RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Τηλεπισκόπηση και Προσομοίωση Πεδίου Ομίχλης

2018-01-19T16:06:53Z

Kaxri17a: Νέα σελίδα με 'Τηλεπισκόπηση και Προσομοίωση Πεδίου Ομίχλης [[Εικόνα: Rs_wiki9_ck_eikona1.JPG|300px|thumb|right|'''Εικόνα 1.'''...'

[[Τηλεπισκόπηση και Προσομοίωση Πεδίου Ομίχλης]]

[[Εικόνα: Rs_wiki9_ck_eikona1.JPG|300px|thumb|right|'''Εικόνα 1.''' Περιστατικό πυκνής ομίχλης με χαμηλή ορατότητας (~ 50 m) στις 27 Δεκ. 2008, στο Toronto, Ontario, Canada περίπου στις 9:00 π.μ.]]
[[Εικόνα: Rs_wiki9_ck_eikona2.JPG|300px|thumb|right|'''Εικόνα 2.''' Κλιματολογία της ομίχλης για (a) το διεθνές αεροδρόμιο Pearson, Ontario, και για το (b) Shearwater, Nova Scotia.Περίοδος :1970-2004 με Vis < 1 km. Ο y άξονας δείχνει τη μέρα και τον μήνα του έτους και ο x την ώρα της ημέρα. Η χρωματική διαβάθμιση αντιπροσωπεύει την πιθανότητα εμφάνισης ομίχλης.]]
[[Εικόνα: Rs_wiki9_ck_eikona3.JPG|300px|thumb|right|'''Εικόνα 3. ''' Ψευδοχρωματική απεικόνιση MODIS RGB (κανάλια 11, 20,και 31) στα 1035 EST για τις 27 Ιουνίου 2006, κατά τη διάρκεια έντονου περιστατικού ομίχλης. Η περιοχή που εμφανίσθηκε η ομίχλη περικλείεται με μαύρο ]]
[[Εικόνα: Rs_wiki9_ck_eikona3.JPG|300px|thumb|right|'''Εικόνα 4. ''' Απεικόνιση του μέγεθος των νεφοσωματιδίων από δεδομένα του MODIS TERRA . Το μέγεθος των σταγονιδίων κυμαίνεται από 7 έως 15μm. Οι μεγάλες ακτίνες Reff νότια της ακτής σχετίζονται με μικρή νεφική οπτική πυκνότητα, ενώ οι γενικά μεγάλες Reff σχετίζονται με αβεβαιότητα στα δεδομένα. Οι περιοχές με μαύρο αντιπροσωπεύουν περιοχές για τις οποίες δεν υπάρχουν δεδομένα. ]]
[[Εικόνα: Rs_wiki9_ck_eikona2.JPG|300px|thumb|right|'''Εικόνα 5.''' Μικροφυσικές παραμετροποιήσεις με βάση τις παρατηρήσεις: (a) Vis vs LWC, (b) Vis vs Nd, (c) ο ρυθμός κατακάθισης της ομίχλης ως συνάρτηση των LWC και Nd, και (d) Vis vs 1/(LWCxNd)..]]

'''Αντικείμενο Εφαρμογής:''' Μελέτη επεισοδίων θαλάσσιας και ηπειρωτικής ομίχλης για τη βελτίωση της πρόβλεψης τους.

'''Πρωτότυπος Τίτλος:''' The fog remote sensing and modeling field project

'''Συγγραφείς:''' I. Gultepe, Cloud Physics and Severe Weather Research Section, Meteorological Research
Division, Science and Technology Branch, Environment Canada, Toronto, Ontario, Canada;
Pearson—National Laboratory for Marine and Coastal Meteorology, Environment Canada, Dartmouth;
Nova Scotia, Canada;
Milbrandt—Numerical Weather Prediction Research Section, Meteorological Research Division, Science and Technology Branch, Environment Canada, Dorval, Quebec, Canada;
Platnick—Laboratory for Atmospheres, NASA Goddard Space Flight Center, Greenbelt, Maryland; Taylor and Gordon—Department of Earth and Space Science and Engineering, York University, Toronto, Ontario, Canada; Oakley—School of Electrical and Electronic Engineering, University of Manchester, Manchester, United Kingdom

'''Πηγή:''' AMERICAN METEOROLOGICAL SOCIETY Μarch 2009, p.342-359 [https://www.researchgate.net/publication/267548227_The_fog_remote_sensing_and_modeling_FRAM_field_project_and_preliminary_results]

'''Λέξεις Κλειδιά:''' Ομίχλη, Διαχείριση Ενέργειας, Τηλεπισκόπηση, Θερμικές Υπέρυθρες Εικόνες

'''Περίληψη:''' Η παρούσα μελέτη παρέχει μια γενική εικόνα των εργασιών πεδίου του έργου FRAM(Τηλεπισκόπηση της Ομίχλης και Μοντελοποίηση). Οι εκστρατείες πεδίου FRAM πραγματοποιήθηκαν και οι δύο το χειμώνα του 2005/06 και τα καλοκαίρια του 2006 και του 2007. Οι στόχοι του έργου είναι να κατανοήσουμε καλύτερα τον κύκλο ζωής των θαλάσσιων και ηπειρωτικών ομιχλών, τη βελτίωση της παραμετροποίησης της μικροφυσικής της ομίχλης, για τη μοντελοποίηση και για εφαρμογές τηλεπισκόπησης, και η βελτίωση της πρόβλεψης.
Τα αποτελέσματα μπορούν να συμβάλουν στη μείωση των οικονομικών απωλειών από τα οδικά, εναέρια και θαλάσσια συστήματα μεταφορών, τα οποία μπορούν να επηρεαστούν σημαντικά από απρόβλεπτες συνθήκες χαμηλής ορατότητας.

Χρησιμοποιήθηκαν λεπτομερείς επιφανειακές παρατηρήσεις που περιλάμβαναν μικροφυσικές μετρήσεις όπως η ολική συγκέντρωση, το μέγεθος και η μάζα σταγονιδίων και αερολυμάτων. Τα παράγωγα των δεδομένων MODIS και GOES αρχειοθετήθηκαν για μελλοντική ανάπτυξη και αξιολόγηση. Τα αποτελέσματα του FRAM πρότειναν την ενσωμάτωση διαφορετικών οργάνων και πλατφόρμες τηλεπισκόπησης σε διαδικασίες προσομοίωσης για τη βελτίωση της κατανόησης του φαινομένου σε διάφορες κλίμακες.

'''Εισαγωγή:''' Οι συνολικές οικονομικές απώλειες που συνδέονται με την επίδραση της ομίχλης σε αεροπορικές, θαλάσσιες και χερσαίες μεταφορές μπορούν να συγκριθούν με αυτές των χειμερινών καταιγίδων(Εικ.1). Προηγούμενες μελέτες έχουν δείξει ότι ανθρώπινες και οικονομικές απώλειες λόγω ατυχημάτων που σχετίζονται με τα επεισόδια ομίχλης είναι πολύ κοινές.
Ο Petterssen (1956) πρότεινε μια ταξινόμηση της ομίχλης με βάση τη θερμοκρασία (T) η οποία μπορεί να χωριστεί σε τρεις τύποι: 1) υγρή ομίχλη (T> -10 ° C), 2) ομίχλη μικτής φάσης(-10 ° C> Τ> -30 ° C), και 3) ομίχλη πάγου (Τ <-30 ° C). Αυτά τα κριτήρια όμως δεν ικανοποιούνται πάντα με σαφή τρόπο.

Οι αλληλεπιδράσεις εδάφους-ατμόσφαιρας είναι σημαντικές για τον σχηματισμό της ομίχλης και τη διάχυση της. Η πρόβλεψη σήμερα γίνεται χρησιμοποιώντας λεπτομερή μονοδιάστατα (1D) μοντέλα οριακών στρωμάτων (BL) που χρησιμοποιούν αρχικές συνθήκες που έχουν ληφθεί από 3D μοντέλα περιορισμένης έκτασης ή από μοντέλα νέφωσης και ομίχλης. Οι τρέχουσες παραμετροποιήσεις για την ορατότητα ομίχλης (Vis) στα αριθμητικά μοντέλα δεν είναι ακριβής εξαιτίας της ελλιπούς αντιμετώπισης των φυσικών και μικροφυσικών ζητημάτων.
Δορυφορικές παρατηρήσεις μπορούν να χρησιμοποιηθούν για ανίχνευση ομίχλης τη νύχτα όταν τα μεσαία και υψηλού επιπέδου σύννεφα δεν είναι παρόντα, λόγω της ανίχνευσης μόνο της υπέρυθρης ακτινοβολίας από το κανάλι των 3,7 μm. Ως εκ τούτου, ένας αλγόριθμος ημερήσιας ομίχλης πρέπει να συμπεριλάβει την αφαίρεση της συνεισφοράς των βραχέων κυμάτων (SW) στο κανάλι αυτό. Ο συνδυασμός παρατηρήσεων από επιφανειακούς αισθητήρες, τηλεπισκόπησης και δεδομένων προσομοίωσης, μπορεί να βελτιώσει τις προβλέψεις για ημερήσιες εφαρμογές.
Για την καλύτερη αξιολόγηση των προβλέψεων σχηματισμού ομίχλης, ανάπτυξης και διάχυσης, μπορούν να χρησιμοποιηθούν επιτόπιες μετρήσεις για λόγους επαλήθευσης. Αυτό μπορεί να γίνει με 1) αναλυμένα κλιματολογικά δεδομένα επιφάνειας , 2) επιτόπιες παρατηρήσεις και 3) δεδομένα τηλεπισκόπησης.

Αρκετές μελέτες που επικεντρώνονται στην ομίχλη και σε άλλα οριακά στρώματα εκτελέστηκαν τις τελευταίες δεκαετίες. Τα μέσο- και μικρομετεωρολογικά πειράματα περιλαμβάνουν ένα χερσαίο και θαλάσσιο δίκτυο παρατηρήσεων ακτινοσκόπησης, πλοία, αεροσκάφη, μπαλόνια, και χαρταετούς. Μελέτες με βάση παρατηρήσεις συμπληρώθηκαν με τη μελέτη μοντέλων. Η φυσική και χημική συμπεριφορά του πολυφασικού συστήματος ομίχλης μελετήθηκε πειραματικά ακολουθώντας τη χρονική εξέλιξη χημικών στοιχείων στις διάφορες φάσεις (αέρια, σταγονίδια, ενδιάμεσο αεροζόλ) και μικροφυσικές συνθήκες κατά τη διάρκεια του σχηματισμού ομίχλης, της εξέλιξης και της περιόδου διάλυσης.

''' Επιστημονικοί Στόχοι: '''
Οι γενικοί στόχοι του FRAM είναι

1)να χαρακτηρίσει τον σχηματισμό ομίχλης, την εξέλιξη και τη διασπορά της σε ηπειρωτικό και θαλάσσιο περιβάλλον

2) η παραμετροποίηση της μικροφυσικής ομίχλης για αριθμητικές εφαρμογές μοντέλου πρόβλεψης καιρού

3)η βελτίωση της προσομοίωσης αριθμητικών μοντέλων και των εφαρμογών τηλεπισκόπησης

4) να βελτιωθούν και να κατανοηθούν οι δυνατότητες των οργάνων για την ανίχνευση της ομίχλης και του περιβάλλοντος της και των μετρήσεων των σχετικών μικροφυσικών παραμέτρων της και

5) να ενσωματώσει δεδομένα παρατήρησης και μοντέλων για τη βελτίωση της αβεβαιότητας σε προβλέψεις και ανιχνεύσεις ομίχλης

''' Περιοχή Μελέτης και Όργανα Έργου:'''

Εκπονήθηκαν τρείς εκστρατείες του έργου FRAM σε δύο περιοχές του Καναδά:

1) Στο Κέντρο Πειραματικής Έρευνας για την Ατμόσφαιρα (CARE) κοντά στο Egbert, Οντάριο (FRAM-C), κατά την περίοδο Νοεμβρίους 2005 - Απρίλιος 2006 για ηπειρωτικά περιβάλλοντα ομίχλης,

και 2)στο Lunenburg, Nova Scotia (FRAM-L), για περιβάλλοντα θαλάσσιας ομίχλης¨, με τα FRAM-L1 και L2 τον Ιούνιο 2006 και τον Ιούνιο 2007 αντίστοιχα. Το FRAM-L2 υλοποιήθηκε για τη στατιστική σύγκριση της εμφάνισης ομίχλης και της απόδοσης του οργάνου στην ίδια περιοχή για δύο συνεχόμενα έτη. Οι τοποθεσίες για το FRAM επιλέχθηκαν με βάση κλιματολογικά στοιχεία 30ετών των σχετικών τοποθεσιών.
Οι παρατηρήσεις από τα όργανα που χρησιμοποιήθηκαν, συλλέχθηκαν με ρυθμό δειγματοληψίας 1 Hz, εξαιρουμένων των μετρήσεων στροβιλισμών που συλλέχθηκαν στα 32 Hz . Τα δεδομένα που συλλέχθηκαν περιλαμβάνουν σταγονίδια, σωματίδια πάγου και μεγέθη και αριθμούς αεροσόλ από οπτικούς αισθητήρες, ορατότητα , περιεκτικότητα σε υδρατμούς (LWC), σχετική υγρασία (RHw), και διαδρομή υγρού νερού (LWP). Η κάλυψη της ομίχλης και μερικές μικροφυσικές παράμετροι (π.χ., μέγεθος σταγονιδίων, φάσεις κτλ) αποκτήθηκαν από τα GOES και MODIS .Ένα νέο όργανο που ονομάζεται ClearView χρησιμοποιήθηκε για τον υπολογισμό της ορατότητας από εικόνες που τραβήχτηκαν μέσω μιας ψηφιακής κάμερας.

Ο συνολικός αριθμός περιπτώσεων με Vis <1 km κατά τη διάρκεια του FRAM-C ήταν 19. Κατά τη διάρκεια των FRAM-L1 και FRAM-L2,ο συνολικός αριθμός των περιπτώσεων με Vis <1 km ήταν 27 και 10, αντίστοιχα. Κατά τη διάρκεια του FRAM-L2, χρησιμοποιήθηκαν κάποια επιπλέον όργανα , οι μετρήσεις αυτών των οργάνων μπορούν να είναι χρήσιμες για να υποδείξουν τη διαθεσιμότητα της υγρασίας στην επιφάνεια λίγο πριν από το σχηματισμό ομίχλης.

''' Έννοια της Ορατότητας: ''' Για τη μέτρηση της ορατότητας χρησιμοποιήθηκαν τα ακόλουθα όργανα: 1) FD12P, 2) DMIST ClearView και 3) FMD. Οι υπολογισμοί ορατότητας που χρησιμοποιήθηκαν για αυτά βασίστηκαν στην απαλοιφή του ορατού φωτός. Χρησιμοποιώντας τα φάσματα των σωματιδίων που μετρούνται με FMD, η Vis λαμβάνεται χρησιμοποιώντας τον ακόλουθο τύπο, όπου ο συντελεστής απόσβεσης επιτυγχάνεται χρησιμοποιώντας τη θεωρία Mie για τα σταγονίδια:

Vis = -ln (0,05) / βext, (1)

Το FD12P παρέχει τις μετεωρολογικές παρατηρήσεις (MOR) που βασίζονται στην αντίθεση με κατώτατο όριο το 0,05. Η ορατότητα μπορεί να παραμετροποιηθεί αναζητώντας μια σχέση μεταξύ Ni (συγκέντρωση αριθμού κρυστάλλων πάγου για ομίχλη πάγου) και Vis.

'''Αρχικά Αποτελέσματα: ''' Παρατηρήθηκε μια υψηλή συχνότητα σχηματισμού ομίχλης (έως 5%) στο αεροδρόμιο του Pearson με ορατότητα λιγότερο από 1 χλμ που εμφανίζεται κατά τους μήνες Οκτώβριο και Μάρτιο. Η συχνότητα ομίχλης φθάνει το 30% κατά τη διάρκεια Μαΐου-Αυγούστου για το Shearwater (Εικ.2) . Η συχνότητα εμφάνισης ομίχλης για το FRAM-C και το FRAM-L1 βρέθηκε να είναι ~ 16% και ~ 77% , αντίστοιχα (για Vis <1 km και διάρκεια πάνω από 15 λεπτά). Τα δεδομένα που ελήφθησαν κατά τη διάρκεια της έρευνας έδειξαν ότι η εμφάνιση ομίχλης τόσο για τις περιοχές του Οντάριο όσο και για τη Νέα Σκοτία ήταν πολύ υψηλότερη από εκείνη που χρησιμοποιείται στην κλιματολογία της ομίχλης. Αυτό το αποτέλεσμα είναι πιθανό να επηρεάζεται από 1) την ακτή κοντά, που είναι πιο ομιχλώδης γενικότερα, και από 2) την πιθανότητα εμφάνισης ομίχλης για οποιοδήποτε δεδομένο μήνα. Επιπλέον, οι περίοδοι της έρευνας ήταν μικρής διάρκειας και μπορεί να μην είναι αντιπροσωπευτικές του τοπικού κλίματος.

'''Μελέτη Περίπτωσης 27 Ιουνίου 2006 : '''Η οριζόντια μεταφορά ζεστού και υγρού αέρα πάνω από τον Ατλαντικό Ωκεανό από τα νότια της περιοχής στις 27 Ιουνίου 2006 κατέληξε σε τιμές χαμηλού ορίου ορατότητας. Το στρώμα ομίχλης κινήθηκε προς τα πίσω πάνω από τον ωκεανό κατά τη διάρκεια της ημέρας, η ορατότητα που λήφθηκε από το FD12P, ήταν λιγότερο από 0,5χλμ από τα μεσάνυχτα μέχρι τις αρχές του πρωινού . Μετά τις 1800 EST, η ομίχλη κινήθηκε ξανά με ορατότητα λίγες εκατοντάδες μέτρα. Η ανάλυση των παρατηρήσεων από το ClearView έδειξε ότι η Vis άλλαξε κατά τη διάρκεια της ημέρας από ~ 150 μ. νωρίς το πρωί σε περίπου 3 χλμ. το μεσημέρι .Οι δορυφορικές παρατηρήσεις GOES συλλέχθηκαν κατά τη διάρκεια του FRAM. Ένας αλγόριθμος ομίχλης , με βάση την ενσωμάτωση των εικόνων του GOES και τους Καναδικού Παγκόσμιου Πολυκριτηριακό Μοντέλο (GEM) αριθμητικής καιρικής πρόβλεψης (NWP) , χρησιμοποιήθηκε για την ανίχνευση ομίχλης κατά τη διάρκεια της μελέτης. Η νεφοκάλυψη μέσω του MODIS ήταν επίσης διαθέσιμη από ηλεκτρονική βάση δεδομένων (Εικ.3).
Η Reff (Εικ. 4) υπολογίστηκε χρησιμοποιώντας ένα συνδυασμό καναλιών που περιλαμβάνουν το κανάλι MODIS 2.1-μm , αυτό γιατί ο υπολογισμός χρησιμοποιώντας το κανάλι MODIS 3.7-μm δίνει ακτίνες πολύ μικρότερες σε σχέση με τις επιτόπια παρατηρούμενες. Κάποιες σημαντικές διαφορές μεταξύ των Reff του FMD και του MODIS Terra οφείλονται στο ότι κατά τη διάρκεια του περάσματος του δορυφόρου η ομίχλη είχε υποχωρήσει.

Κατά τη διάρκεια της ανάλυσης, διαπιστώθηκε ότι το LWC αυξάνεται με την αύξηση του Nd και ότι η Vis μειώνεται με την αύξηση του LWC και της Nd, τα οποία φαίνονται στην Εικ. 5 a, b, αντίστοιχα. Χρησιμοποιώντας τις μετρήσεις του LWC και της Nd από τον FMD, η ταχύτητα κατακάθισης της ομίχλης (Fsr) ως συνάρτηση τόσο του LWC όσο και της Nd, και του Vis έναντι 1 / (LWC* Nd) φαίνονται στην Εικ. 5 c, d, αντίστοιχα. Αυτά τα στοιχεία υποδεικνύουν ότι οι παραμετροποιήσεις της Vis θα πρέπει να περιλαμβάνουν τόσο το LWC όσο και την Nd.
Στη συνέχεια της μελέτης παρουσιάζονται άλλες δύο περιπτώσεις ομίχλης πάγου που δεν χρησιμοποιούν δεδομένα τηλεπισκόπησης, για αυτό και δεν παραθέτονται εδώ.

Στη συνέχεια διενεργήθηκαν 3D προσομοιώσεις με χρήση του μοντέλου μέσης κλίμακας του Καναδά
(MC2) για να διερευνηθεί το κατά πόσο είναι εφικτή η πρόβλεψη της ορατότητας μόνο μέσω ενός
NWP. Τα αποτελέσματα έδειξαν ότι αυτό είναι εφικτό μέσω μια νέας παραμετροποίσης που βασίζεται στην Nd και το LWC.

Τέλος ερευνάται η σχέση μεταξύ της ορατότητας και της σχετικής υγρασίας, αλλά και οι κατανομές συχνότητας των Nd , LWC, και Reff.

'''Συμπεράσματα: ''' Τα συμπεράσματα που προέκυψαν από την παρούσα εργασία δίνονται παρακάτω.

* Τα μικροφυσικά χαρακτηριστικά για θαλάσσια και ηπειρωτική ομίχλη βρέθηκαν να διαφέρουν σημαντικά, και απαιτούν ξεχωριστές παραμετροποιήσεις.
* Παρατηρήσεις τηλεπισκόπησης από ένα ραντάρ, ραδιόμετρα, και δορυφόρους μπορούν να φανούν χρήσιμες για την παρατήρηση της κάλυψης ομίχλης, της ορατότητας, και της φάσης της.
* Η αλληλεπίδραση μικροφυσικών, δυναμικών (π.χ.τύρβη), διαδικασιών ακτινοβολίας και επιφανειακών συνθηκών (π.χ. υγρασία εδάφους και θερμοκρασία) παίζουν σημαντικό ρόλο στον κύκλο ζωής της ομίχλης. Αυτό προσομοιώνεται χρησιμοποιώντας ένα λεπτομερές μοντέλο πρόβλεψης και παρατηρήσεις που συγκεντρώθηκαν κατά τη διάρκεια του FRAM.
*Χρησιμοποιήθηκαν αρκετά νέα μέσα για τη συλλογή παρατηρήσεων του περιβάλλοντος της ομίχλης, που μπορούν να χρησιμοποιηθούν για την επικύρωση προσομοιώσεων μοντέλων.
* Ο συνδυασμός παρατηρήσεων ομίχλης και βροχοπτώσεων μπορεί να αυξήσει την κατανόηση του ρόλου της ελαφράς βροχόπτωσης που δεν εξετάζεται επί του παρόντος στον υπολογισμό της ετήσιας βροχόπτωσης.
* Με βάση τις μετρήσεις εισερχόμενης ακτινοβολίας, οι αλλαγές θερμοκρασίας που προκύπτουν από την επίδραση της ομίχλης μπορεί να φθάσουν τους -9 ° C ανά ώρα σε ομίχλη πάχους 1 km.
* Η περιορισμένη εμφάνιση ομίχλης κατά τη διάρκεια του FRAM-C υποδηλώνει ότι το Vis μπορεί να επηρεαστεί σημαντικά από μικρούς κρυστάλλους πάγου. Επομένως, πρέπει να ληφθεί υπόψη σε μελλοντικές μελέτες.
* Η ενσωμάτωση παραμέτρων που βασίζονται σε μοντέλο όπως η RHw και η θερμοκρασία επιφάνειας μαζί με δορυφορικούς αλγορίθμους μπορεί να βελτιώσει την πρόβλεψη της ομίχλης μέχρι και 30%.

Συνολικά, οι εκτεταμένες παρατηρήσεις που λήφθηκα κατά τη διάρκεια του FRAM επιτρέπουν την περιγραφή των θαλάσσιων και ηπειρωτικών συνθηκών ομίχλης σε διάφορες θερμοκρασίες και τη σύγκριση της μικροφυσικής της ομίχλης με τα αποτελέσματα που προέκυψαν από τις αριθμητικές προσομοιώσεις και την ανάλυση των τηλεπισκοπικών εικόνων.

