηση του δάσους. Επιπλέον, η αλληλεπίδραση κάλυψης κόμης και ελάχιστης θερμοκρασίας έδειξε ότι υψηλότερη κάλυψη, σε συνδυασμό με πιο ήπιες ελάχιστες θερμοκρασίες φθινοπώρου, ευνοεί τις αποδόσεις, πιθανώς μέσω καλύτερου μικροκλίματος και υγρασίας εδάφους. Το μοντέλο για το L. deliciosus είχε μικρότερο R2 (~0,3) αλλά παρόμοια μοτίβα, υποδεικνύοντας ότι το είδος ανταποκρίνεται σε παρόμοιους, αλλά πιο στενούς, οικολογικούς περιορισμούς.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Ο συνδυασμός δομικών χαρακτηριστικών συστάδας από TLS με πολυχρονικά δεδομένα NDVI από Landsat βελτιώνει ουσιαστικά την κατανόηση και πρόβλεψη της παραγωγής άγριων μανιταριών σε μεσογειακά πευκοδάση. Η φθινοπωρινή βροχόπτωση παραμένει βασικός οδηγός καρποφορίας, αλλά η παραγωγή δεν εξαρτάται μόνο από το κλίμα· εξαρτάται επίσης από τη δομή του δάσους (πυκνότητα, βιομάζα, κάλυψη κόμης) και την πρωτογενή παραγωγικότητα, που μπορούν πλέον να εκτιμηθούν σε μεγάλη κλίμακα με τηλεπισκόπηση. Έτσι, τα μανιτάρια μπορούν να θεωρηθούν δείκτες της λειτουργικής κατάστασης και παραγωγικής ικανότητας του δασικού οικοσυστήματος, και τα μοντέλα που βασίζονται σε TLS + Landsat προσφέρουν ρεαλιστικά εργαλεία για χωρικό σχεδιασμό της συλλογής, εκτίμηση αποδόσεων και υποστήριξη πολιτικών για μη ξυλώδη δασικά προϊόντα. Οι συγγραφείς επισημαίνουν ότι η προσέγγιση είναι επεκτάσιμη: με αντίστοιχο συνδυασμό ενεργών (LiDAR) και παθητικών (οπτικών/NDVI) δεδομένων μπορεί να εφαρμοστεί σε άλλα είδη μανιταριών και σε άλλα δασικά συστήματα. Τέλος, προτείνεται ότι η ενσωμάτωση αυτού του τύπου τηλεπισκοπικών μοντέλων στη δασική διαχείριση θα ενισχύσει τόσο την οικονομική αξιοποίηση όσο και τη διατήρηση της βιοποικιλότητας, καθώς θα προσφέρει αντικειμενική πληροφόρηση για την παραγωγή άγριων μανιταριών σε βάθος χρόνου.<br /> <br /> [[category:Δάση και ημι-φυσικές περιοχές]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CF%83%CF%89%CE%BC%CE%B1%CF%84%CF%8E%CE%BD%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CE%B5_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AC_%CE%BF%CE%B9%CE%BA%CE%BF%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1:_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_QGIS_%CF%83%CF%84%CE%B7_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD. 2026-01-16T20:06:21Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div> [[category:Δάση και ημι-φυσικές περιοχές]]<br /> '''Ενσωματώνοντας την επιστήμη της τηλεπισκόπησης σε δασικά οικοσυστήματα: Χρήση του QGIS στη χαρτογράφηση και παρακολούθηση δασών.'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Toward a Collaborative Framework: Integrating Remote Sensing Research with Forestry Practice<br /> <br /> '''Συγγραφείς:''' Lars T. Waser , Nataliia Rehush, Hannes Horneber, Raffael Bienz, Krzysztof Stereńczak, Mirela Beloiu Schwenke.<br /> <br /> '''Δημοσιεύθηκε:''' Μάιος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3929/ethz-b-000742242<br /> <br /> '''Εισαγωγή'''<br /> <br /> Υπάρχει αυξανόμενη ζήτηση, τόσο στην έρευνα όσο και στις πρακτικές εφαρμογές, για οικονομικά αποδοτικά, ακριβή, επίκαιρα και σταθερά διαθέσιμα δεδομένα (χάρτες) σχετικά με βασικά χαρακτηριστικά των δασών, όπως η σύνθεση των ειδών δέντρων, ο όγκος των κορμών, οι διαταραχές και η θνησιμότητα των δέντρων. Οι δασολόγοι συχνά αντιμετωπίζουν δυσκολίες λόγω της έλλειψης ποιοτικής, επικαιροποιημένης και χωρίς σφάλματα πληροφόρησης για την κατάσταση των δασών. Μετά από 40 χρόνια ανάπτυξης δασικών προϊόντων βασισμένων στην τηλεπισκόπηση, εντοπίζουμε τρία ζητήματα: 1) η υιοθέτησή τους από τους επαγγελματίες της δασοπονίας παραμένει διστακτική, 2) η ορθή, σύμφωνα με τον αρχικό σκοπό, χρήση τους δεν διασφαλίζεται πάντα και 3) τα προϊόντα υπολείπονται των προσδοκιών των χρηστών όσον αφορά το περιεχόμενο της πληροφορίας, την ακρίβεια και τη συχνότητα επικαιροποίησης. Παρ’ όλα αυτά, οι πρακτικές δασικές εκτιμήσεις βασίζονται γενικά στη συνολική σύνθεση των ειδών δέντρων μιας συστάδας και όχι μόνο στο ανώτερο στρώμα της κόμης. Ο κύριος λόγος γι’ αυτό το χάσμα είναι η ανεπαρκής επικοινωνία και συνεργασία μεταξύ της επιστημονικής κοινότητας και των εμπλεκόμενων φορέων. Το έργο αυτό ευθυγραμμίζεται με τη Δασική Στρατηγική της ΕΕ για τη βελτίωση της προστασίας, αποκατάστασης και ανθεκτικότητας των ευρωπαϊκών δασών, βοηθώντας τους δασολόγους να διαχειρίζονται τα δάση τους πιο αποτελεσματικά με οικονομικά αποδοτικά, απλά και ισχυρά εργαλεία τηλεπισκόπησης.<br /> <br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> • Δεδομένα: Χρησιμοποιούνται δορυφορικά δεδομένα (Sentinel-2, Landsat κ.ά.), υφιστάμενοι θεματικοί χάρτες (π.χ. όρια δασών, οδικό δίκτυο), καθώς και επιλεγμένα δεδομένα πεδίου για έλεγχο και επικύρωση.<br /> <br /> • Περιβάλλον εργασίας: Όλη η επεξεργασία γίνεται σε QGIS, με χρήση ενσωματωμένων εργαλείων raster–vector, plugin για λήψη/προεπεξεργασία δεδομένων και, όπου χρειάζεται, σύνδεση με εξωτερικά scripts (π.χ. Python, R).<br /> <br /> <br /> '''Βήματα Επεξεργασίας'''<br /> <br /> • Εισαγωγή εικόνων Sentinel-2/Landsat, γεωαναφορά και οργάνωση σε QGIS project.<br /> <br /> • Προεπεξεργασία (π.χ. διορθώσεις, δημιουργία μωσαϊκών, αποκοπή στην περιοχή ενδιαφέροντος).<br /> <br /> • Υπολογισμός δεικτών βλάστησης (NDVI, κ.λπ.) και άλλων παραγώγων raster.<br /> <br /> • Εποπτευόμενη ταξινόμηση ή/και κανόνες ταξινόμησης για δημιουργία χαρτών<br /> κάλυψης/τύπων δάσους.<br /> <br /> • Ανίχνευση αλλαγών μεταξύ διαφορετικών χρονολογιών (change detection) με σύγκριση χαρτών ή δεικτών.<br /> <br /> • Σύνθεση θεματικών χαρτών, layout, και εξαγωγή σε μορφές κατάλληλες για διαχειριστές (PDF, WebGIS κ.λπ.).<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> • Παράγονται λειτουργικοί χάρτες δασικής κάλυψης, τύπων δάσους και αλλαγών (π.χ. αποψιλώσεις, καμένες εκτάσεις) που έχουν επαρκή ακρίβεια για επιχειρησιακή χρήση από δασικές υπηρεσίες.<br /> <br /> • Δείχνεται ότι μεγάλα σύνολα δορυφορικών δεδομένων μπορούν να διαχειριστούν σε QGIS χωρίς ακριβό λογισμικό, με σχετικά απλά workflows που μπορούν να επαναχρησιμοποιηθούν (project templates, μοντέλα στο Model Builder).<br /> <br /> • Η συνεργασία ερευνητών–διαχειριστών βελτιώνεται: οι ερευνητές μετατρέπουν πολύπλοκες μεθόδους σε πρακτικά «εργαλεία» μέσα στο QGIS (π.χ. έτοιμες ροές εργασίας, plugins, προτυποποιημένα στυλ χαρτών), ενώ οι διαχειριστές αποκτούν πιο άμεση πρόσβαση σε χάρτες υψηλής πληροφορίας.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι το QGIS μπορεί να λειτουργήσει ως «γέφυρα» ανάμεσα στην προηγμένη τηλεπισκόπηση και την καθημερινή δασική πρακτική, επειδή συνδυάζει δωρεάν πρόσβαση, μεγάλη κοινότητα και δυνατότητα ενσωμάτωσης νέων μεθόδων (plugins, scripts). Τονίζεται πως, με σωστή καθοδήγηση (τεκμηρίωση, έτοιμα workflows, εκπαίδευση), ακόμη και μη ειδικοί στην τηλεπισκόπηση μπορούν να χρησιμοποιήσουν δορυφορικά δεδομένα για να εντοπίζουν διαταραχές, να παρακολουθούν την εξέλιξη του δάσους και να τεκμηριώνουν τις διαχειριστικές τους αποφάσεις. Τέλος, προτείνεται η περαιτέρω ανάπτυξη εξειδικευμένων εργαλείων/προσθέτων στο QGIS για συγκεκριμένα δασικά ζητήματα (π.χ. πυρκαγιές, βιομάζα,δασικά προϊόντα), ώστε η προσέγγιση να επεκταθεί και σε άλλα πλαίσια και χώρες.<br /> <br /> [[Αρχείο:1forest.png|thumb|right|'''Εικόνα''': Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυση. Παρότι οι κόμες είναι καθαρά ορατές σε εικόνες υψηλής ανάλυσης (τρεις επάνω εικόνες), η ορατότητά τους μειώνεται σε χαμηλότερες χωρικές αναλύσεις και γίνεται μη αναγνωρίσιμη, όπως στο Sentinel-2.© LWF 2025, πηγή:https://www.lwf.bayern.de/informationstechnologie/fernerkund ung/345521/index.php]]<br /> <br /> [[Αρχείο:2forest.png|thumb|right|'''Εικόνα''':Χάρτες πλατυφύλλων (πράσινο) και κωνοφόρων (μπλε) δασικών εκτάσεων με το CIR ορθοφωτοχάρτη στο υπόβαθρο για μεικτά δάση στην Ελβετία. Παρότι δύο διαφορετικές προσεγγίσεις μοντελοποίησης Random Forest (RF) παράγουν σχεδόν ταυτόσημες συνολικές ακρίβειες (OA), η κατανομή των εικονοστοιχείων πλατυφύλλων και κωνοφόρων<br /> διαφέρει σε επίπεδο συστάδας (περιοχή πλαισίου). © Comprises adapted Copernicus-Sentinel-Data (2021-2023), Swiss NFI and swisstopo.]]<br /> <br /> [[category:ΔΠΜΣ ]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:2forest.png 2026-01-16T20:04:44Z

<p>KOUTSOLIAKOS PANAGIOTIS: Χάρτες πλατυφύλλων (πράσινο) και κωνοφόρων (μπλε) δασικών εκτάσεων με το CIR ορθοφωτοχάρτη στο υπόβαθρο για μεικτά δάση στην Ελβετία. Παρότι �</p> <hr /> <div>Χάρτες πλατυφύλλων (πράσινο) και κωνοφόρων (μπλε) δασικών εκτάσεων με το CIR ορθοφωτοχάρτη στο υπόβαθρο για μεικτά δάση στην Ελβετία. Παρότι δύο διαφορετικές προσεγγίσεις μοντελοποίησης Random Forest (RF) παράγουν σχεδόν ταυτόσημες συνολικές ακρίβειες (OA), η κατανομή των εικονοστοιχείων πλατυφύλλων και κωνοφόρων<br /> διαφέρει σε επίπεδο συστάδας (περιοχή πλαισίου). © Comprises adapted Copernicus-Sentinel-Data (2021-2023), Swiss NFI and swisstopo.</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%C2%AB%CE%B3%CF%85%CE%BC%CE%BD%CE%BF%CF%8D%C2%BB_%CE%B5%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%B7_%CE%B3%CE%B5%CF%89%CF%81%CE%B3%CE%AF%CE%B1_... 2026-01-16T19:58:43Z