[[category: Μετεωρολογικοί δορυφόροι]]

Αρχείο:Rs wiki9 ck eikona1.JPG

2018-01-19T16:06:02Z

Kaxri17a:

Αρχείο:Rs wiki9 ck eikona5.JPG

2018-01-19T15:56:37Z

Kaxri17a:

Αρχείο:Rs wiki9 ck eikona4.JPG

2018-01-19T15:56:21Z

Kaxri17a:

Αρχείο:Rs wiki9 ck eikona3.JPG

2018-01-19T15:56:03Z

Kaxri17a:

Αρχείο:Rs wiki9 ck eikona2.JPG

2018-01-19T15:55:50Z

Kaxri17a:

Καραγιάννη Χριστίνα

2018-01-19T15:32:37Z

Kaxri17a:

* [[Μελέτη της σχέσης μεταξύ αστικοποίησης και υδρολογικών διεργασιών με χρήση δορυφορικών απεικονίσεων]]

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

* [[Πολυφασματική, αντικειμενοστρεφής ασαφής ανάλυση δεδομένων τηλεπισκόπησης για απευθείας χρήση από GIS]]

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

* [[Καταγραφή και Προσομοίωση της Αστικής Διάχυσης με Χρήση Τηλεπισκόπισης και Gis]]

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

* [[Δείκτης Πράσινου Αστικής Συνοικίας – Μέτρηση και Αξιολόγηση των Χώρων Πρασίνου σε Αστικές Περιοχές]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

*[[Εφαρμογές Περιβαλλοντικής Δημόσιας Υγείας με τη Χρήση Τηλεπισκοπικών Δεδομένων]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

* [[Χρήση Μεσημβρινών Επιφανειακών Θερμοκρασιών του NOAA-AVHRR για την Εκτίμηση των Βαθμοημερών Ψύξης . Περιοχή μελέτης η Αθήνα]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

*[[Το Παγκόσμιο Πλέγμα των Ανθρώπινων Οικισμών από Εικόνες Landsat]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

*[[Προς την Αξιολόγηση της Ενεργειακής Απόδοσης Αστικών Εγκαταστάσεων με Χρήση Τηλεπισκόπησης]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

*[[Τηλεπισκόπηση και Προσομοίωση Πεδίου Ομίχλης]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

Καραγιάννη Χριστίνα

2018-01-19T14:41:41Z

Kaxri17a:

* [[Μελέτη της σχέσης μεταξύ αστικοποίησης και υδρολογικών διεργασιών με χρήση δορυφορικών απεικονίσεων]]

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

* [[Πολυφασματική, αντικειμενοστρεφής ασαφής ανάλυση δεδομένων τηλεπισκόπησης για απευθείας χρήση από GIS]]

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

* [[Καταγραφή και Προσομοίωση της Αστικής Διάχυσης με Χρήση Τηλεπισκόπισης και Gis]]

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

* [[Δείκτης Πράσινου Αστικής Συνοικίας – Μέτρηση και Αξιολόγηση των Χώρων Πρασίνου σε Αστικές Περιοχές]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

*[[Εφαρμογές Περιβαλλοντικής Δημόσιας Υγείας με τη Χρήση Τηλεπισκοπικών Δεδομένων]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

* [[Χρήση Μεσημβρινών Επιφανειακών Θερμοκρασιών του NOAA-AVHRR για την Εκτίμηση των Βαθμοημερών Ψύξης . Περιοχή μελέτης η Αθήνα]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

*[[Το Παγκόσμιο Πλέγμα των Ανθρώπινων Οικισμών από Εικόνες Landsat]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

*[[Προς την Αξιολόγηση της Ενεργειακής Απόδοσης Αστικών Εγκαταστάσεων με Χρήση Τηλεπισκόπησης]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

*[[Τηλεπισκόπηση και Προσομοίωση ]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

Καραγιάννη Χριστίνα

2018-01-19T14:40:03Z

Kaxri17a:

Προς την Αξιολόγηση της Ενεργειακής Απόδοσης Αστικών Εγκαταστάσεων με Χρήση Τηλεπισκόπησης

2018-01-19T14:36:57Z

Kaxri17a: Νέα σελίδα με '[[Προς την Αξιολόγηση της Ενεργειακής Απόδοσης Αστικών Εγκαταστάσεων με Χρήση Τηλεπισκόπηση...'

[[Προς την Αξιολόγηση της Ενεργειακής Απόδοσης Αστικών Εγκαταστάσεων με Χρήση Τηλεπισκόπησης]]

[[Εικόνα: Rs_wiki8_ck_eikona1.JPG|300px|thumb|right|'''Εικόνα 1.''' Ολική ετήσια ενεργειακή κατανάλωση ανά τετράγωνο στην πόλη της Νέας Υόρκης(αριστερά) και σε ξεχωριστούς Δήμους της (δεξιά)]]
[[Εικόνα: Rs_wiki8_ck_eikona2.JPG|300px|thumb|right|'''Εικόνα 2.''' Επιφανειακή θερμοκρασία (LST) της NY τον Mάρτιο του 2015 μετατροπή από δορυφορικές εικόνες του LANDSAT 8]]
[[Εικόνα: Rs_wiki8_ck_eikona3.JPG|300px|thumb|right|'''Διάγραμμα 1.''' Ανάλυση παλινδρόμησης και συσχέτιση μεταξύ της ετήσιας ενεργειακής κατανάλωσης και της επιφανειακής θερμοκρασίας σε διαφορετικά οικοδομικά τετράγωνα στη ΝΥ σε αριθμητική(αριστερά) και λογαριθμική(δεξιά) κλίμακα]]

'''Αντικείμενο Εφαρμογής:''' Μελέτη της θερμοκρασίας της αστικής επιφάνειας του Ρότερνταμ και συσχέτισή της με τα αστικά χαρακτηριστικά

'''Πρωτότυπος Τίτλος:''' Towards urban facilities energy performance evaluation using remote sensing

'''Συγγραφείς:''' Farrokh Jazizadeh(a*), Mohammad Taleghani(b)

(a) Via Department of Civil and Environmental Engineering, Virginia Tech, Blacksburg, VA, 24061, USA

(b) Faculty of Architecture and the Built Environment, Delft University of Technology, Delft, Netherlands

(b) Astani Department of Civil and Environmental Engineering, University of Southern California, Los Angeles, CA, USA

'''Πηγή:''' IGARSS Elsevier, Procedia Engineering, 145 (2016), 917-923 [https://www.sciencedirect.com/science/article/pii/S1877705816301254]

'''Λέξεις Κλειδιά:''' Αστικές Εγκαταστάσεις, Διαχείριση Ενέργειας, Τηλεπισκόπηση, Θερμικές Υπέρυθρες Εικόνες

'''Περίληψη:''' Οι αστικές εγκαταστάσεις συμβάλλουν σημαντικά στην ετήσια κατανάλωση ενέργειας και, ως εκ τούτου, η αξιολόγηση της ενεργειακής τους απόδοσης και ο αναβαθμισμένος σχεδιασμός διαδραματίζουν σημαντικό ρόλο στην επίτευξη των στόχων βιωσιμότητας. Σε αυτή τη μελέτη, διερευνάται η συσχέτιση μεταξύ της επιφανειακής θερμοκρασίας, η οποία λαμβάνεται μέσω δορυφορικών εικόνων, και τα πρότυπα κατανάλωσης ενέργειας σε αστικό επίπεδο για τη διερεύνηση της καταλληλόλητας τους για αξιολόγηση ενεργειακών αποδόσεων. Ως βασική μελέτη περίπτωσης ,για τη διεξαγωγή της ανάλυσης, χρησιμοποιήθηκε η Νέα Υόρκη. Διερευνήθηκε η συσχέτιση μεταξύ της έντασης της ενεργειακής κατανάλωσης και της θερμοκρασίας, σε επίπεδο αστικού τετραγώνου, για επιλεγμένα σημεία. Το αποτέλεσμα καταδεικνύει μια ισχυρή συσχέτιση μεταξύ τους. Ο παρατηρούμενος συσχετισμός θα μπορούσε ενδεχομένως να αξιοποιηθεί για την ανάπτυξη μιας προσέγγισης για τον έλεγχο των ενεργειακών αποδόσεων.

'''Εισαγωγή:''' Η κατανάλωση ενέργειας στα κτίρια ειδικά για κλιματισμό και φωτισμό συνεισφέρουν σημαντικές στις ενεργειακές δαπάνες και το ανθρακικό αποτύπωμα τους. Κατά συνέπεια ,η αξιολόγηση της απόδοσης του κτιρίου παίζει σημαντικό ρόλο στην επιχειρησιακή ανάλυση των υποδομών. Η ενεργειακή αναβάθμιση του κτιρίου ,βελτιώνοντας τα φυσικά χαρακτηριστικά του, αποτελεί την πρώτη γραμμή των πρακτικών για τη βελτίωση της ενεργειακής απόδοσης.
Οι ενεργειακοί έλεγχοι των κτιρίων διεξάγονται συνήθως με οπτική επιθεώρηση και με χειροκίνητες υπέρυθρες (IR) κάμερες θερμικής απεικόνισης. Σε αστικό επίπεδο τέτοιες μέθοδοι μπορούν να είναι εξαιρετικά δαπανηρές, αλλά αυτές οι αξιολογήσεις θα μπορούσαν να συμβάλουν στην εφαρμογή ομοσπονδιακών ή τοπικών πολιτικών εξοικονόμησης ενέργειας και ελέγχου εκπομπών ή να συνεισφέρουν στην αντιμετώπιση ή τον μετριασμό του φαινομένου της Αστικής Θερμικής Νησίδας (ΑΘΝ).
Οι τεχνολογίες τηλεπισκόπησης έχουν χρησιμοποιήσει για την ανίχνευση επιφανειακής θερμοκρασίας και οι θερμικές υπέρυθρες δορυφορικές εικόνες έχουν χρησιμοποιηθεί σε μελέτες κλιματικών συνθηκών όπως η κατανομή της θερμοκρασίας του αέρα. Σε αστικές μελέτες, έχουν γίνει αρκετές ερευνητικές προσπάθειες χρησιμοποιώντας τεχνολογίες τηλεπισκόπησης για τη μελέτη του φαινομένου της ΑΘΝ και των μεθόδων μετριασμού της.
Σε αυτή τη μελέτη, διερευνήθηκε η σκοπιμότητα των διαστημικών τεχνολογιών τηλεπισκόπησης για την αξιολόγηση των ενεργειακών αποδόσεων των αστικών υποδομών. Η υψηλότερη ανάλυση των θερμικών εικόνων, που αποκτήθηκε με τη χρήση διαστημικών αισθητήρων IR, είναι 90-100 μέτρα στην ακατέργαστη μορφή τους (ο δορυφόρος LANDSAT 8 μπορεί να προσφέρει έως και 30 μέτρα ανάλυση μέσω της αναδειγματοληψίας και της παρεμβολής). Οι πληροφορίες θερμοκρασιών σε αυτή την ανάλυση θα μπορούσαν να αποτελέσουν δυνητική πηγή πληροφόρησης για αξιολογήσεις σε επίπεδο γειτονιάς. Για αυτό το σκοπό εξετάστηκε η συσχέτιση μεταξύ της ενεργειακής κατανάλωσης και της επιφανειακής θερμοκρασίας. Ως μελέτη περίπτωσής επιλέχθηκε η πόλη της Νέας Υόρκης, λαμβάνοντας υπόψη και τα πολυάριθμα αστικά επίπεδα της μαζί με τις γειτονιές και δομικά τετράγωνα.

''' Υλικά και Μέθοδοι:'''
*Δορυφορικές Εικόνες Υπερύθρων
Υπάρχουν δύο κύριες διαστημικές πηγές εικόνων στο θερμικό υπέρυθρο, ο δορυφόρος ASTER, με χωρική ανάλυση 90μ. για εικόνες στο θερμικό υπέρυθρο (TIR), και ο δορυφόρος LANSDAT 8 με χωρική ανάλυση 100μ. στο θερμικό υπέρυθρο. Σε αυτή τη μελέτη χρησιμοποιήθηκαν εικόνες του LANDSAT 8.
*Επεξεργασία Θερμικών Υπερύθρων Εικόνων
Το πρώτο βήμα για την επεξεργασία των δορυφορικών εικόνων είναι η διόρθωση των εικόνων ραδιομετρικά έτσι ώστε να μπορούν να συγκριθούν με in situ μετρήσεις υπέρυθρων θερμόμετρων. Η διαδικασία μετατρέπει τον ψηφιακό αριθμό (DN) στις εικόνες LANDSAT σε φασματική ακτίνα (L) , η οποία στη συνέχεια μετατρέπεται σε επιφανειακή θερμοκρασία (LST)
*Δεδομένα Κατανάλωσης Ενέργειας
Τα δεδομένα για την ενέργεια σε μια αστική περιοχή μπορούν να βρεθούν σε διαφορετικές κλίμακες, όμως λαμβάνοντας υπόψη την ανάλυση των θερμικών εικόνων, πρέπει να χρησιμοποιηθεί ένα ενεργειακό στοιχείο-σημείο αναφοράς για τη σύγκριση της κατανάλωσης ενέργειας με την επιφανειακή θερμοκρασία. Για αυτό χρησιμοποιήθηκε ένα μοντέλο που υπολογίζει την ενεργειακή κατανάλωση κτιρίου για διαφορετικές εφαρμογές του τελικού χρήστη και τη μετρά σε kWh / m² (m² της επιφάνειας των κτιρίων) .Η PLUTO, η γεωγραφική υπηρεσία βάσης δεδομένων των κτιρίων της NYC χρησιμοποιήθηκε για το κτιριακό υπόβαθρο. Για το 2009, οι ετήσιες ημέρες θέρμανσης και ψύξης ήταν κοντά στον 30-ετή μέσο ετήσιο όρο υποδηλώνοντας ότι εισάγεται ελάχιστη μεροληψία επιλέγοντας το συγκεκριμένο έτος. Η εικόνα 1 δείχνει τον χάρτη κατανομής της ηλεκτρικής ενέργειας σε διαφορετικούς δήμους.

''' Ανάλυση Δεδομένων'''

Επιλέχθηκαν τα δεδομένα από τον Μάρτιο του 2015 βάσει δύο κριτηρίων: α) η εικόνα πρέπει να αντανακλά την επιφανειακή θερμοκρασία για μια ψυχρή εποχή έτσι ώστε να μπορεί να παρατηρηθεί η διαφορά θερμοκρασίας με το κτιριακό περιβάλλον και β) η εικόνα πρέπει να έχει τη μέγιστη σαφήνεια, που σημαίνει ελάχιστη νεφοκάλυψη. Η Εικόνα. 2. Δείχνει την κατανομή της επιφανειακής θερμοκρασίας της NYC.
Προκειμένου να διερευνηθεί η πιθανή συσχέτιση μεταξύ της επιφανειακής θερμοκρασίας και της συνολικής ετήσιας ενεργειακής κατανάλωση στα κτίρια, επιλέχθηκαν 20 σημεία δεδομένων από διαφορετικούς δήμους γειτονιά. Και στη συνέχεια χρησιμοποιήθηκε ανάλυση γραμμικής παλινδρόμησης η οποία έδειξε ότι οι δύο δείκτες συσχετίζονται σε μεγάλο βαθμό (R² = 0,63)(Διάγραμμα 1) .

''' Συμπεράσματα: ''' Όπως φαίνεται, η συνολική ετήσια κατανάλωση ενέργειας και η θερμοκρασία της επιφάνειας της γης παρουσιάζουν ισχυρή συσχέτιση, κάτι που δείχνει ότι υπάρχει δυνατότητα οι δορυφορικές θερμικές εικόνες να χρησιμοποιηθούν για ενεργειακή αξιολόγηση. Όμως κρίνεται απαραίτητη η χρήση της ανάλυσης αιτιότητας προκειμένου να διαπιστωθεί το κατά πόσο περιοχές με υψηλότερες επιφανειακές θερμοκρασίες είναι πιο ευάλωτες και πρέπει να δοθεί προτεραιότητα στην αναβάθμιση τους

[[category: Ενέργεια]]

Αρχείο:Rs wiki8 ck eikona3.JPG

2018-01-19T14:34:24Z

Kaxri17a:

Αρχείο:Rs wiki8 ck eikona2.JPG

2018-01-19T14:34:10Z

Kaxri17a:

Αρχείο:Rs wiki8 ck eikona1.JPG

2018-01-19T14:33:57Z

Kaxri17a:

Καραγιάννη Χριστίνα

2018-01-19T14:04:21Z

Kaxri17a:

Το Παγκόσμιο Πλέγμα των Ανθρώπινων Οικισμών από Εικόνες Landsat

2018-01-19T13:55:03Z

Kaxri17a:

[[Το Παγκόσμιο Πλέγμα των Ανθρώπινων Οικισμών από Εικόνες Landsat]]

[[Εικόνα: Rs_wiki7_ck_eikona1.JPG|300px|thumb|right|'''Εικόνα 1.''' Τα 19,264 μέρη επεξεργασίας και οι κύριες περιοχές δομημένου περιβάλλοντος όπως χαρτογραφήθηκαν μέσω του Global Human Settlement Layer.]]
[[Εικόνα: Rs_wiki7_ck_eikona2.JPG|300px|thumb|right|'''Εικόνα 2.''' Χωρική κατανομή οικισμών στο Πεκίνο, Κίνα. Μητροπολιτική περιοχή]]

[[Εικόνα: Rs_wiki7_ck_eikona3.JPG|300px|thumb|right|'''Εικόνα 3.'''Χωρική κατανομή οικισμών στο Δέλτα του Νείλου στην πόλη του Καΐρου στην Αίγυπτο]]
[[Εικόνα: Rs_wiki7_ck_eikona4.JPG|300px|thumb|right|'''Εικόνα 4.''' Μικρές πόλεις και οικισμοί σε περιοχή ΝΑ του Αμστερνταμ,Ολλανδία]]
[[Εικόνα: Rs_wiki7_ck_eikona5.JPG|300px|thumb|right |'''Εικόνα 5''' Μεγάλες και μικρές πόλεις νότια της Βερόνα στην Ιταλία]]

'''Αντικείμενο Εφαρμογής:''' Μελέτη χωρικής κατανομής των ανθρώπινων οικισμών από το σύνολο του αρχείου εικόνων του Landsat

'''Πρωτότυπος Τίτλος:''' ' The global human settlement layer from LANDSAT imagery

'''Συγγραφείς:''' M. Pesaresi, D. Ehrlich, A. J. Florczyk, S. Freire, A. Julea, T. Kemper, V. Syrris

European Commission – Joint Research Centre (JRC), Institute for the Protection and Security of the
Citizen, 21020 Ispra, Varese, Italy

'''Πηγή:''' IGARSS (2016), 2016 IEEE International Geoscience and Remote Sensing Symposium p.7276-7279 [https://www.researchgate.net/publication/309773406_The_global_human_settlement_layer_from_landsat_imagery]

'''Λέξεις Κλειδιά:''' Landsat, Τηλεπισκόπηση, Αστικοποίηση, Ρίσκο Καταστροφής, Διεθνείς Συμφωνίες-πλαίσια

'''Περίληψη:''' Η ανάπτυξη του δομημένου περιβάλλοντος είναι μια παγκόσμια περιβαλλοντική αλλαγή που μπορεί να μετρηθεί, να παρακολουθηθεί, αλλά και αναμένεται να συνεχιστεί καθώς οι πληθυσμοί συνεχίζουν να αυξάνονται και να αστικοποιούνται. Η βάση δεδομένων ‘Παγκόσμιο Επίπεδο Ανθρώπινων Οικισμών’ (GHSL) δημιουργήθηκε για τη μέτρηση και την παρακολούθηση του παγκόσμιου δομημένου περιβάλλοντος και των αλλαγών του. Στην παρούσα εργασία τα επίπεδα της GHSL που παρουσιάζονται, παράχθηκαν με επεξεργασία του συνολικού αρχείου εικόνων του Landsat από το 1975 μέχρι σήμερα. Η GHSL περιλαμβάνει τέσσερα παγκόσμια επίπεδα πληροφορίας που αντιστοιχούν στις περιόδους: 1975, 1990, 2000 και 2014.Οι παραγόμενες γεωπληροφορίες χρησιμοποιούνται σε ευρύ φάσμα εφαρμογών που περιλαμβάνουν την παραγωγή στατιστικών αστικοποίησης , απόδοση υψηλής λεπτομέρειας δικτύων πληθυσμιακής πυκνότητας και τη δημιουργία δεικτών για την παρακολούθηση στόχων για βασικά διεθνή πλαίσια συμφωνιών.

'''Εισαγωγή:''' Οι ανθρώπινοι οικισμοί καλύπτουν ένα σχετικά μικρό μέρος της επιφάνειας της γης, αλλά οι διεργασίες που συμβαίνουν εντός αυτών απαιτούν σταθερή εισαγωγή ενέργειας και πόρων, ενώ παράγουν απόβλητα που έχουν επιπτώσεις πέρα από τα όρια τους. Πληροφορίες σχετικά με τη χωρική έκταση των οικισμών είναι απαραίτητες για την κατανόηση των αλληλεπιδράσεων κοινωνίας-περιβάλλοντος. Αυτές οι πληροφορίες απαιτούνται ως εισαγωγή σε μοντέλα εκτίμησης κινδύνου καταστροφών, για την παρακολούθηση διεθνών συμφωνιών αλλά και για συγκριτικές μελέτες.

''' Υπόβαθρο και Μέθοδοι :'''Η αναγνώριση των κτιριακών δομών και της χωρικής τους έκτασης βρίσκεται στο επίκεντρο της παρούσας ανάλυσης. Οι πληροφορίες που εξάγονται από εικόνες Landsat -αναφέρονται ως μεσαίας ανάλυσης καθώς το καταγεγραμμένο εικονοστοιχείο είναι μεγαλύτερο από το μέσο μέγεθος - αποδίδονται στη GHSL με στόχο τη μέτρηση του ποσοστού δομημένου περιβάλλοντος . Η επεξεργασία περιλαμβάνει ολόκληρο το αρχείο εικόνων Landsat και αποσκοπεί στην παραγωγή χαρτών που αποτελούν το στιγμιότυπο της συνολικής παγκόσμιας ανάπτυξης των τεσσάρων περιόδων. Η επεξεργασία τόσο μεγάλου όγκου δορυφορικών εικόνων απαιτεί τη διαχείριση και τη διάρθρωση των δεδομένων, την εξόρυξη πληροφοριών και την ταξινόμηση που χαρακτηρίζεται ως εργασία ‘μεγάλων δεδομένων’.

''' Δεδομένα:''' Το σύνολο των δεδομένων Landsat που επεξεργάστηκαν αντιπροσωπεύουν 32.808 εικόνες που αποκτήθηκαν από τον πολυφασματικό σαρωτή, τον θεματικό χάρτη και τους ενισχυμένους θεματικούς αισθητήρες χαρτογράφησης .Για τη διαχείριση της επεξεργασίας των εικόνων τα σύνολα δεδομένων επανεπεξεργάστηκαν σε 19.624 μέρη (έκαστο με μέγεθος 4096 x 4096 pixel)(Εικ.1) ,μέσω της υπηρεσίας Tile Map Service(TMS), και καλύπτουν ολόκληρη την επιφάνεια της γης.

'''Εξαγωγή πληροφοριών και ταξινόμηση: ''' Η επεξεργασία των δεδομένων βασίστηκε σε ένα υπόδειγμα ,που αναφέρεται ως Symbolic Machine Learning, και που βασίζεται στη δημιουργία χώρου χαρακτηριστικών σε δύο κύρια βήματα επεξεργασίας , που αναφέρονται ως μείωση δεδομένων αλληλουχίας εικόνας, και ανάλυση συσχέτισης. Ο χώρος παραγωγής των χαρακτηριστικών αφορά την επεξεργασία των φασματικών τιμών της ανακλώμενης ακτινοβολίας κάθε εικόνας καθώς και τα ειδικά χαρακτηριστικά του χώρου με επίκεντρο το μορφολογικό φιλτράρισμα. Η χρονική διάσταση συμπεριλαμβάνεται επίσης. Ο χώρος χαρακτηριστικών παράγει για κάθε εικονοστοιχείο ένα διάνυσμα με χαρακτηριστικά σχετικά με το συγκεκριμένο εικονοστοιχείο. Η ένωση γίνεται στη συνέχεια με ένα επίπεδο αναφοράς.

Ένα πλήθος τέτοιων επιπέδων επεξεργάστηκε έτσι ώστε να απεικονίζει το δομημένο περιβάλλον και στη συνέχεια χρησιμοποιήθηκε για την εκπαίδευση του αλγορίθμου. Ο αλγόριθμος αναλύει αυτόματα τις σχέσεις μεταξύ των δεδομένων και υπολογίζει τον Τεκμηριωμένο Κανονικοποιημένο Διαφορικό Δείκτη (ENDI). Ο ENDI είναι μια συνεχής τιμή που αντιπροσωπεύει την πυκνότητα δόμησης. Οι συνεχείς τιμές των πυκνοτήτων δόμησης για τις τέσσερις περιόδους μπορούν στη συνέχεια να ταξινομηθούν.

''' Αποτελέσματα και Συμπεράσματα: ''' Η επεξεργασία παρήγαγε τέσσερα επίπεδα πληροφορίας που αντιστοιχούν σε εκτιμήσεις της δομημένης περιοχής το 1975, το 1990,Το 2000 και το 2014. Τα επίπεδα παρέχουν τον βαθμό συγκέντρωσης μέσα σε κάθε εικονοστοιχείο που υπολογίζεται με τον συνδυασμό πληροφοριών υπο-εικονοστοιχείων και με την ταξινόμηση κάλυψης γης πολλαπλών τάξεων ανά εικονοστοιχείο.
Οι επεξεργασμένες εικόνες που προέκυψαν αποδίδουν το σύνολο των χερσαίων μαζών στη διάρκεια μιας περιόδου 40 χρόνων, την έκταση των μητροπολιτικών περιοχών και την αλλαγή τους με το χρόνο. Αυτό επιτρέπει την καταγραφή ολόκληρου του δομημένου περιβάλλοντος μέσω ενός παγκόσμιου ενοποιημένου συστήματος. Οι εικόνες 2-5 δείχνουν περιοχές 200 x 150 χλμ τόσο σε αστικές όσο και σε επαρχιακές περιοχές. Τα διαφορετικά χρώματα υποδηλώνουν τις τέσσερις περιόδους που κωδικοποιούνται ως κόκκινο (1975), πορτοκαλί (1990),κίτρινο (2000) και λευκό (2014). Οι χερσαίες μάζες αποδίδονται με μαύρο και το νερό με μπλε.
Η GHSL μετρά και ποσοτικοποιεί τη χωρική έκταση μικρότερων οικισμών, που αναφέρονται ως πόλεις και χωριά που βρίσκονται γύρω από μεγάλες πόλεις ,αλλά και περιοχών μακριά από μεγαλύτερες πόλεις. Σε σύγκριση με άλλα διαθέσιμα παγκόσμια αστικά προϊόντα η εργασία δείχνει ότι τα μοντέλα αστικοποίησης δεν έχουν ακόμη περιγραφεί πλήρως. Αυτά τα μοντέλα ανάπτυξης πρέπει να κατανοηθούν καλύτερα για έναν αποτελεσματικό αστικό σχεδιασμό εν όψει της παγκόσμιας περιβαλλοντικής αλλαγής, και για την κατανόηση των παραγόντων κινδύνου που επιταχύνθηκαν από τον υψηλό μεταβολισμό των πόλεων και των κατοικημένων περιοχών.