<p>KOUTSOLIAKOS PANAGIOTIS: Αναίρεση αναθεώρησης 72635 υπό τον/την KOUTSOLIAKOS PANAGIOTIS (Συζήτηση)</p> <hr /> <div> [[category:Γεωργία]]<br /> <br /> '''Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Mapping bare ground in New Zealand hill-country agriculture and forestry for soil erosion risk assessment: An automated satellite remote-sensing method<br /> <br /> '''Συγγραφείς:''' Heather North, Alexander Amies, John Dymond, Stella Belliss, David Pairman, John Drewry, Jan Schindler, James Shepherd<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Journal of Environmental Management)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.jenvman.2021.113812<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Κατανομή του χαρτογραφημένου «γυμνού» εδάφους λόγω (α) χειμερινής βόσκησης και (β) δασοκομίας που γίνονται «γυμνά» 20% ή και περισσότερο οποιαδήποτε στιγμή κατά τη διάρκεια του έτους. Οι μεγεθύνσεις αφορούν την περιοχή γεωργικής μελέτης Fairlie, South Canterbury, και την περιοχή μελέτης δασοκομίας Tokomaru Bay, Gisborne. Μέσα σε κάθε μεγέθυνση υπάρχει ένα μπλε ορθογώνιο που υποδεικνύει τη θέση των περαιτέρω μεγεθύνσεων που φαίνεται στην Εικόνα 2.]]<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI2.PNG|200px|thumb|right|'''Εικόνα 2.'''Μεγεθύνσεις (2 × 1,5 km) που δείχνουν τις λεπτομέρειες των πολυγώνων αγροτεμαχίων. Οι θέσεις αυτών των μεγεθύνσεων υποδεικνύονται από τα μπλε ορθογώνια στην Εικόνα 1. (α) Τοποθεσία γεωργικής μελέτης που φαίνεται στα κανάλια Sentinel-2: 12 (SWIR-2), 4 (κόκκινο) και 2 (μπλε), στις οποίες η καλλιέργεια brassica εμφανίζεται μπλε, τα λιβάδια μωβ-κόκκινο, και το «γυμνό» έδαφος λευκό. (β) Η περιοχή μελέτης δασοκομίας φαίνεται στα κανάλια Sentinel-2: 8 (NIR), 4 (κόκκινο) και 3 (πράσινο), στις οποίες το «ώριμο» δάσος εμφανίζεται σκούρο κόκκινο, τα χαμηλά δέντρα ή άλλη μερική κάλυψη βλάστησης ροζ και οι περιοχές συγκομιδής ως κυανό. ]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Στη Νέα Ζηλανδία (NZ) και παγκοσμίως, υπάρχει αυξανόμενη ανησυχία για τις επιπτώσεις των ανθρώπινων δραστηριοτήτων στην ποιότητα του πόσιμου νερού. Κύριος παράγοντας των επιπτώσεων στο πόσιμο νερό είναι η διάβρωση του εδάφους, όχι μόνο επειδή αυξάνει την καθίζηση ποταμών, λιμνών, εκβολών ποταμών και σχετικών υδρόβιων οικοτόπων, αλλά και εξαιτίας της μεταφοράς ιζήματος, όπως θρεπτικά συστατικά και μικροβιακοί ρύποι, στις υδάτινες οδούς. Τα εδάφη με κλίση χωρίς φυτική κάλυψη απομακρύνονται εύκολα λόγω επιφανειακής διάβρωσης κατά τη διάρκεια έντονων βροχοπτώσεων. Δύο βασικές αιτίες αφαίρεσης της βλάστησης στις ορεινές περιοχές είναι η χειμερινή βόσκηση χορτονομής των ζώων (βοοειδή, πρόβατα και ελάφια) και η απομάκρυνση όλων των δέντρων από μια περιοχή που έχει επιλεγεί για συγκομιδή δασοκομίας παραγωγής. Μια ακόμη αιτία «γυμνού» εδάφους είναι η καλλιέργεια για ανανέωση βοσκοτόπων ή οι αροτραίες καλλιέργειες, με τα ζώα να βόσκουν μεταξύ των αμειψισπορών. Το «γυμνό» έδαφος που εκτίθεται από αυτές τις δραστηριότητες ποικίλλει ετησίως και εποχιακά σε τοποθεσία και χωρική έκταση. <br /> Στην παρούσα ανασκόπηση, αναπτύσσεται μια μέθοδος ανάλυσης δορυφορικών εικόνων χρονοσειράς για τη χαρτογράφηση αγροτεμαχίων αυτών των χρήσεων γης, επιτρέποντας έτσι την κάλυψη ευρείας περιοχής και την ευκολία ενημέρωσης, καθώς επίσης και ποσοτικοποίηση του «γυμνού» εδάφους για τη μοντελοποίηση της διάβρωσης του εδάφους. Η μοντελοποίηση απαιτεί χρονικά και χωρικά σαφή χαρτογράφηση αυτού του «γυμνού» εδάφους. Η χρονική ανάλυση προσδιορίζει τη χρήση γης μαζί με την περίοδο απομάκρυνσης της βλάστησης και παράγει αποτελέσματα ανά αγροτεμάχιο (σε διανυσματική μορφή) για χρήση σε πρόγραμμα Γεωγραφικού Συστήματος Πληροφοριών (GIS). Παρουσιάζεται μια περιγραφή της μεθόδου, εθνικοί χάρτες και στατιστικά στοιχεία της έκτασης του «γυμνού» εδάφους στη δασοκομία και της χειμερινής κτηνοτροφικής βοσκής της Νέας Ζηλανδίας το 2018 και μια αξιολόγηση της ακρίβειας. Τα χαρακτηριστικά των χαρτογραφημένων αγροτεμαχίων έχουν σχεδιαστεί για εισαγωγή σε ένα μοντέλο εκτίμησης της διάβρωσης του εδάφους (New Zealand Universal Soil Loss Equation, USLE).<br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> Η εθνική χαρτογράφηση απαιτεί μεγάλο όγκο δορυφορικών δεδομένων για πολυχρονική ανάλυση, επομένως όλη η επεξεργασία πραγματοποιήθηκε στις εγκαταστάσεις εθνικών υποδομών της NZ (National eScience Infrastructure (NeSI) High Performance Computing facilities).<br /> Αρχικά, επιτεύχθηκε προεπεξεργασία χρονοσειρών δορυφορικών εικόνων από τους δορυφόρους Sentinel-2A και 2B της Ευρωπαϊκής Υπηρεσίας Διαστήματος (ESA). Πραγματοποιήθηκε επεξεργασία των εικόνων από νέφη και άλλους παράγοντες που επηρεάζουν αρνητικά την απεικόνιση στις περιοχές μελέτης, δηλαδή σε γεωργικά χωράφια, δασικά τετράγωνα ή αγροτεμάχια με συνεπή διαχείριση ή καλλιέργεια, με την πάροδο του χρόνου. Μέσω του προγράμματος GIS, έγινε χαρτογράφηση δασικών πολυγώνων και ακολουθήθηκαν τα απαραίτητα βήματα επεξεργασίας για τον προσδιορισμό της κάλυψης γης και τον ποσοτικό προσδιορισμό του «γυμνού» εδάφους που είναι επιρρεπές στην επιφανειακή διάβρωση. Η βόσκηση των κτηνοτροφικών καλλιεργειών εκθέτει «γυμνό» το έδαφος, αφαιρώντας συχνά σχεδόν όλη τη βλάστηση, παρόλο που ενίοτε μπορεί να παραμείνουν οι ρίζες των φυτών. Στην ανάλυση δορυφορικών εικόνων, μια μέτρηση που χρησιμοποιείται συνήθως για την κάλυψη της βλάστησης είναι ο δείκτης βλάστησης (NDVI). Έχει χαμηλές τιμές τόσο για «γυμνό» έδαφος όσο και για νεκρή ή μη πράσινη (χωρίς χλωροφύλλη) βλάστηση. Μια επιλογή για τη διάκριση μεταξύ «γυμνού» εδάφους και μη πράσινης βλάστησης είναι να χρησιμοποιηθούν εναλλακτικοί δείκτες βλάστησης, που είναι πιο ευαίσθητοι στα υπολείμματα των καλλιεργειών, και μια δεύτερη είναι η φασματική ταξινόμηση ως διαφορετικές καλύψεις γης του «γυμνού» εδάφους και της νεκρής βλάστησης. Επιλέχθηκε το δεύτερο καθώς είναι πιο εύκολος ο προσδιορισμός των τύπων κτηνοτροφικών καλλιεργειών, βοσκοτόπων και δέντρων στη διαδικασία ταξινόμησης. Τέλος, πραγματοποιήθηκε αξιολόγηση ακρίβειας χαρτών «γυμνού» εδάφους. <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα συνοψίζονται στις Εικόνες 1 και 2.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Για πλαγιές λόφων 7ο ή περισσότερο, τα αποτελέσματα δείχνουν 47.177 εκτάρια χειμερινής χορτονομής «γυμνού» εδάφους το 2018, μαζί με 159.522 εκτάρια λόγω δασικών δραστηριοτήτων. Η ακρίβεια ήταν καλύτερη για τον δασικό χάρτη από τον χάρτη χειμερινών ζωοτροφών. Πιθανό αυτό να συμβαίνει επειδή οι κανόνες ταξινόμησης είναι απλούστεροι στη δασοκομία, ενώ η γεωργική ταξινόμηση απαιτούσε συγκεκριμένο προσδιορισμό της χειμερινής χορτονομής ως αιτίας του «γυμνού» εδάφους. Οι πιο σημαντικές κτηνοτροφικές καλλιέργειες (brassica και κτηνοτροφικά τεύτλα) είναι καλά ταξινομημένες. Οι περιοχές με την πλειονότητα των χειμερινών χορτονομών της Νέας Ζηλανδίας (Canterbury, Otago και Southland) έχουν, κατά μέσο όρο, την υψηλότερη ακρίβεια χαρτογράφησης. Η αυτοματοποιημένη μέθοδος ανάλυσης δορυφορικής εικόνας είναι ένας πρακτικός τρόπος για να ληφθούν χωρικά και χρονικά σαφή δεδομένα σχετικά με τη βλάστηση για τον παράγοντα C σε μοντέλα επιφανειακής διάβρωσης τύπου USLE. Η προσέγγιση αυτή στη χαρτογράφηση είναι ιδιαίτερα σημαντική για χρήσεις γης όπου υπάρχει υψηλή χρονική μεταβλητότητα στη βλάστηση, όπως η δασοκομία παραγωγής και η γεωργική καλλιέργεια.</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%C2%AB%CE%B3%CF%85%CE%BC%CE%BD%CE%BF%CF%8D%C2%BB_%CE%B5%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%B7_%CE%B3%CE%B5%CF%89%CF%81%CE%B3%CE%AF%CE%B1_... 2026-01-16T19:53:16Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div> [[category:Άγρια Μανιτάρια]]<br /> <br /> '''Δομικά χαρακτηριστικά που προκύπτουν από συνδυασμένα δεδομένα TLS και Landsat, υποστηρίζουν την πρόβλεψη αποδόσεων μανιταριών σε μεσογειακό δάσος.'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Stand Structural Characteristics Derived from Combined TLS and Landsat Data Support Predictions of Mushroom Yields in Mediterranean Forest<br /> <br /> '''Συγγραφείς:''' Raquel Martínez-Rodrigo, and Beatriz Águeda, Cristina Gómez, Astor Toraño-Caicoya, Luke Bohnhorst, Enno Uhl.<br /> <br /> '''Δημοσιεύθηκε:''' Οκτώβρης του 2022<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3390/rs14195025<br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα άγρια μανιτάρια αποτελούν σημαντικό δασικό προϊόν στη Μεσόγειο, με υψηλή οικονομική, οικολογική και κοινωνική αξία, αλλά η παραγωγή τους είναι χωρικά και χρονικά πολύ μεταβλητή και δύσκολο να προβλεφθεί. Η καρποφορία των μανιταριών επηρεάζεται από το κλίμα (ιδίως τις βροχοπτώσεις και τη θερμοκρασία), τα χαρακτηριστικά του εδάφους και, κυρίως, τη δομή και παραγωγικότητα του δάσους, δηλαδή την ποσότητα και κατανομή της βιομάζας. Προηγούμενες μελέτες έδειξαν συσχέτιση της μανιταροπαραγωγής με την πρωτογενή παραγωγικότητα (π.χ. NDVI)<br /> και με δείκτες υγρασίας εδάφους από δορυφόρους, όμως συχνά έλειπαν λεπτομερή δομικά δεδομένα για τη συστάδα.Ο συνδυασμός παθητικών οπτικών δεδομένων Landsat (πολυχρονικός NDVI ως δείκτης παραγωγικότητας) με λεπτομερή δομικά χαρακτηριστικά από κινητό Terrestrial Laser Scanning (TLS) μπορεί να βελτιώσει ουσιαστικά τα μοντέλα πρόβλεψης, γιατί αποτυπώνει ταυτόχρονα τόσο το «πόσο ζωντανό» είναι το δάσος όσο και το πώς είναι δομημένο στον χώρο. Οι στόχοι της έρευνας συνοψίζονται σε 3 μέρη: (i) να αξιολογήσουν τη δυνατότητα των πολυχρονικών μεταβλητών Landsat και των TLS δομικών χαρακτηριστικών να προβλέψουν τη συνολική παραγωγή μανιταριών σε μεσογειακά δάση Pinus pinaster, (ii) να διερευνήσουν αν η παραγωγική ικανότητα του δάσους, και ειδικότερα ο όγκος υπέργειας βιομάζας, καθορίζει την παραγωγή μανιταριών, και (iii) να συγκρίνουν αν οι παράγοντες που εξηγούν την συνολική παραγωγή είναι οι ίδιοι με εκείνους που ελέγχουν την παραγωγή του εμπορικά σημαντικού είδους Lactarius deliciosus. Με αυτό το πλαίσιο, η μελέτη συνδέει την τηλεπισκόπηση με τη διαχείριση μη ξυλωδών δασικών προϊόντων.<br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> Η περιοχή μελέτης βρίσκεται σε μεσογειακά δάση Pinus pinaster στην επαρχία Soria (Ισπανία), όπου υπάρχει πειραματικό δίκτυο δειγματοληπτικών επιφανειών με μακροχρόνια παρακολούθηση της παραγωγής μανιταριών. Σε κάθε επιφάνεια καταγράφηκαν εβδομαδιαία, για δέκα χρόνια (2012–2021), τα καρποσώματα όλων των ειδών μανιταριών: αριθμός, είδος και βιομάζα, δημιουργώντας χρονοσειρές ετήσιας παραγωγής τόσο για το σύνολο των ειδών όσο και ξεχωριστά για το Lactarius deliciosus. Παράλληλα χρησιμοποιήθηκαν κλιματικά δεδομένα δεκαετίας (βροχόπτωση και θερμοκρασία), με έμφαση στη φθινοπωρινή βροχόπτωση, γνωστό κλειδί για την καρποφορία. Η δομή του δάσους αποτυπώθηκε με κινητό TLS, από το οποίο εξήχθησαν μεταβλητές όπως πυκνότητα συστάδας (Stand Density Index, SDI), βασική επιφάνεια, όγκος υπέργειας βιομάζας και κάλυψη κόμης. Από πολυχρονικά δεδομένα Landsat υπολογίστηκε NDVI για διαφορετικές περιόδους, και χρησιμοποιήθηκε είτε ως απόλυτη τιμή είτε ως διαφορά (NDVIdiff) μεταξύ κρίσιμων φάσεων, ώστε να εκφράζει τη δυναμική της πρωτογενούς παραγωγικότητας. Στατιστικά, οι συγγραφείς χρησιμοποίησαν Generalized Additive Mixed Models (GAMMs), που επιτρέπουν μη γραμμικές σχέσεις και τυχαίες επιδράσεις, με μεταβλητές προβλέψεως το κλίμα, τη δομή του δάσους και τον NDVI, και απόκριση την ετήσια βιομάζα μανιταριών ανά επιφάνεια. Δημιουργήθηκαν δύο χωριστά μοντέλα: ένα για τη συνολική παραγωγή όλων των ειδών και ένα για το Lactarius deliciosus.<br /> Τα αποτελέσματα συνοψίζονται στις Εικόνες 1 και 2.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα έδειξαν ότι και για τη συνολική παραγωγή μανιταριών και για το Lactarius deliciosus οι σχέσεις με τους περιβαλλοντικούς παράγοντες είναι έντονα μη γραμμικές, κάτι που αποτυπώνεται στις υψηλές τιμές effective degrees of freedom των GAMM. Η φθινοπωρινή βροχόπτωση (Precautumn) πάνω από ένα κατώφλι περίπου 150 mm συνδέθηκε με σαφή αύξηση της παραγωγής, ενώ κάτω από αυτό το όριο δεν παρατηρήθηκε θετική επίδραση, υποδεικνύοντας μια κατώφλιακή συμπεριφορά στο νερό που απαιτείται για καρποφορία. Ο δείκτης πυκνότητας συστάδας SDI εμφάνισε βέλτιστο διάστημα μεταξύ ~1000–1200: σε αυτές τις τιμές οι αποδόσεις ήταν μέγιστες, ενώ σε χαμηλότερες ή πολύ υψηλές πυκνότητες η παραγωγή μειωνόταν, πιθανόν λόγω έλλειψης, αντίστοιχα, συμβιωτικών ριζών ή υπερβολικού ανταγωνισμού. Ιδιαίτερα σημαντική ήταν η αλληλεπίδραση του όγκου βιομάζας με τον NDVIdiff: μεγαλύτερος όγκος και υψηλότερη πρωτογενής παραγωγικότητα συνδέθηκαν με αυξημένη παραγωγή μανιταριών, επιβεβαιώνοντας ότι τα μανιτάρια εξαρτώνται από την ενεργή, παραγωγική βλάστηση του δάσους. Επιπλέον, η αλληλεπίδραση κάλυψης κόμης και ελάχιστης θερμοκρασίας έδειξε ότι υψηλότερη κάλυψη, σε συνδυασμό με πιο ήπιες ελάχιστες θερμοκρασίες φθινοπώρου, ευνοεί τις αποδόσεις, πιθανώς μέσω καλύτερου μικροκλίματος και υγρασίας εδάφους. Το μοντέλο για το L. deliciosus είχε μικρότερο R2 (~0,3) αλλά παρόμοια μοτίβα, υποδεικνύοντας ότι το είδος ανταποκρίνεται σε παρόμοιους, αλλά πιο στενούς, οικολογικούς περιορισμούς.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Ο συνδυασμός δομικών χαρακτηριστικών συστάδας από TLS με πολυχρονικά δεδομένα NDVI από Landsat βελτιώνει ουσιαστικά την κατανόηση και πρόβλεψη της παραγωγής άγριων μανιταριών σε μεσογειακά πευκοδάση. Η φθινοπωρινή βροχόπτωση παραμένει βασικός οδηγός καρποφορίας, αλλά η παραγωγή δεν εξαρτάται μόνο από το κλίμα· εξαρτάται επίσης από τη δομή του δάσους (πυκνότητα, βιομάζα, κάλυψη κόμης) και την πρωτογενή παραγωγικότητα, που μπορούν πλέον να εκτιμηθούν σε μεγάλη κλίμακα με τηλεπισκόπηση. Έτσι, τα μανιτάρια μπορούν να θεωρηθούν δείκτες της λειτουργικής κατάστασης και παραγωγικής ικανότητας του δασικού οικοσυστήματος, και τα μοντέλα που βασίζονται σε TLS + Landsat προσφέρουν ρεαλιστικά εργαλεία για χωρικό σχεδιασμό της συλλογής, εκτίμηση αποδόσεων και υποστήριξη πολιτικών για μη ξυλώδη δασικά προϊόντα. Οι συγγραφείς επισημαίνουν ότι η προσέγγιση είναι επεκτάσιμη: με αντίστοιχο συνδυασμό ενεργών (LiDAR) και παθητικών (οπτικών/NDVI) δεδομένων μπορεί να εφαρμοστεί σε άλλα είδη μανιταριών και σε άλλα δασικά συστήματα. Τέλος, προτείνεται ότι η ενσωμάτωση αυτού του τύπου τηλεπισκοπικών μοντέλων στη δασική διαχείριση θα ενισχύσει τόσο την οικονομική αξιοποίηση όσο και τη διατήρηση της βιοποικιλότητας, καθώς θα προσφέρει αντικειμενική πληροφόρηση για την παραγωγή άγριων μανιταριών σε βάθος χρόνου.</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CF%83%CF%89%CE%BC%CE%B1%CF%84%CF%8E%CE%BD%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CE%B5_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AC_%CE%BF%CE%B9%CE%BA%CE%BF%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1:_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_QGIS_%CF%83%CF%84%CE%B7_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD. 2026-01-12T09:23:26Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div> [[category:Δάση και ημι-φυσικές περιοχές]]<br /> '''Ενσωματώνοντας την επιστήμη της τηλεπισκόπησης σε δασικά οικοσυστήματα: Χρήση του QGIS στη χαρτογράφηση και παρακολούθηση δασών.'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Toward a Collaborative Framework: Integrating Remote Sensing Research with Forestry Practice<br /> <br /> '''Συγγραφείς:''' Lars T. Waser , Nataliia Rehush, Hannes Horneber, Raffael Bienz, Krzysztof Stereńczak, Mirela Beloiu Schwenke.<br /> <br /> '''Δημοσιεύθηκε:''' Μάιος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3929/ethz-b-000742242<br /> <br /> '''Εισαγωγή'''<br /> <br /> Υπάρχει αυξανόμενη ζήτηση, τόσο στην έρευνα όσο και στις πρακτικές εφαρμογές, για οικονομικά αποδοτικά, ακριβή, επίκαιρα και σταθερά διαθέσιμα δεδομένα (χάρτες) σχετικά με βασικά χαρακτηριστικά των δασών, όπως η σύνθεση των ειδών δέντρων, ο όγκος των κορμών, οι διαταραχές και η θνησιμότητα των δέντρων. Οι δασολόγοι συχνά αντιμετωπίζουν δυσκολίες λόγω της έλλειψης ποιοτικής, επικαιροποιημένης και χωρίς σφάλματα πληροφόρησης για την κατάσταση των δασών. Μετά από 40 χρόνια ανάπτυξης δασικών προϊόντων βασισμένων στην τηλεπισκόπηση, εντοπίζουμε τρία ζητήματα: 1) η υιοθέτησή τους από τους επαγγελματίες της δασοπονίας παραμένει διστακτική, 2) η ορθή, σύμφωνα με τον αρχικό σκοπό, χρήση τους δεν διασφαλίζεται πάντα και 3) τα προϊόντα υπολείπονται των προσδοκιών των χρηστών όσον αφορά το περιεχόμενο της πληροφορίας, την ακρίβεια και τη συχνότητα επικαιροποίησης. Παρ’ όλα αυτά, οι πρακτικές δασικές εκτιμήσεις βασίζονται γενικά στη συνολική σύνθεση των ειδών δέντρων μιας συστάδας και όχι μόνο στο ανώτερο στρώμα της κόμης. Ο κύριος λόγος γι’ αυτό το χάσμα είναι η ανεπαρκής επικοινωνία και συνεργασία μεταξύ της επιστημονικής κοινότητας και των εμπλεκόμενων φορέων. Το έργο αυτό ευθυγραμμίζεται με τη Δασική Στρατηγική της ΕΕ για τη βελτίωση της προστασίας, αποκατάστασης και ανθεκτικότητας των ευρωπαϊκών δασών, βοηθώντας τους δασολόγους να διαχειρίζονται τα δάση τους πιο αποτελεσματικά με οικονομικά αποδοτικά, απλά και ισχυρά εργαλεία τηλεπισκόπησης.<br /> <br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> • Δεδομένα: Χρησιμοποιούνται δορυφορικά δεδομένα (Sentinel-2, Landsat κ.ά.), υφιστάμενοι θεματικοί χάρτες (π.χ. όρια δασών, οδικό δίκτυο), καθώς και επιλεγμένα δεδομένα πεδίου για έλεγχο και επικύρωση.<br /> <br /> • Περιβάλλον εργασίας: Όλη η επεξεργασία γίνεται σε QGIS, με χρήση ενσωματωμένων εργαλείων raster–vector, plugin για λήψη/προεπεξεργασία δεδομένων και, όπου χρειάζεται, σύνδεση με εξωτερικά scripts (π.χ. Python, R).<br /> <br /> <br /> '''Βήματα Επεξεργασίας'''<br /> <br /> • Εισαγωγή εικόνων Sentinel-2/Landsat, γεωαναφορά και οργάνωση σε QGIS project.<br /> <br /> • Προεπεξεργασία (π.χ. διορθώσεις, δημιουργία μωσαϊκών, αποκοπή στην περιοχή ενδιαφέροντος).<br /> <br /> • Υπολογισμός δεικτών βλάστησης (NDVI, κ.λπ.) και άλλων παραγώγων raster.<br /> <br /> • Εποπτευόμενη ταξινόμηση ή/και κανόνες ταξινόμησης για δημιουργία χαρτών<br /> κάλυψης/τύπων δάσους.<br /> <br /> • Ανίχνευση αλλαγών μεταξύ διαφορετικών χρονολογιών (change detection) με σύγκριση χαρτών ή δεικτών.<br /> <br /> • Σύνθεση θεματικών χαρτών, layout, και εξαγωγή σε μορφές κατάλληλες για διαχειριστές (PDF, WebGIS κ.λπ.).<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> • Παράγονται λειτουργικοί χάρτες δασικής κάλυψης, τύπων δάσους και αλλαγών (π.χ. αποψιλώσεις, καμένες εκτάσεις) που έχουν επαρκή ακρίβεια για επιχειρησιακή χρήση από δασικές υπηρεσίες.<br /> <br /> • Δείχνεται ότι μεγάλα σύνολα δορυφορικών δεδομένων μπορούν να διαχειριστούν σε QGIS χωρίς ακριβό λογισμικό, με σχετικά απλά workflows που μπορούν να επαναχρησιμοποιηθούν (project templates, μοντέλα στο Model Builder).<br /> <br /> • Η συνεργασία ερευνητών–διαχειριστών βελτιώνεται: οι ερευνητές μετατρέπουν πολύπλοκες μεθόδους σε πρακτικά «εργαλεία» μέσα στο QGIS (π.χ. έτοιμες ροές εργασίας, plugins, προτυποποιημένα στυλ χαρτών), ενώ οι διαχειριστές αποκτούν πιο άμεση πρόσβαση σε χάρτες υψηλής πληροφορίας.