[[category: Ανίχνευση μεταβολών αστικής γης]]

Το Παγκόσμιο Πλέγμα των Ανθρώπινων Οικισμών από Εικόνες Landsat

2018-01-19T13:54:00Z

Kaxri17a: Νέα σελίδα με 'Το Παγκόσμιο Πλέγμα των Ανθρώπινων Οικισμών από Εικόνες Landsat [[Εικόνα: Rs_wiki7_ck_eikona1.JPG|300px|thumb|...'

Αρχείο:Rs wiki7 ck eikona5.JPG

2018-01-19T13:45:35Z

Kaxri17a:

Αρχείο:Rs wiki7 ck eikona4.JPG

2018-01-19T13:45:20Z

Kaxri17a:

Αρχείο:Rs wiki7 ck eikona3.JPG

2018-01-19T13:45:05Z

Kaxri17a:

Αρχείο:Rs wiki7 ck eikona2.JPG

2018-01-19T13:44:52Z

Kaxri17a:

Αρχείο:Rs wiki7 ck eikona1.JPG

2018-01-19T13:44:39Z

Kaxri17a:

Καραγιάννη Χριστίνα

2018-01-19T13:21:04Z

Kaxri17a:

Χρήση Μεσημβρινών Επιφανειακών Θερμοκρασιών του NOAA-AVHRR για την Εκτίμηση των Βαθμοημερών Ψύξης . Περιοχή μελέτης η Αθήνα

2018-01-18T23:08:37Z

Kaxri17a: Νέα σελίδα με '[[Χρήση Μεσημβρινών Επιφανειακών Θερμοκρασιών του NOAA-AVHRR για την Εκτίμηση των Βαθμοημερών Ψύξ...'

[[Χρήση Μεσημβρινών Επιφανειακών Θερμοκρασιών του NOAA-AVHRR για την Εκτίμηση των Βαθμοημερών Ψύξης . Περιοχή μελέτης η Αθήνα]]

[[Εικόνα: Rs_wiki6_ck_eikona1.JPG|400px|thumb|right|'''Διάγραμμα 1.''' Συσχέτιση μέση ημερήσιας θερμοκρασίας αέρα με τις μεσημβρινές θερμοκρασίες σε Θησείο και Πεντέλη]]

[[Εικόνα: Rs_wiki6_ck_eikona2.JPG|400px|thumb|right|''' Εικόνα 2.''' Διάγραμμα διασποράς των προβλεπόμενων έναντι των πραγματικών βαθμοημερών ψύξης,(y = 0.3679 + 0.741x, R2 = 0.78)]]

'''Αντικείμενο Εφαρμογής:''' Εκτίμηση των βαθμοημερών ψύξης από τις επιφανειακές θερμοκρασίες του NOAA-AVHRR. Περιοχή μελέτης είναι η μητροπολιτική πόλη της Αθήνας.

'''Πρωτότυπος Τίτλος:''' Towards urban facilities energy performance evaluation using remote sensing

'''Συγγραφείς:''' Marina Stathopoulou (a), Constantinos Cartalis (a), Nektarios Chrysoulakis (b)

(a) Remote Sensing and Image Processing Laboratory, Division of Applied Physics, Department of Physics,University of Athens, Athens 157 84, Greece

(b) Foundation for Research and Technology—Hellas, Institute of Applied and Computational Mathematics, Regional Analysis Division, Vassilika Vouton, P.O. Box 1527, Heraklion, 71110 Crete, Greece

'''Πηγή:''' Elsevier, Solar Energy 80 (2006) 414–422
[https://www.sciencedirect.com/science/article/pii/S1877705816301254]

'''Λέξεις Κλειδιά:''' Βαθμοημέρες ψύξης; τηλεπισκόπηση; AVHRR

'''Περίληψη:''' Οι βαθμοημέρες ψύξης (CDD) είναι ένας πρακτικός τρόπος για την αξιολόγηση της επίδρασης της θερμοκρασίας του αέρα στην ενεργειακή απόδοση των κτιρίων. Σε αυτή την έρευνα, προσδιορίζεται και επικυρώνεται στατιστικά, η σχέση μεταξύ της μεσημβρινής επιφανειακής θερμοκρασίας από δεδομένα του NOAA-AVHRR και των μέσων ημερήσιων θερμοκρασιών αέρα που καταγράφηκαν από σταθερούς μετεωρολογικούς σταθμούς .Στη συνέχεια γίνεται χρήση αυτής της σχέσης για των υπολογισμό των CDD .Το πλεονέκτημα αυτής της προσέγγισης είναι η άμεση εφαρμογή των ημερήσιων δορυφορικών δεδομένων για τον καθορισμό των CDD σε αστικές περιοχές με χωρική ανάλυση 1.1 χλμ..

'''Εισαγωγή:''' Οι CDD ορίζονται ως η θετική απόκλιση της μέσης ημερήσιας θερμοκρασίας Tm από μία βασική θερμοκρασία Tb, πρακτικά είναι η εξωτερική θερμοκρασία αέρα πάνω από την οποία ενεργοποιείται ο κλιματισμός για να διατηρήσει την εσωτερική θερμοκρασία σε ένα επίπεδο άνεσης. Η βασική θερμοκρασία είναι αυθαίρετη, αλλά γενικώς αποδεκτή, μεταξύ 10 και 28 °C και συνήθως επιλέγονται οι 25°C . Οι ετήσιες βαθμοημέρες ψύξης υπολογίζονται από τις ημερήσιες που αθροίζονται για το διάστημα ενός έτους.

Η γνώση της χωρικής κατανομής των CDD σε μια πόλη επιτρέπει την περιγραφή και την αποτύπωση των θερμοκρασιακών συνθηκών για τη βελτίωση του αστικού περιβάλλοντος και τη μείωση την ενεργειακής κατανάλωσης, αλλά και για την αξιολόγηση και το σχεδιασμό μια περιοχής.

Οι βαθμοημέρες ψύξης υπολογίζονται από τον παρακάτω τύπο

CDD=(1DAY) ∑_DAYS(Tm-Tb)_+ (1)

Το + υποδεικνύει ότι μόνο θετικές τιμές λαμβάνονται υπόψη, δηλ.. αν Tm < Tb τότε CDD = 0.

Υπάρχουν και άλλες πιο περίπλοκες μέθοδοι, κοινός παράγοντας όλων είναι η εξάρτηση τους από τα επίγεια δεδομένα τόσο σε χωρικό όσο και σε χρονικό επίπεδο, που όμως είναι πολλές φορές μη διαθέσιμα ή ανεπαρκή.

Η χρήση δορυφορικών δεδομένων παρέχει καλύτερη χωρική κάλυψη λόγω του ότι τα δεδομένα είναι χωρικά συνεχή και διαθέσιμα για μεγαλύτερο ποσοστό γης με σταθερή συχνότητα. Ο αισθητήρας AVHRR των δορυφόρων NOAA, διαθέτει 5 φασματικά κανάλια, εκ των οποίων 2 (το 4 και 5) βρίσκονται στο θερμικό υπέρυθρο, και για αυτό χρησιμοποιούνται ευρέως για επιφανειακές θερμοκρασίες.

Ο στόχος αυτής της έρευνας είναι διττός: αρχικά να καθορίσει μια έγκυρη σχέση μεταξύ των μεσημβρινών επιφανειακών θερμοκρασιών με τις μέσες ημερήσιες θερμοκρασίες αέρα και στη συνέχεια να χρησιμοποιήσει αυτή τη σχέση για τον υπολογισμό των βαθμοημερών ψύξης, που αποτελεί κύρια παράμετρο στον υπολογισμό της ενεργειακής κατανάλωσης στις πόλεις. Για τις ανάγκες της έρευνας καθορίστηκε μία επιφανειακή θερμοκρασία κατώφλι, που προέκυψε από την παραπάνω συσχέτιση, και χρησιμοποιήθηκε για τον υπολογισμό των CDD μέσω των ημερήσιων δορυφορικών δεδομένων. Τα αποτελέσματα συγκρίθηκαν με τις τιμές των CDD που ανακτήθηκαν μέσω των σταθερών μετεωρολογικών σταθμών. Η περιοχή μελέτης είναι η Αθήνα.

''' Μεθοδολογία:'''

*Ανάκτηση επιφανειακής θερμοκρασίας από τα δεδομένα του NOAA-AVHRR

Συλλέχθηκαν 50 εικόνες, κατά τη διάρκεια της μέρας, του NOAA-14 AVHRR, για την περίοδο Ιουνίου-Αυγούστου 2000, για την περιοχή της Αθήνας. Επιλέχθηκαν ο δορυφόρος NOAA-14 διότι παρέχει εικόνες της περιοχής μελέτης στις 14:00 UTC , και άρα είναι οι κατάλληλες για τον υπολογισμό των θερμοκρασιών. Αρχικά οι εικόνες 1χ1 χλμ. διορθώθηκαν ραδιομετρικά και γεωμετρικά. Η ραδιομετρική διόρθωση επιτεύχθηκε με τη χρήση της ακτινο-βασισμένης διαδικασίας του NOAA.
Στη συνέχεια όλες οι εικόνες εγγράφηκαν στο σύστημα συντεταγμένων UTM, χρησιμοποιώντας 10 σημεία ελέγχου (GCPs) και διορθώθηκαν με σφάλμα τετραγωνικού μέσου ενός pixel. Στο επόμενο βήμα εφαρμόστηκε μία μάσκα , pixel με ανακλαστικότητα μεγαλύτερη του 25% στο κανάλι 1 , θεωρήθηκαν «μολυσμένα» από νέφη και απορρίφθηκαν. Έτσι από τις 50 εικόνες που συλλέχθηκαν, επιλέχθηκαν 32 που ανταποκρίνονται σε συνθήκες ανέφελου ουρανού.

Τα κανάλια 4 και 5 χρησιμοποιήθηκαν για τον υπολογισμό της επιφανειακής θερμοκρασίας με την εφαρμογή ενός αλγορίθμου για την διόρθωση της επίδρασης των φίλτρων λειτουργίας του αισθητήρα. Χωρίς τη χρήση ενός αλγόριθμου διόρθωσης μπορεί να προκύψει λάθος στις επιφανειακές θερμοκρασίες της τάξης των 2.3 K .

Η επιφανειακή θερμοκρασία Ts υπολογίστηκε από τον τύπο:

Τs=5.54+T4+2.08(T4-T5) (2)

όπου T4 και T5 είναι οι θερμοκρασίες φωτεινότητας των καναλιών 4 και 5 αντίστοιχα, μετρημένες σε Κ.

*Σχέση μεταξύ των μεσημβρινών επιφανειακών θερμοκρασιών και της ημερήσιας θερμοκρασίας

Ανακτήθηκαν επίγειες μετρήσεις ωριαίων δεδομένων θερμοκρασίας αέρα και εδάφους, από τους μετεωρολογικούς σταθμούς του Θησείου και της Πεντέλης. Και για τους δύο σταθμούς η μέση ημερήσια θερμοκρασία αέρα υπολογίστηκε με τη χρήση της ωριαίας θερμοκρασίας αέρα Ti από τη σχέση:

Tm=((∑_1^24 Ti))/24 (3)

Στη συνέχεια οι τιμές της Tm απεικονίστηκαν σε αντιπαραβολή με τις μεσημβρινές θερμοκρασίες (14:00 UTC ) για να εξεταστεί αν υπάρχει άμεση συσχέτιση μεταξύ τους και αν υποστηρίζεται(Διάγραμμα 1).

Η συσχέτιση αποτέλεσε έναυσμα για έρευνα της συσχέτισης μεταξύ της μέσης ημερήσιας θερμοκρασίας (Ts )και της μεσημβρινής επιφανειακής θερμοκρασίας με στόχο της χρήση της για τον υπολογισμό των DD από τηλεπισκοπικά ανιχνευμένες επιφανειακές θερμοκρασίες (NOAA-14 AVHRR). Οι τιμές της Ts που χρησιμοποιήθηκαν στη σύγκριση, ήταν αυτές που αντιστοιχούσαν στα pixel της περιοχής των μετεωρολογικών σταθμών.

Η ανάλυση παλινδρόμησης έδειξε ότι η μέση ημερήσια θερμοκρασία του αέρα και η μεσημβρινή επιφανειακή θερμοκρασία AVHRR σχετίζονται ισχυρά (R² = 0.80). Συμπεραίνεται ότι μπορεί να καθοριστεί μια απευθείας σχέση μεταξύ των Tm , Ts :

Τm=1,1176 Τs-21,917 (4)

Όπου Tm η μέση ημερήσια θερμοκρασία του αέρα και Ts η μεσημβρινή επιφανειακή θερμοκρασία. Από την (4) μπορεί να καθοριστεί μία επιφανειακή θερμοκρασία κατώφλι Tsb και να χρησιμοποιηθεί για τον υπολογισμό των CDD από τηλεπισκοπικά δεδομένα.

*Πραγματικές και εκτιμώμενες βαθμοημέρες ψύξης

Οι πραγματικές βαθμοημέρες ψύξης(CDDa) υπολογίστηκαν από τα δεδομένα της θερμοκρασίας του αέρα που μετρήθηκαν στους δύο μετεωρολογικούς σταθμούς και με θερμοκρασία κατώφλι τους 25°C . Οι ημερήσιες CDDa ισούνται με τη διαφορά Tm- Tb. Οι τιμές αυτές χρησιμοποιήθηκαν ως επιτόπια δεδομένα και στη συνέχεια συγκρίθηκαν με τις CDD που υπολογίσθηκαν με τη βοήθεια του AVHRR: CDDest= Ts – Tsb, (5)

Ts η μεσημβρινή επιφανειακή θερμοκρασία από τον AVHRR σε °C

Tsb η επιφανειακή θερμοκρασία κατώφλι (42°C).

Η χρήση της (5) επιβεβαιώνεται από τον ισχυρό συντελεστή συσχέτισης της με την (4) (R² = 0.80).

''' Αποτελέσματα και συμπεράσματα: ''' Συγκρίνοντας τις προβλεπόμενες και τις πραγματικές CDD για τους δύο σταθμούς στη θερμοκρασία κατώφλι των 25°C , βρέθηκε μια συνολική ισχυρή συσχέτιση μεταξύ των CDDest και των CDDa (Εικ. 3). Επίσης η κλίση της ευθείας παλινδρόμησης μεταξύ των προβλεπόμενων και των πραγματικών είναι μικρότερη του 1 (CDDest = 0.74CDDa + 0.37), κάτι που σημαίνει ότι υπάρχει μια τάση υποτίμησης της CDDest καθώς η CDDa αυξάνεται(Διάγραμμα 2). Το μέσο απόλυτο σφάλμα είναι της τάξης του 1.36-βαθμοημέρες ψύξης για το Θησείο και 1.14 για την Πεντέλη. Ενώ το μέσο τετραγωνικό σφάλμα (rmse) της τάξης των 1.68 και 1.67 βαθμοημερών ψύξης για το Θησείο και την Πεντέλη αντίστοιχα.

Με αυτή την προσέγγιση φαίνεται ότι οι ημερήσιες CDD μπορούν να υπολογιστούν με σφάλμα της τάξης των 1.7βαθμοημερών ψύξης. Η ακρίβεια επηρεάζεται από την ακρίβεια των δεδομένων επιφανειακής θερμοκρασίας από το AVHRR.

Παρόλο που οι τηλεπισκοπικές εκτιμήσεις έχουν το πλεονέκτημα της χωρικής κάλυψης σε μεγάλες αστικές περιοχές, απεικονίζοντας έτσι αποτελεσματικά τις διακυμάνσεις της CDD μεταξύ διαφορετικών αστικών περιοχών, είναι περιορισμένες από νεφικές παρεμβολές . Από την άλλη, οι μετρήσεις από τυποποιημένους μετεωρολογικούς σταθμούς, ενώ έχουν περιορισμένη χωρική κάλυψη, παρέχουν εξαιρετικές χρονικές εγγραφές. Ωστόσο, οι τοπικές τηλεπισκοπικές εκτιμήσεις CDD που προκύπτουν από παρατηρήσεις του συνολικού πεδίου του ραδιομέτρου είναι γενικά πιο αντικειμενικές για την περιοχή από μια μόνο σημειακή μέτρηση που αντιστοιχεί στη θέση του μετεωρολογικού σταθμού.

Συνάγεται το συμπέρασμα ότι οι τηλεπισκοπικοί υπολογισμοί θα πρέπει να χρησιμοποιούνται σε συνδυασμό με τις παρατηρούμενες τιμές που αποκτήθηκαν από κάποιον αστικό μετεωρολογικό σταθμό.

[[category: Ενέργεια]]

Αρχείο:Rs wiki6 ck eikona2.JPG

2018-01-18T23:04:37Z

Kaxri17a:

Αρχείο:Rs wiki6 ck eikona1.JPG

2018-01-18T23:04:18Z

Kaxri17a:

Καραγιάννη Χριστίνα

2018-01-18T22:49:12Z

Kaxri17a:

Καραγιάννη Χριστίνα

2018-01-18T22:45:57Z

Kaxri17a:

* [[Μελέτη της σχέσης μεταξύ αστικοποίησης και υδρολογικών διεργασιών με χρήση δορυφορικών απεικονίσεων]]

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

* [[Πολυφασματική, αντικειμενοστρεφής ασαφής ανάλυση δεδομένων τηλεπισκόπησης για απευθείας χρήση από GIS]]

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

* [[Καταγραφή και Προσομοίωση της Αστικής Διάχυσης με Χρήση Τηλεπισκόπισης και Gis]]

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

* [[Δείκτης Πράσινου Αστικής Συνοικίας – Μέτρηση και Αξιολόγηση των Χώρων Πρασίνου σε Αστικές Περιοχές]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

*[[Εφαρμογές Περιβαλλοντικής Δημόσιας Υγείας με τη Χρήση Τηλεπισκοπικών Δεδομένων]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

* [[Χρήση Μεσημβρινών Επιφανειακών Θερμοκρασιών για τον Υπολογισμό των Βαθμοημερών Ψύξης από Δεδομένα στο Θερμικό Υπέρυθρο. Εφαρμογή για την Αθήνα]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

Καραγιάννη Χριστίνα

2018-01-18T22:41:06Z

Kaxri17a:

* [[Μελέτη της σχέσης μεταξύ αστικοποίησης και υδρολογικών διεργασιών με χρήση δορυφορικών απεικονίσεων]]

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

* [[Πολυφασματική, αντικειμενοστρεφής ασαφής ανάλυση δεδομένων τηλεπισκόπησης για απευθείας χρήση από GIS]]

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

* [[Καταγραφή και Προσομοίωση της Αστικής Διάχυσης με Χρήση Τηλεπισκόπισης και Gis]]

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

* [[Δείκτης Πράσινου Αστικής Συνοικίας – Μέτρηση και Αξιολόγηση των Χώρων Πρασίνου σε Αστικές Περιοχές]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

*[[Εφαρμογές Περιβαλλοντικής Δημόσιας Υγείας με τη Χρήση Τηλεπισκοπικών Δεδομένων]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

*[[Χρήση Μεσημβρινών Επιφανειακών Θερμοκρασιών για τον Υπολογισμό των Βαθμοημερών Ψύξης από Δεδομένα στο Θερμικό Υπέρυθρο του Noaa-Avhrr: Εφαρμογή για την Αθήνα]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

Εφαρμογές Περιβαλλοντικής Δημόσιας Υγείας με τη Χρήση Τηλεπισκοπικών Δεδομένων

2018-01-18T22:37:55Z

Kaxri17a: Νέα σελίδα με 'Εφαρμογές Περιβαλλοντικής Δημόσιας Υγείας με τη Χρήση Τηλεπισκοπικών Δεδομένων [[Εικόνα...'

[[Εφαρμογές Περιβαλλοντικής Δημόσιας Υγείας με τη Χρήση Τηλεπισκοπικών Δεδομένων]]

[[Εικόνα: Rs_wiki5_ck_eikona1.JPG|400px|thumb|right|'''Εικόνα 1.''' Επιφανειακή Συγκέντρωση PM2.5 για τις 14 Ιουλίου 2003.]]

[[Εικόνα: Rs_wiki5_ck_eikona2.JPG|400px|thumb|right|''' Εικόνα 2.''' Ενοποιημένες Aqua & Terra LST για τις 16 Ιουνίου 2003 (MODIS).]]

[[Εικόνα: Rs_wiki5_ck_eikona3.JPG|400px|thumb|right|'''Εικόνα 3.''' Κατανομή της έρευνας REGARDS]]
[[Εικόνα: Rs_wiki5_ck_eikona4.JPG|600px|thumb|right|'''Εικόνα 4.''' Απεικόνιση των δεδομένων μέσω του CDC WONDER.]]
'''Αντικείμενο Εφαρμογής:''' Σύνδεση περιβαλλοντικών παραγόντων με προβλήματα υγείας και δημιουργία σχετικής βάσης δεδομένων

'''Πρωτότυπος Τίτλος:''' Environmental public health applications using remotely sensed data

'''Συγγραφείς:''' Mohammad Z. Al-Hamdan(a), William L. Crosson(a), Sigrid A.
Economou(b), Maurice G. Estes Jr(a), Sue M. Estes(a), Sarah N.
Hemmings(a), Shia T. Kentc, Mark Puckett(b), Dale A. Quattrochi(d),
Douglas L. Rickman(d), Gina M. Wade(e) & Leslie A. McClure( c)

(a) Universities Space Research Association, NASA Marshall Space Flight Center, Huntsville, AL, USA.

(b) Office of Surveillance, Epidemiology and Laboratory Services, Centers for Disease Control and Prevention, Atlanta, GA, USA.

(c) School of Public Health, University of Alabama at Birmingham, Birmingham, AL, USA.

(d) Earth Science Office, NASA Marshall Space Flight Center, Huntsville, AL, USA.

(e)Von Braun Center for Science and Innovation, National Space Science and Technology Center (Previously with USRA at NASA/ MSFC), Huntsville, AL, USA.

'''Πηγή:''' Geocarto International 2014 Vol. 29, No. 1, 85–98, DOI: 10.1080/10106049.2012.715209
[https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4044865/]

'''Λέξεις Κλειδιά:''' Τηλεπισκόπηση, GIS, μικροσωματίδια, ηλιοφάνεια, καύσωνας, δημόσια υγεία

'''Περίληψη:''' Τρεις είναι οι στόχοι αυτής της μελέτης :
(1) o χαρακτηρισμός των σωματιδίων PM2.5,της ηλιακής ακτινοβολίας και της επιφανειακής θερμοκρασίας (LST) χρησιμοποιώντας δορυφορικές παρατηρήσεις της NASA, εδαφικά στοιχεία του Οργανισμού Προστασίας Περιβάλλοντος (EPA) και δεδομένα του Βορειοαμερικανικού Σύστηματος Αφομοίωσης Εδαφικών Δεδομένων (NLDAS) σε εθνική κλίμακα
(2)η σύνδεση αυτών των δεδομένων με δεδομένα δημόσιας υγείας , από την εθνική έρευνα Αιτίες των Γεωγραφικών και Φυλετικών Διαφορών στο Αγγειακό Εγκεφαλικό Επεισόδιο (REGARDS) , έτσι ώστε να προσδιοριστεί το κατά πόσο αυτοί οι περιβαλλοντικοί παράγοντες κινδύνου σχετίζονται με τη γνωστική εξασθένιση, τα εγκεφαλικά επεισόδια και άλλες επιπτώσεις στην υγεία και
(3) η διάθεση αυτών των περιβαλλοντικών δεδομένων και της ανάλυσης σύνδεσης τους , προς τους τελικούς χρήστες, για τη λήψη αποφάσεων, μέσω των Ευρείας-Κλίμακας Διαδικτυακών Δεδομένων για Επιδημιολογικές Έρευνες (WONDER) των Κέντρων Ελέγχου και Πρόληψης Νοσημάτων (CDC).

'''Εισαγωγή:''' Μία μεγάλη πρόκληση στη μελέτη της σχέσης μεταξύ ατμοσφαιρικής ρύπανσης ,έκθεσης σε θερμότητα ή ηλιακή ακτινοβολία, και των αποτελεσμάτων αυτής στην ανθρώπινη υγείας, είναι ο χαρακτηρισμός του επιπέδου της έκθεσης σε πληθυσμιακή ή ατομική κλίμακα. Οι μετρήσεις ανθρώπινης έκθεσης υπολογίζονται συνήθως με βάση περιβαλλοντικές μετρήσεις που είναι διαθέσιμες από τα εδαφικά δίκτυα παρακολούθησης των μετεωρολογικών συνθηκών και του περιβαλλοντικού αέρα. Αν και οι επίγειες παρατηρήσεις παρέχουν καλύτερο χαρακτηρισμό των επιπέδων της θερμότητας και των συγκεντρώσεων ρύπων, υπάρχουν χρονικά και χωρικά κενά σε αυτά τα δεδομένα που μπορούν να περιορίσουν την εφαρμοστικότητα τους. Μια πολλά υποσχόμενη μέθοδος για τον χαρακτηρισμό της περιβαλλοντικής έκθεσης για εφαρμογές δημόσιας υγείας και επιδημιολογικής έρευνας είναι ο συνδυασμός τηλεπισκοπικών δεδομένων δορυφορικών συστημάτων με δεδομένα δικτύων παρακολούθησης, για την κάλυψη των προαναφερθέντων χρονικών και χωρικών κενών .