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι το QGIS μπορεί να λειτουργήσει ως «γέφυρα» ανάμεσα στην προηγμένη τηλεπισκόπηση και την καθημερινή δασική πρακτική, επειδή συνδυάζει δωρεάν πρόσβαση, μεγάλη κοινότητα και δυνατότητα ενσωμάτωσης νέων μεθόδων (plugins, scripts). Τονίζεται πως, με σωστή καθοδήγηση (τεκμηρίωση, έτοιμα workflows, εκπαίδευση), ακόμη και μη ειδικοί στην τηλεπισκόπηση μπορούν να χρησιμοποιήσουν δορυφορικά δεδομένα για να εντοπίζουν διαταραχές, να παρακολουθούν την εξέλιξη του δάσους και να τεκμηριώνουν τις διαχειριστικές τους αποφάσεις. Τέλος, προτείνεται η περαιτέρω ανάπτυξη εξειδικευμένων εργαλείων/προσθέτων στο QGIS για συγκεκριμένα δασικά ζητήματα (π.χ. πυρκαγιές, βιομάζα,δασικά προϊόντα), ώστε η προσέγγιση να επεκταθεί και σε άλλα πλαίσια και χώρες.<br /> <br /> [[Αρχείο:1forest.png|thumb|right|'''Εικόνα''': Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυση. Παρότι οι κόμες είναι καθαρά ορατές σε εικόνες υψηλής ανάλυσης (τρεις επάνω εικόνες), η ορατότητά τους μειώνεται σε χαμηλότερες χωρικές αναλύσεις και γίνεται μη αναγνωρίσιμη, όπως στο Sentinel-2.© LWF 2025, πηγή:https://www.lwf.bayern.de/informationstechnologie/fernerkund ung/345521/index.php]]<br /> <br /> [[category:ΔΠΜΣ ]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CF%83%CF%89%CE%BC%CE%B1%CF%84%CF%8E%CE%BD%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CE%B5_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AC_%CE%BF%CE%B9%CE%BA%CE%BF%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1:_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_QGIS_%CF%83%CF%84%CE%B7_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD. 2026-01-12T09:22:00Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div> [[category:Δάση και ημι-φυσικές περιοχές]]<br /> '''Ενσωματώνοντας την επιστήμη της τηλεπισκόπησης σε δασικά οικοσυστήματα: Χρήση του QGIS στη χαρτογράφηση και παρακολούθηση δασών.'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Toward a Collaborative Framework: Integrating Remote Sensing Research with Forestry Practice<br /> <br /> '''Συγγραφείς:''' Lars T. Waser , Nataliia Rehush, Hannes Horneber, Raffael Bienz, Krzysztof Stereńczak, Mirela Beloiu Schwenke.<br /> <br /> '''Δημοσιεύθηκε:''' Μάιος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3929/ethz-b-000742242<br /> <br /> '''Εισαγωγή'''<br /> <br /> Υπάρχει αυξανόμενη ζήτηση, τόσο στην έρευνα όσο και στις πρακτικές εφαρμογές, για οικονομικά αποδοτικά, ακριβή, επίκαιρα και σταθερά διαθέσιμα δεδομένα (χάρτες) σχετικά με βασικά χαρακτηριστικά των δασών, όπως η σύνθεση των ειδών δέντρων, ο όγκος των κορμών, οι διαταραχές και η θνησιμότητα των δέντρων. Οι δασολόγοι συχνά αντιμετωπίζουν δυσκολίες λόγω της έλλειψης ποιοτικής, επικαιροποιημένης και χωρίς σφάλματα πληροφόρησης για την κατάσταση των δασών. Μετά από 40 χρόνια ανάπτυξης δασικών προϊόντων βασισμένων στην τηλεπισκόπηση, εντοπίζουμε τρία ζητήματα: 1) η υιοθέτησή τους από τους επαγγελματίες της δασοπονίας παραμένει διστακτική, 2) η ορθή, σύμφωνα με τον αρχικό σκοπό, χρήση τους δεν διασφαλίζεται πάντα και 3) τα προϊόντα υπολείπονται των προσδοκιών των χρηστών όσον αφορά το περιεχόμενο της πληροφορίας, την ακρίβεια και τη συχνότητα επικαιροποίησης. Παρ’ όλα αυτά, οι πρακτικές δασικές εκτιμήσεις βασίζονται γενικά στη συνολική σύνθεση των ειδών δέντρων μιας συστάδας και όχι μόνο στο ανώτερο στρώμα της κόμης. Ο κύριος λόγος γι’ αυτό το χάσμα είναι η ανεπαρκής επικοινωνία και συνεργασία μεταξύ της επιστημονικής κοινότητας και των εμπλεκόμενων φορέων. Το έργο αυτό ευθυγραμμίζεται με τη Δασική Στρατηγική της ΕΕ για τη βελτίωση της προστασίας, αποκατάστασης και ανθεκτικότητας των ευρωπαϊκών δασών, βοηθώντας τους δασολόγους να διαχειρίζονται τα δάση τους πιο αποτελεσματικά με οικονομικά αποδοτικά, απλά και ισχυρά εργαλεία τηλεπισκόπησης.<br /> <br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> • Δεδομένα: Χρησιμοποιούνται δορυφορικά δεδομένα (Sentinel-2, Landsat κ.ά.), υφιστάμενοι θεματικοί χάρτες (π.χ. όρια δασών, οδικό δίκτυο), καθώς και επιλεγμένα δεδομένα πεδίου για έλεγχο και επικύρωση.<br /> <br /> • Περιβάλλον εργασίας: Όλη η επεξεργασία γίνεται σε QGIS, με χρήση ενσωματωμένων εργαλείων raster–vector, plugin για λήψη/προεπεξεργασία δεδομένων και, όπου χρειάζεται, σύνδεση με εξωτερικά scripts (π.χ. Python, R).<br /> <br /> <br /> '''Βήματα Επεξεργασίας'''<br /> <br /> • Εισαγωγή εικόνων Sentinel-2/Landsat, γεωαναφορά και οργάνωση σε QGIS project.<br /> <br /> • Προεπεξεργασία (π.χ. διορθώσεις, δημιουργία μωσαϊκών, αποκοπή στην περιοχή ενδιαφέροντος).<br /> <br /> • Υπολογισμός δεικτών βλάστησης (NDVI, κ.λπ.) και άλλων παραγώγων raster.<br /> <br /> • Εποπτευόμενη ταξινόμηση ή/και κανόνες ταξινόμησης για δημιουργία χαρτών<br /> κάλυψης/τύπων δάσους.<br /> <br /> • Ανίχνευση αλλαγών μεταξύ διαφορετικών χρονολογιών (change detection) με σύγκριση χαρτών ή δεικτών.<br /> <br /> • Σύνθεση θεματικών χαρτών, layout, και εξαγωγή σε μορφές κατάλληλες για διαχειριστές (PDF, WebGIS κ.λπ.).<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> • Παράγονται λειτουργικοί χάρτες δασικής κάλυψης, τύπων δάσους και αλλαγών (π.χ. αποψιλώσεις, καμένες εκτάσεις) που έχουν επαρκή ακρίβεια για επιχειρησιακή χρήση από δασικές υπηρεσίες.<br /> <br /> • Δείχνεται ότι μεγάλα σύνολα δορυφορικών δεδομένων μπορούν να διαχειριστούν σε QGIS χωρίς ακριβό λογισμικό, με σχετικά απλά workflows που μπορούν να επαναχρησιμοποιηθούν (project templates, μοντέλα στο Model Builder).<br /> <br /> • Η συνεργασία ερευνητών–διαχειριστών βελτιώνεται: οι ερευνητές μετατρέπουν πολύπλοκες μεθόδους σε πρακτικά «εργαλεία» μέσα στο QGIS (π.χ. έτοιμες ροές εργασίας, plugins, προτυποποιημένα στυλ χαρτών), ενώ οι διαχειριστές αποκτούν πιο άμεση πρόσβαση σε χάρτες υψηλής πληροφορίας.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι το QGIS μπορεί να λειτουργήσει ως «γέφυρα» ανάμεσα στην προηγμένη τηλεπισκόπηση και την καθημερινή δασική πρακτική, επειδή συνδυάζει δωρεάν πρόσβαση, μεγάλη κοινότητα και δυνατότητα ενσωμάτωσης νέων μεθόδων (plugins, scripts). Τονίζεται πως, με σωστή καθοδήγηση (τεκμηρίωση, έτοιμα workflows, εκπαίδευση), ακόμη και μη ειδικοί στην τηλεπισκόπηση μπορούν να χρησιμοποιήσουν δορυφορικά δεδομένα για να εντοπίζουν διαταραχές, να παρακολουθούν την εξέλιξη του δάσους και να τεκμηριώνουν τις διαχειριστικές τους αποφάσεις. Τέλος, προτείνεται η περαιτέρω ανάπτυξη εξειδικευμένων εργαλείων/προσθέτων στο QGIS για συγκεκριμένα δασικά ζητήματα (π.χ. πυρκαγιές, βιομάζα,δασικά προϊόντα), ώστε η προσέγγιση να επεκταθεί και σε άλλα πλαίσια και χώρες.<br /> <br /> [ [Αρχείο: 1forest.png | thumb | right | Εικόνα: Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυση. Παρότι οι κόμες είναι καθαρά ορατές σε εικόνες υψηλής ανάλυσης (τρεις επάνω εικόνες), η ορατότητά τους μειώνεται σε χαμηλότερες χωρικές αναλύσεις και γίνεται μη αναγνωρίσιμη, όπως στο Sentinel-2.© LWF 2025, πηγή:https://www.lwf.bayern.de/informationstechnologie/fernerkund ung/345521/index.php ] ]<br /> <br /> [[category:ΔΠΜΣ ]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CF%83%CF%89%CE%BC%CE%B1%CF%84%CF%8E%CE%BD%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CE%B5_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AC_%CE%BF%CE%B9%CE%BA%CE%BF%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1:_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_QGIS_%CF%83%CF%84%CE%B7_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD. 2026-01-12T09:21:31Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div> [[category:Δάση και ημι-φυσικές περιοχές]]<br /> '''Ενσωματώνοντας την επιστήμη της τηλεπισκόπησης σε δασικά οικοσυστήματα: Χρήση του QGIS στη χαρτογράφηση και παρακολούθηση δασών.'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Toward a Collaborative Framework: Integrating Remote Sensing Research with Forestry Practice<br /> <br /> '''Συγγραφείς:''' Lars T. Waser , Nataliia Rehush, Hannes Horneber, Raffael Bienz, Krzysztof Stereńczak, Mirela Beloiu Schwenke.<br /> <br /> '''Δημοσιεύθηκε:''' Μάιος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3929/ethz-b-000742242<br /> <br /> '''Εισαγωγή'''<br /> <br /> Υπάρχει αυξανόμενη ζήτηση, τόσο στην έρευνα όσο και στις πρακτικές εφαρμογές, για οικονομικά αποδοτικά, ακριβή, επίκαιρα και σταθερά διαθέσιμα δεδομένα (χάρτες) σχετικά με βασικά χαρακτηριστικά των δασών, όπως η σύνθεση των ειδών δέντρων, ο όγκος των κορμών, οι διαταραχές και η θνησιμότητα των δέντρων. Οι δασολόγοι συχνά αντιμετωπίζουν δυσκολίες λόγω της έλλειψης ποιοτικής, επικαιροποιημένης και χωρίς σφάλματα πληροφόρησης για την κατάσταση των δασών. Μετά από 40 χρόνια ανάπτυξης δασικών προϊόντων βασισμένων στην τηλεπισκόπηση, εντοπίζουμε τρία ζητήματα: 1) η υιοθέτησή τους από τους επαγγελματίες της δασοπονίας παραμένει διστακτική, 2) η ορθή, σύμφωνα με τον αρχικό σκοπό, χρήση τους δεν διασφαλίζεται πάντα και 3) τα προϊόντα υπολείπονται των προσδοκιών των χρηστών όσον αφορά το περιεχόμενο της πληροφορίας, την ακρίβεια και τη συχνότητα επικαιροποίησης. Παρ’ όλα αυτά, οι πρακτικές δασικές εκτιμήσεις βασίζονται γενικά στη συνολική σύνθεση των ειδών δέντρων μιας συστάδας και όχι μόνο στο ανώτερο στρώμα της κόμης. Ο κύριος λόγος γι’ αυτό το χάσμα είναι η ανεπαρκής επικοινωνία και συνεργασία μεταξύ της επιστημονικής κοινότητας και των εμπλεκόμενων φορέων. Το έργο αυτό ευθυγραμμίζεται με τη Δασική Στρατηγική της ΕΕ για τη βελτίωση της προστασίας, αποκατάστασης και ανθεκτικότητας των ευρωπαϊκών δασών, βοηθώντας τους δασολόγους να διαχειρίζονται τα δάση τους πιο αποτελεσματικά με οικονομικά αποδοτικά, απλά και ισχυρά εργαλεία τηλεπισκόπησης.