Μεταξύ των συνιστωσών της ατμοσφαιρικής ρύπανσης, υπάρχει ένα ραγδαία αναπτυσσόμενο ενδιαφέρον για των ρόλο των μικροσωματιδίων με αεροδυναμική διάμετρο μικρότερη ή ίση με 2,5 μικρομέτρα (PM2,5). Πρόσφατη έρευνα έδειξε ότι οι μηχανισμοί που εμπλέκονται στη σχέση μεταξύ ηλιακού φωτός και της ανθρώπινης διάθεσης, μπορούν να επηρεάσουν τη γνωστική ικανότητα . Επιπλέον, αυξάνονται τα στοιχεία για το ότι η εξωτερική θερμοκρασία είναι ένας από τους κύριους παράγοντες για τις εποχιακές διακυμάνσεις της αρτηριακής πίεσης στην Ευρώπη. Έτσι, κατανοώντας τη σχέση μεταξύ σωματιδίων, έκθεσης στο ηλιακό φως ή τη θερμότητα, και τα αποτελέσματα στην υγεία , θα επιτραπεί στους φορείς δημόσιας υγείας να λάβουν αποφάσεις που θα ωφελήσουν την κοινωνία ως σύνολο.

Στην παρούσα μελέτη ,αναπτύχθηκαν υψηλής ποιότητας εθνικά χωρικά σύνολα δεδομένων των PM2.5 και της ηλιακής ακτινοβολίας , συνδυάστηκαν δεδομένα του REGARDS, που σχετίζονται με τον γνωστικό εκφυλισμό και άλλες επιπτώσεις στην υγεία, και ενσωματώθηκαν στα ηλεκτρονικά δεδομένα επιδημιολογικών μελετών των Κέντρων Ελέγχου Νοσημάτων (CDC).

''' Μεθοδολογία:''' Χρησιμοποιήθηκαν τηλεπισκοπικά δεδομένα της επιφανειακής θερμοκρασίας (LST) από τον MODIS και παράγωγα του οπτικού βάθους αεροδιαλυμάτων (AOD) σε συνδυασμό με παρατηρήσεις εδάφους της ΕΡΑ και την ημερήσια ηλιοφάνεια (DI), καθώς και τα στοιχεία που σχετίζονται με τη θερμότητα από την NLDAS. Καταρτίστηκαν τρία ημερήσια σύνολα περιβαλλοντικών δεδομένων , με διαφορετική χωρική ανάλυση, για την περίοδο 2003-2008: (1)χωρικές επιφάνειες της εκτιμώμενης έκθεση σε ΡΜ2,5 σε δίκτυο 10 χλμ. χρησιμοποιώντας παρατηρήσεις εδάφους της ΕΡΑ των ΗΠΑ και δεδομένα MODIS της NASA. (2) ένα δίκτυο 1 χλμ. για την LST με δεδομένα MODIS και (3) ένα δίκτυο 12 χιλιομέτρων της DI και παραγώγων που συνδέονται με τη θερμότητα χρησιμοποιώντας δεδομένα του NLDAS.
Τα παραπάνω συνδυάστηκαν με δεδομένα δημόσιας υγείας από τη μελέτη REGARDS για να καθοριστεί εάν η έκθεση σε αυτούς τούς περιβαλλοντικούς παράγοντες σχετίζονται με τη νοητική υποβάθμιση, το εγκεφαλικό επεισόδιο, την υπέρταση, την υπερλιπιδαιμία(υψηλή χοληστερόλη) και / ή με φλεγμονές.

'''Περιβαλλοντικά Παράγωγα: '''

*Αιωρούμενα Σωματίδια (PM2.5)
Τα ημερήσια δεδομένα Aqua MODIS AOD αποκτήθηκαν για την περίοδο 2003-2008 από το Αρχείο της NASA (Εικ.1) .Η επεξεργασία δεδομένων παρήγαγε ένα εθνικό σύνολο δεδομένων. Μέρος της επεξεργασίας ήταν η εκτίμηση των PM2.5 σε επιφανειακό επίπεδο, από το MODIS AOD χρησιμοποιώντας εξισώσεις παλινδρόμησης ανά περιοχή της EPA και ανά εποχή. Τα στοιχεία EPA AQS PM2.5 ελήφθησαν και υποβλήθηκαν σε επεξεργασία για την ίδια περίοδο. Λαμβάνοντας υπόψη τα δυνητικά χωρικά και χρονικά κενά τόσο στα δεδομένα της EPA όσο και σε αυτά του MODIS, χρησιμoποιήθηκε ένας τροποποιημένος αλγόριθμος επιφανείας B-spline έτσι ώστε να παραχθούν συνεχείς χωρικές επιφάνειες της ημερήσιας κατανομής των PM2.5 σε δίκτυο 10 χλμ..
Πριν από αυτό διενεργήθηκε ένας έλεγχος ποιότητας (QC) για τα δεδομένα AQS της EPA και μια διαδικασία προσαρμογής μεροληψίας για τα δεδομένα του MODIS. Η διαδικασία QC χρησιμοποιεί παρατηρήσεις από τις γύρω περιοχές σε μία μη παραμετρική χωρική ανάλυση τάξης για τον εντοπισμό και την εξάλειψη των μη κανονικών μετρήσεων .
Η διαδικασία προσαρμογής μεροληψίας αναπτύχθηκε για να ληφθούν υπόψη οι πιθανές μεροληψίες στις εκτιμήσεις των PM2.5 που προέρχονται από το MODIS λόγω της έμμεσης φύσης της παρατήρησης και την ατελή σχέση μεταξύ ΑΟD και PM2.5.

*Εδαφικά Δεδομένα
Τα ωριαία δεδομένα του NLDAS που χρησιμοποιήθηκαν σε αυτή τη μελέτη αποκτήθηκαν ως μέρος της αποστολής του Τμήματος Γεοεπιστήμης της NASA από το Κέντρο Δεδομένων και Πληροφοριών Goddard Earth Sciences (GES). Υπολογίστηκαν η μέγιστη και ελάχιστη ημερήσια θερμοκρασία αέρα ,ο μέγιστος δείκτης θερμότητας και DI για την περίοδο 2003-2008 χρησιμοποιώντας τα ωριαία δεδομένα του NLDAS για αυτή τη χρονική περίοδο.

*Επιφανειακή Θερμοκρασία (LST)
Το εργαλείο επαναπροβολής του MODIS χρησιμοποιήθηκε για την εξαγωγή ημερησίων δεδομένων LST από πολλαπλά "πλακίδια" του πλέγματος και τη σύνθεση των δεδομένων σε χωρική επιφάνεια 1-χλμ..Στη συνέχεια υπολογίσθηκαν οι μηνιαίες και εποχικές μέσες Aqua και Terra LST και οι διαφορές τους, χωριστά για κάθε εποχή και κατά τη διάρκεια της ημέρας και της νύχτας. Δημιουργήθηκαν συγχωνευμένες ημερήσιες Aqua-Terra LST (Εικ.2) για κάθε μέρα και νύχτα της περιόδου 2003-2008, συμπληρώνοντας τα κενά των δεδομένων στο Aqua LST με τη χρήση δεδομένων Terra, όπου ήταν διαθέσιμα.

''' Σύνδεση δεδομένων περιβαλλοντικής υγείας: ''' Τα PM2,5,η ημερήσια ελάχιστη και μέγιστη θερμοκρασία αέρα και οι εκτιμήσεις της DI συνδέθηκαν χωρικά με τους συμμετέχοντες ,από τη μελέτη REGARDS ,με χρήση GIS σε ένα επιμέρους επίπεδο , με βάση τις γεωγραφικές συντεταγμένες των κατοικιών των συμμετεχόντων κατά την έναρξη της έρευνας (Eικ.3). Τα δεδομένα υποβάθρου, συμπεριλαμβανομένων των δημογραφικών στοιχείων, του ιστορικού καπνίσματος και του παράγοντα κινδύνου για καρδιοαγγειακά νοσήματα, συλλέχθηκαν μέσω τηλεφωνικής συνέντευξης και στη συνέχεια έγιναν κατ΄οίκον επισκέψεις. Ακολούθησαν ετήσιες επαναλήψεις της τηλεφωνικής συνέντευξης για την αξιολόγηση της γνωστικής λειτουργίας των συμμετεχόντων. Οι συμμετέχοντες κωδικοποιήθηκαν γεωγραφικά με βάση τη διεύθυνση κατοικίας τους χρησιμοποιώντας τη γεωγραφική κωδικοποίηση SAS / GIS. Τα συνδεδεμένα σύνολα δεδομένων αποτελούνται από ετήσιους πίνακες που περιλαμβάνουν τα στοιχεία της γεο-κωδικοποίησης των συμμετεχόντων και τις σχετικές ημερήσιες ελάχιστες και μέγιστες θερμοκρασίες αέρα, ηλιοφάνεια και PM2.5 για ένα έτος (ένας πίνακας ανά περιβαλλοντική μεταβλητή). Τα περιβαλλοντικά δεδομένα ταξινομήθηκαν και συγχωνεύθηκαν με τα αντίστοιχα δεδομένα υγείας. Αυτά τα δεδομένα στη συνέχεια ταξινομήθηκαν με βάση την ημερομηνία της πρώτης τηλεφωνικής συνέντευξης και την ημερομηνία κάθε επαναληπτικής συνέντευξης.

'''Διάθεση των δεδομένων στους τελικούς χρήστες: '''Το σύνολο των δεδομένων διατέθηκε σε επαγγελματίες δημόσιας υγείας ,σε ερευνητές και στο ευρύ κοινό μέσω της ιστοσελίδας του CDC WONDER (http://wonder.cdc.gov/) (Εικ.4) . Χρησιμοποιώντας το Ομοσπονδιακό Σύστημα Επεξεργασίας Πληροφοριών (FIPS), τα παρεχόμενα δεδομένα μπορούν να αθροιστούν (κατά μέσο όρο) ανά νομό, κράτος ή περιφερειακό επίπεδο σύμφωνα με τις ανάγκες των χρηστών. Αυτό επιτρέπει τη σύνδεση αυτών των δεδομένων με την κρατική και τοπική δημόσια υγεία. Με αυτόν τον τρόπο, οι ερευνητές σε όλο τον κόσμο θα μπορέσουν να συνδέσουν αυτά τα σύνολα δεδομένων με τα δικά τους για την περαιτέρω κατανόηση του τρόπου με τον οποίο καθεμία από αυτές τις εκθέσεις ( PM2,5, θερμοκρασία και DI) συμβάλλει στη νοσηρότητα και στη θνησιμότητα.

'''Περιορισμοί αυτής της εργασίας: '''
*η δυσκολία ενσωμάτωσης μετεωρολογικών παραγόντων, όπως η ταχύτητα του ανέμου, το ύψος ανάμιξης της ατμόσφαιρας και η σχετική υγρασία RH
*η θερμική καταπόνηση προκαλείται κυρίως από τη θερμοκρασία του εγγύς επιφανειακού αέρα, που δεν είναι ισοδύναμο με το LST, Ειδικά σε αστικές περιοχές ή περιοχές με αραιή βλάστηση
*η θερμοκρασία μόνο δεν αποτελεί στοιχείο για την αισθητή θερμότητα, η υγρασία του αέρα παίζει επίσης μεγάλο ρόλο
*συνδέοντας καθέναν από τους συμμετέχοντες στο REGARDS με την οικίας του, υποθέτουμε ότι στην πραγματικότητα κατοικούν εκεί και ότι ο χρόνος που οι συμμετέχοντες ξοδεύουν εκτός σπιτιού είναι αρκετός για να τους εκθέσει στα μεγέθη που μετρούνται μέσω δορυφόρου. Έτσι, υπάρχει η πιθανότητα εσφαλμένης ταξινόμησης
*η χωρική της ανάλυση, η οποία σε αυτή τη μελέτη είναι 1 χλμ. για το MODIS LST, 10 χλμ. για τα PM2.5 και 12 χλμ. για τα εδαφικά δεδομένα. Σε 1 χλμ. οι διακυμάνσεις σε κλίμακα «γειτονιάς» αποδίδονται με σχετική ακρίβεια. Ωστόσο, σε κλίμακες των 10-12 χιλιομέτρων δεν αντιπροσωπεύονται με ακρίβεια

[[category: Υγεία]]

Αρχείο:Rs wiki5 ck eikona4.JPG

2018-01-18T22:31:27Z

Kaxri17a:

Αρχείο:Rs wiki5 ck eikona3.JPG

2018-01-18T22:31:05Z

Kaxri17a:

Αρχείο:Rs wiki5 ck eikona2.JPG

2018-01-18T22:30:51Z

Kaxri17a:

Αρχείο:Rs wiki5 ck eikona1.JPG

2018-01-18T22:30:33Z

Kaxri17a:

Καραγιάννη Χριστίνα

2018-01-18T22:06:54Z

Kaxri17a:

Δείκτης Πράσινου Αστικής Συνοικίας – Μέτρηση και Αξιολόγηση των Χώρων Πρασίνου σε Αστικές Περιοχές

2018-01-18T21:59:19Z

Kaxri17a:

[[Δείκτης Πράσινου Αστικής Συνοικίας – Μέτρηση και Αξιολόγηση των Χώρων Πρασίνου σε Αστικές Περιοχές]]

[[Εικόνα: Rs_wiki4_ck_roh.JPG|300px|thumb|right|'''Διάγραμμα 1.''' Διάγραμμa ροής των εργασιών της μελέτης]]
[[Εικόνα: Rs_wiki_ck4_eikona1.JPG|300px|thumb|right|'''Εικόνα 1.''' Η περιοχή μελέτης]]

[[Εικόνα: Rs_wiki4_ck_eikona2.JPG|300px|thumb|right|''' Εικόνα 2.''' Η περιοχή μελέτης με τις διαφορετικές αναπτύξεις της(ως προς το ύψος και την πυκνότητα δόμησης)]]

[[Εικόνα: Rs_wiki4_ck_eikona3.JPG|300px|thumb|right|'''Εικόνα 3.''' (α)Δυαδικός χάρτης ταξινόμησης της απεικόνιση του δείκτη βλάστησης (β)Χάρτης Δείκτη Πρασίνου(ποσοστό βλάστησης ανά κελί)]]

[[Εικόνα: Rs_wiki4_ck_eikona4.JPG|300px|thumb|right |'''Εικόνα 4''' Τύπος βλάστησης (α)/ Εγγύτητα σε χώρους πρασίνου (β)]]

[[Εικόνα: Rs_wiki4_ck_eikona5.JPG|300px|thumb|right |'''Εικόνα 5''' Χάρτης πυκνότητας δόμησης (α)/ Χάρτης ύψους κτιρίων (β)]]

[[Εικόνα: Rs_wiki4_ck_eikona6.JPG|300px|thumb|right |'''Εικόνα 6''' Τελικός Χάρτης Δείκτη Βλάστησης Αστικής Γειτονιάς )]]

[[Εικόνα: Rs_wiki4_ck_pinakas.JPG|300px|thumb|right|'''Πίνακας 1.''' Πίνακας Κατανομής των δεικτών GI και UNGI ανά κατηγορία]]
'''Αντικείμενο Εφαρμογής:''' Ανάπτυξη ενός δείκτη για την αξιολόγηση της ποσότητας και της ποιότητας των χώρων βλάστησης σε αστικές συνοικίες

'''Πρωτότυπος Τίτλος:''' Urban Neighborhood Green Index – A measure of green spaces in urban areas

'''Συγγραφείς:''' Kshama Gupta(a), Pramod Kumar(a), S.K. Pathan(b), K.P. Sharma(a)

(a) Indian Institute of Remote Sensing, Indian Space Research Organization, 4, Kalidas Road, Dehradun, India

(b) Space Application Centre, Indian Space Research Organization, Satellite Road, Ahmedabad, India

'''Πηγή:''' Elsevier, Landscape and Urban Planning 105 (2012) 325–335
[https://www.sciencedirect.com/science/article/pii/S0169204612000199]

'''Λέξεις Κλειδιά:''' Αστικοί χώροι; Δείκτης πρασίνου;GIS; Τηλεπισκόπηση; Γειτονιά

'''Περίληψη:''' Οι αστικοί χώροι πρασίνου (UGS) αποτελούν ένα σημαντικό σύνολο οποιασδήποτε αστικής περιοχής, η ποσότητα και η ποιότητα τους είναι μείζουσας σημασίας για τους σχεδιαστές και τους υπεύθυνους διαχείρισης της πόλης. Για αντικειμενικές μετρήσεις του πρασίνου γίνεται χρήση του δείκτη πρασίνου (GI) , ο οποίος υπολογίζεται ποσοστιαία μέσω εικόνων τηλεπισκόπησης. Οι γειτονιές (NH) αποτελούν το πιο σημαντικό επίπεδο εφαρμογής πράσινων στρατηγικών . Ο Δείκτης Πρασίνου Αστικών Γειτονιών (UNGI) προσπαθεί να αξιολογήσει την «πρασινότητα» της περιοχής και να αναγνωρίζει τις κρίσιμες περιοχές που αποτελούν εν δυνάμει περιοχές βελτίωσης. Για την ανάπτυξη του δείκτη χρησιμοποιήθηκαν οι παράμετροι GI, εγγύτητα σε πράσινο, πυκνότητα και ύψος δόμησης. Σε κάθε δείκτη δόθηκε συγκεκριμένη βαρύτητα σύμφωνα με τη μέθοδο σύγκρισης του Saaty. Συγκρίθηκαν 4 διαφορετικοί τύποι του δείκτη και βρέθηκε ότι ο μέσος GI (0.44) αντιστοιχεί σε γειτονιές με υψηλή ανάπτυξη και αραιή δόμηση ή γειτονιές με χαμηλή ανάπτυξη και αραιή δόμηση. Ο μέσος UNGI είναι υψηλότερος για γειτονιές με χαμηλή ανάπτυξη και πυκνότητα, σε σύγκριση με γειτονιές υψηλής ανάπτυξης και αραιής-δόμησης, άρα οι περιοχές υψηλής ανάπτυξης απαιτούν καλύτερη διαχείριση της κατανομής του πρασίνου. Τα δεδομένα εισόδου για τον UNGI βρίσκονται εύκολα μέσω εικόνων τηλεπισκόπισης και είναι εύκολα κατανοητά από τους υπεύθυνους και τους σχεδιαστές.

'''Εισαγωγή:''' Οι αστικοί χώροι πρασίνου είναι σημαντικοί καθώς συντελούν στην περιβαλλοντική ποιότητα και βιωσιμότητα, καθώς δρουν ως απορρυπαντές, παρέχουν καθαρό αέρα, νερό και έδαφος και εξισορροπούν το ισοζύγιο φυσικό-αστικό περιβάλλον των πόλεων. Σε επίπεδο γειτονιάς, βοηθούν στην μείωση του άγχους, ενισχύουν την κοινωνική συνοχή και αποτελούν χώρο παιχνιδιού και άσκησης. Παρολαυτά η πληροφόρηση για την ποσότητα και την ποιότητα αυτών των χώρων είναι ελλιπής.
Η αξιολόγηση των χώρων πρασίνου περιλαμβάνει την καταγραφή τους με ερωτηματολόγια και αυτοψίες , μέθοδοι που απαιτούν χρόνο και υπόκεινται σε υποκειμενικές κρίσεις. Ένα αντικειμενικό μέτρο του πράσινου χώρου είναι ο πράσινος χώρος ανά κάτοικο ή το ποσοστό του, που μπορεί να υπολογιστεί με χρήση τηλεπισκοπικών μεθόδων. Έτσι προέκυψε ο κανονικοποιημένος δείκτης βλάστησης (NDVI) ,για τον διαχωρισμό περιοχών βλάστησης σε δορυφορικές εικόνες, αλλά και ο δείκτης φυτοκάλυψης (VCI) ο οποίος βασίζεται στην τμηματοποίηση και ταξινόμηση μίας περιοχής σε 10 κατηγορίες με βάση την ποσότητα βλάστησης.

'''Επιστημονικοί Στόχοι:''' Ο κύριος σκοπός αυτής της εργασίας είναι να αναπτύξει μια τεχνική για την αντικειμενική μέτρηση της ποιότητας των πράσινων χώρων σε αστικές συνοικίες. Ο δείκτης που αναπτύχθηκε βασίζεται σε διάφορους τύπους αστικής βλάστησης και στα χαρακτηριστικά τους ,που αποκτήθηκαν μέσω τηλεπισκοπικών απεικονίσεων και χωρικών μετρήσεων .

''' Περιοχή μελέτης: ''' Μελετάται περιοχή στο Ανατολικό Δελχί (320 ha), η οποία χαρακτηρίζεται από αυθαίρετη και υψηλής πυκνότητας δόμηση και ανάπτυξη χωρίς κάποιο σχεδιασμό. Αυτό έχει οδηγήσει σε μια προσπάθεια ρύθμισης της περιοχής, που απαιτεί την ποσοτικοποίηση των κτιριακών εγκαταστάσεων και των πράσινων χώρων (Εικ. 1 και 2).

''' Δείχτης Βλάστησης Αστικής Γειτονιάς: ''' Ως γειτονιά ορίζεται μια περιοχή ομογενών ή παρόμοιων χαρακτηριστικών ως προς την εθνικότητα, τις κατοικίες, την ανάπτυξη κτλ. Ο δείκτης UNGI αξιολογεί την χωρική κατανομή των αστικών χώρων πρασίνου ως προς την εγγύτητα τους στις δομημένες περιοχές . Τα χαρακτηριστικά της βλάστησης ορίζονται από δύο παραμέτρους, την ποσότητα και τον τύπο (πυκνή, αραιή κτλ). Ενώ τα χαρακτηριστικά της δόμησης ορίζονται από παραμέτρους όπως εγγύτητα στη βλάστηση, πυκνότητα δόμησης και ύψος των κτιρίων. Η ποσότητα της βλάστησης είναι το ποσοστό βλάστησης ανά μονάδα επιφανείας και αναφέρεται ως δείκτης βλάστησης (Green Index, GI). Αυτά τα επίπεδα συνδυάζονται για να δώσουν τον UNGI.

''' Μεθοδολογία'''

''Δεδομένα: '' Για την εξαγωγή των παραμέτρων αξιολόγησης της βλάστησης χρησιμοποιήθηκαν ως βάση τηλεπισκοπικά δεδομένα του δορυφόρου Indian Remote Sensing IRS P6 LISS -IV. Ο αισθητήρας LISS-IV είναι ένας πολυφασματικός αισθητήρας με χωρική ανάλυση 5.8m , λειτουργεί με τρία φασματικά κανάλια 0.52–0.59μm(πράσινο), 0.62–0.68μm(κόκκινο) και 0.76–0.86μm(εγγύς υπέρυθρο) και άρα είναι χρήσιμος για την ταυτοποίηση και τον χαρακτηρισμό της βλάστησης. Για τους τύπους γειτονιάς και το ύψος των κτιρίων χρησιμοποιήθηκε ο Cartosat-2, ένας χαρτογραφικός δορυφόρος του Ινδικού Οργανισμού Διαστημικής (ISRO). Έχει υψηλή ανάλυση, λιγότερη του 1m και επαναληπτικότητα 5 ημερών. Χρησιμοποιώντας αυτά τα δύο σετ δεδομένων συνδυασμένα, μπορεί να γίνει πλήρη χρήση της πολυφασματικής ανάλυσης τους ενός και της υχηλής χωρικής ανάλυσης του άλλου.
Η περιοχή επικαλύφθηκε με ένα πλέγμα κελιών 20m×20m για την απεικόνιση της χωρικής ανάπτυξης των χώρων πρασίνου και για να εξαχθεί κάποιος δείκτης. Τα κελιά των 20m×20m επιλέχθηκαν με ελάχιστη μονάδα απεικόνισης 3 εικονοστοιχεία του LISS IV , που αντιστοιχούν σε περίπου 18m×18m , έτσι ώστε να αποδοθεί η χωρική μεταβλητότητα σε υψηλότερη ανάλυση.

''Χάρτης Δείκτη Βλάστησης: '' Ο Δείκτης Βλάστησης είναι το ποσοστό βλάστησης ανά κελί και βασίζεται στη δυαδική ταξινόμηση (κλάσεις πράσινο/ μη-πράσινο) των μετρήσεων του ΝDVI. Η απεικόνιση του NDVI δημιουργήθηκε με χρήση δεδομένων του IRS P6 LISS IV . Οι αρνητικές τιμές του NDVI ταξινομήθηκαν ως δομημένες περιοχές και οι θετικές ως βλάστηση. Η δυαδική εικόνα επικαλύφθηκε από το πλέγμα 20m×20m και στη συνέχεια υπολογίσθηκε το ποσοστό βλάστησης ανά κελί. Με βάση αυτό το ποσοστό , κάθε κελί ταξινομήθηκε σε τέσσερις κατηγορίες ποιότητας βλάστησης, χαμηλή, μέση, υψηλή και πολύ υψηλή, σε μια κλίμακα από 0.25 έως 1, όπου λιγότερο από 25% βλάστησης ανά κελί σημαίνει χαμηλή ποιότητα βλάστησης και παίρνει την τιμή 0,25. Ομοίως για τις τιμές 0.5 (μέση ποιότητα βλάστησης),0.75 (υψηλή) και 1 (πολύ υψηλή) .Αυτή η κατηγοριοποίησης σε 4 ισοκατανεμημένες κλάσεις έγινε χάριν ευκολίας καθώς ο δείκτης δίνει μια σχετική τιμή για τη συγκριτική αξιολόγηση μεταξύ διαφορετικών γειτονιών, παρά μια απόλυτη τιμή.

''Χάρτης Ύψους Δόμησης: '' Τα ύψη δόμησης αποδόθηκαν κατά προσέγγιση με χρήση της μεθόδου σκιασμού στα δεδομένα του Cartosat-2 . Οι χάρτες του Google Earth και του Eicher Map χρησιμοποιήθηκαν ως επίπεδα αναφοράς για την κατανόηση των προτύπων ανάπτυξης. Από αυτή τη διαδικασία η περιοχή μελέτης χωρίστηκε σε υψηλά και χαμηλά κτίρια, αυτό το επίπεδο επικαλύφθηκε από το πλέγμα 20m×20m και έτσι υπολογίστηκε το ποσοστό υψηλών και χαμηλών κτιρίων ανά κελί. Στη συνέχεια έγινε μια νέα ταξινόμηση. Ποσοστό υψηλών κτιρίων μικρότερο του 25% χαρακτηρίστηκε ως πολύ υψηλής ποιότητας βλάστησης (1), μεταξύ 25% και 50% ως υψηλής, 50% και 75% ως μέσης και πάνω από 75% ως χαμηλής (0,25).

''Χάρτης Εγγύτητας σε Βλάστηση και Πυκνότητας Δόμησης: '' Για τον χάρτη εγγύτητας έγινε ταξινόμηση της απεικόνισης του IRS P6 LISS IV, με χρήση ενός αλγορίθμου παραμετρικής ταξινόμηση, της μέγιστης πιθανοφάνειας. Οι κλάσεις ταξινόμησης επιλέχθηκαν με βάση την πυκνότητα της βλάστησης, γρασίδι ή χαμηλή βλάστηση, ανοιχτοί χώροι χωρίς βλάστηση και δομημένες περιοχές. Οι περιοχές με πυκνή βλάστηση εμφανίζονται με σκούρο κόκκινο στην ψευδοχρωματική σύνθεση της απεικόνισης, με ακανόνιστο σχήμα και σχετικά ‘άγρια΄ υφή. Οι ανοιχτοί χώροι στο ίδιο σύνθετο εμφανίζονται με τόνους του άσπρου ενώ οι δομημένες περιοχές έχουν τετραγωνοειδή μορφή και εμφανίζονται με αποχρώσεις του κυανού , με πολύ τραχιά υφή.

''Δεδομένα Εκπαίδευσης: '' Το δείγμα εκπαίδευσης επιλέχθηκε στα 30ν, όπου ν ο αριθμός των φασματικών καναλιών της απεικόνισης. Ο LISS IV έχει 3 κανάλια, με ελάχιστα πίξελ που ταξινομήθηκαν ανά κανάλι τα 90. Τα ιστογράμματα των καναλιών ακολουθούν κανονική κατανομή. Η απεικόνιση του IRS P6 LISS IV ταξινομήθηκε ,με τη βοήθεια των αναγνωρισμένων δεδομένων εκπαίδευσης, στους 4 βασικούς τύπους που αναφέρθηκαν παραπάνω. Για το έλεγχο ακρίβειας της ταξινόμησης επιλέχθηκαν από στρωματοποιημένα εικονοστοιχεία, τυχαία δείγματα, τα οποία συγκρίθηκαν με τα δεδομένα αναφοράς. Η ακρίβεια υπολογίσθηκε στα 91.2%, που είναι πάνω από την ελάχιστη ακρίβεια που απαιτείται ( 85%).

Στη συνέχεια δημιουργήθηκε μια ζώνη επιρροής 20m γύρω από τις περιοχές βλάστησης, εξαιρουμένων των δομημένων περιοχών. Η ζώνη επιρροής χωρίστηκε στις κατηγορίες: περιοχή βλάστησης υψηλής ποιότητας, μέσης και χαμηλής. Το πλέγμα 20m×20m επικάλυψε το επίπεδο με τις ζώνες επιρροής και στη συνέχεια δημιουργήθηκε ο χάρτης εγγύτητας στους χώρους πρασίνου. Κελιά με ποσοστό περιοχής σε ζώνες επιρροής υψηλής ποιότητας πάνω από 50% θεωρήθηκαν ως πολύ υψηλής ποιότητας , με ποσοστό 20-50% ως υψηλής ποιότητας και ομοίως για περιοχές μέσης και χαμηλής ποιότητας βλάστησης.

Ο ταξινομημένος χάρτης δόμησης χρησιμοποιήθηκε για τον υπολογισμό της πυκνότητας δόμησης στην περιοχή. Και πάλι ο χάρτης επικαλύφθηκε από το πλέγμα για τον υπολογισμό του ποσοστού δόμησης ανά κελί 20m×20m. Σε κελιά με δόμηση μικρότερη του 25% αποδόθηκε η τιμή 1 (δηλ. πολύ υψηλή ποιότητα πρασίνου) και στα κελιά με δόμηση 25–50%, 50–75% και πάνω από 75% αποδόθηκαν οι τιμές 0.75, 0.5 και 0.25, αντίστοιχα.

Για την εξαγωγή του βάρους κάθε παραμέτρου χρησιμοποιήθηκε η διαδικασία αναλυτικής ιεράρχησης και τα βάρη που προέκυψαν χρησιμοποιήθηκαν για την εξαγωγή του δείκτη UNGI σύμφωνα με τον ακόλουθο τύπο:

UNGIi=∑_(j=1 έως 4)^(i=0 έως n)〖wj*pij〗 (1)

Όπου wj το σχετικό βάρος της j-οστής παραμέτρου και pij η τιμή της j-οστής παραμέτρου στο κελί i.
Για της συγκριτική αξιολόγηση των γειτονιών, ο χάρτης γειτονιάς δημιουργήθηκε με δεδομένα του Cartosat-2 και με τη χρήση τεχνικών οπτικής ερμηνείας . Αφότου υπολογίστηκε η μέση τιμή και η τυπική απόκλιση των δεικτών GI και UNGI ,έγινε συγκριτική ανάλυση της ‘πρασινότητας’ σε διαφορετικές γειτονιές.

''' Αποτελέσματα: ''' Η δυαδική ταξινόμηση (περιοχή με βλάστηση ή χωρίς) (Εικ3α) και ο αντίστοιχος χάρτης του δείκτη πρασίνου (Εικ3β) δημιουργήθηκαν με τις διαδικασίες που περιγράφηκαν. Από τον χάρτη του GI είναι εμφανές ότι το 70% της περιοχής μελέτης αντιστοιχεί σε μέση ή χαμηλή ποιότητα βλάστηση και η βλάστηση υψηλής ποιότητας συγκεντρώνεται γύρω από 4 πυρήνες. Ο χάρτης τύπου βλάστησης χρησιμοποιήθηκε για τη δημιουργία του χάρτη εγγύτητας σε χώρους πρασίνου (Εικ4β) και για τη δημιουργία του χάρτη πυκνότητας δόμησης (Εικ4α).

Η περιοχή μελέτης κατηγοριοποιήθηκε σε κατηγορίες με βάση το ύψος των κτιρίων, τα κτίρια με 2-3 ορόφους κατηγοριοποιήθηκαν ως χαμηλά και αυτά έως 7-8 ορόφους ως ψηλά. Με βάση το ποσοστό ανά ύψος κτιρίου σε κάθε πίξελ δημιουργήθηκε ο χάρτης ύψους δόμησης (Εικ5β). Αυτή η κατηγοριοποίηση χωρίζει την περιοχή μελέτης σε δύο διακριτά μέρη και περίπου το 65% καλύπτεται από χαμηλά κτίρια. Τα βάρη για όλες τις παραμέτρους καθορίστηκαν με βάση τη μέθοδο σύγκρισης ζεύγους του Saaty. Στη συνέχεια υπολογίστηκαν οι τιμές του UNGI για κάθε κελί του πλέγματος και αυτές οι τιμές χωρίστηκαν σε 4 κατηγορίες προς ευκολία της οπτικοποίησης και συγκριτικής ανάλυσης των αποτελεσμάτων. Ο τελικός χάρτης των τιμών του UNGI παρουσιάζεται στην Εικόνα 6. Ο UNGI αξιολογεί την χωρικής κατανομή των χώρων πρασίνου αλλά και τη διασύνδεση τους με την αστική δόμηση, την κατακόρυφη διάσταση της αστικής δόμησης και την επίδραση της στου χώρους πρασίνου.

Από τους 3 τύπους συνοικίας, η συνοικία υψηλών κτιρίων και αραιής δόμησης και η γειτονιά χαμηλών κτιρίων και αραιής δόμησης έχουν την ίδια μέση τιμή GI, ενώ η γειτονιά χαμηλών κτιρίων και υψηλής πυκνότητας έχει μικρότερη μέση τιμή. Με προσεκτικότερη ανάλυση των αποτελεσμάτων, παρατηρούνται σημαντικές διαφορές μεταξύ της μέσης τιμής των GI και UNGI , ειδικά στις γειτονιές με χαμηλά κτίρια και αραιή δόμηση και στις γειτονιές με ψηλά κτίρια και αραιή δόμηση, ως προς τον δείκτη GI και οι δύο τύποι γειτονιάς είναι ίσοι, αλλά ως προς τον UNGI διαφέρουν Οι περιοχές με ψηλά κτίρια απαιτούν υψηλότερα και καλύτερα κατανεμημένα ποσοστά καλής ποιότητας βλάστηση για να έχουν την ίδια περιβαλλοντική ποιότητα με περιοχές χαμηλών κτιρίων και αραιής δόμησης
Οι δείκτες και η κατανομή της βλάστησης ανά γειτονιά παρουσιάζονται στον Πίνακα 1, οι τιμές των δύο δεικτών κατηγοριοποιήθηκαν σε 4 ισομεγέθεις τάξεις. Σε περιοχές χαμηλών κτιρίων και αραιής δόμησης η χωρική κατανομή στις διαφορετικές κλάσεις ποιότητας πρασίνου διαφέρει σημαντικά για τους δύο δείκτες.

Από τη μελέτη γίνεται εμφανές ότι πρέπει να συνυπολογίζονται και άλλα χαρακτηριστικά όπως η πυκνότητα δόμησης και το ύψος των κτιρίων, αλλά και η κατανομή των χώρων πρασίνου όταν πρέπει να αξιολογηθούν και ότι οι περιοχές υψηλής ανάπτυξης κτιρίων πρέπει να έχουν μεγαλύτερα ποσοστά καλής ποιότητας χώρων βλάστησης.

'''Συμπεράσματα: ''' Είναι απαραίτητο να υπάρχουν μετρήσιμες πληροφορίες σχετικά με τις πράσινες δομές , το ύψος και την κατανομή τους για μια βιώσιμη ανάπτυξη. Ο ανεπτυγμένος δείκτης παρέχει ένα εργαλείο υποστήριξης αποφάσεων για την αξιολόγηση, την ποσοτικοποίηση και τη σύγκριση διαφόρων συνοικιών από άποψη ποσότητας και κατανομής πράσινου. Αντί να μετρά μόνο το συνολικό ποσοστό του πράσινου, ο UNGI συνυπολογίζει τη σημασία της κατανομής του σε συγκεκριμένα περιβάλλοντα. Επίσης λαμβάνει υπόψη τα χαρακτηριστικά της αστικής βλάστησης και δόμησης. Εκτός αυτού, το εργαλείο είναι απλό στην εφαρμογή του και χρησιμοποιεί δεδομένα τηλεπισκόπισης που είναι εύκολα ανακτήσιμα και αναλύσιμα και απαιτούν μικρή επιτόπια πληροφορία .

[[category: Καταγραφή πρασίνου]]

Δείκτης Πράσινου Αστικής Συνοικίας – Μέτρηση και Αξιολόγηση των Χώρων Πρασίνου σε Αστικές Περιοχές

2018-01-18T21:59:06Z

Kaxri17a:

Δείκτης Πράσινου Αστικής Συνοικίας – Μέτρηση και Αξιολόγηση των Χώρων Πρασίνου σε Αστικές Περιοχές

2018-01-18T21:58:46Z

Kaxri17a:

Δείκτης Πράσινου Αστικής Συνοικίας – Μέτρηση και Αξιολόγηση των Χώρων Πρασίνου σε Αστικές Περιοχές

2018-01-18T21:58:30Z

Kaxri17a:

[[Δείκτης Πράσινου Αστικής Συνοικίας – Μέτρηση και Αξιολόγηση των Χώρων Πρασίνου σε Αστικές Περιοχές]]

[[Εικόνα: Rs_wiki4_ck_roh.JPG|300px|thumb|right|'''Διάγραμμα 1.''' Διάγραμμa ροής των εργασιών της μελέτης]]
[[Εικόνα: Rs_wiki_ck4_eikona1.JPG|300px|thumb|right|'''Εικόνα 1.''' Η περιοχή μελέτης]]

[[Εικόνα: Rs_wiki4_ck_eikona2.JPG|300px|thumb|right|''' Εικόνα 2.''' Η περιοχή μελέτης με τις διαφορετικές αναπτύξεις της(ως προς το ύψος και την πυκνότητα δόμησης)]]

[[Εικόνα: Rs_wiki4_ck_eikona3.JPG|300px|thumb|right|'''Εικόνα 3.''' (α)Δυαδικός χάρτης ταξινόμησης της απεικόνιση του δείκτη βλάστησης (β)Χάρτης Δείκτη Πρασίνου(ποσοστό βλάστησης ανά κελί)]]

[[Εικόνα: Rs_wiki4_ck_eikona4.JPG|300px|thumb|right |'''Εικόνα 4''' Τύπος βλάστησης (α)/ Εγγύτητα σε χώρους πρασίνου (β)]]

[[Εικόνα: Rs_wiki4_ck_eikona5.JPG|300px|thumb|right |'''Εικόνα 5''' Χάρτης πυκνότητας δόμησης (α)/ Χάρτης ύψους κτιρίων (β)]]

[[Εικόνα: Rs_wiki4_ck_eikona6.JPG|300px|thumb|right |'''Εικόνα 6''' Τελικός Χάρτης Δείκτη Βλάστησης Αστικής Γειτονιάς )]]

[[Εικόνα: Rs_wiki4_ck_pinakas.JPG|300px|thumb|right|'''Πίνακας 1.''' Πίνακας Κατανομής των δεικτών GI και UNGI ανά κατηγορία]]
'''Αντικείμενο Εφαρμογής:''' Ανάπτυξη ενός δείκτη για την αξιολόγηση της ποσότητας και της ποιότητας των χώρων βλάστησης σε αστικές συνοικίες

'''Πρωτότυπος Τίτλος:''' Urban Neighborhood Green Index – A measure of green spaces in urban areas

'''Συγγραφείς:''' Kshama Gupta(a), Pramod Kumar(a), S.K. Pathan(b), K.P. Sharma(a)

(a) Indian Institute of Remote Sensing, Indian Space Research Organization, 4, Kalidas Road, Dehradun, India
(b) Space Application Centre, Indian Space Research Organization, Satellite Road, Ahmedabad, India

'''Πηγή:''' Elsevier, Landscape and Urban Planning 105 (2012) 325–335
[https://www.sciencedirect.com/science/article/pii/S0169204612000199]

'''Λέξεις Κλειδιά:''' Αστικοί χώροι; Δείκτης πρασίνου;GIS; Τηλεπισκόπηση; Γειτονιά

'''Περίληψη:''' Οι αστικοί χώροι πρασίνου (UGS) αποτελούν ένα σημαντικό σύνολο οποιασδήποτε αστικής περιοχής, η ποσότητα και η ποιότητα τους είναι μείζουσας σημασίας για τους σχεδιαστές και τους υπεύθυνους διαχείρισης της πόλης. Για αντικειμενικές μετρήσεις του πρασίνου γίνεται χρήση του δείκτη πρασίνου (GI) , ο οποίος υπολογίζεται ποσοστιαία μέσω εικόνων τηλεπισκόπησης. Οι γειτονιές (NH) αποτελούν το πιο σημαντικό επίπεδο εφαρμογής πράσινων στρατηγικών . Ο Δείκτης Πρασίνου Αστικών Γειτονιών (UNGI) προσπαθεί να αξιολογήσει την «πρασινότητα» της περιοχής και να αναγνωρίζει τις κρίσιμες περιοχές που αποτελούν εν δυνάμει περιοχές βελτίωσης. Για την ανάπτυξη του δείκτη χρησιμοποιήθηκαν οι παράμετροι GI, εγγύτητα σε πράσινο, πυκνότητα και ύψος δόμησης. Σε κάθε δείκτη δόθηκε συγκεκριμένη βαρύτητα σύμφωνα με τη μέθοδο σύγκρισης του Saaty. Συγκρίθηκαν 4 διαφορετικοί τύποι του δείκτη και βρέθηκε ότι ο μέσος GI (0.44) αντιστοιχεί σε γειτονιές με υψηλή ανάπτυξη και αραιή δόμηση ή γειτονιές με χαμηλή ανάπτυξη και αραιή δόμηση. Ο μέσος UNGI είναι υψηλότερος για γειτονιές με χαμηλή ανάπτυξη και πυκνότητα, σε σύγκριση με γειτονιές υψηλής ανάπτυξης και αραιής-δόμησης, άρα οι περιοχές υψηλής ανάπτυξης απαιτούν καλύτερη διαχείριση της κατανομής του πρασίνου. Τα δεδομένα εισόδου για τον UNGI βρίσκονται εύκολα μέσω εικόνων τηλεπισκόπισης και είναι εύκολα κατανοητά από τους υπεύθυνους και τους σχεδιαστές.

'''Εισαγωγή:''' Οι αστικοί χώροι πρασίνου είναι σημαντικοί καθώς συντελούν στην περιβαλλοντική ποιότητα και βιωσιμότητα, καθώς δρουν ως απορρυπαντές, παρέχουν καθαρό αέρα, νερό και έδαφος και εξισορροπούν το ισοζύγιο φυσικό-αστικό περιβάλλον των πόλεων. Σε επίπεδο γειτονιάς, βοηθούν στην μείωση του άγχους, ενισχύουν την κοινωνική συνοχή και αποτελούν χώρο παιχνιδιού και άσκησης. Παρολαυτά η πληροφόρηση για την ποσότητα και την ποιότητα αυτών των χώρων είναι ελλιπής.
Η αξιολόγηση των χώρων πρασίνου περιλαμβάνει την καταγραφή τους με ερωτηματολόγια και αυτοψίες , μέθοδοι που απαιτούν χρόνο και υπόκεινται σε υποκειμενικές κρίσεις. Ένα αντικειμενικό μέτρο του πράσινου χώρου είναι ο πράσινος χώρος ανά κάτοικο ή το ποσοστό του, που μπορεί να υπολογιστεί με χρήση τηλεπισκοπικών μεθόδων. Έτσι προέκυψε ο κανονικοποιημένος δείκτης βλάστησης (NDVI) ,για τον διαχωρισμό περιοχών βλάστησης σε δορυφορικές εικόνες, αλλά και ο δείκτης φυτοκάλυψης (VCI) ο οποίος βασίζεται στην τμηματοποίηση και ταξινόμηση μίας περιοχής σε 10 κατηγορίες με βάση την ποσότητα βλάστησης.

'''Επιστημονικοί Στόχοι:''' Ο κύριος σκοπός αυτής της εργασίας είναι να αναπτύξει μια τεχνική για την αντικειμενική μέτρηση της ποιότητας των πράσινων χώρων σε αστικές συνοικίες. Ο δείκτης που αναπτύχθηκε βασίζεται σε διάφορους τύπους αστικής βλάστησης και στα χαρακτηριστικά τους ,που αποκτήθηκαν μέσω τηλεπισκοπικών απεικονίσεων και χωρικών μετρήσεων .

''' Περιοχή μελέτης: ''' Μελετάται περιοχή στο Ανατολικό Δελχί (320 ha), η οποία χαρακτηρίζεται από αυθαίρετη και υψηλής πυκνότητας δόμηση και ανάπτυξη χωρίς κάποιο σχεδιασμό. Αυτό έχει οδηγήσει σε μια προσπάθεια ρύθμισης της περιοχής, που απαιτεί την ποσοτικοποίηση των κτιριακών εγκαταστάσεων και των πράσινων χώρων (Εικ. 1 και 2).

''' Δείχτης Βλάστησης Αστικής Γειτονιάς: ''' Ως γειτονιά ορίζεται μια περιοχή ομογενών ή παρόμοιων χαρακτηριστικών ως προς την εθνικότητα, τις κατοικίες, την ανάπτυξη κτλ. Ο δείκτης UNGI αξιολογεί την χωρική κατανομή των αστικών χώρων πρασίνου ως προς την εγγύτητα τους στις δομημένες περιοχές . Τα χαρακτηριστικά της βλάστησης ορίζονται από δύο παραμέτρους, την ποσότητα και τον τύπο (πυκνή, αραιή κτλ). Ενώ τα χαρακτηριστικά της δόμησης ορίζονται από παραμέτρους όπως εγγύτητα στη βλάστηση, πυκνότητα δόμησης και ύψος των κτιρίων. Η ποσότητα της βλάστησης είναι το ποσοστό βλάστησης ανά μονάδα επιφανείας και αναφέρεται ως δείκτης βλάστησης (Green Index, GI). Αυτά τα επίπεδα συνδυάζονται για να δώσουν τον UNGI.

''' Μεθοδολογία'''

''Δεδομένα: '' Για την εξαγωγή των παραμέτρων αξιολόγησης της βλάστησης χρησιμοποιήθηκαν ως βάση τηλεπισκοπικά δεδομένα του δορυφόρου Indian Remote Sensing IRS P6 LISS -IV. Ο αισθητήρας LISS-IV είναι ένας πολυφασματικός αισθητήρας με χωρική ανάλυση 5.8m , λειτουργεί με τρία φασματικά κανάλια 0.52–0.59μm(πράσινο), 0.62–0.68μm(κόκκινο) και 0.76–0.86μm(εγγύς υπέρυθρο) και άρα είναι χρήσιμος για την ταυτοποίηση και τον χαρακτηρισμό της βλάστησης. Για τους τύπους γειτονιάς και το ύψος των κτιρίων χρησιμοποιήθηκε ο Cartosat-2, ένας χαρτογραφικός δορυφόρος του Ινδικού Οργανισμού Διαστημικής (ISRO). Έχει υψηλή ανάλυση, λιγότερη του 1m και επαναληπτικότητα 5 ημερών. Χρησιμοποιώντας αυτά τα δύο σετ δεδομένων συνδυασμένα, μπορεί να γίνει πλήρη χρήση της πολυφασματικής ανάλυσης τους ενός και της υχηλής χωρικής ανάλυσης του άλλου.
Η περιοχή επικαλύφθηκε με ένα πλέγμα κελιών 20m×20m για την απεικόνιση της χωρικής ανάπτυξης των χώρων πρασίνου και για να εξαχθεί κάποιος δείκτης. Τα κελιά των 20m×20m επιλέχθηκαν με ελάχιστη μονάδα απεικόνισης 3 εικονοστοιχεία του LISS IV , που αντιστοιχούν σε περίπου 18m×18m , έτσι ώστε να αποδοθεί η χωρική μεταβλητότητα σε υψηλότερη ανάλυση.

''Χάρτης Δείκτη Βλάστησης: '' Ο Δείκτης Βλάστησης είναι το ποσοστό βλάστησης ανά κελί και βασίζεται στη δυαδική ταξινόμηση (κλάσεις πράσινο/ μη-πράσινο) των μετρήσεων του ΝDVI. Η απεικόνιση του NDVI δημιουργήθηκε με χρήση δεδομένων του IRS P6 LISS IV . Οι αρνητικές τιμές του NDVI ταξινομήθηκαν ως δομημένες περιοχές και οι θετικές ως βλάστηση. Η δυαδική εικόνα επικαλύφθηκε από το πλέγμα 20m×20m και στη συνέχεια υπολογίσθηκε το ποσοστό βλάστησης ανά κελί. Με βάση αυτό το ποσοστό , κάθε κελί ταξινομήθηκε σε τέσσερις κατηγορίες ποιότητας βλάστησης, χαμηλή, μέση, υψηλή και πολύ υψηλή, σε μια κλίμακα από 0.25 έως 1, όπου λιγότερο από 25% βλάστησης ανά κελί σημαίνει χαμηλή ποιότητα βλάστησης και παίρνει την τιμή 0,25. Ομοίως για τις τιμές 0.5 (μέση ποιότητα βλάστησης),0.75 (υψηλή) και 1 (πολύ υψηλή) .Αυτή η κατηγοριοποίησης σε 4 ισοκατανεμημένες κλάσεις έγινε χάριν ευκολίας καθώς ο δείκτης δίνει μια σχετική τιμή για τη συγκριτική αξιολόγηση μεταξύ διαφορετικών γειτονιών, παρά μια απόλυτη τιμή.