<br /> <br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> • Δεδομένα: Χρησιμοποιούνται δορυφορικά δεδομένα (Sentinel-2, Landsat κ.ά.), υφιστάμενοι θεματικοί χάρτες (π.χ. όρια δασών, οδικό δίκτυο), καθώς και επιλεγμένα δεδομένα πεδίου για έλεγχο και επικύρωση.<br /> <br /> • Περιβάλλον εργασίας: Όλη η επεξεργασία γίνεται σε QGIS, με χρήση ενσωματωμένων εργαλείων raster–vector, plugin για λήψη/προεπεξεργασία δεδομένων και, όπου χρειάζεται, σύνδεση με εξωτερικά scripts (π.χ. Python, R).<br /> <br /> <br /> '''Βήματα Επεξεργασίας'''<br /> <br /> • Εισαγωγή εικόνων Sentinel-2/Landsat, γεωαναφορά και οργάνωση σε QGIS project.<br /> <br /> • Προεπεξεργασία (π.χ. διορθώσεις, δημιουργία μωσαϊκών, αποκοπή στην περιοχή ενδιαφέροντος).<br /> <br /> • Υπολογισμός δεικτών βλάστησης (NDVI, κ.λπ.) και άλλων παραγώγων raster.<br /> <br /> • Εποπτευόμενη ταξινόμηση ή/και κανόνες ταξινόμησης για δημιουργία χαρτών<br /> κάλυψης/τύπων δάσους.<br /> <br /> • Ανίχνευση αλλαγών μεταξύ διαφορετικών χρονολογιών (change detection) με σύγκριση χαρτών ή δεικτών.<br /> <br /> • Σύνθεση θεματικών χαρτών, layout, και εξαγωγή σε μορφές κατάλληλες για διαχειριστές (PDF, WebGIS κ.λπ.).<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> • Παράγονται λειτουργικοί χάρτες δασικής κάλυψης, τύπων δάσους και αλλαγών (π.χ. αποψιλώσεις, καμένες εκτάσεις) που έχουν επαρκή ακρίβεια για επιχειρησιακή χρήση από δασικές υπηρεσίες.<br /> <br /> • Δείχνεται ότι μεγάλα σύνολα δορυφορικών δεδομένων μπορούν να διαχειριστούν σε QGIS χωρίς ακριβό λογισμικό, με σχετικά απλά workflows που μπορούν να επαναχρησιμοποιηθούν (project templates, μοντέλα στο Model Builder).<br /> <br /> • Η συνεργασία ερευνητών–διαχειριστών βελτιώνεται: οι ερευνητές μετατρέπουν πολύπλοκες μεθόδους σε πρακτικά «εργαλεία» μέσα στο QGIS (π.χ. έτοιμες ροές εργασίας, plugins, προτυποποιημένα στυλ χαρτών), ενώ οι διαχειριστές αποκτούν πιο άμεση πρόσβαση σε χάρτες υψηλής πληροφορίας.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι το QGIS μπορεί να λειτουργήσει ως «γέφυρα» ανάμεσα στην προηγμένη τηλεπισκόπηση και την καθημερινή δασική πρακτική, επειδή συνδυάζει δωρεάν πρόσβαση, μεγάλη κοινότητα και δυνατότητα ενσωμάτωσης νέων μεθόδων (plugins, scripts). Τονίζεται πως, με σωστή καθοδήγηση (τεκμηρίωση, έτοιμα workflows, εκπαίδευση), ακόμη και μη ειδικοί στην τηλεπισκόπηση μπορούν να χρησιμοποιήσουν δορυφορικά δεδομένα για να εντοπίζουν διαταραχές, να παρακολουθούν την εξέλιξη του δάσους και να τεκμηριώνουν τις διαχειριστικές τους αποφάσεις. Τέλος, προτείνεται η περαιτέρω ανάπτυξη εξειδικευμένων εργαλείων/προσθέτων στο QGIS για συγκεκριμένα δασικά ζητήματα (π.χ. πυρκαγιές, βιομάζα,δασικά προϊόντα), ώστε η προσέγγιση να επεκταθεί και σε άλλα πλαίσια και χώρες.<br /> <br /> [ [Αρχείο: Εικόνα: 1forest.png | thumb | right | Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυση. Παρότι οι κόμες είναι καθαρά ορατές σε εικόνες υψηλής ανάλυσης (τρεις επάνω εικόνες), η ορατότητά τους μειώνεται σε χαμηλότερες χωρικές αναλύσεις και γίνεται μη αναγνωρίσιμη, όπως στο Sentinel-2.© LWF 2025, πηγή:https://www.lwf.bayern.de/informationstechnologie/fernerkund ung/345521/index.php ] ]<br /> <br /> [[category:ΔΠΜΣ ]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CF%83%CF%89%CE%BC%CE%B1%CF%84%CF%8E%CE%BD%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CE%B5_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AC_%CE%BF%CE%B9%CE%BA%CE%BF%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1:_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_QGIS_%CF%83%CF%84%CE%B7_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD. 2026-01-11T19:41:45Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div> [[category:Δάση και ημι-φυσικές περιοχές]]<br /> '''Ενσωματώνοντας την επιστήμη της τηλεπισκόπησης σε δασικά οικοσυστήματα: Χρήση του QGIS στη χαρτογράφηση και παρακολούθηση δασών.'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Toward a Collaborative Framework: Integrating Remote Sensing Research with Forestry Practice<br /> <br /> '''Συγγραφείς:''' Lars T. Waser , Nataliia Rehush, Hannes Horneber, Raffael Bienz, Krzysztof Stereńczak, Mirela Beloiu Schwenke.<br /> <br /> '''Δημοσιεύθηκε:''' Μάιος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3929/ethz-b-000742242<br /> <br /> '''Εισαγωγή'''<br /> <br /> Υπάρχει αυξανόμενη ζήτηση, τόσο στην έρευνα όσο και στις πρακτικές εφαρμογές, για οικονομικά αποδοτικά, ακριβή, επίκαιρα και σταθερά διαθέσιμα δεδομένα (χάρτες) σχετικά με βασικά χαρακτηριστικά των δασών, όπως η σύνθεση των ειδών δέντρων, ο όγκος των κορμών, οι διαταραχές και η θνησιμότητα των δέντρων. Οι δασολόγοι συχνά αντιμετωπίζουν δυσκολίες λόγω της έλλειψης ποιοτικής, επικαιροποιημένης και χωρίς σφάλματα πληροφόρησης για την κατάσταση των δασών. Μετά από 40 χρόνια ανάπτυξης δασικών προϊόντων βασισμένων στην τηλεπισκόπηση, εντοπίζουμε τρία ζητήματα: 1) η υιοθέτησή τους από τους επαγγελματίες της δασοπονίας παραμένει διστακτική, 2) η ορθή, σύμφωνα με τον αρχικό σκοπό, χρήση τους δεν διασφαλίζεται πάντα και 3) τα προϊόντα υπολείπονται των προσδοκιών των χρηστών όσον αφορά το περιεχόμενο της πληροφορίας, την ακρίβεια και τη συχνότητα επικαιροποίησης. Παρ’ όλα αυτά, οι πρακτικές δασικές εκτιμήσεις βασίζονται γενικά στη συνολική σύνθεση των ειδών δέντρων μιας συστάδας και όχι μόνο στο ανώτερο στρώμα της κόμης. Ο κύριος λόγος γι’ αυτό το χάσμα είναι η ανεπαρκής επικοινωνία και συνεργασία μεταξύ της επιστημονικής κοινότητας και των εμπλεκόμενων φορέων. Το έργο αυτό ευθυγραμμίζεται με τη Δασική Στρατηγική της ΕΕ για τη βελτίωση της προστασίας, αποκατάστασης και ανθεκτικότητας των ευρωπαϊκών δασών, βοηθώντας τους δασολόγους να διαχειρίζονται τα δάση τους πιο αποτελεσματικά με οικονομικά αποδοτικά, απλά και ισχυρά εργαλεία τηλεπισκόπησης.<br /> <br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> • Δεδομένα: Χρησιμοποιούνται δορυφορικά δεδομένα (Sentinel-2, Landsat κ.ά.), υφιστάμενοι θεματικοί χάρτες (π.χ. όρια δασών, οδικό δίκτυο), καθώς και επιλεγμένα δεδομένα πεδίου για έλεγχο και επικύρωση.<br /> <br /> • Περιβάλλον εργασίας: Όλη η επεξεργασία γίνεται σε QGIS, με χρήση ενσωματωμένων εργαλείων raster–vector, plugin για λήψη/προεπεξεργασία δεδομένων και, όπου χρειάζεται, σύνδεση με εξωτερικά scripts (π.χ. Python, R).<br /> <br /> <br /> '''Βήματα Επεξεργασίας'''<br /> <br /> • Εισαγωγή εικόνων Sentinel-2/Landsat, γεωαναφορά και οργάνωση σε QGIS project.<br /> <br /> • Προεπεξεργασία (π.χ. διορθώσεις, δημιουργία μωσαϊκών, αποκοπή στην περιοχή ενδιαφέροντος).<br /> <br /> • Υπολογισμός δεικτών βλάστησης (NDVI, κ.λπ.) και άλλων παραγώγων raster.<br /> <br /> • Εποπτευόμενη ταξινόμηση ή/και κανόνες ταξινόμησης για δημιουργία χαρτών<br /> κάλυψης/τύπων δάσους.<br /> <br /> • Ανίχνευση αλλαγών μεταξύ διαφορετικών χρονολογιών (change detection) με σύγκριση χαρτών ή δεικτών.<br /> <br /> • Σύνθεση θεματικών χαρτών, layout, και εξαγωγή σε μορφές κατάλληλες για διαχειριστές (PDF, WebGIS κ.λπ.).<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> • Παράγονται λειτουργικοί χάρτες δασικής κάλυψης, τύπων δάσους και αλλαγών (π.χ. αποψιλώσεις, καμένες εκτάσεις) που έχουν επαρκή ακρίβεια για επιχειρησιακή χρήση από δασικές υπηρεσίες.<br /> <br /> • Δείχνεται ότι μεγάλα σύνολα δορυφορικών δεδομένων μπορούν να διαχειριστούν σε QGIS χωρίς ακριβό λογισμικό, με σχετικά απλά workflows που μπορούν να επαναχρησιμοποιηθούν (project templates, μοντέλα στο Model Builder).<br /> <br /> • Η συνεργασία ερευνητών–διαχειριστών βελτιώνεται: οι ερευνητές μετατρέπουν πολύπλοκες μεθόδους σε πρακτικά «εργαλεία» μέσα στο QGIS (π.χ. έτοιμες ροές εργασίας, plugins, προτυποποιημένα στυλ χαρτών), ενώ οι διαχειριστές αποκτούν πιο άμεση πρόσβαση σε χάρτες υψηλής πληροφορίας.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι το QGIS μπορεί να λειτουργήσει ως «γέφυρα» ανάμεσα στην προηγμένη τηλεπισκόπηση και την καθημερινή δασική πρακτική, επειδή συνδυάζει δωρεάν πρόσβαση, μεγάλη κοινότητα και δυνατότητα ενσωμάτωσης νέων μεθόδων (plugins, scripts). Τονίζεται πως, με σωστή καθοδήγηση (τεκμηρίωση, έτοιμα workflows, εκπαίδευση), ακόμη και μη ειδικοί στην τηλεπισκόπηση μπορούν να χρησιμοποιήσουν δορυφορικά δεδομένα για να εντοπίζουν διαταραχές, να παρακολουθούν την εξέλιξη του δάσους και να τεκμηριώνουν τις διαχειριστικές τους αποφάσεις. Τέλος, προτείνεται η περαιτέρω ανάπτυξη εξειδικευμένων εργαλείων/προσθέτων στο QGIS για συγκεκριμένα δασικά ζητήματα (π.χ. πυρκαγιές, βιομάζα,δασικά προϊόντα), ώστε η προσέγγιση να επεκταθεί και σε άλλα πλαίσια και χώρες.<br /> <br /> [ [ Εικόνα: 1forest.png | thumb | right | Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυση. Παρότι οι κόμες είναι καθαρά ορατές σε εικόνες υψηλής ανάλυσης (τρεις επάνω εικόνες), η ορατότητά τους μειώνεται σε χαμηλότερες χωρικές αναλύσεις και γίνεται μη αναγνωρίσιμη, όπως στο Sentinel-2.© LWF 2025, πηγή:https://www.lwf.bayern.de/informationstechnologie/fernerkund ung/345521/index.php ] ]<br /> <br /> [[category:ΔΠΜΣ ]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CF%83%CF%89%CE%BC%CE%B1%CF%84%CF%8E%CE%BD%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CE%B5_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AC_%CE%BF%CE%B9%CE%BA%CE%BF%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1:_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_QGIS_%CF%83%CF%84%CE%B7_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD. 2026-01-11T19:40:13Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div> [[category:Δάση και ημι-φυσικές περιοχές]]<br /> '''Ενσωματώνοντας την επιστήμη της τηλεπισκόπησης σε δασικά οικοσυστήματα: Χρήση του QGIS στη χαρτογράφηση και παρακολούθηση δασών.'