''Χάρτης Ύψους Δόμησης: '' Τα ύψη δόμησης αποδόθηκαν κατά προσέγγιση με χρήση της μεθόδου σκιασμού στα δεδομένα του Cartosat-2 . Οι χάρτες του Google Earth και του Eicher Map χρησιμοποιήθηκαν ως επίπεδα αναφοράς για την κατανόηση των προτύπων ανάπτυξης. Από αυτή τη διαδικασία η περιοχή μελέτης χωρίστηκε σε υψηλά και χαμηλά κτίρια, αυτό το επίπεδο επικαλύφθηκε από το πλέγμα 20m×20m και έτσι υπολογίστηκε το ποσοστό υψηλών και χαμηλών κτιρίων ανά κελί. Στη συνέχεια έγινε μια νέα ταξινόμηση. Ποσοστό υψηλών κτιρίων μικρότερο του 25% χαρακτηρίστηκε ως πολύ υψηλής ποιότητας βλάστησης (1), μεταξύ 25% και 50% ως υψηλής, 50% και 75% ως μέσης και πάνω από 75% ως χαμηλής (0,25).

''Χάρτης Εγγύτητας σε Βλάστηση και Πυκνότητας Δόμησης: '' Για τον χάρτη εγγύτητας έγινε ταξινόμηση της απεικόνισης του IRS P6 LISS IV, με χρήση ενός αλγορίθμου παραμετρικής ταξινόμηση, της μέγιστης πιθανοφάνειας. Οι κλάσεις ταξινόμησης επιλέχθηκαν με βάση την πυκνότητα της βλάστησης, γρασίδι ή χαμηλή βλάστηση, ανοιχτοί χώροι χωρίς βλάστηση και δομημένες περιοχές. Οι περιοχές με πυκνή βλάστηση εμφανίζονται με σκούρο κόκκινο στην ψευδοχρωματική σύνθεση της απεικόνισης, με ακανόνιστο σχήμα και σχετικά ‘άγρια΄ υφή. Οι ανοιχτοί χώροι στο ίδιο σύνθετο εμφανίζονται με τόνους του άσπρου ενώ οι δομημένες περιοχές έχουν τετραγωνοειδή μορφή και εμφανίζονται με αποχρώσεις του κυανού , με πολύ τραχιά υφή.

''Δεδομένα Εκπαίδευσης: '' Το δείγμα εκπαίδευσης επιλέχθηκε στα 30ν, όπου ν ο αριθμός των φασματικών καναλιών της απεικόνισης. Ο LISS IV έχει 3 κανάλια, με ελάχιστα πίξελ που ταξινομήθηκαν ανά κανάλι τα 90. Τα ιστογράμματα των καναλιών ακολουθούν κανονική κατανομή. Η απεικόνιση του IRS P6 LISS IV ταξινομήθηκε ,με τη βοήθεια των αναγνωρισμένων δεδομένων εκπαίδευσης, στους 4 βασικούς τύπους που αναφέρθηκαν παραπάνω. Για το έλεγχο ακρίβειας της ταξινόμησης επιλέχθηκαν από στρωματοποιημένα εικονοστοιχεία, τυχαία δείγματα, τα οποία συγκρίθηκαν με τα δεδομένα αναφοράς. Η ακρίβεια υπολογίσθηκε στα 91.2%, που είναι πάνω από την ελάχιστη ακρίβεια που απαιτείται ( 85%).

Στη συνέχεια δημιουργήθηκε μια ζώνη επιρροής 20m γύρω από τις περιοχές βλάστησης, εξαιρουμένων των δομημένων περιοχών. Η ζώνη επιρροής χωρίστηκε στις κατηγορίες: περιοχή βλάστησης υψηλής ποιότητας, μέσης και χαμηλής. Το πλέγμα 20m×20m επικάλυψε το επίπεδο με τις ζώνες επιρροής και στη συνέχεια δημιουργήθηκε ο χάρτης εγγύτητας στους χώρους πρασίνου. Κελιά με ποσοστό περιοχής σε ζώνες επιρροής υψηλής ποιότητας πάνω από 50% θεωρήθηκαν ως πολύ υψηλής ποιότητας , με ποσοστό 20-50% ως υψηλής ποιότητας και ομοίως για περιοχές μέσης και χαμηλής ποιότητας βλάστησης.

Ο ταξινομημένος χάρτης δόμησης χρησιμοποιήθηκε για τον υπολογισμό της πυκνότητας δόμησης στην περιοχή. Και πάλι ο χάρτης επικαλύφθηκε από το πλέγμα για τον υπολογισμό του ποσοστού δόμησης ανά κελί 20m×20m. Σε κελιά με δόμηση μικρότερη του 25% αποδόθηκε η τιμή 1 (δηλ. πολύ υψηλή ποιότητα πρασίνου) και στα κελιά με δόμηση 25–50%, 50–75% και πάνω από 75% αποδόθηκαν οι τιμές 0.75, 0.5 και 0.25, αντίστοιχα.

Για την εξαγωγή του βάρους κάθε παραμέτρου χρησιμοποιήθηκε η διαδικασία αναλυτικής ιεράρχησης και τα βάρη που προέκυψαν χρησιμοποιήθηκαν για την εξαγωγή του δείκτη UNGI σύμφωνα με τον ακόλουθο τύπο:

UNGIi=∑_(j=1 έως 4)^(i=0 έως n)〖wj*pij〗 (1)

Όπου wj το σχετικό βάρος της j-οστής παραμέτρου και pij η τιμή της j-οστής παραμέτρου στο κελί i.
Για της συγκριτική αξιολόγηση των γειτονιών, ο χάρτης γειτονιάς δημιουργήθηκε με δεδομένα του Cartosat-2 και με τη χρήση τεχνικών οπτικής ερμηνείας . Αφότου υπολογίστηκε η μέση τιμή και η τυπική απόκλιση των δεικτών GI και UNGI ,έγινε συγκριτική ανάλυση της ‘πρασινότητας’ σε διαφορετικές γειτονιές.

''' Αποτελέσματα: ''' Η δυαδική ταξινόμηση (περιοχή με βλάστηση ή χωρίς) (Εικ3α) και ο αντίστοιχος χάρτης του δείκτη πρασίνου (Εικ3β) δημιουργήθηκαν με τις διαδικασίες που περιγράφηκαν. Από τον χάρτη του GI είναι εμφανές ότι το 70% της περιοχής μελέτης αντιστοιχεί σε μέση ή χαμηλή ποιότητα βλάστηση και η βλάστηση υψηλής ποιότητας συγκεντρώνεται γύρω από 4 πυρήνες. Ο χάρτης τύπου βλάστησης χρησιμοποιήθηκε για τη δημιουργία του χάρτη εγγύτητας σε χώρους πρασίνου (Εικ4β) και για τη δημιουργία του χάρτη πυκνότητας δόμησης (Εικ4α).

Η περιοχή μελέτης κατηγοριοποιήθηκε σε κατηγορίες με βάση το ύψος των κτιρίων, τα κτίρια με 2-3 ορόφους κατηγοριοποιήθηκαν ως χαμηλά και αυτά έως 7-8 ορόφους ως ψηλά. Με βάση το ποσοστό ανά ύψος κτιρίου σε κάθε πίξελ δημιουργήθηκε ο χάρτης ύψους δόμησης (Εικ5β). Αυτή η κατηγοριοποίηση χωρίζει την περιοχή μελέτης σε δύο διακριτά μέρη και περίπου το 65% καλύπτεται από χαμηλά κτίρια. Τα βάρη για όλες τις παραμέτρους καθορίστηκαν με βάση τη μέθοδο σύγκρισης ζεύγους του Saaty. Στη συνέχεια υπολογίστηκαν οι τιμές του UNGI για κάθε κελί του πλέγματος και αυτές οι τιμές χωρίστηκαν σε 4 κατηγορίες προς ευκολία της οπτικοποίησης και συγκριτικής ανάλυσης των αποτελεσμάτων. Ο τελικός χάρτης των τιμών του UNGI παρουσιάζεται στην Εικόνα 6. Ο UNGI αξιολογεί την χωρικής κατανομή των χώρων πρασίνου αλλά και τη διασύνδεση τους με την αστική δόμηση, την κατακόρυφη διάσταση της αστικής δόμησης και την επίδραση της στου χώρους πρασίνου.

Από τους 3 τύπους συνοικίας, η συνοικία υψηλών κτιρίων και αραιής δόμησης και η γειτονιά χαμηλών κτιρίων και αραιής δόμησης έχουν την ίδια μέση τιμή GI, ενώ η γειτονιά χαμηλών κτιρίων και υψηλής πυκνότητας έχει μικρότερη μέση τιμή. Με προσεκτικότερη ανάλυση των αποτελεσμάτων, παρατηρούνται σημαντικές διαφορές μεταξύ της μέσης τιμής των GI και UNGI , ειδικά στις γειτονιές με χαμηλά κτίρια και αραιή δόμηση και στις γειτονιές με ψηλά κτίρια και αραιή δόμηση, ως προς τον δείκτη GI και οι δύο τύποι γειτονιάς είναι ίσοι, αλλά ως προς τον UNGI διαφέρουν Οι περιοχές με ψηλά κτίρια απαιτούν υψηλότερα και καλύτερα κατανεμημένα ποσοστά καλής ποιότητας βλάστηση για να έχουν την ίδια περιβαλλοντική ποιότητα με περιοχές χαμηλών κτιρίων και αραιής δόμησης
Οι δείκτες και η κατανομή της βλάστησης ανά γειτονιά παρουσιάζονται στον Πίνακα 1, οι τιμές των δύο δεικτών κατηγοριοποιήθηκαν σε 4 ισομεγέθεις τάξεις. Σε περιοχές χαμηλών κτιρίων και αραιής δόμησης η χωρική κατανομή στις διαφορετικές κλάσεις ποιότητας πρασίνου διαφέρει σημαντικά για τους δύο δείκτες.

Από τη μελέτη γίνεται εμφανές ότι πρέπει να συνυπολογίζονται και άλλα χαρακτηριστικά όπως η πυκνότητα δόμησης και το ύψος των κτιρίων, αλλά και η κατανομή των χώρων πρασίνου όταν πρέπει να αξιολογηθούν και ότι οι περιοχές υψηλής ανάπτυξης κτιρίων πρέπει να έχουν μεγαλύτερα ποσοστά καλής ποιότητας χώρων βλάστησης.

'''Συμπεράσματα: ''' Είναι απαραίτητο να υπάρχουν μετρήσιμες πληροφορίες σχετικά με τις πράσινες δομές , το ύψος και την κατανομή τους για μια βιώσιμη ανάπτυξη. Ο ανεπτυγμένος δείκτης παρέχει ένα εργαλείο υποστήριξης αποφάσεων για την αξιολόγηση, την ποσοτικοποίηση και τη σύγκριση διαφόρων συνοικιών από άποψη ποσότητας και κατανομής πράσινου. Αντί να μετρά μόνο το συνολικό ποσοστό του πράσινου, ο UNGI συνυπολογίζει τη σημασία της κατανομής του σε συγκεκριμένα περιβάλλοντα. Επίσης λαμβάνει υπόψη τα χαρακτηριστικά της αστικής βλάστησης και δόμησης. Εκτός αυτού, το εργαλείο είναι απλό στην εφαρμογή του και χρησιμοποιεί δεδομένα τηλεπισκόπισης που είναι εύκολα ανακτήσιμα και αναλύσιμα και απαιτούν μικρή επιτόπια πληροφορία .

[[category: Καταγραφή πρασίνου]]

Αρχείο:Rs wiki4 ck eikona5.JPG

2018-01-18T21:56:03Z

Kaxri17a:

Αρχείο:Rs wiki ck4 eikona1.JPG

2018-01-18T21:54:27Z

Kaxri17a:

Δείκτης Πράσινου Αστικής Συνοικίας – Μέτρηση και Αξιολόγηση των Χώρων Πρασίνου σε Αστικές Περιοχές

2018-01-18T21:54:04Z

Kaxri17a: Νέα σελίδα με '[[Δείκτης Πράσινου Αστικής Συνοικίας – Μέτρηση και Αξιολόγηση των Χώρων Πρασίνου σε Αστικές ...'

[[Δείκτης Πράσινου Αστικής Συνοικίας – Μέτρηση και Αξιολόγηση των Χώρων Πρασίνου σε Αστικές Περιοχές]]

[[Εικόνα: Rs_wiki4_ck_roh.JPG|300px|thumb|right|'''Διάγραμμα 1.''' Διάγραμμa ροής των εργασιών της μελέτης]]
[[Εικόνα: Rs_wiki_ck4_eikona1.JPG|300px|thumb|right|'''Εικόνα 1.''' Η περιοχή μελέτης]]

[[Εικόνα: Rs_wiki4_ck_eikona2.JPG|300px|thumb|right|''' Εικόνα 2.''' Η περιοχή μελέτης με τις διαφορετικές αναπτύξεις της(ως προς το ύψος και την πυκνότητα δόμησης)]]

[[Εικόνα: Rs_wiki4_ck_eikona3.JPG|300px|thumb|right|'''Εικόνα 3.''' (α)Δυαδικός χάρτης ταξινόμησης της απεικόνιση του δείκτη βλάστησης (β)Χάρτης Δείκτη Πρασίνου(ποσοστό βλάστησης ανά κελί)]]

[[Εικόνα: Rs_wiki4_ck_eikona4.JPG|300px|thumb|right |'''Εικόνα 4''' Τύπος βλάστησης (α)/ Εγγύτητα σε χώρους πρασίνου (β)]]

[[Εικόνα: Rs_wiki4_ck_eikona5.JPG|300px|thumb|right |'''Εικόνα 5''' Χάρτης πυκνότητας δόμησης (α)/ Χάρτης ύψους κτιρίων (β)]]

[[Εικόνα: Rs_wiki4_ck_eikona6.JPG|300px|thumb|right |'''Εικόνα ''' Τελικός Χάρτης Δείκτη Βλάστησης Αστικής Γειτονιάς )]]

[[Εικόνα: Rs_wiki4_ck_pinakas.JPG|300px|thumb|right|'''Πίνακας 1.''' Πίνακας Κατανομής των δεικτών GI και UNGI ανά κατηγορία]]
'''Αντικείμενο Εφαρμογής:''' Ανάπτυξη ενός δείκτη για την αξιολόγηση της ποσότητας και της ποιότητας των χώρων βλάστησης σε αστικές συνοικίες

'''Πρωτότυπος Τίτλος:''' Urban Neighborhood Green Index – A measure of green spaces in urban areas

'''Συγγραφείς:''' Kshama Gupta(a), Pramod Kumar(a), S.K. Pathan(b), K.P. Sharma(a)

(a) Indian Institute of Remote Sensing, Indian Space Research Organization, 4, Kalidas Road, Dehradun, India
(b) Space Application Centre, Indian Space Research Organization, Satellite Road, Ahmedabad, India

'''Πηγή:''' Elsevier, Landscape and Urban Planning 105 (2012) 325–335
[https://www.sciencedirect.com/science/article/pii/S0169204612000199]

'''Λέξεις Κλειδιά:''' Αστικοί χώροι; Δείκτης πρασίνου;GIS; Τηλεπισκόπηση; Γειτονιά

'''Περίληψη:''' Οι αστικοί χώροι πρασίνου (UGS) αποτελούν ένα σημαντικό σύνολο οποιασδήποτε αστικής περιοχής, η ποσότητα και η ποιότητα τους είναι μείζουσας σημασίας για τους σχεδιαστές και τους υπεύθυνους διαχείρισης της πόλης. Για αντικειμενικές μετρήσεις του πρασίνου γίνεται χρήση του δείκτη πρασίνου (GI) , ο οποίος υπολογίζεται ποσοστιαία μέσω εικόνων τηλεπισκόπησης. Οι γειτονιές (NH) αποτελούν το πιο σημαντικό επίπεδο εφαρμογής πράσινων στρατηγικών . Ο Δείκτης Πρασίνου Αστικών Γειτονιών (UNGI) προσπαθεί να αξιολογήσει την «πρασινότητα» της περιοχής και να αναγνωρίζει τις κρίσιμες περιοχές που αποτελούν εν δυνάμει περιοχές βελτίωσης. Για την ανάπτυξη του δείκτη χρησιμοποιήθηκαν οι παράμετροι GI, εγγύτητα σε πράσινο, πυκνότητα και ύψος δόμησης. Σε κάθε δείκτη δόθηκε συγκεκριμένη βαρύτητα σύμφωνα με τη μέθοδο σύγκρισης του Saaty. Συγκρίθηκαν 4 διαφορετικοί τύποι του δείκτη και βρέθηκε ότι ο μέσος GI (0.44) αντιστοιχεί σε γειτονιές με υψηλή ανάπτυξη και αραιή δόμηση ή γειτονιές με χαμηλή ανάπτυξη και αραιή δόμηση. Ο μέσος UNGI είναι υψηλότερος για γειτονιές με χαμηλή ανάπτυξη και πυκνότητα, σε σύγκριση με γειτονιές υψηλής ανάπτυξης και αραιής-δόμησης, άρα οι περιοχές υψηλής ανάπτυξης απαιτούν καλύτερη διαχείριση της κατανομής του πρασίνου. Τα δεδομένα εισόδου για τον UNGI βρίσκονται εύκολα μέσω εικόνων τηλεπισκόπισης και είναι εύκολα κατανοητά από τους υπεύθυνους και τους σχεδιαστές.

'''Εισαγωγή:''' Οι αστικοί χώροι πρασίνου είναι σημαντικοί καθώς συντελούν στην περιβαλλοντική ποιότητα και βιωσιμότητα, καθώς δρουν ως απορρυπαντές, παρέχουν καθαρό αέρα, νερό και έδαφος και εξισορροπούν το ισοζύγιο φυσικό-αστικό περιβάλλον των πόλεων. Σε επίπεδο γειτονιάς, βοηθούν στην μείωση του άγχους, ενισχύουν την κοινωνική συνοχή και αποτελούν χώρο παιχνιδιού και άσκησης. Παρολαυτά η πληροφόρηση για την ποσότητα και την ποιότητα αυτών των χώρων είναι ελλιπής.
Η αξιολόγηση των χώρων πρασίνου περιλαμβάνει την καταγραφή τους με ερωτηματολόγια και αυτοψίες , μέθοδοι που απαιτούν χρόνο και υπόκεινται σε υποκειμενικές κρίσεις. Ένα αντικειμενικό μέτρο του πράσινου χώρου είναι ο πράσινος χώρος ανά κάτοικο ή το ποσοστό του, που μπορεί να υπολογιστεί με χρήση τηλεπισκοπικών μεθόδων. Έτσι προέκυψε ο κανονικοποιημένος δείκτης βλάστησης (NDVI) ,για τον διαχωρισμό περιοχών βλάστησης σε δορυφορικές εικόνες, αλλά και ο δείκτης φυτοκάλυψης (VCI) ο οποίος βασίζεται στην τμηματοποίηση και ταξινόμηση μίας περιοχής σε 10 κατηγορίες με βάση την ποσότητα βλάστησης.

'''Επιστημονικοί Στόχοι:''' Ο κύριος σκοπός αυτής της εργασίας είναι να αναπτύξει μια τεχνική για την αντικειμενική μέτρηση της ποιότητας των πράσινων χώρων σε αστικές συνοικίες. Ο δείκτης που αναπτύχθηκε βασίζεται σε διάφορους τύπους αστικής βλάστησης και στα χαρακτηριστικά τους ,που αποκτήθηκαν μέσω τηλεπισκοπικών απεικονίσεων και χωρικών μετρήσεων .

''' Περιοχή μελέτης: ''' Μελετάται περιοχή στο Ανατολικό Δελχί (320 ha), η οποία χαρακτηρίζεται από αυθαίρετη και υψηλής πυκνότητας δόμηση και ανάπτυξη χωρίς κάποιο σχεδιασμό. Αυτό έχει οδηγήσει σε μια προσπάθεια ρύθμισης της περιοχής, που απαιτεί την ποσοτικοποίηση των κτιριακών εγκαταστάσεων και των πράσινων χώρων (Εικ. 1 και 2).

''' Δείχτης Βλάστησης Αστικής Γειτονιάς: ''' Ως γειτονιά ορίζεται μια περιοχή ομογενών ή παρόμοιων χαρακτηριστικών ως προς την εθνικότητα, τις κατοικίες, την ανάπτυξη κτλ. Ο δείκτης UNGI αξιολογεί την χωρική κατανομή των αστικών χώρων πρασίνου ως προς την εγγύτητα τους στις δομημένες περιοχές . Τα χαρακτηριστικά της βλάστησης ορίζονται από δύο παραμέτρους, την ποσότητα και τον τύπο (πυκνή, αραιή κτλ). Ενώ τα χαρακτηριστικά της δόμησης ορίζονται από παραμέτρους όπως εγγύτητα στη βλάστηση, πυκνότητα δόμησης και ύψος των κτιρίων. Η ποσότητα της βλάστησης είναι το ποσοστό βλάστησης ανά μονάδα επιφανείας και αναφέρεται ως δείκτης βλάστησης (Green Index, GI). Αυτά τα επίπεδα συνδυάζονται για να δώσουν τον UNGI.

''' Μεθοδολογία'''

''Δεδομένα: '' Για την εξαγωγή των παραμέτρων αξιολόγησης της βλάστησης χρησιμοποιήθηκαν ως βάση τηλεπισκοπικά δεδομένα του δορυφόρου Indian Remote Sensing IRS P6 LISS -IV. Ο αισθητήρας LISS-IV είναι ένας πολυφασματικός αισθητήρας με χωρική ανάλυση 5.8m , λειτουργεί με τρία φασματικά κανάλια 0.52–0.59μm(πράσινο), 0.62–0.68μm(κόκκινο) και 0.76–0.86μm(εγγύς υπέρυθρο) και άρα είναι χρήσιμος για την ταυτοποίηση και τον χαρακτηρισμό της βλάστησης. Για τους τύπους γειτονιάς και το ύψος των κτιρίων χρησιμοποιήθηκε ο Cartosat-2, ένας χαρτογραφικός δορυφόρος του Ινδικού Οργανισμού Διαστημικής (ISRO). Έχει υψηλή ανάλυση, λιγότερη του 1m και επαναληπτικότητα 5 ημερών. Χρησιμοποιώντας αυτά τα δύο σετ δεδομένων συνδυασμένα, μπορεί να γίνει πλήρη χρήση της πολυφασματικής ανάλυσης τους ενός και της υχηλής χωρικής ανάλυσης του άλλου.
Η περιοχή επικαλύφθηκε με ένα πλέγμα κελιών 20m×20m για την απεικόνιση της χωρικής ανάπτυξης των χώρων πρασίνου και για να εξαχθεί κάποιος δείκτης. Τα κελιά των 20m×20m επιλέχθηκαν με ελάχιστη μονάδα απεικόνισης 3 εικονοστοιχεία του LISS IV , που αντιστοιχούν σε περίπου 18m×18m , έτσι ώστε να αποδοθεί η χωρική μεταβλητότητα σε υψηλότερη ανάλυση.

''Χάρτης Δείκτη Βλάστησης: '' Ο Δείκτης Βλάστησης είναι το ποσοστό βλάστησης ανά κελί και βασίζεται στη δυαδική ταξινόμηση (κλάσεις πράσινο/ μη-πράσινο) των μετρήσεων του ΝDVI. Η απεικόνιση του NDVI δημιουργήθηκε με χρήση δεδομένων του IRS P6 LISS IV . Οι αρνητικές τιμές του NDVI ταξινομήθηκαν ως δομημένες περιοχές και οι θετικές ως βλάστηση. Η δυαδική εικόνα επικαλύφθηκε από το πλέγμα 20m×20m και στη συνέχεια υπολογίσθηκε το ποσοστό βλάστησης ανά κελί. Με βάση αυτό το ποσοστό , κάθε κελί ταξινομήθηκε σε τέσσερις κατηγορίες ποιότητας βλάστησης, χαμηλή, μέση, υψηλή και πολύ υψηλή, σε μια κλίμακα από 0.25 έως 1, όπου λιγότερο από 25% βλάστησης ανά κελί σημαίνει χαμηλή ποιότητα βλάστησης και παίρνει την τιμή 0,25. Ομοίως για τις τιμές 0.5 (μέση ποιότητα βλάστησης),0.75 (υψηλή) και 1 (πολύ υψηλή) .Αυτή η κατηγοριοποίησης σε 4 ισοκατανεμημένες κλάσεις έγινε χάριν ευκολίας καθώς ο δείκτης δίνει μια σχετική τιμή για τη συγκριτική αξιολόγηση μεταξύ διαφορετικών γειτονιών, παρά μια απόλυτη τιμή.

''Χάρτης Ύψους Δόμησης: '' Τα ύψη δόμησης αποδόθηκαν κατά προσέγγιση με χρήση της μεθόδου σκιασμού στα δεδομένα του Cartosat-2 . Οι χάρτες του Google Earth και του Eicher Map χρησιμοποιήθηκαν ως επίπεδα αναφοράς για την κατανόηση των προτύπων ανάπτυξης. Από αυτή τη διαδικασία η περιοχή μελέτης χωρίστηκε σε υψηλά και χαμηλά κτίρια, αυτό το επίπεδο επικαλύφθηκε από το πλέγμα 20m×20m και έτσι υπολογίστηκε το ποσοστό υψηλών και χαμηλών κτιρίων ανά κελί. Στη συνέχεια έγινε μια νέα ταξινόμηση. Ποσοστό υψηλών κτιρίων μικρότερο του 25% χαρακτηρίστηκε ως πολύ υψηλής ποιότητας βλάστησης (1), μεταξύ 25% και 50% ως υψηλής, 50% και 75% ως μέσης και πάνω από 75% ως χαμηλής (0,25).

''Χάρτης Εγγύτητας σε Βλάστηση και Πυκνότητας Δόμησης: '' Για τον χάρτη εγγύτητας έγινε ταξινόμηση της απεικόνισης του IRS P6 LISS IV, με χρήση ενός αλγορίθμου παραμετρικής ταξινόμηση, της μέγιστης πιθανοφάνειας. Οι κλάσεις ταξινόμησης επιλέχθηκαν με βάση την πυκνότητα της βλάστησης, γρασίδι ή χαμηλή βλάστηση, ανοιχτοί χώροι χωρίς βλάστηση και δομημένες περιοχές. Οι περιοχές με πυκνή βλάστηση εμφανίζονται με σκούρο κόκκινο στην ψευδοχρωματική σύνθεση της απεικόνισης, με ακανόνιστο σχήμα και σχετικά ‘άγρια΄ υφή. Οι ανοιχτοί χώροι στο ίδιο σύνθετο εμφανίζονται με τόνους του άσπρου ενώ οι δομημένες περιοχές έχουν τετραγωνοειδή μορφή και εμφανίζονται με αποχρώσεις του κυανού , με πολύ τραχιά υφή.

''Δεδομένα Εκπαίδευσης: '' Το δείγμα εκπαίδευσης επιλέχθηκε στα 30ν, όπου ν ο αριθμός των φασματικών καναλιών της απεικόνισης. Ο LISS IV έχει 3 κανάλια, με ελάχιστα πίξελ που ταξινομήθηκαν ανά κανάλι τα 90. Τα ιστογράμματα των καναλιών ακολουθούν κανονική κατανομή. Η απεικόνιση του IRS P6 LISS IV ταξινομήθηκε ,με τη βοήθεια των αναγνωρισμένων δεδομένων εκπαίδευσης, στους 4 βασικούς τύπους που αναφέρθηκαν παραπάνω. Για το έλεγχο ακρίβειας της ταξινόμησης επιλέχθηκαν από στρωματοποιημένα εικονοστοιχεία, τυχαία δείγματα, τα οποία συγκρίθηκαν με τα δεδομένα αναφοράς. Η ακρίβεια υπολογίσθηκε στα 91.2%, που είναι πάνω από την ελάχιστη ακρίβεια που απαιτείται ( 85%).

Στη συνέχεια δημιουργήθηκε μια ζώνη επιρροής 20m γύρω από τις περιοχές βλάστησης, εξαιρουμένων των δομημένων περιοχών. Η ζώνη επιρροής χωρίστηκε στις κατηγορίες: περιοχή βλάστησης υψηλής ποιότητας, μέσης και χαμηλής. Το πλέγμα 20m×20m επικάλυψε το επίπεδο με τις ζώνες επιρροής και στη συνέχεια δημιουργήθηκε ο χάρτης εγγύτητας στους χώρους πρασίνου. Κελιά με ποσοστό περιοχής σε ζώνες επιρροής υψηλής ποιότητας πάνω από 50% θεωρήθηκαν ως πολύ υψηλής ποιότητας , με ποσοστό 20-50% ως υψηλής ποιότητας και ομοίως για περιοχές μέσης και χαμηλής ποιότητας βλάστησης.

Ο ταξινομημένος χάρτης δόμησης χρησιμοποιήθηκε για τον υπολογισμό της πυκνότητας δόμησης στην περιοχή. Και πάλι ο χάρτης επικαλύφθηκε από το πλέγμα για τον υπολογισμό του ποσοστού δόμησης ανά κελί 20m×20m. Σε κελιά με δόμηση μικρότερη του 25% αποδόθηκε η τιμή 1 (δηλ. πολύ υψηλή ποιότητα πρασίνου) και στα κελιά με δόμηση 25–50%, 50–75% και πάνω από 75% αποδόθηκαν οι τιμές 0.75, 0.5 και 0.25, αντίστοιχα.

Για την εξαγωγή του βάρους κάθε παραμέτρου χρησιμοποιήθηκε η διαδικασία αναλυτικής ιεράρχησης και τα βάρη που προέκυψαν χρησιμοποιήθηκαν για την εξαγωγή του δείκτη UNGI σύμφωνα με τον ακόλουθο τύπο:

UNGIi=∑_(j=1 έως 4)^(i=0 έως n)〖wj*pij〗 (1)

Όπου wj το σχετικό βάρος της j-οστής παραμέτρου και pij η τιμή της j-οστής παραμέτρου στο κελί i.
Για της συγκριτική αξιολόγηση των γειτονιών, ο χάρτης γειτονιάς δημιουργήθηκε με δεδομένα του Cartosat-2 και με τη χρήση τεχνικών οπτικής ερμηνείας . Αφότου υπολογίστηκε η μέση τιμή και η τυπική απόκλιση των δεικτών GI και UNGI ,έγινε συγκριτική ανάλυση της ‘πρασινότητας’ σε διαφορετικές γειτονιές.

''' Αποτελέσματα: ''' Η δυαδική ταξινόμηση (περιοχή με βλάστηση ή χωρίς) (Εικ3α) και ο αντίστοιχος χάρτης του δείκτη πρασίνου (Εικ3β) δημιουργήθηκαν με τις διαδικασίες που περιγράφηκαν. Από τον χάρτη του GI είναι εμφανές ότι το 70% της περιοχής μελέτης αντιστοιχεί σε μέση ή χαμηλή ποιότητα βλάστηση και η βλάστηση υψηλής ποιότητας συγκεντρώνεται γύρω από 4 πυρήνες. Ο χάρτης τύπου βλάστησης χρησιμοποιήθηκε για τη δημιουργία του χάρτη εγγύτητας σε χώρους πρασίνου (Εικ4β) και για τη δημιουργία του χάρτη πυκνότητας δόμησης (Εικ4α).

Η περιοχή μελέτης κατηγοριοποιήθηκε σε κατηγορίες με βάση το ύψος των κτιρίων, τα κτίρια με 2-3 ορόφους κατηγοριοποιήθηκαν ως χαμηλά και αυτά έως 7-8 ορόφους ως ψηλά. Με βάση το ποσοστό ανά ύψος κτιρίου σε κάθε πίξελ δημιουργήθηκε ο χάρτης ύψους δόμησης (Εικ5β). Αυτή η κατηγοριοποίηση χωρίζει την περιοχή μελέτης σε δύο διακριτά μέρη και περίπου το 65% καλύπτεται από χαμηλά κτίρια. Τα βάρη για όλες τις παραμέτρους καθορίστηκαν με βάση τη μέθοδο σύγκρισης ζεύγους του Saaty. Στη συνέχεια υπολογίστηκαν οι τιμές του UNGI για κάθε κελί του πλέγματος και αυτές οι τιμές χωρίστηκαν σε 4 κατηγορίες προς ευκολία της οπτικοποίησης και συγκριτικής ανάλυσης των αποτελεσμάτων. Ο τελικός χάρτης των τιμών του UNGI παρουσιάζεται στην Εικόνα 6. Ο UNGI αξιολογεί την χωρικής κατανομή των χώρων πρασίνου αλλά και τη διασύνδεση τους με την αστική δόμηση, την κατακόρυφη διάσταση της αστικής δόμησης και την επίδραση της στου χώρους πρασίνου.

Από τους 3 τύπους συνοικίας, η συνοικία υψηλών κτιρίων και αραιής δόμησης και η γειτονιά χαμηλών κτιρίων και αραιής δόμησης έχουν την ίδια μέση τιμή GI, ενώ η γειτονιά χαμηλών κτιρίων και υψηλής πυκνότητας έχει μικρότερη μέση τιμή. Με προσεκτικότερη ανάλυση των αποτελεσμάτων, παρατηρούνται σημαντικές διαφορές μεταξύ της μέσης τιμής των GI και UNGI , ειδικά στις γειτονιές με χαμηλά κτίρια και αραιή δόμηση και στις γειτονιές με ψηλά κτίρια και αραιή δόμηση, ως προς τον δείκτη GI και οι δύο τύποι γειτονιάς είναι ίσοι, αλλά ως προς τον UNGI διαφέρουν Οι περιοχές με ψηλά κτίρια απαιτούν υψηλότερα και καλύτερα κατανεμημένα ποσοστά καλής ποιότητας βλάστηση για να έχουν την ίδια περιβαλλοντική ποιότητα με περιοχές χαμηλών κτιρίων και αραιής δόμησης
Οι δείκτες και η κατανομή της βλάστησης ανά γειτονιά παρουσιάζονται στον Πίνακα 1, οι τιμές των δύο δεικτών κατηγοριοποιήθηκαν σε 4 ισομεγέθεις τάξεις. Σε περιοχές χαμηλών κτιρίων και αραιής δόμησης η χωρική κατανομή στις διαφορετικές κλάσεις ποιότητας πρασίνου διαφέρει σημαντικά για τους δύο δείκτες.

Από τη μελέτη γίνεται εμφανές ότι πρέπει να συνυπολογίζονται και άλλα χαρακτηριστικά όπως η πυκνότητα δόμησης και το ύψος των κτιρίων, αλλά και η κατανομή των χώρων πρασίνου όταν πρέπει να αξιολογηθούν και ότι οι περιοχές υψηλής ανάπτυξης κτιρίων πρέπει να έχουν μεγαλύτερα ποσοστά καλής ποιότητας χώρων βλάστησης.

'''Συμπεράσματα: ''' Είναι απαραίτητο να υπάρχουν μετρήσιμες πληροφορίες σχετικά με τις πράσινες δομές , το ύψος και την κατανομή τους για μια βιώσιμη ανάπτυξη. Ο ανεπτυγμένος δείκτης παρέχει ένα εργαλείο υποστήριξης αποφάσεων για την αξιολόγηση, την ποσοτικοποίηση και τη σύγκριση διαφόρων συνοικιών από άποψη ποσότητας και κατανομής πράσινου. Αντί να μετρά μόνο το συνολικό ποσοστό του πράσινου, ο UNGI συνυπολογίζει τη σημασία της κατανομής του σε συγκεκριμένα περιβάλλοντα. Επίσης λαμβάνει υπόψη τα χαρακτηριστικά της αστικής βλάστησης και δόμησης. Εκτός αυτού, το εργαλείο είναι απλό στην εφαρμογή του και χρησιμοποιεί δεδομένα τηλεπισκόπισης που είναι εύκολα ανακτήσιμα και αναλύσιμα και απαιτούν μικρή επιτόπια πληροφορία .

[[category: Καταγραφή πρασίνου]]

Καραγιάννη Χριστίνα

2018-01-18T21:15:59Z

Kaxri17a:

Αρχείο:Rs wiki4 ck roh.JPG

2018-01-18T21:11:22Z

Kaxri17a:

Αρχείο:Rs wiki4 ck pinakas.JPG

2018-01-18T21:10:56Z

Kaxri17a:

Αρχείο:Rs wiki4 ck eikona6.JPG

2018-01-18T21:10:29Z

Kaxri17a:

Αρχείο:Rs wiki4 ck eikona4.JPG

2018-01-18T21:10:11Z

Kaxri17a:

Αρχείο:Rs wiki4 ck eikona3.JPG

2018-01-18T21:09:45Z

Kaxri17a:

Αρχείο:Rs wiki4 ck eikona2.JPG

2018-01-18T21:09:24Z

Kaxri17a:

Αρχείο:Rs wiki4 ck eikona1.JPG

2018-01-18T21:06:31Z

Kaxri17a:

Καταγραφή και Προσομοίωση της Αστικής Διάχυσης με Χρήση Τηλεπισκόπισης και Gis

2018-01-18T20:52:29Z

Kaxri17a: Νέα σελίδα με 'Καταγραφή και Προσομοίωση της Αστικής Διάχυσης με Χρήση Τηλεπισκόπισης και Gis [[Εικόνα: Rs_w...'

[[Καταγραφή και Προσομοίωση της Αστικής Διάχυσης με Χρήση Τηλεπισκόπισης και Gis]]

[[Εικόνα: Rs_wiki1_ck_eikona1.JPG|300px|thumb|right|'''Διάγραμμα 1.''' Διάγραμμ ροής των εργασιών της μελέτης]]
[[Εικόνα: Rs_wiki3_ck_eikona2.JPG|300px|thumb|right|'''Εικόνα 1.''' Ταξινομημένες εικόνες Landast της περιοχής. Πάνω: αριστερά για το 1977,δεξιά για το 1989. Κάτω: αριστερά για το 2000, δεξιά για το 2002]]

[[Εικόνα: Rs_wiki3_ck_eikona3.JPG|300px|thumb|right|'''Πίνακας 1.''' Αισθητήρες Δορυφόρων και αντίστοιχες τροποποιημένες τιμές απόκλισης (TD) για την επιβλεπόμενη ταξινόμηση των απεικονίσεων]]

[[Εικόνα: Rs_wiki3_ck_eikona4.JPG|300px|thumb|right|'''Πίνακας 2.''' Ολική ακρίβεια της ταξινόμησης]]

[[Εικόνα: Rs_wiki3_ck_eikona5.JPG|300px|thumb|right|'''Πίνακας 3.''' Εντροπία του Shannon]]

[[Εικόνα: Rs_wiki3_ck_eikona6.JPG|300px|thumb|right|'''Εικόνα 2.''' Ετερογένεια ανά κλάση χρήσης γης]]

[[Εικόνα: Rs_wiki3_ck_eikona8.JPG|300px|thumb|right |'''Εικόνα 3''' Πυκνότητα της αστικής διάχυσης]]

[[Εικόνα: Rs_wiki3_ck_eikona7.JPG|300px|thumb|right|'''Πίνακας 4.''' Πυκνότητες δόμησης σε εκτάρια και σε ποσοστά ανά έτος απεικόνισης]]
[[Εικόνα: Rs_wiki3_ck_eikona9.JPG|300px|thumb|right |'''Εικόνα 4''' Πρόβλεψη για τον πληθυσμό και τη δομημένη επιφάνεια]]

'''Αντικείμενο Εφαρμογής:''' Μελέτη της αστικής διάχυσης μέσω της αλλαγής της δομημένης επιφάνειας και πρόβλεψη για την εξέλιξη του φαινομένου στη πόλη Ajmer της Ινδίας

'''Πρωτότυπος Τίτλος:''' Monitoring and modeling of urban sprawl using remote sensing and GIS techniques
'''Συγγραφείς:''' Mahesh Kumar Jat (a), P.K. Garg (a), Deepak Khare (b),
(a) Civil Engineering Department, I.I.T. Roorkee, India
(b) Space WRDM, I.I.T. Roorkee, India

'''Πηγή:''' Elsevier, International Journal of Applied Earth Observation and Geoinformation 10 (2008) 26–43
[https://www.sciencedirect.com/science/article/pii/S0303243407000335]

'''Λέξεις Κλειδιά:''' GIS; Τηλεπισκόπηση; Αστικοποίηση; Χρήσεις Γης; Αστική Διάχυση

'''Περίληψη:''' Η συγκέντρωση ανθρώπων σε πυκνοκατοικημένες αστικές περιοχές, ιδίως στις αναπτυσσόμενες χώρες, οδηγεί σε φαινόμενα που απαιτούν τη χρήση συστημάτων παρακολούθησης τους, όπως η τηλεπισκόπιση. Τέτοια συστήματα, μαζί με τεχνικές χωρικής ανάλυσης όπως η ψηφιακή επεξεργασία εικόνας και τα Γεωγραφικά Συστήματα Πληροφοριών (GIS), μπορούν να χρησιμοποιηθούν για παρακολούθηση και σχεδιασμό, αφού επιτρέπουν την καταγραφή της ολικής αστικής διάχυσης με λεπτομέρεια.
Στην παρούσα εργασία, μελετήθηκε η αστική διάχυση της πόλης Ajmer (που βρίσκεται στην πολιτεία Rajasthan της Ινδίας) σε μεσαία κλίμακα, για μια περίοδο 25 ετών (1977-2002), για να εξαχθούν πληροφορίες για το φαινόμενο, μέσω της χωρικής και χρονικής μεταβολής της επιφάνειας των αδιαπέραστων επιφανειών. Προσεγγίσεις στατιστικής ταξινόμησης χρησιμοποιήθηκαν για την ταξινόμηση των τηλεπισκοπικών εικόνων που λήφθηκαν από διάφορους αισθητήρες (Landsat MSS, TM, ΕΤΜ + και IRS LISS-III), και από τις ταξινομημένες εικόνες προέκυψαν τα χωρικά και χρονικά χαρακτηριστικά της αστικής διάχυσης στην περιοχή. Στη συνέχεια υπολογίστηκαν η εντροπία του Shannon και οι μετρήσεις ομοιογένειας και πυκνότητας, προκειμένου να ποσοτικοποιηθεί η αστική διάχυση. Επίσης, χρησιμοποιήθηκαν πολυδιάστατες στατιστικές τεχνικές για να καθορίσουν τη σχέση μεταξύ της αστικής διάχυσης και των αιτιωδών παραγόντων της. Τα αποτελέσματα δείχνουν ότι η ανάπτυξη της επιφάνειας (160,8%) της πόλης Ajmer είναι πάνω από τρεις φορές την αύξηση του πληθυσμού (50,1%). Η εντροπία του Shannon και οι τοπογραφικές μετρήσεις αποκάλυψαν τη χωρική κατανομή της αστικής διάχυσης σε μια περίοδο 25 ετών.

'''Εισαγωγή:''' Η επιταχυνόμενη αστική ανάπτυξη συσχετίζεται και καθορίζεται από τη συγκέντρωση του πληθυσμού σε μια περιοχή. Η έκταση της αστικοποίησης και η ανάπτυξή της οδηγεί σε αλλαγές χρήσης / κάλυψης γης, οι οποίες μπορεί να έχουν δυσμενείς επιπτώσεις στο περιβάλλον της περιοχής, ιδιαίτερα στην υδρογεωμορφολογία και στη βλάστηση. Ακριβείς πληροφορίες σχετικά με την έκταση της αστικής ανάπτυξης είναι απαραίτητες για τους δήμους των αναπτυσσόμενων αστικών και προαστιακών περιοχών για εφαρμογές στον πολεοδομικό σχεδιασμό, στη διαχείριση πόρων, στην ανάλυση μάρκετινγκ, στην εξυπηρέτηση, κατανομή κλπ.
Η παρακολούθηση της αστικής διάχυσης και η πρόβλεψη της εξέλιξης της είναι οι βασικές πληροφορίες που χρειάζονται για μακροπρόθεσμη αστική σχεδίαση. Οι συμβατικές μετρήσεις και τεχνικές χαρτογράφησης για την παροχή τέτοιων πληροφοριών είναι δαπανηρές και χρονοβόρες και δεν είναι διαθέσιμες για τα περισσότερα αστικά κέντρα, ειδικά στις αναπτυσσόμενες χώρες. Η τηλεπισκόπηση είναι οικονομικά αποδοτική και τεχνολογικά άρτια, έτσι χρησιμοποιείται όλο και περισσότερο για την ανάλυση της αστικής διάχυσης. Οι μέχρι τώρα μελέτες έχουν υποστηριχθεί είτε μέσω σύγκρισης εικόνων είτε μέσω σύγκρισης μεταταξινόμημενων εικόνων.
Η αδιαπέραστη (δομημένη) επιφάνεια θεωρείται γενικά ως παράμετρος για την ποσοτικοποίηση της αστικής διάχυσης. Εδώ, η αδιαπέραστη επιφάνεια αναφέρεται σε μια περιοχή που αποτελείται από οικιστικά, εμπορικά, βιομηχανικά συγκροτήματα, συμπεριλαμβανομένων των πλακόστρωτων δρόμων, των δρόμων, των αγορών κλπ. Υπάρχουν διάφορες τεχνικές που χρησιμοποιούνται για τη μέτρηση /εκτίμηση των αδιαπέραστων επιφανειών. Η προσέγγιση αναγνώρισης προτύπων μέσω τηλεπισκόπησης, όπως π.χ. ταξινόμηση επιβλεπόμενη, μη επιβλεπόμενη και βάση γνώσης για την περιοχή, απαιτεί μέτρια έως υψηλή ανάλυση εικόνας καθώς και κάποιον ειδικό για να αναλύσει τα αποτελέσματα.
Στατιστικές τεχνικές σε συνδυασμό με δεδομένα τηλεπισκόπησης και GIS έχουν χρησιμοποιηθεί σε πολλές αστικές μελέτες. Ο χαρακτηρισμός των προτύπων αστικής εξάπλωσης περιλαμβάνει την ανίχνευση και ποσοτικοποίηση με τις κατάλληλες κλίμακες καθώς και την αναπαράσταση του φαινομένου με όρους στατιστικών παραμέτρων και δεικτών όπως η εντροπία Shannon ,η ανομοιογένεια, κλπ. Παρά τις διάφορες προσπάθειες, απαιτείται περαιτέρω έρευνα προκειμένου να ενισχυθεί η απόλυτη και συγκριτική σχέση μεταξύ του μεγέθους της αλλαγής χρήσεων/καλύψεων γης και της διαπερατότητας, του τύπου και της έντασης των αλλαγών και των αιτιωδών παραγόντων τους.
Στην Ινδία, σήμερα το 25,73% του πληθυσμού ζει σε αστικά κέντρα, ενώ τα επόμενα 15 χρόνια προβλέπεται να ανέλθει στο 33%. Σε αυτή την έρευνα, έγινε προσπάθεια διερεύνησης της χρησιμότητας των χωρικών τεχνικών, όπως η τηλεπισκόπηση και τα GIS για την ανίχνευση της αστικής διάχυσης της πόλης Ajmer και τον χειρισμό της χωρικής και χρονικής μεταβλητότητας της. Το φαινόμενο εκτιμήθηκε για ένα διάστημα 25 χρόνων με τη χρήση τηλεπισκοπικών απεικονίσεων οκτώ διαφορετικών ετών που κυμαίνονται από το 1977 έως το 2002. Χωρικές και χρονικές παραλλαγές του φαινομένου μελετώνται για να δημιουργηθεί μια σχέση μεταξύ αστικής διάχυσης και ορισμένων παραγόντων που την προκαλούν, όπως ο πληθυσμός, η πυκνότητα του πληθυσμού, η πυκνότητα της δόμησης κτλ.

''' Περιοχή μελέτης:''' Το Ajmer απέχει 132χλμ. από το Jaipur, πρωτεύουσα του Rajasthan (Ινδία) και είναι ένα από τα πιο μεγάλα κέντρα ανώτερης και εξειδικευμένης εκπαίδευσης στο Rajasthan. Ο πληθυσμός του Ajmer ήταν 0,49 εκατομμύρια το 2001, και αναμένεται να φτάσει τα 0,84 εκατομμύρια το 2034, σύμφωνα με τον τρέχοντα ρυθμό ανάπτυξης.

'''Δεδομένα Έρευνας: ''' Τα δεδομένα συλλέχθηκαν από πρωτογενείς και δευτερογενείς πηγές δεδομένων (Πίνακας 1). Τα δεδομένα που συλλέγονται από τις πρωτογενείς πηγές περιλαμβάνουν τοπογραφικούς χάρτες (κλίμακα 1: 25.000) και πολυφασματικές απεικονίσεις των Landsat MSS, TM,ETM + και IRS LISS-III για τα έτη 1977, 1989, 2000 και 2002. Τα δεδομένα από δευτερεύουσες πηγές περιλαμβάνουν τα δημογραφικά δεδομένα (απογραφή 1961 , 1971, 1981, 1991 και 2001), τον πληθυσμό ανά περιοχή της πόλης (έτος 2001) και τον χάρτη των οικοδομημάτων (κλίμακα, 1: 2500, έτος 2000). Άλλοι χάρτες , όπως ο χάρτης των περιοχών, ο χάρτης των δημοτικών ορίων, της αποχέτευσης και το γενικό πολεοδομικό σχέδιο έχουν ληφθεί από το Τμήμα Πολεοδομίας της πόλης.
Αυτή η επεξεργασία έχει ως αποτέλεσμα μια ακολουθία με ενδιάμεσες καταστάσεις, με αυξανόμενη διαφοροποίηση της ταξινόμησης και της εξαγωγής πληροφοριών από τις αρχικές εικόνες. Το αποτέλεσμα μιας τέτοιας διαδικασίας δεν είναι μόνο μια χωρική συνάθροιση εικονοστοιχείων σε περιοχές της εικόνας, αλλά και μια χωρική και σημασιολογική δομή του περιεχομένου της εικόνας.

'''Μεθοδολογία: ''' Χρησιμοποιήθηκαν τα λογισμικά ERDAS (Leica) και ArcGIS (ESRI) για τη δημιουργία διαφόρων
θεματικά επιπέδων, όπως ο χάρτης των χωριών, και των ορίων τους, των δρόμων, του σιδηροδρομικού δικτύου και των διοικητικών ορίων. Διενεργήθηκαν οι τυπικές τεχνικές επεξεργασίας εικόνας, όπως π.χ. εξαγωγή εικόνας, διόρθωση, αποκατάσταση και ταξινόμηση για την ανάλυση των τεσσάρων δορυφόρων εικόνες (1977, 1989, 2000 και 2002)(Εικ.1) . Πρώτα, εφαρμόστηκε ατμοσφαιρική διόρθωση στις δορυφορικές απεικονίσεις με χρήση βελτιωμένης μεθόδου αφαίρεσης σκοτεινού αντικειμένου για να φέρει όλα τις εικόνες σε κοινά φασματικά χαρακτηριστικά αναφοράς. Οι υδάτινες επιφάνειες στις περιοχές χρησιμοποιήθηκαν ως σκοτεινό αντικείμενο. Οι εικόνες γεωαναφέρθηκαν και διορθώθηκαν γεωμετρικά, με βάση το προβολικό σύστημα Polyconic, χρησιμοποιώντας τους τοπογραφικούς χάρτες της πολεοδομίας.