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Toward a Collaborative Framework: Integrating Remote Sensing Research with Forestry Practice<br /> <br /> '''Συγγραφείς:''' Lars T. Waser , Nataliia Rehush, Hannes Horneber, Raffael Bienz, Krzysztof Stereńczak, Mirela Beloiu Schwenke.<br /> <br /> '''Δημοσιεύθηκε:''' Μάιος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3929/ethz-b-000742242<br /> <br /> '''Εισαγωγή'''<br /> <br /> Υπάρχει αυξανόμενη ζήτηση, τόσο στην έρευνα όσο και στις πρακτικές εφαρμογές, για οικονομικά αποδοτικά, ακριβή, επίκαιρα και σταθερά διαθέσιμα δεδομένα (χάρτες) σχετικά με βασικά χαρακτηριστικά των δασών, όπως η σύνθεση των ειδών δέντρων, ο όγκος των κορμών, οι διαταραχές και η θνησιμότητα των δέντρων. Οι δασολόγοι συχνά αντιμετωπίζουν δυσκολίες λόγω της έλλειψης ποιοτικής, επικαιροποιημένης και χωρίς σφάλματα πληροφόρησης για την κατάσταση των δασών. Μετά από 40 χρόνια ανάπτυξης δασικών προϊόντων βασισμένων στην τηλεπισκόπηση, εντοπίζουμε τρία ζητήματα: 1) η υιοθέτησή τους από τους επαγγελματίες της δασοπονίας παραμένει διστακτική, 2) η ορθή, σύμφωνα με τον αρχικό σκοπό, χρήση τους δεν διασφαλίζεται πάντα και 3) τα προϊόντα υπολείπονται των προσδοκιών των χρηστών όσον αφορά το περιεχόμενο της πληροφορίας, την ακρίβεια και τη συχνότητα επικαιροποίησης. Παρ’ όλα αυτά, οι πρακτικές δασικές εκτιμήσεις βασίζονται γενικά στη συνολική σύνθεση των ειδών δέντρων μιας συστάδας και όχι μόνο στο ανώτερο στρώμα της κόμης. Ο κύριος λόγος γι’ αυτό το χάσμα είναι η ανεπαρκής επικοινωνία και συνεργασία μεταξύ της επιστημονικής κοινότητας και των εμπλεκόμενων φορέων. Το έργο αυτό ευθυγραμμίζεται με τη Δασική Στρατηγική της ΕΕ για τη βελτίωση της προστασίας, αποκατάστασης και ανθεκτικότητας των ευρωπαϊκών δασών, βοηθώντας τους δασολόγους να διαχειρίζονται τα δάση τους πιο αποτελεσματικά με οικονομικά αποδοτικά, απλά και ισχυρά εργαλεία τηλεπισκόπησης.<br /> <br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> • Δεδομένα: Χρησιμοποιούνται δορυφορικά δεδομένα (Sentinel-2, Landsat κ.ά.), υφιστάμενοι θεματικοί χάρτες (π.χ. όρια δασών, οδικό δίκτυο), καθώς και επιλεγμένα δεδομένα πεδίου για έλεγχο και επικύρωση.<br /> <br /> • Περιβάλλον εργασίας: Όλη η επεξεργασία γίνεται σε QGIS, με χρήση ενσωματωμένων εργαλείων raster–vector, plugin για λήψη/προεπεξεργασία δεδομένων και, όπου χρειάζεται, σύνδεση με εξωτερικά scripts (π.χ. Python, R).<br /> <br /> <br /> '''Βήματα Επεξεργασίας'''<br /> <br /> • Εισαγωγή εικόνων Sentinel-2/Landsat, γεωαναφορά και οργάνωση σε QGIS project.<br /> <br /> • Προεπεξεργασία (π.χ. διορθώσεις, δημιουργία μωσαϊκών, αποκοπή στην περιοχή ενδιαφέροντος).<br /> <br /> • Υπολογισμός δεικτών βλάστησης (NDVI, κ.λπ.) και άλλων παραγώγων raster.<br /> <br /> • Εποπτευόμενη ταξινόμηση ή/και κανόνες ταξινόμησης για δημιουργία χαρτών<br /> κάλυψης/τύπων δάσους.<br /> <br /> • Ανίχνευση αλλαγών μεταξύ διαφορετικών χρονολογιών (change detection) με σύγκριση χαρτών ή δεικτών.<br /> <br /> • Σύνθεση θεματικών χαρτών, layout, και εξαγωγή σε μορφές κατάλληλες για διαχειριστές (PDF, WebGIS κ.λπ.).<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> • Παράγονται λειτουργικοί χάρτες δασικής κάλυψης, τύπων δάσους και αλλαγών (π.χ. αποψιλώσεις, καμένες εκτάσεις) που έχουν επαρκή ακρίβεια για επιχειρησιακή χρήση από δασικές υπηρεσίες.<br /> <br /> • Δείχνεται ότι μεγάλα σύνολα δορυφορικών δεδομένων μπορούν να διαχειριστούν σε QGIS χωρίς ακριβό λογισμικό, με σχετικά απλά workflows που μπορούν να επαναχρησιμοποιηθούν (project templates, μοντέλα στο Model Builder).<br /> <br /> • Η συνεργασία ερευνητών–διαχειριστών βελτιώνεται: οι ερευνητές μετατρέπουν πολύπλοκες μεθόδους σε πρακτικά «εργαλεία» μέσα στο QGIS (π.χ. έτοιμες ροές εργασίας, plugins, προτυποποιημένα στυλ χαρτών), ενώ οι διαχειριστές αποκτούν πιο άμεση πρόσβαση σε χάρτες υψηλής πληροφορίας.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι το QGIS μπορεί να λειτουργήσει ως «γέφυρα» ανάμεσα στην προηγμένη τηλεπισκόπηση και την καθημερινή δασική πρακτική, επειδή συνδυάζει δωρεάν πρόσβαση, μεγάλη κοινότητα και δυνατότητα ενσωμάτωσης νέων μεθόδων (plugins, scripts). Τονίζεται πως, με σωστή καθοδήγηση (τεκμηρίωση, έτοιμα workflows, εκπαίδευση), ακόμη και μη ειδικοί στην τηλεπισκόπηση μπορούν να χρησιμοποιήσουν δορυφορικά δεδομένα για να εντοπίζουν διαταραχές, να παρακολουθούν την εξέλιξη του δάσους και να τεκμηριώνουν τις διαχειριστικές τους αποφάσεις. Τέλος, προτείνεται η περαιτέρω ανάπτυξη εξειδικευμένων εργαλείων/προσθέτων στο QGIS για συγκεκριμένα δασικά ζητήματα (π.χ. πυρκαγιές, βιομάζα,δασικά προϊόντα), ώστε η προσέγγιση να επεκταθεί και σε άλλα πλαίσια και χώρες.<br /> <br /> [[Αρχείο:1forest.png]]<br /> <br /> [[category:ΔΠΜΣ ]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CF%83%CF%89%CE%BC%CE%B1%CF%84%CF%8E%CE%BD%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CE%B5_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AC_%CE%BF%CE%B9%CE%BA%CE%BF%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1:_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_QGIS_%CF%83%CF%84%CE%B7_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD. 2026-01-11T19:30:38Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div> [[category:Δάση και ημι-φυσικές περιοχές]]<br /> '''Ενσωματώνοντας την επιστήμη της τηλεπισκόπησης σε δασικά οικοσυστήματα: Χρήση του QGIS στη χαρτογράφηση και παρακολούθηση δασών.'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Toward a Collaborative Framework: Integrating Remote Sensing Research with Forestry Practice<br /> <br /> '''Συγγραφείς:''' Lars T. Waser , Nataliia Rehush, Hannes Horneber, Raffael Bienz, Krzysztof Stereńczak, Mirela Beloiu Schwenke.<br /> <br /> '''Δημοσιεύθηκε:''' Μάιος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3929/ethz-b-000742242<br /> <br /> '''Εισαγωγή'''<br /> <br /> Υπάρχει αυξανόμενη ζήτηση, τόσο στην έρευνα όσο και στις πρακτικές εφαρμογές, για οικονομικά αποδοτικά, ακριβή, επίκαιρα και σταθερά διαθέσιμα δεδομένα (χάρτες) σχετικά με βασικά χαρακτηριστικά των δασών, όπως η σύνθεση των ειδών δέντρων, ο όγκος των κορμών, οι διαταραχές και η θνησιμότητα των δέντρων. Οι δασολόγοι συχνά αντιμετωπίζουν δυσκολίες λόγω της έλλειψης ποιοτικής, επικαιροποιημένης και χωρίς σφάλματα πληροφόρησης για την κατάσταση των δασών. Μετά από 40 χρόνια ανάπτυξης δασικών προϊόντων βασισμένων στην τηλεπισκόπηση, εντοπίζουμε τρία ζητήματα: 1) η υιοθέτησή τους από τους επαγγελματίες της δασοπονίας παραμένει διστακτική, 2) η ορθή, σύμφωνα με τον αρχικό σκοπό, χρήση τους δεν διασφαλίζεται πάντα και 3) τα προϊόντα υπολείπονται των προσδοκιών των χρηστών όσον αφορά το περιεχόμενο της πληροφορίας, την ακρίβεια και τη συχνότητα επικαιροποίησης. Παρ’ όλα αυτά, οι πρακτικές δασικές εκτιμήσεις βασίζονται γενικά στη συνολική σύνθεση των ειδών δέντρων μιας συστάδας και όχι μόνο στο ανώτερο στρώμα της κόμης. Ο κύριος λόγος γι’ αυτό το χάσμα είναι η ανεπαρκής επικοινωνία και συνεργασία μεταξύ της επιστημονικής κοινότητας και των εμπλεκόμενων φορέων. Το έργο αυτό ευθυγραμμίζεται με τη Δασική Στρατηγική της ΕΕ για τη βελτίωση της προστασίας, αποκατάστασης και ανθεκτικότητας των ευρωπαϊκών δασών, βοηθώντας τους δασολόγους να διαχειρίζονται τα δάση τους πιο αποτελεσματικά με οικονομικά αποδοτικά, απλά και ισχυρά εργαλεία τηλεπισκόπησης.<br /> <br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> • Δεδομένα: Χρησιμοποιούνται δορυφορικά δεδομένα (Sentinel-2, Landsat κ.ά.), υφιστάμενοι θεματικοί χάρτες (π.χ. όρια δασών, οδικό δίκτυο), καθώς και επιλεγμένα δεδομένα πεδίου για έλεγχο και επικύρωση.<br /> <br /> • Περιβάλλον εργασίας: Όλη η επεξεργασία γίνεται σε QGIS, με χρήση ενσωματωμένων εργαλείων raster–vector, plugin για λήψη/προεπεξεργασία δεδομένων και, όπου χρειάζεται, σύνδεση με εξωτερικά scripts (π.χ. Python, R).<br /> <br /> <br /> '''Βήματα Επεξεργασίας'''<br /> <br /> • Εισαγωγή εικόνων Sentinel-2/Landsat, γεωαναφορά και οργάνωση σε QGIS project.<br /> <br /> • Προεπεξεργασία (π.χ. διορθώσεις, δημιουργία μωσαϊκών, αποκοπή στην περιοχή ενδιαφέροντος).<br /> <br /> • Υπολογισμός δεικτών βλάστησης (NDVI, κ.λπ.) και άλλων παραγώγων raster.<br /> <br /> • Εποπτευόμενη ταξινόμηση ή/και κανόνες ταξινόμησης για δημιουργία χαρτών<br /> κάλυψης/τύπων δάσους.<br /> <br /> • Ανίχνευση αλλαγών μεταξύ διαφορετικών χρονολογιών (change detection) με σύγκριση χαρτών ή δεικτών.<br /> <br /> • Σύνθεση θεματικών χαρτών, layout, και εξαγωγή σε μορφές κατάλληλες για διαχειριστές (PDF, WebGIS κ.λπ.).<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> • Παράγονται λειτουργικοί χάρτες δασικής κάλυψης, τύπων δάσους και αλλαγών (π.χ. αποψιλώσεις, καμένες εκτάσεις) που έχουν επαρκή ακρίβεια για επιχειρησιακή χρήση από δασικές υπηρεσίες.<br /> <br /> • Δείχνεται ότι μεγάλα σύνολα δορυφορικών δεδομένων μπορούν να διαχειριστούν σε QGIS χωρίς ακριβό λογισμικό, με σχετικά απλά workflows που μπορούν να επαναχρησιμοποιηθούν (project templates, μοντέλα στο Model Builder).<br /> <br /> • Η συνεργασία ερευνητών–διαχειριστών βελτιώνεται: οι ερευνητές μετατρέπουν πολύπλοκες μεθόδους σε πρακτικά «εργαλεία» μέσα στο QGIS (π.χ. έτοιμες ροές εργασίας, plugins, προτυποποιημένα στυλ χαρτών), ενώ οι διαχειριστές αποκτούν πιο άμεση πρόσβαση σε χάρτες υψηλής πληροφορίας.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι το QGIS μπορεί να λειτουργήσει ως «γέφυρα» ανάμεσα στην προηγμένη τηλεπισκόπηση και την καθημερινή δασική πρακτική, επειδή συνδυάζει δωρεάν πρόσβαση, μεγάλη κοινότητα και δυνατότητα ενσωμάτωσης νέων μεθόδων (plugins, scripts). Τονίζεται πως, με σωστή καθοδήγηση (τεκμηρίωση, έτοιμα workflows, εκπαίδευση), ακόμη και μη ειδικοί στην τηλεπισκόπηση μπορούν να χρησιμοποιήσουν δορυφορικά δεδομένα για να εντοπίζουν διαταραχές, να παρακολουθούν την εξέλιξη του δάσους και να τεκμηριώνουν τις διαχειριστικές τους αποφάσεις. Τέλος, προτείνεται η περαιτέρω ανάπτυξη εξειδικευμένων εργαλείων/προσθέτων στο QGIS για συγκεκριμένα δασικά ζητήματα (π.χ. πυρκαγιές, βιομάζα,δασικά προϊόντα), ώστε η προσέγγιση να επεκταθεί και σε άλλα πλαίσια και χώρες.<br /> <br /> <br /> [[category:ΔΠΜΣ ]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CF%83%CF%89%CE%BC%CE%B1%CF%84%CF%8E%CE%BD%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CE%B5_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AC_%CE%BF%CE%B9%CE%BA%CE%BF%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1:_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_QGIS_%CF%83%CF%84%CE%B7_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD. 2026-01-11T19:29:09Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div> [[category:Δάση και ημι-φυσικές περιοχές]]<br /> '''Ενσωματώνοντας την επιστήμη της τηλεπισκόπησης σε δασικά οικοσυστήματα: Χρήση του QGIS στη χαρτογράφηση και παρακολούθηση δασών.'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Toward a Collaborative Framework: Integrating Remote Sensing Research with Forestry Practice<br /> <br /> '''Συγγραφείς:''' Lars T. Waser , Nataliia Rehush, Hannes Horneber, Raffael Bienz, Krzysztof Stereńczak, Mirela Beloiu Schwenke.<br /> <br /> '''Δημοσιεύθηκε:''' Μάιος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3929/ethz-b-000742242<br /> <br /> '''Εισαγωγή'''<br /> <br /> Υπάρχει αυξανόμενη ζήτηση, τόσο στην έρευνα όσο και στις πρακτικές εφαρμογές, για οικονομικά αποδοτικά, ακριβή, επίκαιρα και σταθερά διαθέσιμα δεδομένα (χάρτες) σχετικά με βασικά χαρακτηριστικά των δασών, όπως η σύνθεση των ειδών δέντρων, ο όγκος των κορμών, οι διαταραχές και η θνησιμότητα των δέντρων. Οι δασολόγοι συχνά αντιμετωπίζουν δυσκολίες λόγω της έλλειψης ποιοτικής, επικαιροποιημένης και χωρίς σφάλματα πληροφόρησης για την κατάσταση των δασών. Μετά από 40 χρόνια ανάπτυξης δασικών προϊόντων βασισμένων στην τηλεπισκόπηση, εντοπίζουμε τρία ζητήματα: 1) η υιοθέτησή τους από τους επαγγελματίες της δασοπονίας παραμένει διστακτική, 2) η ορθή, σύμφωνα με τον αρχικό σκοπό, χρήση τους δεν διασφαλίζεται πάντα και 3) τα προϊόντα υπολείπονται των προσδοκιών των χρηστών όσον αφορά το περιεχόμενο της πληροφορίας, την ακρίβεια και τη συχνότητα επικαιροποίησης. Παρ’ όλα αυτά, οι πρακτικές δασικές εκτιμήσεις βασίζονται γενικά στη συνολική σύνθεση των ειδών δέντρων μιας συστάδας και όχι μόνο στο ανώτερο στρώμα της κόμης. Ο κύριος λόγος γι’ αυτό το χάσμα είναι η ανεπαρκής επικοινωνία και συνεργασία μεταξύ της επιστημονικής κοινότητας και των εμπλεκόμενων φορέων. Το έργο αυτό ευθυγραμμίζεται με τη Δασική Στρατηγική της ΕΕ για τη βελτίωση της προστασίας, αποκατάστασης και ανθεκτικότητας των ευρωπαϊκών δασών, βοηθώντας τους δασολόγους να διαχειρίζονται τα δάση τους πιο αποτελεσματικά με οικονομικά αποδοτικά, απλά και ισχυρά εργαλεία τηλεπισκόπησης.<br /> <br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> • Δεδομένα: Χρησιμοποιούνται δορυφορικά δεδομένα (Sentinel-2, Landsat κ.ά.), υφιστάμενοι θεματικοί χάρτες (π.χ. όρια δασών, οδικό δίκτυο), καθώς και επιλεγμένα δεδομένα πεδίου για έλεγχο και επικύρωση.<br /> <br /> • Περιβάλλον εργασίας: Όλη η επεξεργασία γίνεται σε QGIS, με χρήση ενσωματωμένων εργαλείων raster–vector, plugin για λήψη/προεπεξεργασία δεδομένων και, όπου χρειάζεται, σύνδεση με εξωτερικά scripts (π.χ. Python, R).<br /> <br /> <br /> '''Βήματα Επεξεργασίας'''<br /> <br /> • Εισαγωγή εικόνων Sentinel-2/Landsat, γεωαναφορά και οργάνωση σε QGIS project.<br /> <br /> • Προεπεξεργασία (π.χ. διορθώσεις, δημιουργία μωσαϊκών, αποκοπή στην περιοχή ενδιαφέροντος).<br /> <br /> • Υπολογισμός δεικτών βλάστησης (NDVI, κ.λπ.) και άλλων παραγώγων raster.<br /> <br /> • Εποπτευόμενη ταξινόμηση ή/και κανόνες ταξινόμησης για δημιουργία χαρτών<br /> κάλυψης/τύπων δάσους.<br /> <br /> • Ανίχνευση αλλαγών μεταξύ διαφορετικών χρονολογιών (change detection) με σύγκριση χαρτών ή δεικτών.<br /> <br /> • Σύνθεση θεματικών χαρτών, layout, και εξαγωγή σε μορφές κατάλληλες για διαχειριστές (PDF, WebGIS κ.λπ.).<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> • Παράγονται λειτουργικοί χάρτες δασικής κάλυψης, τύπων δάσους και αλλαγών (π.χ. αποψιλώσεις, καμένες εκτάσεις) που έχουν επαρκή ακρίβεια για επιχειρησιακή χρήση από δασικές υπηρεσίες.<br /> <br /> • Δείχνεται ότι μεγάλα σύνολα δορυφορικών δεδομένων μπορούν να διαχειριστούν σε QGIS χωρίς ακριβό λογισμικό, με σχετικά απλά workflows που μπορούν να επαναχρησιμοποιηθούν (project templates, μοντέλα στο Model Builder).<br /> <br /> • Η συνεργασία ερευνητών–διαχειριστών βελτιώνεται: οι ερευνητές μετατρέπουν πολύπλοκες μεθόδους σε πρακτικά «εργαλεία» μέσα στο QGIS (π.χ. έτοιμες ροές εργασίας, plugins, προτυποποιημένα στυλ χαρτών), ενώ οι διαχειριστές αποκτούν πιο άμεση πρόσβαση σε χάρτες υψηλής πληροφορίας.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι το QGIS μπορεί να λειτουργήσει ως «γέφυρα» ανάμεσα στην προηγμένη τηλεπισκόπηση και την καθημερινή δασική πρακτική, επειδή συνδυάζει δωρεάν πρόσβαση, μεγάλη κοινότητα και δυνατότητα ενσωμάτωσης νέων μεθόδων (plugins, scripts). Τονίζεται πως, με σωστή καθοδήγηση (τεκμηρίωση, έτοιμα workflows, εκπαίδευση), ακόμη και μη ειδικοί στην τηλεπισκόπηση μπορούν να χρησιμοποιήσουν δορυφορικά δεδομένα για να εντοπίζουν διαταραχές, να παρακολουθούν την εξέλιξη του δάσους και να τεκμηριώνουν τις διαχειριστικές τους αποφάσεις. Τέλος, προτείνεται η περαιτέρω ανάπτυξη εξειδικευμένων εργαλείων/προσθέτων στο QGIS για συγκεκριμένα δασικά ζητήματα (π.χ. πυρκαγιές, βιομάζα,δασικά προϊόντα), ώστε η προσέγγιση να επεκταθεί και σε άλλα πλαίσια και χώρες.<br /> <br /> [ [ Εικόνα: 1forest.jpg | thumb | right |Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυση. Παρότι οι κόμες είναι καθαρά ορατές σε εικόνες υψηλής ανάλυσης (τρεις επάνω εικόνες), η ορατότητά τους μειώνεται σε χαμηλότερες χωρικές αναλύσεις και γίνεται μη αναγνωρίσιμη, όπως στο Sentinel-2.© LWF 2025, πηγή:https://www.lwf.bayern.de/informationstechnologie/fernerkund ung/345521/index.php] ]<br /> <br /> [[category:ΔΠΜΣ ]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:1forest.png 2026-01-11T19:24:55Z

<p>KOUTSOLIAKOS PANAGIOTIS: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:1forest.png&amp;quot;: Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρ</p> <hr /> <div>[ [ Εικόνα: Όνομα της εικόνας.jpg | thumb | right | Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυση. Παρότι οι κόμες είναι καθαρά ορατές σε εικόνες υψηλής ανάλυσης (τρεις επάνω εικόνες), η ορατότητά τους μειώνεται σε χαμηλότερες χωρικές αναλύσεις και γίνεται μη αναγνωρίσιμη, όπως στο Sentinel-2.© LWF 2025; πηγή:https://www.lwf.bayern.de/informationstechnologie/fernerkund ung/345521/index.php ] ]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:1forest.png 2026-01-11T19:18:17Z

<p>KOUTSOLIAKOS PANAGIOTIS: [ [ Εικόνα: Όνομα της εικόνας.jpg | thumb | right | Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυ�</p> <hr /> <div>[ [ Εικόνα: Όνομα της εικόνας.jpg | thumb | right | Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυση. Παρότι οι κόμες είναι καθαρά ορατές σε εικόνες υψηλής ανάλυσης (τρεις επάνω εικόνες), η ορατότητά τους μειώνεται σε χαμηλότερες χωρικές αναλύσεις και γίνεται μη αναγνωρίσιμη, όπως στο Sentinel-2.© LWF 2025; πηγή:https://www.lwf.bayern.de/informationstechnologie/fernerkund ung/345521/index.php ] ]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CF%83%CF%89%CE%BC%CE%B1%CF%84%CF%8E%CE%BD%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CE%B5_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AC_%CE%BF%CE%B9%CE%BA%CE%BF%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1:_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_QGIS_%CF%83%CF%84%CE%B7_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD. 2026-01-11T18:21:03Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div> [[category:Δάση και ημι-φυσικές περιοχές]]<br /> '''Ενσωματώνοντας την επιστήμη της τηλεπισκόπησης σε δασικά οικοσυστήματα: Χρήση του QGIS στη χαρτογράφηση και παρακολούθηση δασών.'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Toward a Collaborative Framework: Integrating Remote Sensing Research with Forestry Practice<br /> <br /> '''Συγγραφείς:''' Lars T. Waser , Nataliia Rehush, Hannes Horneber, Raffael Bienz, Krzysztof Stereńczak, Mirela Beloiu Schwenke.<br /> <br /> '''Δημοσιεύθηκε:''' Μάιος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3929/ethz-b-000742242<br /> <br /> '''Εισαγωγή'''<br /> <br /> Υπάρχει αυξανόμενη ζήτηση, τόσο στην έρευνα όσο και στις πρακτικές εφαρμογές, για οικονομικά αποδοτικά, ακριβή, επίκαιρα και σταθερά διαθέσιμα δεδομένα (χάρτες) σχετικά με βασικά χαρακτηριστικά των δασών, όπως η σύνθεση των ειδών δέντρων, ο όγκος των κορμών, οι διαταραχές και η θνησιμότητα των δέντρων. Οι δασολόγοι συχνά αντιμετωπίζουν δυσκολίες λόγω της έλλειψης ποιοτικής, επικαιροποιημένης και χωρίς σφάλματα πληροφόρησης για την κατάσταση των δασών. Μετά από 40 χρόνια ανάπτυξης δασικών προϊόντων βασισμένων στην τηλεπισκόπηση, εντοπίζουμε τρία ζητήματα: 1) η υιοθέτησή τους από τους επαγγελματίες της δασοπονίας παραμένει διστακτική, 2) η ορθή, σύμφωνα με τον αρχικό σκοπό, χρήση τους δεν διασφαλίζεται πάντα και 3) τα προϊόντα υπολείπονται των προσδοκιών των χρηστών όσον αφορά το περιεχόμενο της πληροφορίας, την ακρίβεια και τη συχνότητα επικαιροποίησης. Παρ’ όλα αυτά, οι πρακτικές δασικές εκτιμήσεις βασίζονται γενικά στη συνολική σύνθεση των ειδών δέντρων μιας συστάδας και όχι μόνο στο ανώτερο στρώμα της κόμης. Ο κύριος λόγος γι’ αυτό το χάσμα είναι η ανεπαρκής επικοινωνία και συνεργασία μεταξύ της επιστημονικής κοινότητας και των εμπλεκόμενων φορέων. Το έργο αυτό ευθυγραμμίζεται με τη Δασική Στρατηγική της ΕΕ για τη βελτίωση της προστασίας, αποκατάστασης και ανθεκτικότητας των ευρωπαϊκών δασών, βοηθώντας τους δασολόγους να διαχειρίζονται τα δάση τους πιο αποτελεσματικά με οικονομικά αποδοτικά, απλά και ισχυρά εργαλεία τηλεπισκόπησης.<br /> <br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> • Δεδομένα: Χρησιμοποιούνται δορυφορικά δεδομένα (Sentinel-2, Landsat κ.ά.), υφιστάμενοι θεματικοί χάρτες (π.χ. όρια δασών, οδικό δίκτυο), καθώς και επιλεγμένα δεδομένα πεδίου για έλεγχο και επικύρωση.<br /> <br /> • Περιβάλλον εργασίας: Όλη η επεξεργασία γίνεται σε QGIS, με χρήση ενσωματωμένων εργαλείων raster–vector, plugin για λήψη/προεπεξεργασία δεδομένων και, όπου χρειάζεται, σύνδεση με εξωτερικά scripts (π.χ. Python, R).<br /> <br /> <br /> '''Βήματα Επεξεργασίας'''<br /> <br /> • Εισαγωγή εικόνων Sentinel-2/Landsat, γεωαναφορά και οργάνωση σε QGIS project.<br /> <br /> • Προεπεξεργασία (π.χ. διορθώσεις, δημιουργία μωσαϊκών, αποκοπή στην περιοχή ενδιαφέροντος).<br /> <br /> • Υπολογισμός δεικτών βλάστησης (NDVI, κ.λπ.) και άλλων παραγώγων raster.<br /> <br /> • Εποπτευόμενη ταξινόμηση ή/και κανόνες ταξινόμησης για δημιουργία χαρτών<br /> κάλυψης/τύπων δάσους.<br /> <br /> • Ανίχνευση αλλαγών μεταξύ διαφορετικών χρονολογιών (change detection) με σύγκριση χαρτών ή δεικτών.<br /> <br /> • Σύνθεση θεματικών χαρτών, layout, και εξαγωγή σε μορφές κατάλληλες για διαχειριστές (PDF, WebGIS κ.λπ.).<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> • Παράγονται λειτουργικοί χάρτες δασικής κάλυψης, τύπων δάσους και αλλαγών (π.χ. αποψιλώσεις, καμένες εκτάσεις) που έχουν επαρκή ακρίβεια για επιχειρησιακή χρήση από δασικές υπηρεσίες.<br /> <br /> • Δείχνεται ότι μεγάλα σύνολα δορυφορικών δεδομένων μπορούν να διαχειριστούν σε QGIS χωρίς ακριβό λογισμικό, με σχετικά απλά workflows που μπορούν να επαναχρησιμοποιηθούν (project templates, μοντέλα στο Model Builder).<br /> <br /> • Η συνεργασία ερευνητών–διαχειριστών βελτιώνεται: οι ερευνητές μετατρέπουν πολύπλοκες μεθόδους σε πρακτικά «εργαλεία» μέσα στο QGIS (π.χ. έτοιμες ροές εργασίας, plugins, προτυποποιημένα στυλ χαρτών), ενώ οι διαχειριστές αποκτούν πιο άμεση πρόσβαση σε χάρτες υψηλής πληροφορίας.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι το QGIS μπορεί να λειτουργήσει ως «γέφυρα» ανάμεσα στην προηγμένη τηλεπισκόπηση και την καθημερινή δασική πρακτική, επειδή συνδυάζει δωρεάν πρόσβαση, μεγάλη κοινότητα και δυνατότητα ενσωμάτωσης νέων μεθόδων (plugins, scripts). Τονίζεται πως, με σωστή καθοδήγηση (τεκμηρίωση, έτοιμα workflows, εκπαίδευση), ακόμη και μη ειδικοί στην τηλεπισκόπηση μπορούν να χρησιμοποιήσουν δορυφορικά δεδομένα για να εντοπίζουν διαταραχές, να παρακολουθούν την εξέλιξη του δάσους και να τεκμηριώνουν τις διαχειριστικές τους αποφάσεις. Τέλος, προτείνεται η περαιτέρω ανάπτυξη εξειδικευμένων εργαλείων/προσθέτων στο QGIS για συγκεκριμένα δασικά ζητήματα (π.χ. πυρκαγιές, βιομάζα,δασικά προϊόντα), ώστε η προσέγγιση να επεκταθεί και σε άλλα πλαίσια και χώρες.<br /> <br /> [[category:ΔΠΜΣ ]]</div>

KOUTSOLIAKOS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BD%CF%83%CF%89%CE%BC%CE%B1%CF%84%CF%8E%CE%BD%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CE%B5_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AC_%CE%BF%CE%B9%CE%BA%CE%BF%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%B1:_%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_QGIS_%CF%83%CF%84%CE%B7_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD. 2026-01-11T18:20:32Z

<p>KOUTSOLIAKOS PANAGIOTIS: </p> <hr /> <div> [[category:Δάση και ημι-φυσικές περιοχές]]<br /> '''Ενσωματώνοντας την επιστήμη της τηλεπισκόπησης σε δασικά οικοσυστήματα: Χρήση του QGIS στη χαρτογράφηση και παρακολούθηση δασών.'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Toward a Collaborative Framework: Integrating Remote Sensing Research with Forestry Practice<br /> <br /> '''Συγγραφείς:''' Lars T. Waser , Nataliia Rehush, Hannes Horneber, Raffael Bienz, Krzysztof Stereńczak, Mirela Beloiu Schwenke.<br /> <br /> '''Δημοσιεύθηκε:''' Μάιος του 2025.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3929/ethz-b-000742242<br /> <br /> '''Εισαγωγή'''<br /> <br /> Υπάρχει αυξανόμενη ζήτηση, τόσο στην έρευνα όσο και στις πρακτικές εφαρμογές, για οικονομικά αποδοτικά, ακριβή, επίκαιρα και σταθερά διαθέσιμα δεδομένα (χάρτες) σχετικά με βασικά χαρακτηριστικά των δασών, όπως η σύνθεση των ειδών δέντρων, ο όγκος των κορμών, οι διαταραχές και η θνησιμότητα των δέντρων. Οι δασολόγοι συχνά αντιμετωπίζουν δυσκολίες λόγω της έλλειψης ποιοτικής, επικαιροποιημένης και χωρίς σφάλματα πληροφόρησης για την κατάσταση των δασών. Μετά από 40 χρόνια ανάπτυξης δασικών προϊόντων βασισμένων στην τηλεπισκόπηση, εντοπίζουμε τρία ζητήματα: 1) η υιοθέτησή τους από τους επαγγελματίες της δασοπονίας παραμένει διστακτική, 2) η ορθή, σύμφωνα με τον αρχικό σκοπό, χρήση τους δεν διασφαλίζεται πάντα και 3) τα προϊόντα υπολείπονται των προσδοκιών των χρηστών όσον αφορά το περιεχόμενο της πληροφορίας, την ακρίβεια και τη συχνότητα επικαιροποίησης. Παρ’ όλα αυτά, οι πρακτικές δασικές εκτιμήσεις βασίζονται γενικά στη συνολική σύνθεση των ειδών δέντρων μιας συστάδας και όχι μόνο στο ανώτερο στρώμα της κόμης. Ο κύριος λόγος γι’ αυτό το χάσμα είναι η ανεπαρκής επικοινωνία και συνεργασία μεταξύ της επιστημονικής κοινότητας και των εμπλεκόμενων φορέων. Το έργο αυτό ευθυγραμμίζεται με τη Δασική Στρατηγική της ΕΕ για τη βελτίωση της προστασίας, αποκατάστασης και ανθεκτικότητας των ευρωπαϊκών δασών, βοηθώντας τους δασολόγους να διαχειρίζονται τα δάση τους πιο αποτελεσματικά με οικονομικά αποδοτικά, απλά και ισχυρά εργαλεία τηλεπισκόπησης.<br /> <br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> • Δεδομένα: Χρησιμοποιούνται δορυφορικά δεδομένα (Sentinel-2, Landsat κ.ά.), υφιστάμενοι θεματικοί χάρτες (π.χ. όρια δασών, οδικό δίκτυο), καθώς και επιλεγμένα δεδομένα πεδίου για έλεγχο και επικύρωση.<br /> <br /> • Περιβάλλον εργασίας: Όλη η επεξεργασία γίνεται σε QGIS, με χρήση ενσωματωμένων εργαλείων raster–vector, plugin για λήψη/προεπεξεργασία δεδομένων και, όπου χρειάζεται, σύνδεση με εξωτερικά scripts (π.χ. Python, R).<br /> <br /> '''Βήματα Επεξεργασίας'''<br /> <br /> • Εισαγωγή εικόνων Sentinel-2/Landsat, γεωαναφορά και οργάνωση σε QGIS project.<br /> <br /> • Προεπεξεργασία (π.χ. διορθώσεις, δημιουργία μωσαϊκών, αποκοπή στην περιοχή ενδιαφέροντος).<br /> <br /> • Υπολογισμός δεικτών βλάστησης (NDVI, κ.λπ.) και άλλων παραγώγων raster.<br /> <br /> • Εποπτευόμενη ταξινόμηση ή/και κανόνες ταξινόμησης για δημιουργία χαρτών<br /> κάλυψης/τύπων δάσους.<br /> <br /> • Ανίχνευση αλλαγών μεταξύ διαφορετικών χρονολογιών (change detection) με σύγκριση χαρτών ή δεικτών.<br /> <br /> • Σύνθεση θεματικών χαρτών, layout, και εξαγωγή σε μορφές κατάλληλες για διαχειριστές (PDF, WebGIS κ.λπ.).<br /> <br /> '''Αποτελέσματα'''<br /> <br /> • Παράγονται λειτουργικοί χάρτες δασικής κάλυψης, τύπων δάσους και αλλαγών (π.χ. αποψιλώσεις, καμένες εκτάσεις) που έχουν επαρκή ακρίβεια για επιχειρησιακή χρήση από δασικές υπηρεσίες.<br /> <br /> • Δείχνεται ότι μεγάλα σύνολα δορυφορικών δεδομένων μπορούν να διαχειριστούν σε QGIS χωρίς ακριβό λογισμικό, με σχετικά απλά workflows που μπορούν να επαναχρησιμοποιηθούν (project templates, μοντέλα στο Model Builder).<br /> <br /> • Η συνεργασία ερευνητών–διαχειριστών βελτιώνεται: οι ερευνητές μετατρέπουν πολύπλοκες μεθόδους σε πρακτικά «εργαλεία» μέσα στο QGIS (π.χ. έτοιμες ροές εργασίας, plugins, προτυποποιημένα στυλ χαρτών), ενώ οι διαχειριστές αποκτούν πιο άμεση πρόσβαση σε χάρτες υψηλής πληροφορίας.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι το QGIS μπορεί να λειτουργήσει ως «γέφυρα» ανάμεσα στην προηγμένη τηλεπισκόπηση και την καθημερινή δασική πρακτική, επειδή συνδυάζει δωρεάν πρόσβαση, μεγάλη κοινότητα και δυνατότητα ενσωμάτωσης νέων μεθόδων (plugins, scripts). Τονίζεται πως, με σωστή καθοδήγηση (τεκμηρίωση, έτοιμα workflows, εκπαίδευση), ακόμη και μη ειδικοί στην τηλεπισκόπηση μπορούν να χρησιμοποιήσουν δορυφορικά δεδομένα για να εντοπίζουν διαταραχές, να παρακολουθούν την εξέλιξη του δάσους και να τεκμηριώνουν τις διαχειριστικές τους αποφάσεις. Τέλος, προτείνεται η περαιτέρω ανάπτυξη εξειδικευμένων εργαλείων/προσθέτων στο QGIS για συγκεκριμένα δασικά ζητήματα (π.χ. πυρκαγιές, βιομάζα,δασικά προϊόντα), ώστε η προσέγγιση να επεκταθεί και σε άλλα πλαίσια και χώρες.<br /> <br /> [[category:ΔΠΜΣ ]]</div>

KOUTSOLIAKOS PANAGIOTIS