Οι δορυφορικές εικόνες έχουν μελετηθεί πλήρως, για να εξακριβωθούν οι πιθανές κατηγορίες χρήσεων γης και το αντίστοιχο εύρος τιμών ανακλαστικότητας (τιμές DN). Σχεδιάστηκαν τα φασματικά προφίλ για να εξακριβωθεί η διακριτότητα τους και οι σχετικές διαφορές στις τιμές των εικονοστοιχείων των διαφορετικών κατηγοριών χρήσης γης σε διαφορετικές φασματικές ζώνες. Προσδιορίστηκαν δέκα χωριστές κατηγορίες χρήσης γης, όπως αστικός οικισμός, άγονες εκτάσεις, νερό, αμμώδες έδαφος, πετρώδες έδαφος, εκτεθειμένοι βράχοι, θάμνοι, μεικτή βλάστηση, αγρανάπαυση, κλπ.

Αρχικά, διενεργήθηκε εποπτευόμενη ταξινόμηση με χρήση του αλγόριθμου MLC, για την ταξινόμηση των εικόνων .Για να βελτιωθεί η ακρίβεια της ταξινόμησης, ο αλγόριθμος εκπαιδεύτηκε επιβλεπόμενα, μετά τη συλλογή των παραμετρικών και μη παραμετρικών υπογραφών (δείγματα εκπαίδευσης). Κάθε εκπαιδευόμενο δείγμα αποτελείτο από τουλάχιστον 90 εικονοστοιχεία που ικανοποιούν το κριτήριο 10n, όπου n είναι ο αριθμός των χρησιμοποιούμενων καναλιών για ταξινόμηση. Οι υπογραφές αξιολογηθήκαν περαιτέρω για να ελεγχθεί εάν αντιπροσωπεύουν πραγματικά τα εικονοστοιχεία που πρέπει να ταξινομηθούν για κάθε κατηγορία. Για την αξιολόγηση έγιναν οι παρακάτω ενέργειες:

(i) δημιουργήθηκαν τα ιστογράμματα για την εξέταση διαφόρων στατιστικών παραμέτρων, όπως η τυπική απόκλιση και η μοναδικότητα του καθενός,
(ii) ελέγχθηκε η δυνατότητα διαχωρισμού των υπογραφών μετασχηματισμένης απόκλισης (TD) (Πίνακας 2) και
(iii) δημιουργήθηκε πίνακας συσχέτισης, που περιέχει τον αριθμό και το ποσοστό των εικονοστοιχείων που ταξινομούνται όπως αναμένεται.

Μετά την αξιολόγηση, επιλέχθηκαν τα φασματικά κανάλια με καλή διακριτότητα (με την υψηλότερη τιμή TD) για την τελική ταξινόμηση. Χρησιμοποιήθηκαν διάφορες τεχνικές για να απομακρυνθεί η σκιά λόγω αναγλύφου, αλλά δεν παρατηρήθηκε σημαντική βελτίωση. Τα αποτελέσματα της επιβλεπόμενης ταξινόμησης δεν θεωρούνται ικανοποιητικά, αφού εσφαλμένη ταξινόμηση παρατηρήθηκε για την κατηγορία αστικός οικισμός (81,7-89,9%), εκτεθειμένοι βράχοι (88,2-92%) και βραχώδες έδαφος (75-96,8%), κάτι που τεκμηριώνεται από τη συνολική μείωση της ακρίβειας (81,7-84,7%).

Στο δεύτερο στάδιο, χρησιμοποιήθηκε ένα σύστημα βασισμένο στη γνώση για μετάταξινόμηση των απεικονίσεων. Συμπληρωματικές πληροφορίες από διάφορες πηγές ενσωματώθηκαν στις εξόδους του MLC για την προετοιμασία της βάσης γνώσεων (βάση κανόνων),η οποία βελτιώθηκε από δεδομένα εδάφους. Τέλος, η ταξινόμηση έγινε χρησιμοποιώντας τη μονάδας ταξινόμησης γνώσης του ERDAS. Τα ταξινομημένα αποτελέσματα των εικόνων έχουν βρεθεί ικανοποιητικά, με μεγαλύτερη συνολική ακρίβεια άνω του 94%, και παρουσιάζονται στο σχήμα 3. Επιπλέον, οι ταξινομημένες εικόνες επαληθεύτηκα χρησιμοποιώντας δεδομένα εδάφους και διαθέσιμους χάρτες από διάφορες υπηρεσίες.

Η ακρίβεια της ταξινόμησης αξιολογείται χρησιμοποιώντας ένα σύνολο δείγματος μεγαλύτερο από 300 τυχαία επιλεγμένα εικονοστοιχεία. Οι χρήσεις γης για αυτά τα εικονοστοιχεία προσδιορίστηκαν με τη χρήση χάρτη αστικών οικισμών (που καταρτίστηκε από την εναέρια έρευνα που διενεργήθηκε κατά το έτος 1999), καθώς και από δεδομένα που συλλέχθηκαν από άλλους χάρτες .Το αρχικά δορυφορικά δεδομένα έχουν επίσης χρησιμοποιηθεί για την αξιολόγηση της ακρίβειας, για την αποφυγή σφαλμάτων στο σύνολο των δεδομένων αναφοράς για προσωρινές κατηγορίες (όπως η βλάστηση). Η ταξινόμηση των παλαιότερες απεικονίσεων (1977, 1989) έγινε χρησιμοποιώντας τις γεωγραφικές θέσεις ορισμένων σημαντικών χαρακτηριστικών, όπως οι κατοικημένες περιοχές, το είδος της βλάστησης σε συγκεκριμένη θέση, σημαντικά κτίρια, χώρους παιχνιδιού, υδάτινα σώματα κ.λπ. Επιπλέον, υπολογίστηκε ο συντελεστής Kappa, χρησιμοποιώντας το ERDAS.

Η αστική ανάπτυξη για μια περίοδο 25 ετών (1977-2002) λαμβάνεται από τις ταξινομημένες εικόνες τηλεπισκόπησης και τα αποτελέσματα συγκρίνονται με τους χάρτες των οικισμών. Για να κατανοηθεί το πρότυπο εξάπλωσης, διενεργήθηκαν διαφορετικές μετρήσεις χρησιμοποιώντας τα δημογραφικά στοιχεία και τα στοιχεία δόμησης για τις αστικές περιοχές. Οι τάσεις δημογραφικής ανάπτυξης υπολογίζονται με το σχεδιασμό των δεδομένων με διαφορετικές κατανομές, όπως γραμμική, λογαριθμική, εκθετική και πολυώνυμικη .Η δυναμική της αστικής διάχυσης αναλύθηκε με βάση ορισμένους από τους βασικούς αιτιολογικούς παράγοντες, όπως ο πληθυσμός (Ρ), η πυκνότητα πληθυσμού (PD),η πληθυσμιακή πυκνότητα για τις δομημένες περιοχές (aD) και ο ρυθμός αύξησης του πληθυσμού (PAGR).

Πραγματοποιήθηκε πολυδιάστατη ανάλυση παλινδρόμησης λαμβάνοντας υπόψη την αστική εξάπλωση σε σχέση με το ποσοστό της αδιαπέραστης περιοχής (PB). Ανάλυση παλινδρόμησης έγινε και για δύο περιπτώσεις που αφορούν την αστική περιοχή (i) στο σύνολό της και (ii) σε επίπεδο χωρίου (μόνο για το έτος 2000). Εδώ το χωρίο αναφέρεται στο χωρικό μέγεθος μιας αναπτυξιακής μονάδας ή ζώνης, , δηλαδή σε μια γεωγραφική περιοχή που ορίζεται από τις αρχές τοπικής ανάπτυξης για σχεδιαστικούς και διοικητικούς σκοπούς. Ο πληθυσμός ορίζεται ως ο βασικός παράγοντας της αστικής εξάπλωσης. Ο πληθυσμός για τα έτη μεταξύ των απογραφών έχει ληφθεί από τμηματική γραμμική παρεμβολή και προσαρμοσμένη εξίσωση παλινδρόμησης .
Προκειμένου να προσδιοριστεί η πιθανή σχέση της ΡΒ με τους μεμονωμένους αιτιολογικούς παράγοντες, εξετάστηκαν διαφορετικές κατανομές (γραμμική, τετραγωνική, εκθετική και λογαριθμική). Η ανάλυση παλινδρόμησης αποκαλύπτει τη μεμονωμένη συνεισφορά του κάθε παράγοντα στην αστική εξάπλωση. Για να εκτιμηθεί η σωρευτική επίδραση των παραγόντων, διενεργείται έλεγχος πολυδιάστατης παλινδρόμησης κατά βήματα, όπου θεωρείται ότι η σχέση μεταξύ των μεταβλητών είναι γραμμική.

''' Αποτελέσματα: '''

''-Ανάλυση Εικόνας:'' Tα αποτελέσματα της διακριτότητας των υπογραφών (Πίνακας 1) δίνονται με τη μορφή τιμών TD, που βρίσκονται μέσα στα αποδεκτά όρια (TD> 1900). Οι ελάχιστες τιμές TD κυμαίνονται μεταξύ 1748 και 1993 (Πίνακας 1). Για την επιβλεπόμενη ταξινόμηση επιλέχθηκαν οι καλύτεροι συνδυασμοί καναλιών, που αντιστοιχούν στις υψηλότερες τιμές της TD.Από τα κριτήρια αξιολόγησης της διακριτότητας, μπορεί να συναχθεί το συμπέρασμα ότι οι υπογραφές είναι αρκετά καλές, αν και μπορεί να αντιπροσωπεύουν ένα μικρό εύρος τιμών ανάκλασης για κάθε χρήση.
Η διακριτότητα είναι ελαφρώς κακή για την κατηγορία αστικός οικισμός καθώς αναμειγνύεται με βραχώδες έδαφος, εκτεθειμένους βράχους και υγρό αλλουβιακού εδάφους. Αυτή η ανάμειξη οφείλεται στον ετερογενή χαρακτήρα των αστικών περιοχών και της γύρω λοφώδους τοπογραφίας.
Για όλες τις εικόνες, τα αποτελέσματα της αξιολόγησης ακρίβειας παρουσιάζονται στον Πίνακα 2. Τα αποτελέσματα βασισμένα σε κανόνες δίνουν μια καλή συνολική ακρίβεια. Η συνολική ακρίβεια ταξινόμησης βρέθηκε άνω του 90% για όλες τις εικόνες (Πίνακας 2). Υψηλότερη επετεύχθηκε (94,9%) για την εικόνα LISS-III του έτους 2002, ενώ η ακρίβεια ήταν 94,0% για την εικόνα LandsatTM του έτους 1989.

''-Αύξηση του πληθυσμού και της δομημένης επιφάνειας: ''Το τετραγωνικό μοντέλο βρέθηκε ως το καταλληλότερο για την αύξηση του πληθυσμού της πόλης Ajmer. Στη συνέχεια χρησιμοποιήθηκε η ακόλουθη σχέση για τη μελλοντική πρόβλεψη του πληθυσμού:
P =1. 7556x² + 55.087x+ 168. 220 (1)
όπου P είναι ο πληθυσμός σε χιλιάδες και x τα χρόνια σε δεκαετίες (1961 και μετά).
Η αστική διάχυση για τα έτη 1977, 1989, 2000 και το 2002 εκτιμήθηκε με τη μορφή των αδιαπέραστων επιφανειών, η οποία λαμβάνεται από τις ταξινομημένες δορυφορικές εικόνες. Η δομημένη έκταση που προκύπτει από την ταξινόμηση μπορεί να έχει κάποιο σφάλμα λόγω μεικτών χρήσεων ανά εικονοστοιχείο. Ο αλγόριθμος ταξινόμησης MLC αντιστοιχεί ένα συγκεκριμένο εικονοστοιχείο σε μια συγκεκριμένη χρήση ανάλογα με τα χαρακτηριστικά της ανάκλασης . Στην παρούσα μελέτη, χρησιμοποιήθηκε επιβλεπόμενη ταξινόμηση, η οποία δεν εξετάζει υπό- ταξινόμηση ανά pixel. Για την εικόνα LISS-III του έτους 2002 έχει επιτευχθεί ακρίβεια 94,9% , ενώ για την εικόνα LandsatTM του έτους 1989 η ακρίβεια είναι 94,0%.
Η αδιαπέραστη περιοχή (δομημένη) αυξήθηκε από 488 εκτάρια το 977 σε 1259 εκτάρια το 2002. Από το 1977 έως το 2002, ο πληθυσμός στην περιοχή αυξήθηκε κατά περίπου 50,2% ενώ η έκταση της δομημένης επιφάνειας αυξήθηκε περίπου 160,8%.Αυτό συνεπάγεται ότι η γη χρησιμοποιείται με ταχύτερους ρυθμούς, ενώ παρατηρείται ότι η αστική διάχυση είναι ταχύτερη στα εξωτερικά όρια της περιοχή ,κατά μήκος των μεγάλων δρόμων.

''-Υπολογισμοί της Αστικής Διάχυσης: ''
*Εντροπία του Shannon(Hn)
Η εντροπία του Shannon (Hn) χρησιμοποιείται για τη μέτρηση του βαθμού χωρικής συγκέντρωσης ή διασποράς (ομοιογένεια) μιας γεωφυσικής μεταβλητής (αδιαπέραστη περιοχή) μεταξύ n χωρικών μονάδων / ζωνών (χωρία). Ο χάρτης των χωρίων της πόλης θεωρείται ως βάση για την αξιολόγηση του μοντέλου αστικής εξάπλωσης από το έτος 1977 έως το 2002. Η εντροπία του Shannon (Hn) δίνεται από τον παρακάτω τύπο
Ηn=∑▒〖Pi*logₑ(Pi)〗 (2)
όπου Pi είναι το ποσοστό αδιαπέραστης επιφάνειας στο ι-οστό χωρίο, n είναι ο συνολικός αριθμός των χωρίων (55) και το logn αναφέρεται στο άνω όριο της εντροπίας (1.7403). Η εντροπία κυμαίνεται από 0 έως log n, υποδεικνύοντας μια συμπαγή κατανομή του φαινομένου για τιμές κοντά στο μηδέν, και διασκορπισμένη κατανομή για τιμές κοντά στο log n. Η εντροπία του Shannon για τις 4 χρονιές (1977, 1989, 2000 και 2002) παρουσιάζεται στον Πίνακα 3.
Η κατανομή είναι κυρίως διασκορπισμένη στις εξωτερικές περιοχές, ενώ είναι συμπαγής στις περιοχές γύρω από το κέντρο του Ajmer. Από αυτό μπορούμε να συμπεράνουμε ότι η εντροπία του Shannon είναι χρήσιμη και αποτελεσματική στην αναγνώριση του φαινομένου της αστικής διάχυσης στην περιοχή.

''-Ανομοιογένεια: ''Ανομοιογένεια είναι ο αριθμός των διαφορετικές χρήσεων γης μέσα σε ένα nxn παράθυρο. Είναι ένα μέτρο της ποικιλομορφίας όλων των τάξεων χρήσης γης. Στη μελέτη αυτή, ο αριθμός των επιφανειών διαφορετικής κατηγορίας χρήσης γης έχει υπολογιστεί με τη μετακίνηση ενός 5x5 πυρήνα στην ταξινομημένη εικόνα χρησιμοποιώντας ένα πρόγραμμα δημιουργίας μοντέλου του λογισμικού ERDAS .Υπάρχουν 10 κατηγορίες χρήσεων γης στις περισσότερες εικόνες, που είναι μεγαλύτερος αριθμός από τον αριθμό των εικονοστοιχείων σε έναn 3x3 πυρήνα. Επομένως, χρησιμοποιήθηκε ο πυρήνας των 5x5 εικονοστοιχείων. Η ποικιλομορφία των χρήσεων γης ανά χωρίο, σε ποσοστά, για τα διάφορα έτη παρουσιάζεται στην Εικ.2. Τα αποτελέσματα αποκαλύπτουν ότι η ποικιλομορφία κυμαίνεται από 1 έως 7 κατηγορίες χρήσης γης. Η ποικιλομορφία του τοπίου είναι μεγαλύτερη για το 2000,σε σχέση με το 2002. Η ομοιογενής περιοχή μειώθηκε σταδιακά από το 1977,ενώ η υπόλοιπη περιοχή είναι ετερογενής. Η αλλαγή στις τιμές της ομοιογένειας με το χρόνο δείχνει ότι η ποικιλομορφία ενός τύπου χρήσης γης έχει αυξηθεί, πράγμα που σημαίνει ότι κάποια άλλη χρήση έχει αλλάξει σε αυτόν τον τύπο.

''-Πυκνότητα Χάρτη: '' Η πυκνότητα χάρτη είναι ένας άλλος δείκτης ο οποίος μπορεί να χρησιμοποιηθεί για να εξετάσει την ομοιογένεια / διασπορά οποιουδήποτε χωρικού φαινόμενου, όπως η αστικοποίηση. Οι τιμές πυκνότητας χάρτη υπολογίζονται με τον προσδιορισμό του αριθμού των εικονοστοιχείων αδιαπέραστων επιφανειών σε ένα σύνολο εικονοστοιχείων ενός πυρήνα 5x5. Όταν ο πυρήνας αυτός εφαρμόζεται σε μια ταξινομημένη δορυφορική εικόνα, μετατρέπει τις τάξεις χρήσης γης σε 25 τάξεις πυκνότητας. Για παράδειγμα, η τιμή πυκνότητας 5 για ένα εικονοστοιχείο αντιπροσωπεύει 5 αδιαπέραστα εικονοστοιχεία σε μια περιοχής 5 x 5 εικονοστοιχείων. Ανάλογα με τα επίπεδα πυκνότητας, κάθε τάξη χρήσης γης κατατάσσεται περαιτέρω σε πέντε κατηγορίες, χρησιμοποιώντας ισαπέχοντα διαστήματα ,ως πολύ χαμηλή, χαμηλή, μεσαία, υψηλή και πολύ υψηλή πυκνότητα, καθεμία αντιστοιχεί στην τιμή πυκνότητας 5, 10, 15,20 και πάνω από 20.Στη συνέχεια υπολογίστηκαν τα σχετικά ποσοστά κάθε πυκνότητας σε συγκεκριμένη κατηγορία για κάθε έτος, κάτι που επέτρεψε την αναγνώριση των επίκεντρων της αστικής διάχυσης. Τα αποτελέσματα συσχετίστηκαν με την εντροπία του Shannon.

Τα αποτελέσματα της πυκνοκατοικημένης / αδιαπέραστης πυκνότητας παρουσιάζονται στην Εικ.3. Οι μεταταξινομημένες κατηγορίες πυκνότητας παρουσιάζονται στον Πίνακα 4.Τα ποσοστά της συμπαγούς και πολύ υψηλής πυκνότητας των δομημένων περιοχών έχουν μειωθεί, κάτι που υποδεικνύει διασπορά, αυτό δε σημαίνει ότι οι αδιαπέραστες περιοχές έχουν μειωθεί, αλλά ότι η σχετική συνεισφορά τους στην ολική επιφάνεια έχει μειωθεί. Η Εικ. 3 δείχνει ότι περισσότερη ανάπτυξη έχει σημειωθεί στα εξωτερικά χωρία της περιοχής κατά μήκος των μεγάλων δρόμων και του σιδηροδρομικού δικτύου. Το μεγαλύτερο μέρος όμως της υψηλής πυκνότητας βρίσκεται στο κεντρικό τμήμα της πόλης. Επιπλέον, τα αποτελέσματα τεκμηριώνονται από την εντροπία του Shannon, που αποκαλύπτει μια αστική εξάπλωση στην περιφέρεια της περιοχής.

Αρχικά, έγινε ανάλυση παλινδρόμησης λαμβάνοντας υπόψη μεμονωμένα τον κάθε αιτιολογικό παράγοντα για να διαπιστωθεί η σημασία του καθενός στην αστική διάχυση. Η σχέση μεταξύ ΡΒ και Ρ βρέθηκε τετραγωνική. Η σχέση μεταξύ PB και PD γραμμική και μεταξύ PB και PAGR επίσης τετραγωνική. Η γραμμική ανάλυση και οι αναλύσεις τετραγωνικής παλινδρόμησης αποκαλύπτουν ότι ο πληθυσμός και η πυκνότητα του πληθυσμού έχουν σημαντική επίδραση στην ΡΒ. Οι αναλύσεις τετραγωνικής παλινδρόμησης αποκάλυψαν ότι το aD και το PAGR διαδραματίζουν σημαντικό ρόλο στο φαινόμενο της αστικής εξάπλωσης. Η ανάλυση του νόμου των δυνάμεων αποκαλύπτει ότι η πυκνότητα του πληθυσμού έχει επηρεάσει το φαινόμενο , κάτι που είναι εμφανές από την αξία του εκθέτη.

''-Πρόβλεψη Εξέλιξης Πληθυσμο: ''
Για την πρόβλεψη του πληθυσμού χρησιμοποιήθηκαν οι παρακάτω σχέσεις:
*Περίπτωση Ι : για ολόκληρη την περιοχή
PB= 0.3564 PD – 0.00688aD- 3.504 (R= 0.998,F = 2.62E-5, S.E. = 0.49) (3)
PB = -3.1E-05P + 0.6854PD - 8.4E-05PGR - 9.610 (R = 0.99) (4)

*Περίπτωση II: για κάθε χωρίο

PB = -0.00395P + 0.09524PD - 0.01144aD + 59.058 (R = 0.87, F = 2.25E-15, S.E. = 16.6) (5)

Για την περίπτωση Ι ως καταλληλότερη (υψηλότερη συσχέτιση, χαμηλότερο τυπικό σφάλμα και χαμηλότερο συντελεστή σημασίας F) επιλέχθηκε η (3). Οι σχέσεις (3)–(5) επιβεβαιώνουν ότι οι αιτιολογικοί παράγοντες παίζουν σημαντικό ρόλο στην αστική διάχυση.

''-Σενάρια Πρόβλεψης Αστικής Διάχυσης: '' Η αστική διάχυση του Ajmer προβλέφθηκε χρησιμοποιώντας τη σχέση της περίπτωσης I. Πιθανή αύξηση των αδιαπέραστων περιοχών προβλέπεται μέσω της (4) . Για να προβλεφθεί η αδιαπέραστη περιοχή από το 2011 έως το 2041,ο αντίστοιχος πληθυσμός υπολογίστηκε χρησιμοποιώντας την (1). Εκτιμάται ότι το ποσοστό της δομημένης επιφάνειας για το 2011 και το 2051 θα είναι 17,9% και 33,9% αντίστοιχα (Εικ. 4). Αυτό σημαίνει ότι μέχρι το έτος 2051, η κατοικημένη περιοχή στα δημοτικά όρια θα ανέρχεται σε 2889 εκτάρια, τα οποία είναι περίπου 129,3% περισσότερο από την οικιστική δόμηση (1259 εκτάρια) για το 2002.

'''Συμπεράσματα: ''' Η τεχνολογία τηλεπισκόπησης είναι απαραίτητη για τη μελέτη δυναμικών φαινόμενων, όπως η αστική διάχυση. Χωρίς τα δεδομένα απομακρυσμένης ανίχνευσης, η παρακολούθηση και η εκτίμηση την αστική εξάπλωση από ένα χρονικό διάστημα και πέρα , δεν είναι δυνατές, ειδικά για χρονικό διάστημα που έχει παρέλθει. Η χωρική και χρονική μεταβλητότητα των χρήσεων/καλύψεων γης απαιτεί δεδομένα τηλεπισκόπησης. Στην παρούσα μελέτη, οι οικιστικές περιοχές καθορίστηκαν για μια περίοδο 25 ετών, κάτι που δεν θα ήταν δυνατό χωρίς τη χρήση δεδομένων τηλεπισκόπησης. Οι τοπογραφικές μετρήσεις έχουν υπολογιστεί με τη χρήση δορυφορικών εικόνων ως μέσο κατανόησης της μορφής και της χωρικής κατανομής της αστικής διάχυσης.

Βρέθηκε ότι η μεταβολή στην οικιστική ανάπτυξη κατά τη διάρκεια 25 ετών είναι 160,8% και μέχρι το έτος 2051 η κατοικημένη περιοχή στην περιοχή θα ανέρχεται σε 2889 εκτάρια, που θα είναι σχεδόν κατά 129,3% περισσότερο από την έκταση των 1259 εκταρίων του 2002.Ο ρυθμός αστικής εξάπλωσης θα είναι περίπου διπλάσιος της αύξησης του πληθυσμού, προβλεπόμενος με βάση την τρέχουσα τάση. Επιπλέον, άλλοι αιτιολογικοί παράγοντες, όπως οι κοινωνικό-οικονομικό-κρατικές επενδύσεις για τον δημόσιο τομέα, η τάση εκβιομηχάνισης, οι τουριστικές δραστηριότητες, τα φυσικά εμπόδια και οι αποστάσεις από σημαντικές τοποθεσίες μπορεί επίσης να εξετασθούν για τη μοντελοποίηση της αστικής διάχυσης από μελλοντικές ερευνητικές εργασίες

[[category: Ανίχνευση μεταβολών αστικής γης]]

Αρχείο:Rs wiki1 ck eikona1.JPG

2018-01-18T20:47:00Z

Kaxri17a: