RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Κεχαϊδάκη Σοφία

2019-02-11T00:42:25Z

KexaidakiSofia:

[[Μια νέα εποχή στην τηλεπισκόπηση καλλιεργειών με μη επανδρωμένα ρομπότ]]

[[Εφαρμογή τηλεπισκόπησης στην γεωθερμική εξερεύνηση]]

[[Μια ανασκόπηση: Η εφαρμογή της τηλεπισκόπησης, του GIS και του GPS στην Γεωργία ακριβείας]]

[[Αξιολόγηση μικρών μη επανδρωμένων εναέριων συστημάτων για τον εντοπισμό του στρες ξηρασίας στο χλοοτάπητα]]

[[Η κατάσταση υγρασίας καλλιέργειας που υπολογίζεται με πληροφορίες τηλεπισκόπισης]]

[[Χρήση Γεωγραφικού Συστήματος Πληροφοριών και Τηλεπισκόπησης για την κατανόηση των επιπτώσεων της κάλυψης γης στη μελισσοκομία]]

[[Χωρική διανομή των μελισσοκομικών βοσκοτόπων με βάση το χρώμα των δορυφορικών εικόνων χρησιμοποιώντας ομαδοποίηση Κ-μέσων]]

[[Ο ρόλος των δορυφορικών εικόνων GOES στην παρακολούθηση υγρασίας χαμηλού επιπέδου]]

[[Η άνοδος των μικρών UAVs στη γεωργία ακριβείας]]

[[Τεχνική επιλογής για την περιοχή σύνθετων μελισσοκομικών φυτών χρησιμοποιώντας εικόνα Landsat και GIS]]

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

Κεχαϊδάκη Σοφία

2019-02-11T00:42:05Z

KexaidakiSofia:

Τεχνική επιλογής για την περιοχή σύνθετων μελισσοκομικών φυτών χρησιμοποιώντας εικόνα Landsat και GIS

2019-02-11T00:40:24Z

KexaidakiSofia: Νέα σελίδα με 'Εικόνα 1: Περιοχές εκπαίδευσης για την ταξινόμηση. [[Εικόνα: rs_wiki_08...'

[[Εικόνα: rs_wiki_08_image1.png|thumb|right|Εικόνα 1: Περιοχές εκπαίδευσης για την ταξινόμηση.]]

[[Εικόνα: rs_wiki_08_image2.png|thumb|right|Εικόνα 2: Θεματικοί χάρτες της περιοχής μελέτης.]]

[[Εικόνα: rs_wiki_08_image3.png|thumb|right|Εικόνα 3: Η κατάλληλη χωρική κατανομή των φυτών ψευδοακακίας.]]

'''Τεχνική επιλογής για την περιοχή σύνθετων μελισσοκομικών φυτών χρησιμοποιώντας εικόνα Landsat και GIS'''

'''Πηγή:''' Google scholar (https://crisp.nus.edu.sg/~acrs2001/pdf/227jo.pdf)

'''Πρωτότυπος τίτλος:''' Selection Technique for Honey Plant Complex Area Using Landsat Image and Gis

'''Συγγραφείς:''' Myung – Hee Jo, Joon – Bum Kim, Seong – Ryul Baek

'''Λέξεις κλειδιά:''' Δορυφορικές εικόνες, Γεωγραφικά Συστήματα Πληροφοριών, χωρική ανάλυση, Περιοχή φυτών ψευδοακακίας

'''Αντικείμενο Εφαρμογής'''

Ανάλυση εγκατάστασης των μελισσοκομικών φυτών Ακακίας και των χαρακτηριστικών χωρικής κατανομής τους. Εξέταση μεταβλητών για τη χωρική ανάλυση όπως η τοπογραφία, το έδαφος, η αποστράγγιση, η απόσταση από την αστική περιοχή, η χρήση της γης, τα μετεωρολογικά στοιχεία.

'''Περιοχή Μελέτης'''

Η πόλη Young - chon στην Κορέα με γεωγραφικό μήκος από 128 ° 41 ΄41 έως 129 ° 08 ΄42 και γεωγραφικό πλάτος από 36 ° 00 ΄48 έως 36 ° 03 ΄08.

'''Εισαγωγή'''

Η κατανομή των μελισσοκομικών φυτών και των ανθισμένων περιόδων τους σε περιφερειακό επίπεδο είναι πολύ διαφορετικές μεταξύ τους λόγω των σύνθετων τοπογραφιών τους. Το αποτέλεσμα της εξέτασης τόσο των εποχιακών όσο και των μηνιαίων περιόδων άνθισης των κυριότερων μελισσοκομικών φυτών δείχνει ότι οι πιο ανθισμένοι μήνες το χρόνο είναι οι μήνες Μάιος, Απρίλιος, Ιούνιος και Ιούλιο, και οι εποχές είναι το καλοκαίρι (52,0%), η Άνοιξη (44% ) και Φθινόπωρο (3,6%).
Στην Κορέα, η καλλιέργεια μελισσών εξαρτάται σε μεγάλο βαθμό από το μέλι της Ακακίας.
Η πόλη Young-chon έχει τις κατάλληλες κλιματολογικές και τοπογραφικές συνθήκες για την ανάπτυξη των μελισσοκομικών φυτών Ακακίας.

'''Υλικά και Μέθοδοι'''

Αυτή η μελέτη χρησιμοποίησε εργαλεία GIS και ένα λογισμικό επεξεργασίας δορυφορικών εικόνων για την κατασκευή του GIS DataBase της περιοχής εστίασης. Στη συνέχεια αναλύθηκε αυτή η δορυφορική εικόνα της μελέτης καθώς και η μέθοδος ανάλυσης GIS στις περιοχές συγκέντρωσης Ακακίας και εξήχθησαν οι καλύτερες περιοχές. Η έρευνα πεδίου και τα δεδομένα παρατήρησης εδάφους της βιομηχανίας καλλιέργειας μελισσών που εκδόθηκε από το κέντρο τεχνολογίας γεωργίας της πόλης Young - chon επαλήθευσαν τα αποτελέσματα.
Η μελέτη αυτή εξήγαγε δεδομένα συγκέντρωσης φυτών Ακακίας με τη χρήση δορυφορικών εικόνων Landsat TM, όταν τα άνθη ακακίας ήταν σχεδόν σε πλήρη άνθιση. Επίσης, δουλέψανε σε ψηφιακό χάρτη τοπολογίας, ψηφιακό χάρτη τύπου δάσους, δεδομένα πεδίου έρευνας και μετεωρολογικά δεδομένα για την επιλογή των κατάλληλων περιοχών.
Αυτή η μελέτη προετοίμασε το θεματικό στρώμα της περιοχής μελέτης για την κατασκευή του GIS DataBase και τη χωρική ανάλυσή τους.
Πραγματοποιήθηκε γεωμετρική διόρθωση στις δορυφορικές εικόνες που ήταν εικόνες Landsat TM (κανάλι 4/3/2) και πραγματοποιήθηκε εποπτευόμενη ταξινόμηση μέγιστων πιθανοτήτων σε αυτές. Η μελέτη αυτή εξήγαγε τις κατάλληλες περιοχές για το φυτό μέσω διαφανών τεχνικών επικάλυψης όπως η τεχνική γραμμικού συνδυασμού και η τεχνική συνδυασμού παραγόντων και επαλήθευσε τα αποτελέσματα από την επιτόπια έρευνα και τα πρωταρχικά στατιστικά στοιχεία.
Στην εικόνα 1 φαίνονται οι περιοχές εκπαίδευσης για την ταξινόμηση.
Στην εικόνα 2 φαίνονται οι θεματικοί χάρτες της περιοχής μελέτης.

'''Αποτελέσματα'''

Η εικόνα 3 δείχνει τα αποτελέσματα της ανάλυσης καταλληλότητας. Τα αποτελέσματα της ανάλυσης ότι οι καλύτερες περιοχές ήταν το Go - kyung, το Ha - nam, το Im - go, το Buk - an και το Hwa - san.
Με τα παραπάνω αποτελέσματα προέκυψε ότι η πόλη Young - chon έχει κατάλληλες κλιματολογικές και τοπογραφικές συνθήκες για ανάπτυξη φυτών Ακακίας.

'''Συμπεράσματα'''

Αυτή η μελέτη ανέπτυξε μια αποτελεσματική μέθοδο επιλογής καταλληλότητας περιοχών για την ανάπτυξη μελισσοκομικών φυτών Ακακίας με τη χρήση δορυφορικών εικόνων και GIS.
Οι μεταβλητές που πρέπει να λαμβάνονται υπόψη κατά την επιλογή των ζωνών είναι φυσικά δεδομένα σχετικά με την τοπογραφία (υψόμετρο, κλίση, κλίση και υδρόσφαιρα), έδαφος, είδη δασών, χρήση γης και μετεωρολογικά στοιχεία (θερμοκρασία, υγρασία και βροχόπτωση) και τα δεδομένα του ανθρώπινου περιβάλλοντος σχετικά με την πόλη και το δρόμο.
Η λήψη αποφάσεων σχετικά με την επιλογή κατάλληλων περιοχών και την προτεραιότητα των κατά κύριο λόγο κατάλληλων υποψήφιων περιοχών είναι πολύ χρήσιμη για τον κλάδο της μελισσοκομίας.

[[category:Γεωργία]]

Αρχείο:Rs wiki 08 image3.png

2019-02-11T00:30:20Z

KexaidakiSofia: Εικόνα 3

Εικόνα 3

Αρχείο:Rs wiki 08 image2.png

2019-02-11T00:29:28Z

KexaidakiSofia: Εικόνα 2

Εικόνα 2

Αρχείο:Rs wiki 08 image1.png

2019-02-11T00:28:27Z

KexaidakiSofia: Εικόνα 1

Εικόνα 1

Κεχαϊδάκη Σοφία

2019-02-09T16:57:43Z

KexaidakiSofia:

[[Μια νέα εποχή στην τηλεπισκόπηση καλλιεργειών με μη επανδρωμένα ρομπότ]]

[[Εφαρμογή τηλεπισκόπησης στην γεωθερμική εξερεύνηση]]

[[Μια ανασκόπηση: Η εφαρμογή της τηλεπισκόπησης, του GIS και του GPS στην Γεωργία ακριβείας]]

[[Αξιολόγηση μικρών μη επανδρωμένων εναέριων συστημάτων για τον εντοπισμό του στρες ξηρασίας στο χλοοτάπητα]]

[[Η κατάσταση υγρασίας καλλιέργειας που υπολογίζεται με πληροφορίες τηλεπισκόπισης]]

[[Χρήση Γεωγραφικού Συστήματος Πληροφοριών και Τηλεπισκόπησης για την κατανόηση των επιπτώσεων της κάλυψης γης στη μελισσοκομία]]

[[Χωρική διανομή των μελισσοκομικών βοσκοτόπων με βάση το χρώμα των δορυφορικών εικόνων χρησιμοποιώντας ομαδοποίηση Κ-μέσων]]

[[Ο ρόλος των δορυφορικών εικόνων GOES στην παρακολούθηση υγρασίας χαμηλού επιπέδου]]

[[Η άνοδος των μικρών UAVs στη γεωργία ακριβείας]]

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

Η άνοδος των μικρών UAVs στη γεωργία ακριβείας

2019-02-09T16:56:12Z

KexaidakiSofia: Νέα σελίδα με '[[Εικόνα: rs_wiki_06_image1.png|thumb|right|Εικόνα 1: Μικρό μη επανδρωμένο εναέριο όχημα, με κάμερα έξι ζωνών ε...'

[[Εικόνα: rs_wiki_06_image1.png|thumb|right|Εικόνα 1: Μικρό μη επανδρωμένο εναέριο όχημα, με κάμερα έξι ζωνών επί του σκάφους.]]

'''Η άνοδος των μικρών UAVs στη γεωργία ακριβείας'''

'''Πηγή:''' ResearchGate (https://www.researchgate.net/publication/285735296_The_rise_of_small_UAVs_in_precision_agriculture )

'''Πρωτότυπος τίτλος:''' The rise of small UAVs in precision agriculture

'''Συγγραφείς:''' Reza Ehsani, Joe Mari Maja

'''Λέξεις κλεδιά:''' Γεωργία ακριβείας, Μη επανδρωμένα εναέρια οχήματα

'''Αντικείμενο Εφαρμογής'''

Πιθανές εφαρμογές των μικρών μη επανδρωμένων εναέριων οχημάτων στη γεωργία είναι η ανίχνευση καλλιεργειών, η χαρτογράφηση κατανομής των παρασίτων, οι εικόνες γυμνού εδάφους και ο προγραμματισμός της άρδευσης και αποστράγγισης. Δεδομένου ότι τα SUAV πετούν σε χαμηλά υψόμετρα, μπορούν να συλλέξουν εικόνες υψηλής ανάλυσης.

'''Εισαγωγή'''

Τα μη επανδρωμένα εναέρια οχήματα (UAV) σχεδιάστηκαν για στρατιωτικές επιχειρήσεις. Ωστόσο, όπως και άλλες στρατιωτικές τεχνολογίες, όπως το GPS, τα UAV θα βρουν περισσότερη χρήση σε πολιτικές εφαρμογές. Μεταξύ όλων των δυνητικών αγορών των UAV, η γεωργία ακριβείας θεωρείται η μεγαλύτερη. Αυτό θα έχει σημαντικές συνέπειες για τη γεωργία ακριβείας. Συνδέοντας ασύρματα δίκτυα αισθητήρων και συστήματα ρομποτικής και αυτοματισμού, τα UAVs μπορούν να αλλάξουν τον τρόπο συλλογής δεδομένων πεδίου, παρακολούθησης εξοπλισμού πεδίου και ακόμη και λειτουργίας γεωργικών μηχανημάτων.

'''Χρήσεις SUAV'''

Τα μικρά μη επανδρωμένα εναέρια οχήματα (SUAV) είναι μια κατηγορία UAV που ζυγίζουν λιγότερο από 10 κιλά και μπορούν να λειτουργούν εξ αποστάσεως, με ή χωρίς πλήρως αυτόνομες ιπτάμενες ικανότητες. Τα SUAV είναι σχετικά φθηνά και πολύ εύκολα στη λειτουργία για τους καλλιεργητές. Τα SUAV μπορούν να μεταφέρουν μια ποικιλία αισθητήρων απεικόνισης για τη συλλογή δεδομένων πεδίου. Οι εμπορικά διαθέσιμοι αισθητήρες απεικόνισης ειδικά σχεδιασμένοι για SUAV περιλαμβάνουν υπερφασματικές, πολυφασματικές και θερμικές κάμερες.
Τα UAV μπορούν να χρησιμοποιηθούν από καλλιεργητές διαφορετικών προϊόντων, ανεξάρτητα από το μέγεθος και τον τύπο καλλιέργειας τους. Οι πιθανές εφαρμογές αυτής της τεχνολογίας στη γεωργία περιλαμβάνουν:
• Ανίχνευση καλλιεργειών
• Χαρτογράφηση κατανομής επιβλαβών οργανισμών
• Αξιολόγηση απώλειας καλλιέργειας
• Απεικόνιση άγονων εδαφών
• Σχεδιασμός άρδευσης και αποχέτευσης
• Εκτίμηση της απόδοσης και παρακολούθηση
• Διαχείριση αποθεμάτων
• Διάγνωση τραυματισμού από ζιζάνια στις καλλιέργειες
• Επιλογή φυτών για περαιτέρω αναπαραγωγή
• Δειγματοληψία παθογόνων φυτών
• Αποτελεσματική χρήση χημικών και φυτοφαρμάκων
• Ασφάλεια και προστασία
• Αυτοματισμός και πλοήγηση των οχημάτων εδάφους
• Ακαδημαϊκή και επεκτάσιμη εκπαίδευση.

Μεταξύ των δυνητικών εφαρμογών των SUAVs, η έρευνα για ασθένειες και παράσιτα είναι πιθανώς η πιο πιεστική χρήση αυτής της τεχνολογίας. Η ανθρώπινη διάγνωση είναι χρονοβόρα, δαπανηρή και επιρρεπής σε λάθη. Πολλές, αν όχι οι περισσότερες, πτυχές της ανίχνευσης μπορούν να γίνουν πιο αποτελεσματικά με τα SUAV.
Σύμφωνα με τον Οργανισμό Τροφίμων και Γεωργίας των Ηνωμένων Εθνών (FAO), περίπου το 20-40% της συνολικής απόδοσης καλλιεργειών χάνεται από τα παράσιτα, τα ζιζάνια και τις ασθένειες κάθε χρόνο. Στη Φλώριδα, η ασθένεια των εσπεριδοειδών, ή η ηπειρωτική γρίπη (HLB), προκάλεσε μια εκτιμώμενη απώλεια 3,64 δισ. δολαρίων στη βιομηχανία εσπεριδοειδών του κράτους μόλις τα τελευταία πέντε χρόνια. Θα μπορούσε να γίνει διαχείριση της HLB με πολύ μικρότερο κόστος για τους καλλιεργητές, εάν μπορεί να επιτευχθεί η ανίχνευση των μολυσμένων δένδρων.
Το Πανεπιστήμιο της Φλώριδας, Ινστιτούτο Τροφίμων και Γεωργικών Επιστημών (UF-IFAS), Κέντρο Έρευνας και Εκπαίδευσης Εσπεριδοειδών πειραματίζεται με μια κάμερα έξι ζωνών τοποθετημένη σε ένα SUAV (εικόνα 1) για έρευνα σχετικά με την ασθένεια των εσπεριδοειδών και την ανίχνευση του στρες χρησιμοποιώντας υψηλής ανάλυσης, χαμηλού υψομέτρου, εναέρια απεικόνιση. Χρησιμοποιώντας θερμικές και ορατές / εγγύς υπέρυθρες εικόνες από υγιή και στρεσαρισμένα εσπεριδοειδή, το σύστημα απεικόνισης SUAV μπορεί να διακρίνει τα δέντρα που έχουν καταπονηθεί από υγιή δέντρα με μεγαλύτερη ακρίβεια από ό, τι μπορεί να ληφθεί από συμβατικές αεροφωτογραφίες.

'''Συμπεράσματα'''

Οι καλλιεργητές χρειάζονται νέα εργαλεία και τεχνικές για την αποτελεσματική διαχείριση της διάδοσης νέων ή υφιστάμενων ασθενειών. Τα μικρά UAV αντιπροσωπεύουν μια άνευ προηγουμένου ευκαιρία για την αγροτική κοινότητα.
Ενώ ένα μεγάλο μέρος της έρευνας δείχνει πώς μπορεί να χρησιμοποιηθεί η εναέρια απεικόνιση στη γεωργία, λίγοι καλλιεργητές χρησιμοποιούν επί του παρόντος εναέρια απεικόνιση στις διαδικασίες λήψης αποφάσεων. Σε ορισμένες εφαρμογές, όπως η ανίχνευση ασθενειών, η ανάλυση των δεδομένων που λαμβάνονται από υπάρχοντα συστήματα αεροφωτογραφιών δεν είναι αρκετά καλή για πρακτική χρήση. Επιπλέον, το κόστος της πρόσληψης αεροπλάνου για τη συλλογή αεροφωτογραφιών είναι απαγορευτικό για τους μικρούς καλλιεργητές. Αντίθετα, οι καλλιεργητές μπορούν να πετάξουν ένα SUAV σε πολύ σύντομο χρονικό διάστημα. Δεδομένου ότι τα SUAV πετούν σε χαμηλά υψόμετρα, μπορούν να συλλέξουν εικόνες υψηλής ανάλυσης. Τέλος, το κόστος ενός SUAV ισούται με το κόστος συλλογής μόνο μιας ή δύο εικόνων με αεροπλάνο.

[[category:Γεωργία]]

Αρχείο:Rs wiki 06 image1.png

2019-02-09T16:50:21Z

KexaidakiSofia: Εικόνα 1

Εικόνα 1

Κεχαϊδάκη Σοφία

2019-02-07T15:28:29Z

KexaidakiSofia:

[[Μια νέα εποχή στην τηλεπισκόπηση καλλιεργειών με μη επανδρωμένα ρομπότ]]

[[Εφαρμογή τηλεπισκόπησης στην γεωθερμική εξερεύνηση]]

[[Μια ανασκόπηση: Η εφαρμογή της τηλεπισκόπησης, του GIS και του GPS στην Γεωργία ακριβείας]]

[[Αξιολόγηση μικρών μη επανδρωμένων εναέριων συστημάτων για τον εντοπισμό του στρες ξηρασίας στο χλοοτάπητα]]

[[Η κατάσταση υγρασίας καλλιέργειας που υπολογίζεται με πληροφορίες τηλεπισκόπισης]]

[[Χρήση Γεωγραφικού Συστήματος Πληροφοριών και Τηλεπισκόπησης για την κατανόηση των επιπτώσεων της κάλυψης γης στη μελισσοκομία]]

[[Χωρική διανομή των μελισσοκομικών βοσκοτόπων με βάση το χρώμα των δορυφορικών εικόνων χρησιμοποιώντας ομαδοποίηση Κ-μέσων]]

[[Ο ρόλος των δορυφορικών εικόνων GOES στην παρακολούθηση υγρασίας χαμηλού επιπέδου]]

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

Ο ρόλος των δορυφορικών εικόνων GOES στην παρακολούθηση υγρασίας χαμηλού επιπέδου

2019-02-07T15:26:41Z

KexaidakiSofia:

[[Εικόνα: rs_wiki_03_sxima1.png|thumb|right|Σχήμα 1: Στον πίνακα χρωμάτων, οι θερμότερες (ψυχρότερες) φωτεινές θερμοκρασίες είναι πιο σκούρες (φωτεινές). Τα σημεία Α και Β αντιπροσωπεύουν τη θέση της στεγνής και υγρής πλευράς της ξηράς, αντίστοιχα.]]

[[Εικόνα: rs_wiki_03_image1.jpg|thumb|right|Εικόνα 1: Επιφανειακές παρατηρήσεις.]]

[[Εικόνα: rs_wiki_03_image2.jpg|thumb|right|Εικόνα 2: Επιφανειακές παρατηρήσεις. Ο πίνακας χρωμάτων αναδεικνύει τα υγρά σύννεφα με ανοιχτά χρώματα και το σύννεφο πάγου με πιο σκούρα χρώματα.]]

[[Εικόνα: rs_wiki_03_image3.jpg|thumb|right|Εικόνα 3: Δείχνει την επιστρεφόμενη χαμηλού επιπέδου υγρασία.]]

[[Εικόνα: rs_wiki_03_image4.jpg|thumb|right|Εικόνα 4: Επιστρεφόμενη, υγρασία χαμηλού επιπέδου. Τα σύννεφα του τροφοδότη υποδεικνύονται με βέλος.]]

'''Ο ρόλος των δορυφορικών εικόνων GOES στην παρακολούθηση υγρασίας χαμηλού επιπέδου'''

'''Πηγή:''' ResearchGate (https://www.researchgate.net/publication/249612783_The_Role_of_GOES_Satellite_Imagery_in_Tracking_Low-Level_Moisture)

'''Πρωτότυπος τίτλος:''' The Role of GOES Satellite Imagery in Tracking Low-Level Moisture

'''Συγγραφείς:''' Dan Bikos, John F. Weaver, Jeff Braun

'''Λέξεις κλειδιά:''' Εικόνες GOES, Καιρικές συνθήκες

'''Αντικείμενο Εφαρμογής'''

Αντικείμενο της εργασίας είναι η εφαρμογή γεωστατικών δορυφορικών δεδομένων για την παρακολούθηση θερμών, υγρών μαζών αέρα και χαμηλού επιπέδου υγρασία κατά τη διάρκεια της ημέρας ή της νύχτας. Αυτές οι αποκαλούμενες επιστρεφόμενες μάζες του αέρα είναι συχνά ένα βασικό συστατικό για την εμφάνιση σοβαρών καιρικών φαινομένων. Οι νεότερες εικόνες της αμερικανικής μετεωρολογικής υπηρεσίας (NOAA) από τον δορυφόρο GOES παρέχουν υψηλή χωρική και χρονική ανάλυση. Μαζί, επιφανειακές παρατηρήσεις, ανιχνεύσεις ανώτερου αέρα και δορυφορικές εικόνες υψηλής ανάλυσης παρέχουν μια ολοκληρωμένη εικόνα της μάζας του υγρού αέρα που επιστρέφει.

'''Εισαγωγή'''

Η χαμηλή υγρασία είναι ένα σημαντικό συστατικό στην ανάπτυξη σοβαρών καταιγίδων.
Για την αξιόπιστη πρόγνωση του καιρού, ένα σημαντικό πρόβλημα είναι πότε ο ζεστός αέρας του κόλπου με την υγρασία θα έρθει προς βορρά, και σε ποια ποιότητα ή μέγεθος θα φτάσει. Υπάρχει το συμπέρασμα ότι ένα από τα κύρια λάθη στη μοντελοποίηση επιστροφής υγρασίας είναι η έλλειψη επαρκών επιφανειακών παρατηρήσεων. Η διαδικασία αρχίζει γενικά με την ανάλυση επιφανειακών παρατηρήσεων που ακολουθείται από την ανάλυση των παρατηρήσεων του ανώτερου αέρα για την ποσοτικοποίηση του βάθους και του χαρακτήρα της μάζας αέρα που επιστρέφει.. Το συνολικό κατακρημνιστικό νερό (TPW) που προέρχεται από δορυφορικά δεδομένα και από τις παρατηρήσεις στο πάνω μέρος του αέρα αποδείχθηκε ότι είναι χρήσιμη στην ανάλυση των επιστροφών υγρασίας στον κόλπο. Ωστόσο, τα TPW προϊόντα που παράγονται από το Γεωστατικό Επιχειρησιακό περιβαλλοντικοί δορυφόροι (GOES) δεν είναι δυνατοί κάθε φορά που ένα σχετικά στερεό μεσαίου ή ανώτερου επιπέδου σύννεφο παρουσιάζεται.
Οι τεχνικές ανάλυσης που χρησιμοποιήθηκαν σε αυτό το έγγραφο θα επικεντρωθούν στο ρόλο της απεικόνισης GOES στην παρακολούθηση της χαμηλής στάθμης υγρασίας, συγκεκριμένα, καθορίζοντας τα όρια μεταξύ ξηρής και υγρής μάζας αέρα. Οι νεότερες εικόνες GOES παρέχουν πολύ βελτιωμένη χωρική και χρονική ανάλυση.

'''Παραδείγματα επιστρεφόμενης υγρασίας σε καθαρό ουρανό'''

Κατά την διάρκεια της ημέρας και της νύχτας, οι υπέρυθρες απεικονίσεις των GOES μπορούν συχνά να χρησιμοποιηθούν για την ανίχνευση των χαμηλών επιπέδων ζεστών αέριων μαζών. Αν ο ουρανός είναι καθαρός, πρέπει να υπάρχει αρκετή θερμική αντίθεση ανάμεσα στην αέρια μάζα που εισβάλλει και σε αυτή που αντικαθιστά για να είναι δυνατή η ανίχνευση χρησιμοποιώντας μόνο την υπέρυθρη απεικόνιση.

Παράδειγμα 1: Χρήση εικόνων υπερύθρων κατά τη διάρκεια της ημέρας έναντι νύχτας (καθαρός ουρανός). Κατά τη διάρκεια της ημέρας, η υπέρυθρη απεικόνιση απεικονίζει μία υγρή μάζα αέρα ως ψυχρή. Η υπέρυθρη απεικόνιση στο σχήμα 1 δείχνει την αλλαγή στην εμφάνιση της μάζας υγρού και ξηρού αέρα ως διαφορά στη θέρμανση (ψύξη) που συμβαίνει αργά το απόγευμα (Σχήμα 1a), κοντά στο ηλιοβασίλεμα (Σχήμα 1b), και μετά το ηλιοβασίλεμα (Σχήμα 1c). Κατά τη διάρκεια της ημέρας, η μάζα ξηρού αέρα (σημείο Α) θερμαίνεται ταχύτερα από την υγρή μάζα αέρα (σημείο Β). Την ώρα του ηλιοβασιλέματος, το μέγεθος της θερμικής αντίθεσης μειώνεται έτσι ώστε να μην είναι πλέον διακριτή (Σχήμα 1b).
Κατά τη διάρκεια των νυχτερινών ωρών, ωστόσο, μια υγρή μάζα αέρα θα εμφανιστεί πιο ζεστή στις εικόνες υπερύθρων.

'''Παραδείγματα επιστρεφόμενης υγρασίας σε νεφελώδεις ή πολύ συννεφιασμένο ουρανό'''

Σε νεφελώδεις καταστάσεις, τα υπέρυθρα κανάλια μερικές φορές λειτουργούν καλύτερα συνδυαστικά. Ένας συνδυασμός απεικονίσεων GOES 3,9- και 10,7- μm ενδέχεται να παρέχει καλύτερη επιλογή ως εργαλείο αναγνώρισης και παρακολούθησης των ορίων χαμηλών επιπέδων τη νύχτα. Η τεχνική βασίζεται στο γεγονός ότι σε υγρά σύννεφα η ακτινοβολία στα 3,9 μm είναι χαμηλότερη από αυτή των 10,7 μm. Επομένως, πυκνά σύννεφα χαμηλού επιπέδου υγρασίας θα εμφανιστούν ψυχρότερα σε 3,9 από 10,7 μm. Η εικόνα που αντιπροσωπεύει τη διαφορά μεταξύ των δύο καναλιών αναφέρεται συχνά από τους μετεωρολόγους ως "προϊόν ομίχλης" και είναι εξαιρετικά αποτελεσματικό στον εντοπισμό στρωμάτων χαμηλού επιπέδου και ομίχλης. Δυστυχώς, αυτό το αποτέλεσμα είναι επίσης ευαίσθητο σε αντανακλάσεις ηλιακής ακτινοβολίας, το οποίο περιπλέκει τη χρήση της κατά τη διάρκεια της ημέρας. Ωστόσο, ορατές απεικονίσεις γεμίζουν το χάσμα κατά την διάρκεια αυτή της κρίσιμης περιόδου.

Παράδειγμα 1: Προϊόν ομίχλης το βράδυ (νεφελώδης ουρανός).
Εικόνα 1 και εικόνα 2.

Παράδειγμα 2: Ορατές εικόνες κατά τη διάρκεια της ημέρας (πολύ συννεφιασμένος ουρανός).
Εικόνα 3 και εικόνα 4.

'''Συμπεράσματα'''

Η υγρασία χαμηλού επιπέδου είναι ένα σημαντικό συστατικό της ανάπτυξης των καιρικών συνθηκών. Κατά τους χειμερινούς και τους ανοιξιάτικους μήνες, χαμηλά επίπεδα υγρασίας μπορούν να αποκοπούν όταν κρύα μέτωπα - με συνοδούς τους βόρειους ανέμους, ψυχρότερες θερμοκρασίες και χαμηλή υγρασία – εισβάλλουν από το βορρά. Η κατανόηση του πότε να χρησιμοποιηθούν υπέρυθρες εικόνες, ορατές εικόνες ή το προϊόν ομίχλης και σε ποιο βαθμό οι υπέρυθρες δορυφορικές εικόνες θα αλλάζουν ημερησίως, είναι χρήσιμη για την αναγνώριση των επιστρεφόμενων χαμηλού επιπέδου υγρών μαζών. Ο ρόλος των δορυφορικών απεικονίσεων είναι ο εντοπισμός των θέσεων του χαμηλού επιπέδου υγρών μαζών αέρα (επειδή παρατηρούνται μόνο οι επιφανειακές παρατηρήσεις δίνεται μια χονδροειδή αναπαράσταση της θέσης), στη συνέχεια συνδυάζονται αυτές οι πληροφορίες με την ποσοτική ανάλυση των επιφανειακών παρατηρήσεων και ανιχνεύσεων στο πάνω μέρος του αέρα. Το αποτέλεσμα αυτής της προσέγγισης είναι τόσο μία βελτιωμένη ποσοτική ανάλυση όσο και υποκειμενική ανάλυση της υγρασίας χαμηλού επιπέδου.

[[category:Γεωργία]]

Ο ρόλος των δορυφορικών εικόνων GOES στην παρακολούθηση υγρασίας χαμηλού επιπέδου

2019-02-07T15:26:09Z

KexaidakiSofia: Νέα σελίδα με '[[Εικόνα: rs_wiki_03_sxima1.png|thumb|right|Σχήμα 1: Στον πίνακα χρωμάτων, οι θερμότερες (ψυχρότερες) φωτεινές ...'

[[Εικόνα: rs_wiki_03_sxima1.png|thumb|right|Σχήμα 1: Στον πίνακα χρωμάτων, οι θερμότερες (ψυχρότερες) φωτεινές θερμοκρασίες είναι πιο σκούρες (φωτεινές). Τα σημεία Α και Β αντιπροσωπεύουν τη θέση της στεγνής και υγρής πλευράς της ξηράς, αντίστοιχα.]]

[[Εικόνα: rs_wiki_03_image1.jpg|thumb|right|Εικόνα 1: Επιφανειακές παρατηρήσεις.]]

[[Εικόνα: rs_wiki_03_image2.jpg|thumb|right|Εικόνα 2: Επιφανειακές παρατηρήσεις. Ο πίνακας χρωμάτων αναδεικνύει τα υγρά σύννεφα με ανοιχτά χρώματα και το σύννεφο πάγου με πιο σκούρα χρώματα.]]

[[Εικόνα: rs_wiki_03_image3.jpg|thumb|right|Εικόνα 3: Δείχνει την επιστρεφόμενη χαμηλού επιπέδου υγρασία.]]

[[Εικόνα: rs_wiki_03_image4.jpg|thumb|right|Εικόνα 4: Επιστρεφόμενη, υγρασία χαμηλού επιπέδου. Τα σύννεφα του τροφοδότη υποδεικνύονται με βέλος.]]

'''Ο ρόλος των δορυφορικών εικόνων GOES στην παρακολούθηση υγρασίας χαμηλού επιπέδου'''

'''Πηγή:'' 'ResearchGate (https://www.researchgate.net/publication/249612783_The_Role_of_GOES_Satellite_Imagery_in_Tracking_Low-Level_Moisture)

'''Πρωτότυπος τίτλος:''' The Role of GOES Satellite Imagery in Tracking Low-Level Moisture

'''Συγγραφείς:''' Dan Bikos, John F. Weaver, Jeff Braun

'''Λέξεις κλειδιά:''' Εικόνες GOES, Καιρικές συνθήκες

'''Αντικείμενο Εφαρμογής'''

Αντικείμενο της εργασίας είναι η εφαρμογή γεωστατικών δορυφορικών δεδομένων για την παρακολούθηση θερμών, υγρών μαζών αέρα και χαμηλού επιπέδου υγρασία κατά τη διάρκεια της ημέρας ή της νύχτας. Αυτές οι αποκαλούμενες επιστρεφόμενες μάζες του αέρα είναι συχνά ένα βασικό συστατικό για την εμφάνιση σοβαρών καιρικών φαινομένων. Οι νεότερες εικόνες της αμερικανικής μετεωρολογικής υπηρεσίας (NOAA) από τον δορυφόρο GOES παρέχουν υψηλή χωρική και χρονική ανάλυση. Μαζί, επιφανειακές παρατηρήσεις, ανιχνεύσεις ανώτερου αέρα και δορυφορικές εικόνες υψηλής ανάλυσης παρέχουν μια ολοκληρωμένη εικόνα της μάζας του υγρού αέρα που επιστρέφει.

'''Εισαγωγή'''

Η χαμηλή υγρασία είναι ένα σημαντικό συστατικό στην ανάπτυξη σοβαρών καταιγίδων.
Για την αξιόπιστη πρόγνωση του καιρού, ένα σημαντικό πρόβλημα είναι πότε ο ζεστός αέρας του κόλπου με την υγρασία θα έρθει προς βορρά, και σε ποια ποιότητα ή μέγεθος θα φτάσει. Υπάρχει το συμπέρασμα ότι ένα από τα κύρια λάθη στη μοντελοποίηση επιστροφής υγρασίας είναι η έλλειψη επαρκών επιφανειακών παρατηρήσεων. Η διαδικασία αρχίζει γενικά με την ανάλυση επιφανειακών παρατηρήσεων που ακολουθείται από την ανάλυση των παρατηρήσεων του ανώτερου αέρα για την ποσοτικοποίηση του βάθους και του χαρακτήρα της μάζας αέρα που επιστρέφει.. Το συνολικό κατακρημνιστικό νερό (TPW) που προέρχεται από δορυφορικά δεδομένα και από τις παρατηρήσεις στο πάνω μέρος του αέρα αποδείχθηκε ότι είναι χρήσιμη στην ανάλυση των επιστροφών υγρασίας στον κόλπο. Ωστόσο, τα TPW προϊόντα που παράγονται από το Γεωστατικό Επιχειρησιακό περιβαλλοντικοί δορυφόροι (GOES) δεν είναι δυνατοί κάθε φορά που ένα σχετικά στερεό μεσαίου ή ανώτερου επιπέδου σύννεφο παρουσιάζεται.
Οι τεχνικές ανάλυσης που χρησιμοποιήθηκαν σε αυτό το έγγραφο θα επικεντρωθούν στο ρόλο της απεικόνισης GOES στην παρακολούθηση της χαμηλής στάθμης υγρασίας, συγκεκριμένα, καθορίζοντας τα όρια μεταξύ ξηρής και υγρής μάζας αέρα. Οι νεότερες εικόνες GOES παρέχουν πολύ βελτιωμένη χωρική και χρονική ανάλυση.

'''Παραδείγματα επιστρεφόμενης υγρασίας σε καθαρό ουρανό'''

Κατά την διάρκεια της ημέρας και της νύχτας, οι υπέρυθρες απεικονίσεις των GOES μπορούν συχνά να χρησιμοποιηθούν για την ανίχνευση των χαμηλών επιπέδων ζεστών αέριων μαζών. Αν ο ουρανός είναι καθαρός, πρέπει να υπάρχει αρκετή θερμική αντίθεση ανάμεσα στην αέρια μάζα που εισβάλλει και σε αυτή που αντικαθιστά για να είναι δυνατή η ανίχνευση χρησιμοποιώντας μόνο την υπέρυθρη απεικόνιση.

Παράδειγμα 1: Χρήση εικόνων υπερύθρων κατά τη διάρκεια της ημέρας έναντι νύχτας (καθαρός ουρανός). Κατά τη διάρκεια της ημέρας, η υπέρυθρη απεικόνιση απεικονίζει μία υγρή μάζα αέρα ως ψυχρή. Η υπέρυθρη απεικόνιση στο σχήμα 1 δείχνει την αλλαγή στην εμφάνιση της μάζας υγρού και ξηρού αέρα ως διαφορά στη θέρμανση (ψύξη) που συμβαίνει αργά το απόγευμα (Σχήμα 1a), κοντά στο ηλιοβασίλεμα (Σχήμα 1b), και μετά το ηλιοβασίλεμα (Σχήμα 1c). Κατά τη διάρκεια της ημέρας, η μάζα ξηρού αέρα (σημείο Α) θερμαίνεται ταχύτερα από την υγρή μάζα αέρα (σημείο Β). Την ώρα του ηλιοβασιλέματος, το μέγεθος της θερμικής αντίθεσης μειώνεται έτσι ώστε να μην είναι πλέον διακριτή (Σχήμα 1b).
Κατά τη διάρκεια των νυχτερινών ωρών, ωστόσο, μια υγρή μάζα αέρα θα εμφανιστεί πιο ζεστή στις εικόνες υπερύθρων.

'''Παραδείγματα επιστρεφόμενης υγρασίας σε νεφελώδεις ή πολύ συννεφιασμένο ουρανό'''

Σε νεφελώδεις καταστάσεις, τα υπέρυθρα κανάλια μερικές φορές λειτουργούν καλύτερα συνδυαστικά. Ένας συνδυασμός απεικονίσεων GOES 3,9- και 10,7- μm ενδέχεται να παρέχει καλύτερη επιλογή ως εργαλείο αναγνώρισης και παρακολούθησης των ορίων χαμηλών επιπέδων τη νύχτα. Η τεχνική βασίζεται στο γεγονός ότι σε υγρά σύννεφα η ακτινοβολία στα 3,9 μm είναι χαμηλότερη από αυτή των 10,7 μm. Επομένως, πυκνά σύννεφα χαμηλού επιπέδου υγρασίας θα εμφανιστούν ψυχρότερα σε 3,9 από 10,7 μm. Η εικόνα που αντιπροσωπεύει τη διαφορά μεταξύ των δύο καναλιών αναφέρεται συχνά από τους μετεωρολόγους ως "προϊόν ομίχλης" και είναι εξαιρετικά αποτελεσματικό στον εντοπισμό στρωμάτων χαμηλού επιπέδου και ομίχλης. Δυστυχώς, αυτό το αποτέλεσμα είναι επίσης ευαίσθητο σε αντανακλάσεις ηλιακής ακτινοβολίας, το οποίο περιπλέκει τη χρήση της κατά τη διάρκεια της ημέρας. Ωστόσο, ορατές απεικονίσεις γεμίζουν το χάσμα κατά την διάρκεια αυτή της κρίσιμης περιόδου.

Παράδειγμα 1: Προϊόν ομίχλης το βράδυ (νεφελώδης ουρανός).
Εικόνα 1 και εικόνα 2.

Παράδειγμα 2: Ορατές εικόνες κατά τη διάρκεια της ημέρας (πολύ συννεφιασμένος ουρανός).
Εικόνα 3 και εικόνα 4.

'''Συμπεράσματα'''

Η υγρασία χαμηλού επιπέδου είναι ένα σημαντικό συστατικό της ανάπτυξης των καιρικών συνθηκών. Κατά τους χειμερινούς και τους ανοιξιάτικους μήνες, χαμηλά επίπεδα υγρασίας μπορούν να αποκοπούν όταν κρύα μέτωπα - με συνοδούς τους βόρειους ανέμους, ψυχρότερες θερμοκρασίες και χαμηλή υγρασία – εισβάλλουν από το βορρά. Η κατανόηση του πότε να χρησιμοποιηθούν υπέρυθρες εικόνες, ορατές εικόνες ή το προϊόν ομίχλης και σε ποιο βαθμό οι υπέρυθρες δορυφορικές εικόνες θα αλλάζουν ημερησίως, είναι χρήσιμη για την αναγνώριση των επιστρεφόμενων χαμηλού επιπέδου υγρών μαζών. Ο ρόλος των δορυφορικών απεικονίσεων είναι ο εντοπισμός των θέσεων του χαμηλού επιπέδου υγρών μαζών αέρα (επειδή παρατηρούνται μόνο οι επιφανειακές παρατηρήσεις δίνεται μια χονδροειδή αναπαράσταση της θέσης), στη συνέχεια συνδυάζονται αυτές οι πληροφορίες με την ποσοτική ανάλυση των επιφανειακών παρατηρήσεων και ανιχνεύσεων στο πάνω μέρος του αέρα. Το αποτέλεσμα αυτής της προσέγγισης είναι τόσο μία βελτιωμένη ποσοτική ανάλυση όσο και υποκειμενική ανάλυση της υγρασίας χαμηλού επιπέδου.

[[category:Γεωργία]]

Αρχείο:Rs wiki 03 image4.jpg

2019-02-07T15:16:23Z

KexaidakiSofia: Εικόνα 4

Εικόνα 4

Αρχείο:Rs wiki 03 image3.jpg

2019-02-07T15:14:38Z

KexaidakiSofia: Εικόνα 3

Εικόνα 3

Αρχείο:Rs wiki 03 image2.jpg

2019-02-07T15:12:08Z

KexaidakiSofia: Εικόνα 2

Εικόνα 2

Αρχείο:Rs wiki 03 image1.jpg

2019-02-07T15:09:36Z

KexaidakiSofia: Εικόνα 1

Εικόνα 1

Αρχείο:Rs wiki 03 sxima1.png

2019-02-07T15:00:50Z

KexaidakiSofia: Σχήμα 1

Σχήμα 1

Κεχαϊδάκη Σοφία

2019-02-07T14:04:05Z

KexaidakiSofia:

[[Μια νέα εποχή στην τηλεπισκόπηση καλλιεργειών με μη επανδρωμένα ρομπότ]]

[[Εφαρμογή τηλεπισκόπησης στην γεωθερμική εξερεύνηση]]

[[Μια ανασκόπηση: Η εφαρμογή της τηλεπισκόπησης, του GIS και του GPS στην Γεωργία ακριβείας]]

[[Αξιολόγηση μικρών μη επανδρωμένων εναέριων συστημάτων για τον εντοπισμό του στρες ξηρασίας στο χλοοτάπητα]]

[[Η κατάσταση υγρασίας καλλιέργειας που υπολογίζεται με πληροφορίες τηλεπισκόπισης]]

[[Χρήση Γεωγραφικού Συστήματος Πληροφοριών και Τηλεπισκόπησης για την κατανόηση των επιπτώσεων της κάλυψης γης στη μελισσοκομία]]

[[Χωρική διανομή των μελισσοκομικών βοσκοτόπων με βάση το χρώμα των δορυφορικών εικόνων χρησιμοποιώντας ομαδοποίηση Κ-μέσων]]

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

Χωρική διανομή των μελισσοκομικών βοσκοτόπων με βάση το χρώμα των δορυφορικών εικόνων χρησιμοποιώντας ομαδοποίηση Κ-μέσων

2019-02-07T14:01:50Z

KexaidakiSofia:

[[Εικόνα: rs_wiki_02_image1.jpg|thumb|right|Εικόνα 1: Εντοπισμός κοιλάδων που χρησιμοποιήθηκαν στη μελέτη.]]

[[Εικόνα: rs_wiki_02_image2.png|thumb|right|Εικόνα 2: Μέρος μιας κοιλάδας στην περιοχή μελέτης.]]

[[Εικόνα: rs_wiki_02_image3.png|thumb|right|Εικόνα 3: Αποτέλεσμα τμηματοποίησης με χρήση Κ-μέσων για k=2.]]

[[Εικόνα: rs_wiki_02_image4.png|thumb|right|Εικόνα 4: Αποτέλεσμα τμηματοποίησης με χρήση Κ-μέσων για k=3.]]

[[Εικόνα: rs_wiki_02_table1.png|thumb|right|Πίνακας 1.]]

[[Εικόνα: rs_wiki_02_table2.png|thumb|right|Πίνακας 2.]]

[[Εικόνα: rs_wiki_02_table3.png|thumb|right|Πίνακας 3.]]

'''Χωρική διανομή των μελισσοκομικών βοσκοτόπων με βάση το χρώμα των δορυφορικών εικόνων χρησιμοποιώντας ομαδοποίηση Κ-μέσων'''

'''Πηγή:''' ResearchGate (https://www.researchgate.net/publication/308973038_Spatial_Distribution_of_Honeybee_Forage_based_on_Color_Satellite_Image_Segmenting_using_K-Mean_Clustering )

'''Πρωτότυπος τίτλος:''' Spatial Distribution of Honeybee Forage based on Color Satellite Image Segmenting using K-Mean Clustering

'''Συγγραφείς:''' Rachid Sammouda, Ameur Touir, Fahman Saeed, Nuru Mohammed, Ahmed Al-Ghammidi

'''Λέξεις κλειδιά:''' Μελισσοκομία, Τροφή, Δορυφορικές Εικόνες, Τμηματοποίηση

'''Αντικείμενο Εφαρμογής'''

Αντικείμενο της εργασίας είναι ο προσδιορισμός των πραγματικών περιοχών για μελίσσια, με συγκεκριμένους χαρακτήρες όπως η πυκνότητα του πληθυσμού, η οικολογική κατανομή, η φαινολογία ανθοφορίας, βασισμένος σε έγχρωμες δορυφορικές εικόνες τμηματοποιημένες με χρήση Κ-μέσων ομαδοποίησης. Στην παρούσα εργασία παρουσιάζεται μια προσέγγιση για τον προσδιορισμό της πραγματικής παρουσίας ενός ειδικού τύπου δέντρων, όπως το δέντρο της ακακίας σε δορυφορικές εικόνες της περιοχής Al Baha.

'''Περιοχή Μελέτης'''

Η περιοχή μελέτης είναι στο Βασίλειο της Σαουδικής Αραβίας, η επαρχία Μπαά (Al Baha).

'''Εισαγωγή'''

Η μελισσοκομία είναι μία από τις σημαντικότερες οικονομικές δραστηριότητες για τις αγροτικές κοινότητες στη Σαουδική Αραβία. Η επιτυχία στη μελισσοκομία εξαρτάται από τη διαθεσιμότητα επαρκούς τροφής από την άποψη τόσο της ποιότητας όσο και της ποσότητας του νέκταρος και των κόκκων γύρης. Σε πολλές περιοχές του Βασιλείου, οι μέλισσες και οι μελισσοκόμοι υποφέρουν από εποχιακή ξηρασία, η οποία προκαλεί έλλειψη τροφών μελισσών. Αυτές οι συνθήκες οδηγούν πολλούς μελισσοκόμους να μεταφέρουν τις αποικίες τους από μια περιοχή σε άλλη, αναζητώντας καλύτερες πηγές νέκταρος και γύρης. Οι περιοχές τροφής παρέμειναν περίπου σταθερές σε αντίθεση με τη συνεχή αύξηση του αριθμού των αποικιών των μελισσών που τετραπλασιάστηκαν κατά την τελευταία δεκαετία. Είναι πολύ σημαντικό να προσδιοριστεί και να χαρακτηριστεί η μελισσοκομική τροφή της περιοχής από την άποψη της ποικιλομορφίας των ειδών: πυκνότητα πληθυσμού, οικολογική κατανομή και της ποιότητας και ποσότητας του νέκταρος και της γύρης που παράγονται από τα φυτά για να καθοδηγούν τους μελισσοκόμους. Η εικόνα 1 δείχνει μια προβολή χάρτη της Google των κοιλάδων που χρησιμοποιήθηκαν στις μελέτες. Αυτή χρησιμοποιήθηκε για τον ορισμό μιας αναπτυξιακής στρατηγικής για τη μελισσοκομία στο Βασίλειο της Σαουδικής Αραβίας χρησιμοποιώντας την κατάτμηση των δορυφορικών εικόνων.

'''Αλγόριθμος τμηματοποίησης K-μέσων'''

Η κατάτμηση εικόνων είναι η διαδικασία διαίρεσης εικόνων σε περιοχές με παρόμοια χαρακτηριστικά. Πρόκειται για ένα σημαντικό βήμα στην αλυσίδα ανάλυσης εικόνων με εφαρμογές στην αναγνώριση προτύπων, ανίχνευση αντικειμένων.
Υπάρχουν επιχειρησιακά δορυφορικά συστήματα που δοκιμάζουν όλα τα διαθέσιμα μέρη του ηλεκτρομαγνητικού φάσματος με χωρική ανάλυση από 0,61 έως 1000 m. Η κατάτμηση των δορυφορικών εικόνων αποτελεί σημαντικό κομμάτι σε διάφορους ερευνητικούς τομείς, γεγονός που οδήγησε στη δημοσίευση διαφόρων μεθόδων στον τομέα αυτό.
Ο αλγόριθμος K-Μέσων είναι ένας μη εποπτευόμενος αλγόριθμος ομαδοποίησης που ταξινομεί τα εισαγόμενα σημεία δεδομένων σε πολλαπλές κλάσεις με βάση την εγγενή απόσταση μεταξύ τους. Ο αλγόριθμος υποθέτει ότι τα χαρακτηριστικά δεδομένων σχηματίζουν ένα διανυσματικό χώρο και προσπαθεί να βρει φυσική ομαδοποίηση σε αυτά. Τα σημεία συγκεντρώνονται γύρω από τα κεντροειδή που λαμβάνονται με την ελαχιστοποίηση του στόχου.

'''Αποτελέσματα Τμηματοποίησης'''

Εφαρμόστηκε ο αλγόριθμος ομαδοποίησης K-μέσων σε δορυφορικές έγχρωμες εικόνες. Τα αποτελέσματα τμηματοποίησης δημιουργήθηκαν σε διαφορετικές εικόνες, παρουσιάζεται εδώ μια περίπτωση αυτών.
Η εικόνα 2 δείχνει την εικόνα εισόδου στον αλγόριθμο ομαδοποίησης K-μέσων, ο οποίος αντιπροσωπεύεται στον υπολογιστή με τα τρία συστατικά του στο χρώμα RGB.
Χρησιμοποιήθηκαν διαφορετικές τιμές k για την υπόδειξη της ακρίβειας του αλγορίθμου και της ευαισθησίας της μεθόδου.
Η εικόνα 3 και η εικόνα 4 δείχνουν τα αποτελέσματα τμηματοποίησης της δορυφορικής έγχρωμης εικόνας, της εικόνας 2, που ελήφθη με τη χρήση κλασματοποιητή Κ-μέσων με k = 2 και k = 3, αντίστοιχα.

'''Ανάλυση Συμπλεγμάτων'''

Η ανάλυση των συμπλεγμάτων βασίζεται στη μέση τιμή κάθε συμπλέγματος, στην τμηματοποιημένη εικόνα, και στη μέση τιμή χρώματος που μπορεί να αντανακλάται από δέντρα ακακίας στις περιοχές μελέτης. Για την μεταγενέστερη τιμή, έχουν συλλεχθεί διαφορετικές εικόνες από το δέντρο της ακακίας, μέρος της καλλιέργειας της και υπολογισμός του μέσου όρου κάθε στοιχείου χρώματος στην περιοχή περικοπής.
Ο Πίνακας 1 δείχνει το αποτέλεσμα ανάλυσης της πρώτης συστάδας στην τμηματοποιημένη εικόνα που φαίνεται στην εικόνα 3 που αντικατοπτρίζει την κατανομή των δέντρων ακακίας.
Ο Πίνακας 2 δείχνει το αποτέλεσμα της ανάλυσης της δεύτερης συστάδας στην εικόνα 3, που αντικατοπτρίζει την κατανομή των δέντρων ακακίας.
Ο Πίνακας 3 δείχνει το αποτέλεσμα της ανάλυσης κάθε τμηματοποιημένης εικόνας που αντικατοπτρίζει την κατανομή των δέντρων ακακίας στη δεύτερη συστάδα (k = 2).
Οι υποψήφιες περιοχές που πρέπει να επισκεφθούν για τα δέντρα ακακίας είναι σχεδόν όμοιες στις δύο διαφορετικές τμηματοποιημένες εικόνες (k = 2, και k = 3).

'''Συμπεράσματα'''

Στο παρόν έγγραφο παρουσιάστηκε το αποτέλεσμα τμηματοποίησης των δορυφορικών εικόνων της επαρχίας Μπαά που αποκτήθηκε χρησιμοποιώντας τον αλγόριθμο τμηματοποίησης K-μέσων με δύο και τρεις συστοιχίες κατά μήκος των δεδομένων των καναλιών RGB. Η ανάλυση των διαχωρισμένων εικόνων παράγει υποψήφιες περιοχές που περιέχει δέντρα Ακακίας. Αυτό το αποτέλεσμα θα βοηθήσει τους μελισσοκόμους να καθοδηγήσουν τις αποικίες τους σε περιοχές που έχουν συγκεκριμένα χαρακτηριστικά, όπως η πυκνότητα του πληθυσμού, η οικολογική κατανομή και η φαινολογία ανθοφορίας.

[[category:Γεωργία]]

Χωρική διανομή των μελισσοκομικών βοσκοτόπων με βάση το χρώμα των δορυφορικών εικόνων χρησιμοποιώντας ομαδοποίηση Κ-μέσων

2019-02-07T13:54:49Z

KexaidakiSofia: Νέα σελίδα με ''''Χωρική διανομή των μελισσοκομικών βοσκοτόπων με βάση το χρώμα των δορυφορικών εικόνων χρησ...'

'''Χωρική διανομή των μελισσοκομικών βοσκοτόπων με βάση το χρώμα των δορυφορικών εικόνων χρησιμοποιώντας ομαδοποίηση Κ-μέσων'''

'''Πηγή:''' ResearchGate (https://www.researchgate.net/publication/308973038_Spatial_Distribution_of_Honeybee_Forage_based_on_Color_Satellite_Image_Segmenting_using_K-Mean_Clustering )

'''Πρωτότυπος τίτλος:''' Spatial Distribution of Honeybee Forage based on Color Satellite Image Segmenting using K-Mean Clustering

'''Συγγραφείς:''' Rachid Sammouda, Ameur Touir, Fahman Saeed, Nuru Mohammed, Ahmed Al-Ghammidi

'''Λέξεις κλειδιά:''' Μελισσοκομία, Τροφή, Δορυφορικές Εικόνες, Τμηματοποίηση

'''Αντικείμενο Εφαρμογής'''

Αντικείμενο της εργασίας είναι ο προσδιορισμός των πραγματικών περιοχών για μελίσσια, με συγκεκριμένους χαρακτήρες όπως η πυκνότητα του πληθυσμού, η οικολογική κατανομή, η φαινολογία ανθοφορίας, βασισμένος σε έγχρωμες δορυφορικές εικόνες τμηματοποιημένες με χρήση Κ-μέσων ομαδοποίησης. Στην παρούσα εργασία παρουσιάζεται μια προσέγγιση για τον προσδιορισμό της πραγματικής παρουσίας ενός ειδικού τύπου δέντρων, όπως το δέντρο της ακακίας σε δορυφορικές εικόνες της περιοχής Al Baha.

'''Περιοχή Μελέτης'''

Η περιοχή μελέτης είναι στο Βασίλειο της Σαουδικής Αραβίας, η επαρχία Μπαά (Al Baha).

'''Εισαγωγή'''

Η μελισσοκομία είναι μία από τις σημαντικότερες οικονομικές δραστηριότητες για τις αγροτικές κοινότητες στη Σαουδική Αραβία. Η επιτυχία στη μελισσοκομία εξαρτάται από τη διαθεσιμότητα επαρκούς τροφής από την άποψη τόσο της ποιότητας όσο και της ποσότητας του νέκταρος και των κόκκων γύρης. Σε πολλές περιοχές του Βασιλείου, οι μέλισσες και οι μελισσοκόμοι υποφέρουν από εποχιακή ξηρασία, η οποία προκαλεί έλλειψη τροφών μελισσών. Αυτές οι συνθήκες οδηγούν πολλούς μελισσοκόμους να μεταφέρουν τις αποικίες τους από μια περιοχή σε άλλη, αναζητώντας καλύτερες πηγές νέκταρος και γύρης. Οι περιοχές τροφής παρέμειναν περίπου σταθερές σε αντίθεση με τη συνεχή αύξηση του αριθμού των αποικιών των μελισσών που τετραπλασιάστηκαν κατά την τελευταία δεκαετία. Είναι πολύ σημαντικό να προσδιοριστεί και να χαρακτηριστεί η μελισσοκομική τροφή της περιοχής από την άποψη της ποικιλομορφίας των ειδών: πυκνότητα πληθυσμού, οικολογική κατανομή και της ποιότητας και ποσότητας του νέκταρος και της γύρης που παράγονται από τα φυτά για να καθοδηγούν τους μελισσοκόμους. Η εικόνα 1 [[Εικόνα: rs_wiki_02_image1.jpg|thumb|right|Εικόνα 1: Εντοπισμός κοιλάδων που χρησιμοποιήθηκαν στη μελέτη.]] δείχνει μια προβολή χάρτη της Google των κοιλάδων που χρησιμοποιήθηκαν στις μελέτες. Αυτή χρησιμοποιήθηκε για τον ορισμό μιας αναπτυξιακής στρατηγικής για τη μελισσοκομία στο Βασίλειο της Σαουδικής Αραβίας χρησιμοποιώντας την κατάτμηση των δορυφορικών εικόνων.

'''Αλγόριθμος τμηματοποίησης K-μέσων'''

Η κατάτμηση εικόνων είναι η διαδικασία διαίρεσης εικόνων σε περιοχές με παρόμοια χαρακτηριστικά. Πρόκειται για ένα σημαντικό βήμα στην αλυσίδα ανάλυσης εικόνων με εφαρμογές στην αναγνώριση προτύπων, ανίχνευση αντικειμένων.
Υπάρχουν επιχειρησιακά δορυφορικά συστήματα που δοκιμάζουν όλα τα διαθέσιμα μέρη του ηλεκτρομαγνητικού φάσματος με χωρική ανάλυση από 0,61 έως 1000 m. Η κατάτμηση των δορυφορικών εικόνων αποτελεί σημαντικό κομμάτι σε διάφορους ερευνητικούς τομείς, γεγονός που οδήγησε στη δημοσίευση διαφόρων μεθόδων στον τομέα αυτό.
Ο αλγόριθμος K-Μέσων είναι ένας μη εποπτευόμενος αλγόριθμος ομαδοποίησης που ταξινομεί τα εισαγόμενα σημεία δεδομένων σε πολλαπλές κλάσεις με βάση την εγγενή απόσταση μεταξύ τους. Ο αλγόριθμος υποθέτει ότι τα χαρακτηριστικά δεδομένων σχηματίζουν ένα διανυσματικό χώρο και προσπαθεί να βρει φυσική ομαδοποίηση σε αυτά. Τα σημεία συγκεντρώνονται γύρω από τα κεντροειδή που λαμβάνονται με την ελαχιστοποίηση του στόχου.

'''Αποτελέσματα Τμηματοποίησης'''

Εφαρμόστηκε ο αλγόριθμος ομαδοποίησης K-μέσων σε δορυφορικές έγχρωμες εικόνες. Τα αποτελέσματα τμηματοποίησης δημιουργήθηκαν σε διαφορετικές εικόνες, παρουσιάζεται εδώ μια περίπτωση αυτών.
Η εικόνα 2 [[Εικόνα: rs_wiki_02_image2.png|thumb|right|Εικόνα 2: Μέρος μιας κοιλάδας στην περιοχή μελέτης.]] δείχνει την εικόνα εισόδου στον αλγόριθμο ομαδοποίησης K-μέσων, ο οποίος αντιπροσωπεύεται στον υπολογιστή με τα τρία συστατικά του στο χρώμα RGB.
Χρησιμοποιήθηκαν διαφορετικές τιμές k για την υπόδειξη της ακρίβειας του αλγορίθμου και της ευαισθησίας της μεθόδου.
Η εικόνα 3 [[Εικόνα: rs_wiki_02_image3.png|thumb|right|Εικόνα 3: Αποτέλεσμα τμηματοποίησης με χρήση Κ-μέσων για k=2.]] και η εικόνα 4 [[Εικόνα: rs_wiki_02_image4.png|thumb|right|Εικόνα 4: Αποτέλεσμα τμηματοποίησης με χρήση Κ-μέσων για k=3.]] δείχνουν τα αποτελέσματα τμηματοποίησης της δορυφορικής έγχρωμης εικόνας, της εικόνας 2, που ελήφθη με τη χρήση κλασματοποιητή Κ-μέσων με k = 2 και k = 3, αντίστοιχα.

'''Ανάλυση Συμπλεγμάτων'''

Η ανάλυση των συμπλεγμάτων βασίζεται στη μέση τιμή κάθε συμπλέγματος, στην τμηματοποιημένη εικόνα, και στη μέση τιμή χρώματος που μπορεί να αντανακλάται από δέντρα ακακίας στις περιοχές μελέτης. Για την μεταγενέστερη τιμή, έχουν συλλεχθεί διαφορετικές εικόνες από το δέντρο της ακακίας, μέρος της καλλιέργειας της και υπολογισμός του μέσου όρου κάθε στοιχείου χρώματος στην περιοχή περικοπής.
Ο Πίνακας 1 [[Εικόνα: rs_wiki_02_table1.png|thumb|right|Πίνακας 1.]] δείχνει το αποτέλεσμα ανάλυσης της πρώτης συστάδας στην τμηματοποιημένη εικόνα που φαίνεται στην εικόνα 3 που αντικατοπτρίζει την κατανομή των δέντρων ακακίας.
Ο Πίνακας 2 [[Εικόνα: rs_wiki_02_table2.png|thumb|right|Πίνακας 2.]] δείχνει το αποτέλεσμα της ανάλυσης της δεύτερης συστάδας στην εικόνα 3, που αντικατοπτρίζει την κατανομή των δέντρων ακακίας.
Ο Πίνακας 3 [[Εικόνα: rs_wiki_02_table3.png|thumb|right|Πίνακας 3.]] δείχνει το αποτέλεσμα της ανάλυσης κάθε τμηματοποιημένης εικόνας που αντικατοπτρίζει την κατανομή των δέντρων ακακίας στη δεύτερη συστάδα (k = 2).
Οι υποψήφιες περιοχές που πρέπει να επισκεφθούν για τα δέντρα ακακίας είναι σχεδόν όμοιες στις δύο διαφορετικές τμηματοποιημένες εικόνες (k = 2, και k = 3).

'''Συμπεράσματα'''

Στο παρόν έγγραφο παρουσιάστηκε το αποτέλεσμα τμηματοποίησης των δορυφορικών εικόνων της επαρχίας Μπαά που αποκτήθηκε χρησιμοποιώντας τον αλγόριθμο τμηματοποίησης K-μέσων με δύο και τρεις συστοιχίες κατά μήκος των δεδομένων των καναλιών RGB. Η ανάλυση των διαχωρισμένων εικόνων παράγει υποψήφιες περιοχές που περιέχει δέντρα Ακακίας. Αυτό το αποτέλεσμα θα βοηθήσει τους μελισσοκόμους να καθοδηγήσουν τις αποικίες τους σε περιοχές που έχουν συγκεκριμένα χαρακτηριστικά, όπως η πυκνότητα του πληθυσμού, η οικολογική κατανομή και η φαινολογία ανθοφορίας.

[[category:Γεωργία]]

Αρχείο:Rs wiki 02 table3.png

2019-02-07T13:51:34Z

KexaidakiSofia: Πίνακας 3

Πίνακας 3

Αρχείο:Rs wiki 02 table2.png

2019-02-07T13:50:52Z

KexaidakiSofia: Πίνακας 2

Πίνακας 2

Αρχείο:Rs wiki 02 table1.png

2019-02-07T13:50:09Z

KexaidakiSofia: Πίνακας 1

Πίνακας 1

Αρχείο:Rs wiki 02 image4.png

2019-02-07T13:43:12Z

KexaidakiSofia: Εικόνα 4: Αποτέλεσμα τμηματοποίησης με χρήση Κ-μέσων για k=3

Εικόνα 4: Αποτέλεσμα τμηματοποίησης με χρήση Κ-μέσων για k=3

Αρχείο:Rs wiki 02 image3.png

2019-02-07T13:42:09Z

KexaidakiSofia: Εικόνα 3: Αποτέλεσμα τμηματοποίησης με χρήση Κ-μέσων για k=2

Εικόνα 3: Αποτέλεσμα τμηματοποίησης με χρήση Κ-μέσων για k=2

Αρχείο:Rs wiki 02 image2.png

2019-02-07T13:34:34Z

KexaidakiSofia: Εικόνα 2: Μέρος μιας κοιλάδας στην περιοχή μελέτης

Εικόνα 2: Μέρος μιας κοιλάδας στην περιοχή μελέτης

Αρχείο:Rs wiki 02 image1.jpg

2019-02-07T13:30:43Z

KexaidakiSofia: Εικόνα 1: Εντοπισμός κοιλάδων που χρησιμοποιήθηκαν στη μελέτη

Εικόνα 1: Εντοπισμός κοιλάδων που χρησιμοποιήθηκαν στη μελέτη

Κεχαϊδάκη Σοφία

2019-02-03T14:13:11Z

KexaidakiSofia:

Χρήση Γεωγραφικού Συστήματος Πληροφοριών και Τηλεπισκόπησης για την κατανόηση των επιπτώσεων της κάλυψης γης στη μελισσοκομία

2019-02-03T14:12:03Z

KexaidakiSofia:

'''Χρήση Γεωγραφικού Συστήματος Πληροφοριών (GIS) και Δορυφορικής Τηλεπισκόπησης για την κατανόηση των επιπτώσεων της κάλυψης γης στη μελισσοκομία στο πέρασμα του χρόνου'''

'''Πηγή:''' ResearchGate (https://www.researchgate.net/publication/259480544_Using_Geographical_Information_System_GIS_and_Satellite_Remote_Sensing_for_Understanding_the_Impacts_of_Land_Cover_on_Apiculture_over_Time )

'''Πρωτότυπος τίτλος:''' Using Geographical Information System (GIS) and Satellite Remote Sensing for Understanding the Impacts of Land Cover on Apiculture over Time

'''Συγγραφέας:''' Hossam F. Abou-Shaara

'''Λέξεις κλειδιά:''' Μέλισσες, Γεωγραφικά Συστήματα Πληροφοριών, Τηλεπισκόπηση, Μελισσοκομία

'''Αντικείμενο Εφαρμογής'''

Αντικείμενο της έρευνας είναι η μελέτη των μεταβολών της κάλυψης γης από τη δεκαετία του 1970 μέχρι και τη δεκαετία του 2000 για να γίνουν κατανοητοί οι πιθανοί ρόλοι των αλλαγών της καλυπτόμενης έκτασης στη μελισσοκομία.

'''Περιοχή Μελέτης'''

Η περιοχή μελέτης βρίσκεται στα βόρεια της Αιγύπτου, συγκεκριμένα το Κυβερνείο Μπεχέιρα με συνολική έκταση 9826 km² μεταξύ 30 ° 36 '36 "Β και 30 ° 25' 48" Α.

'''Εισαγωγή'''

Το Γεωγραφικό Σύστημα Πληροφοριών (GIS) και η Τηλεπισκόπηση χρησιμοποιήθηκαν για τη βελτίωση της μελισσοκομίας σε διάφορα μέρη του κόσμου. Το Γεωγραφικό Σύστημα Πληροφοριών χρησιμοποιήθηκε για τον εντοπισμό των κατάλληλων τόπων για τα μελισσοκομεία, των κατάλληλων βοσκοτόπων για μέλισσες και τις κατάλληλες περιοχές για τη μελισσοκομία υπό τις συνθήκες της πολύ χαμηλής σχετικής υγρασίας και των ακραίων θερμοκρασιών. Η Τηλεπισκόπηση με τη χρήση landsat εικόνων έχει χρησιμοποιηθεί για την αναγνώριση των κατάλληλων ζωνών με μελισσοκομικά φυτά για τις αποικίες μελισσών και για μελέτες που ερευνούν τις μεταβολές κάλυψης γης με την πάροδο του χρόνου. Στην περιοχή μελέτης της έρευνας οι μελισσοκόμοι πιστεύουν ότι η μείωση της ποσότητας παραγωγής μελιού ανά αποικία, στη δεκαετία του 2000 σε σχέση με την δεκαετία του 1970, οφείλεται στην μείωση των καλλιεργούμενων περιοχών. Για να εξεταστεί αυτή η υπόθεση, χρησιμοποιήθηκαν η Τηλεπισκόπηση, εικόνες του Google Earth και το GIS για την απόκτηση πληροφοριών σχετικά με τις μεταβολές της κάλυψης γης.

'''Υλικά και Μέθοδοι'''

Για την έρευνα των μεταβολών της κάλυψης γης πάρθηκαν εικόνες από το Google Earth τον Αύγουστο του 1970, τον Ιούλιο του 2000 και τον Ιούλιο του 2013. Το ArcGIS 10 χρησιμοποιήθηκε για τη δημιουργία δύο πολύγωνων που καλύπτουν τις χρησιμοποιούμενες περιοχές είτε για γεωργία είτε για άλλες δραστηριότητες.
Ανάλυση δορυφορικών εικόνων
Χρησιμοποιήθηκαν τρεις κατηγορίες εικόνων Landsat: 1) Landsat με βελτιωμένο θεματικό χαρτογράφο (ETM +) που λήφθηκαν κατά τη διάρκεια της δεκαετίας του 2000, 2) Landsat με θεματικό χάρτη (TM) που λήφθηκαν κατά τη διάρκεια της δεκαετίας του 1990, και 3) Landsat με πολυφασματικό σαρωτή (MSS) που λήφθηκαν κατά τη διάρκεια της δεκαετίας του 1970. Αυτές οι εικόνες είναι πολυφασματικές ζώνες με ανάλυση 30 μέτρων.
Το ArcGIS 10 χρησιμοποιήθηκε για τη σύνθεση της ζώνης εικόνων και την ανάλυση δεδομένων.
Για τον προσδιορισμό της σχετικής βιομάζας των βλαστικών περιοχών, ο Κανονικοποιημένος Δείκτης Βλάστησης Διαφοράς (NDVI) υπολογίστηκε χρησιμοποιώντας το ArcGIS. Τυπικά, το ArcGIS χρησιμοποιεί την εξίσωση [NDVI = ((IR-R) / (IR + R)) X 100 + 100] για να δημιουργήσει ένα colormap με εύρος ράμπας από 0 έως 200. Οι χάρτες που δημιουργήθηκαν κατά τη διάρκεια διαφορετικών χρόνων συγκρίθηκαν στη συνέχεια.
Για να δημιουργηθούν χάρτες φυτών, οι εικόνες αναταξινομήθηκαν λαμβάνοντας υπόψη όλες τις κατηγορίες κάλυψης γης ως NoData εκτός από τα φυτά. Στη συνέχεια, τα σύνολα δεδομένων των φυτών μετατράπηκαν σε πολύγωνα και υπολογίστηκαν και συγκρίθηκαν οι φυτικές περιοχές.

'''Αποτελέσματα και Συζήτηση'''

Τα σχηματισθέντα πολύγωνα που καλύπτουν τη δραστηριότητα χρήσης γης έδειξαν τη σταδιακή αύξηση της χρήσης γης κατά τη διάρκεια του χρόνου από τον Αύγουστο του 1972 μέχρι τον Ιούλιο του 2013.
Οι δορυφορικές εικόνες που λήφθηκαν από διαφορετικές χρονικές στιγμές επιβεβαίωσαν τη σταδιακή αύξηση της χρήσης γης κατά τη διάρκεια του χρόνου.
Ο δείκτης βλάστησης (NDVI) για τις δορυφορικές εικόνες με την πάροδο του χρόνου αντανακλά την αύξηση της γεωργικής δραστηριότητας με την πάροδο του χρόνου (εικόνα 1) [[Εικόνα: rs_wiki_01_image1.jpg|thumb|right|Εικόνα 1: Δείκτης Κανονικοποιημένης Διαφοράς (NDVI), (Α) 1970, (Β) 1990, (C) 2000. Οι σκούρες πράσινες περιοχές αντιπροσωπεύουν την βλάστηση.]].
Αυτό το αποτέλεσμα είναι σύμφωνο με το αποτέλεσμα των ιστορικών χαρτών του Google Earth.
Οι χάρτες (εικόνα 2) [[Εικόνα: rs_wiki_01_image2.jpg|thumb|right|Εικόνα 2: Χάρτες κατανομής τύπων φυτών, (Α) 1970, (Β) 1990, (C) 2000.]] δείχνουν τη διακύμανση της κατανομής των τύπων φυτών με την πάροδο του χρόνου.
Η υπόθεση της μείωσης των καλλιεργούμενων περιοχών ως κύρια αιτία της χαμηλής παραγωγής μελιού στο Κυβερνείο Μπεχέιρα δεν είναι αληθινή. Επίσης, η υπόθεση της αλλαγής των τύπων καλλιεργούμενων φυτών ως πιθανή αιτία για τη χαμηλή παραγωγή μελιού δεν είναι αποδεκτή με βάση τα ληφθέντα αποτελέσματα.

'''Συμπεράσματα'''

Οι χρησιμοποιούμενοι χάρτες είτε από το Google Earth είτε από δορυφορικές εικόνες παρακολουθούν τις αλλαγές της χρήσης γης. Η χαμηλή παραγωγή μελιού δεν μπορεί να εξηγηθεί από τη μείωση των καλλιεργούμενων εκτάσεων αλλά από την αύξηση των αποικιών μελισσών στην ίδια περίπου καλλιεργούμενη περιοχή.

[[category:Γεωργία]]

Χρήση Γεωγραφικού Συστήματος Πληροφοριών και Τηλεπισκόπησης για την κατανόηση των επιπτώσεων της κάλυψης γης στη μελισσοκομία

2019-02-03T14:09:22Z

KexaidakiSofia:

'''Χρήση Γεωγραφικού Συστήματος Πληροφοριών (GIS) και Δορυφορικής Τηλεπισκόπησης για την κατανόηση των επιπτώσεων της κάλυψης γης στη μελισσοκομία στο πέρασμα του χρόνου'''

'''Πηγή:''' ResearchGate (https://www.researchgate.net/publication/259480544_Using_Geographical_Information_System_GIS_and_Satellite_Remote_Sensing_for_Understanding_the_Impacts_of_Land_Cover_on_Apiculture_over_Time )

'''Πρωτότυπος τίτλος:''' Using Geographical Information System (GIS) and Satellite Remote Sensing for Understanding the Impacts of Land Cover on Apiculture over Time

'''Συγγραφέας:''' Hossam F. Abou-Shaara

'''Λέξεις κλειδιά:''' Μέλισσες, Γεωγραφικά Συστήματα Πληροφοριών, Τηλεπισκόπηση, Μελισσοκομία

'''Αντικείμενο Εφαρμογής'''

Αντικείμενο της έρευνας είναι η μελέτη των μεταβολών της κάλυψης γης από τη δεκαετία του 1970 μέχρι και τη δεκαετία του 2000 για να γίνουν κατανοητοί οι πιθανοί ρόλοι των αλλαγών της καλυπτόμενης έκτασης στη μελισσοκομία.

'''Περιοχή Μελέτης'''

Η περιοχή μελέτης βρίσκεται στα βόρεια της Αιγύπτου, συγκεκριμένα το Κυβερνείο Μπεχέιρα με συνολική έκταση 9826 km² μεταξύ 30 ° 36 '36 "Β και 30 ° 25' 48" Α.

'''Εισαγωγή'''

Το Γεωγραφικό Σύστημα Πληροφοριών (GIS) και η Τηλεπισκόπηση χρησιμοποιήθηκαν για τη βελτίωση της μελισσοκομίας σε διάφορα μέρη του κόσμου. Το Γεωγραφικό Σύστημα Πληροφοριών χρησιμοποιήθηκε για τον εντοπισμό των κατάλληλων τόπων για τα μελισσοκομεία, των κατάλληλων βοσκοτόπων για μέλισσες και τις κατάλληλες περιοχές για τη μελισσοκομία υπό τις συνθήκες της πολύ χαμηλής σχετικής υγρασίας και των ακραίων θερμοκρασιών. Η Τηλεπισκόπηση με τη χρήση landsat εικόνων έχει χρησιμοποιηθεί για την αναγνώριση των κατάλληλων ζωνών με μελισσοκομικά φυτά για τις αποικίες μελισσών και για μελέτες που ερευνούν τις μεταβολές κάλυψης γης με την πάροδο του χρόνου. Στην περιοχή μελέτης της έρευνας οι μελισσοκόμοι πιστεύουν ότι η μείωση της ποσότητας παραγωγής μελιού ανά αποικία, στη δεκαετία του 2000 σε σχέση με την δεκαετία του 1970, οφείλεται στην μείωση των καλλιεργούμενων περιοχών. Για να εξεταστεί αυτή η υπόθεση, χρησιμοποιήθηκαν η Τηλεπισκόπηση, εικόνες του Google Earth και το GIS για την απόκτηση πληροφοριών σχετικά με τις μεταβολές της κάλυψης γης.

'''Υλικά και Μέθοδοι'''

Για την έρευνα των μεταβολών της κάλυψης γης πάρθηκαν εικόνες από το Google Earth τον Αύγουστο του 1970, τον Ιούλιο του 2000 και τον Ιούλιο του 2013. Το ArcGIS 10 χρησιμοποιήθηκε για τη δημιουργία δύο πολύγωνων που καλύπτουν τις χρησιμοποιούμενες περιοχές είτε για γεωργία είτε για άλλες δραστηριότητες.
Ανάλυση δορυφορικών εικόνων
Χρησιμοποιήθηκαν τρεις κατηγορίες εικόνων Landsat: 1) Landsat με βελτιωμένο θεματικό χαρτογράφο (ETM +) που λήφθηκαν κατά τη διάρκεια της δεκαετίας του 2000, 2) Landsat με θεματικό χάρτη (TM) που λήφθηκαν κατά τη διάρκεια της δεκαετίας του 1990, και 3) Landsat με πολυφασματικό σαρωτή (MSS) που λήφθηκαν κατά τη διάρκεια της δεκαετίας του 1970. Αυτές οι εικόνες είναι πολυφασματικές ζώνες με ανάλυση 30 μέτρων.
Το ArcGIS 10 χρησιμοποιήθηκε για τη σύνθεση της ζώνης εικόνων και την ανάλυση δεδομένων.
Για τον προσδιορισμό της σχετικής βιομάζας των βλαστικών περιοχών, ο Κανονικοποιημένος Δείκτης Βλάστησης Διαφοράς (NDVI) υπολογίστηκε χρησιμοποιώντας το ArcGIS. Τυπικά, το ArcGIS χρησιμοποιεί την εξίσωση [NDVI = ((IR-R) / (IR + R)) X 100 + 100] για να δημιουργήσει ένα colormap με εύρος ράμπας από 0 έως 200. Οι χάρτες που δημιουργήθηκαν κατά τη διάρκεια διαφορετικών χρόνων συγκρίθηκαν στη συνέχεια.
Για να δημιουργηθούν χάρτες φυτών, οι εικόνες αναταξινομήθηκαν λαμβάνοντας υπόψη όλες τις κατηγορίες κάλυψης γης ως NoData εκτός από τα φυτά. Στη συνέχεια, τα σύνολα δεδομένων των φυτών μετατράπηκαν σε πολύγωνα και υπολογίστηκαν και συγκρίθηκαν οι φυτικές περιοχές.

'''Αποτελέσματα και Συζήτηση'''

Τα σχηματισθέντα πολύγωνα που καλύπτουν τη δραστηριότητα χρήσης γης έδειξαν τη σταδιακή αύξηση της χρήσης γης κατά τη διάρκεια του χρόνου από τον Αύγουστο του 1972 μέχρι τον Ιούλιο του 2013.
Οι δορυφορικές εικόνες που λήφθηκαν από διαφορετικές χρονικές στιγμές επιβεβαίωσαν τη σταδιακή αύξηση της χρήσης γης κατά τη διάρκεια του χρόνου.
Ο δείκτης βλάστησης (NDVI) για τις δορυφορικές εικόνες με την πάροδο του χρόνου αντανακλά την αύξηση της γεωργικής δραστηριότητας με την πάροδο του χρόνου (εικόνα 1) [[Εικόνα: rs_wiki_01_image1.jpg|thumb|right|Εικόνα 1: Δείκτης Κανονικοποιημένης Διαφοράς (NDVI), (Α) 1970, (Β) 1990, (C) 2000. Οι σκούρες πράσινες περιοχές αντιπροσωπεύουν την βλάστηση.]].
Αυτό το αποτέλεσμα είναι σύμφωνο με το αποτέλεσμα των ιστορικών χαρτών του Google Earth.
Οι χάρτες (εικόνα 2) [[Εικόνα: rs_wiki_01_image1.jpg|thumb|right|Εικόνα 2: Χάρτες κατανομής τύπων φυτών, (Α) 1970, (Β) 1990, (C) 2000.]] δείχνουν τη διακύμανση της κατανομής των τύπων φυτών με την πάροδο του χρόνου.
Η υπόθεση της μείωσης των καλλιεργούμενων περιοχών ως κύρια αιτία της χαμηλής παραγωγής μελιού στο Κυβερνείο Μπεχέιρα δεν είναι αληθινή. Επίσης, η υπόθεση της αλλαγής των τύπων καλλιεργούμενων φυτών ως πιθανή αιτία για τη χαμηλή παραγωγή μελιού δεν είναι αποδεκτή με βάση τα ληφθέντα αποτελέσματα.

'''Συμπεράσματα'''

Οι χρησιμοποιούμενοι χάρτες είτε από το Google Earth είτε από δορυφορικές εικόνες παρακολουθούν τις αλλαγές της χρήσης γης. Η χαμηλή παραγωγή μελιού δεν μπορεί να εξηγηθεί από τη μείωση των καλλιεργούμενων εκτάσεων αλλά από την αύξηση των αποικιών μελισσών στην ίδια περίπου καλλιεργούμενη περιοχή.

[[category:Γεωργία]]

Χρήση Γεωγραφικού Συστήματος Πληροφοριών και Τηλεπισκόπησης για την κατανόηση των επιπτώσεων της κάλυψης γης στη μελισσοκομία

2019-02-03T14:08:31Z

KexaidakiSofia: Νέα σελίδα με ''''Χρήση Γεωγραφικού Συστήματος Πληροφοριών (GIS) και Δορυφορικής Τηλεπισκόπησης για την καταν...'

'''Χρήση Γεωγραφικού Συστήματος Πληροφοριών (GIS) και Δορυφορικής Τηλεπισκόπησης για την κατανόηση των επιπτώσεων της κάλυψης γης στη μελισσοκομία στο πέρασμα του χρόνου'''

'''Πηγή:''' ResearchGate (https://www.researchgate.net/publication/259480544_Using_Geographical_Information_System_GIS_and_Satellite_Remote_Sensing_for_Understanding_the_Impacts_of_Land_Cover_on_Apiculture_over_Time )

'''Πρωτότυπος τίτλος:''' Using Geographical Information System (GIS) and Satellite Remote Sensing for Understanding the Impacts of Land Cover on Apiculture over Time

'''Συγγραφέας:''' Hossam F. Abou-Shaara

'''Λέξεις κλειδιά:''' Μέλισσες, Γεωγραφικά Συστήματα Πληροφοριών, Τηλεπισκόπηση, Μελισσοκομία

'''Αντικείμενο Εφαρμογής'''

Αντικείμενο της έρευνας είναι η μελέτη των μεταβολών της κάλυψης γης από τη δεκαετία του 1970 μέχρι και τη δεκαετία του 2000 για να γίνουν κατανοητοί οι πιθανοί ρόλοι των αλλαγών της καλυπτόμενης έκτασης στη μελισσοκομία.
'''Περιοχή Μελέτης'''
Η περιοχή μελέτης βρίσκεται στα βόρεια της Αιγύπτου, συγκεκριμένα το Κυβερνείο Μπεχέιρα με συνολική έκταση 9826 km² μεταξύ 30 ° 36 '36 "Β και 30 ° 25' 48" Α.

'''Εισαγωγή'''

Το Γεωγραφικό Σύστημα Πληροφοριών (GIS) και η Τηλεπισκόπηση χρησιμοποιήθηκαν για τη βελτίωση της μελισσοκομίας σε διάφορα μέρη του κόσμου. Το Γεωγραφικό Σύστημα Πληροφοριών χρησιμοποιήθηκε για τον εντοπισμό των κατάλληλων τόπων για τα μελισσοκομεία, των κατάλληλων βοσκοτόπων για μέλισσες και τις κατάλληλες περιοχές για τη μελισσοκομία υπό τις συνθήκες της πολύ χαμηλής σχετικής υγρασίας και των ακραίων θερμοκρασιών. Η Τηλεπισκόπηση με τη χρήση landsat εικόνων έχει χρησιμοποιηθεί για την αναγνώριση των κατάλληλων ζωνών με μελισσοκομικά φυτά για τις αποικίες μελισσών και για μελέτες που ερευνούν τις μεταβολές κάλυψης γης με την πάροδο του χρόνου. Στην περιοχή μελέτης της έρευνας οι μελισσοκόμοι πιστεύουν ότι η μείωση της ποσότητας παραγωγής μελιού ανά αποικία, στη δεκαετία του 2000 σε σχέση με την δεκαετία του 1970, οφείλεται στην μείωση των καλλιεργούμενων περιοχών. Για να εξεταστεί αυτή η υπόθεση, χρησιμοποιήθηκαν η Τηλεπισκόπηση, εικόνες του Google Earth και το GIS για την απόκτηση πληροφοριών σχετικά με τις μεταβολές της κάλυψης γης.

'''Υλικά και Μέθοδοι'''

Για την έρευνα των μεταβολών της κάλυψης γης πάρθηκαν εικόνες από το Google Earth τον Αύγουστο του 1970, τον Ιούλιο του 2000 και τον Ιούλιο του 2013. Το ArcGIS 10 χρησιμοποιήθηκε για τη δημιουργία δύο πολύγωνων που καλύπτουν τις χρησιμοποιούμενες περιοχές είτε για γεωργία είτε για άλλες δραστηριότητες.
Ανάλυση δορυφορικών εικόνων
Χρησιμοποιήθηκαν τρεις κατηγορίες εικόνων Landsat: 1) Landsat με βελτιωμένο θεματικό χαρτογράφο (ETM +) που λήφθηκαν κατά τη διάρκεια της δεκαετίας του 2000, 2) Landsat με θεματικό χάρτη (TM) που λήφθηκαν κατά τη διάρκεια της δεκαετίας του 1990, και 3) Landsat με πολυφασματικό σαρωτή (MSS) που λήφθηκαν κατά τη διάρκεια της δεκαετίας του 1970. Αυτές οι εικόνες είναι πολυφασματικές ζώνες με ανάλυση 30 μέτρων.
Το ArcGIS 10 χρησιμοποιήθηκε για τη σύνθεση της ζώνης εικόνων και την ανάλυση δεδομένων.
Για τον προσδιορισμό της σχετικής βιομάζας των βλαστικών περιοχών, ο Κανονικοποιημένος Δείκτης Βλάστησης Διαφοράς (NDVI) υπολογίστηκε χρησιμοποιώντας το ArcGIS. Τυπικά, το ArcGIS χρησιμοποιεί την εξίσωση [NDVI = ((IR-R) / (IR + R)) X 100 + 100] για να δημιουργήσει ένα colormap με εύρος ράμπας από 0 έως 200. Οι χάρτες που δημιουργήθηκαν κατά τη διάρκεια διαφορετικών χρόνων συγκρίθηκαν στη συνέχεια.
Για να δημιουργηθούν χάρτες φυτών, οι εικόνες αναταξινομήθηκαν λαμβάνοντας υπόψη όλες τις κατηγορίες κάλυψης γης ως NoData εκτός από τα φυτά. Στη συνέχεια, τα σύνολα δεδομένων των φυτών μετατράπηκαν σε πολύγωνα και υπολογίστηκαν και συγκρίθηκαν οι φυτικές περιοχές.

'''Αποτελέσματα και Συζήτηση'''

Τα σχηματισθέντα πολύγωνα που καλύπτουν τη δραστηριότητα χρήσης γης έδειξαν τη σταδιακή αύξηση της χρήσης γης κατά τη διάρκεια του χρόνου από τον Αύγουστο του 1972 μέχρι τον Ιούλιο του 2013.
Οι δορυφορικές εικόνες που λήφθηκαν από διαφορετικές χρονικές στιγμές επιβεβαίωσαν τη σταδιακή αύξηση της χρήσης γης κατά τη διάρκεια του χρόνου.
Ο δείκτης βλάστησης (NDVI) για τις δορυφορικές εικόνες με την πάροδο του χρόνου αντανακλά την αύξηση της γεωργικής δραστηριότητας με την πάροδο του χρόνου (εικόνα 1) [[Εικόνα: rs_wiki_01_image1.jpg|thumb|right|Εικόνα 1: Δείκτης Κανονικοποιημένης Διαφοράς (NDVI), (Α) 1970, (Β) 1990, (C) 2000. Οι σκούρες πράσινες περιοχές αντιπροσωπεύουν την βλάστηση.]].
Αυτό το αποτέλεσμα είναι σύμφωνο με το αποτέλεσμα των ιστορικών χαρτών του Google Earth.
Οι χάρτες (εικόνα 2) [[Εικόνα: rs_wiki_01_image1.jpg|thumb|right|Εικόνα 2: Χάρτες κατανομής τύπων φυτών, (Α) 1970, (Β) 1990, (C) 2000.]] δείχνουν τη διακύμανση της κατανομής των τύπων φυτών με την πάροδο του χρόνου.
Η υπόθεση της μείωσης των καλλιεργούμενων περιοχών ως κύρια αιτία της χαμηλής παραγωγής μελιού στο Κυβερνείο Μπεχέιρα δεν είναι αληθινή. Επίσης, η υπόθεση της αλλαγής των τύπων καλλιεργούμενων φυτών ως πιθανή αιτία για τη χαμηλή παραγωγή μελιού δεν είναι αποδεκτή με βάση τα ληφθέντα αποτελέσματα.

'''Συμπεράσματα'''

Οι χρησιμοποιούμενοι χάρτες είτε από το Google Earth είτε από δορυφορικές εικόνες παρακολουθούν τις αλλαγές της χρήσης γης. Η χαμηλή παραγωγή μελιού δεν μπορεί να εξηγηθεί από τη μείωση των καλλιεργούμενων εκτάσεων αλλά από την αύξηση των αποικιών μελισσών στην ίδια περίπου καλλιεργούμενη περιοχή.

[[category:Γεωργία]]

Αρχείο:Rs wiki 01 image2.jpg

2019-02-03T14:01:57Z

KexaidakiSofia: Εικόνα 2: Χάρτες κατανομής τύπων φυτών.

Εικόνα 2: Χάρτες κατανομής τύπων φυτών.

Αρχείο:Rs wiki 01 image1.jpg

2019-02-03T13:59:07Z

KexaidakiSofia: Εικόνα 1: Δείκτης Κανονικοποιημένης Διαφοράς (NDVI).

Εικόνα 1: Δείκτης Κανονικοποιημένης Διαφοράς (NDVI).

Κεχαϊδάκη Σοφία

2019-02-03T13:47:42Z

KexaidakiSofia:

Η κατάσταση υγρασίας καλλιέργειας που υπολογίζεται με πληροφορίες τηλεπισκόπισης

2019-02-03T13:45:49Z

KexaidakiSofia: Νέα σελίδα με ''''Η κατάσταση υγρασίας καλλιέργειας που υπολογίζεται με πληροφορίες τηλεπισκόπισης''' '''Πηγή...'

'''Η κατάσταση υγρασίας καλλιέργειας που υπολογίζεται με πληροφορίες τηλεπισκόπισης'''

'''Πηγή:''' ResearchGate (https://www.researchgate.net/publication/242100915_Crop_water_status_estimated_by_remote_sensing_information )

'''Πρωτότυπος τίτλος:''' Crop water status estimated by remote sensing information

'''Συγγραφείς:''' Campi P., Mastrorilli M., Modugno F., Palumbo A.D.

'''Λέξεις κλειδιά:''' Δείκτης Κανονικοποιημένης Διαφοράς Βλάστησης (NDVI), Θερμοκρασία ακτινοβολίας, Οπτική Αγωγιμότητα, Προστασία Φυτών

'''Αντικείμενο Εφαρμογής'''

Οι τεχνικές της τηλεπισκόπησης είναι ένα πιθανό εργαλείο για την εκτίμηση της κατάστασης υγρασίας των καλλιεργειών. Έχει χρησιμοποιηθεί για την παρακολούθηση της κατάστασης του νερού, τόσο η τηλεπισκόπηση (δείκτης κανονικοποιημένης διαφοράς βλάστησης ‘NDVI’ και θερμοκρασία της επιφανειακής ακτινοβολίας) και χειροκίνητες μετρήσεις (ατομική αγωγιμότητα και δυναμικό του νερού των φύλλων ‘PLWP’). Ο στόχος της μελέτης αυτής, είναι η εκτίμηση της κατάστασης του νερού σε εδαφικό επίπεδο λαμβάνοντας αυτές τις εκτιμήσεις για μια ολόκληρη περιοχή.

'''Περιοχή Μελέτης'''

Η μελέτη πραγματοποιήθηκε στην πειραματική φάρμα CRA-SCA, στο Rutigliano, πόλη και κοινότητα στην Μητροπολιτική πόλη Μπάρι της Απουλίας της νότιας Ιταλίας (γεωγραφικό πλάτος: 41 ֯ 01’ Β, γεωγραφικό μήκος: 17 ֯ 01’ E).

'''Εισαγωγή'''

Η άρδευση είναι ένα από τους πιο δαπανηρούς παράγοντες για την μεσογειακή γεωργία.
Η τηλεπισκόπιση παρέχει μια συνοπτική άποψη για την επιφάνεια και για ένα χωρικό πλαίσιο για την σωστή διαχείριση της άρδευσης. Οι απομακρυσμένες μετρήσεις της θερμοκρασίας του θόλου και ο δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI) μπορούν να χρησιμοποιηθούν για την παρακολούθηση της κατάστασης της υγρασίας της καλλιέργειας και τον ορθότερο προγραμματισμό άρδευσης.
Η θερμοκρασία ακτινοβολίας του θόλου/φυλλώματος έχει χρησιμοποιηθεί με επιτυχία για εφαρμογές χρόνου άρδευσης.
Ο δείκτης κανονικοποιημένης διαφοράς βλάστησης NDVI χρησιμοποιείται εκτεταμένα στην παρακολούθηση των οικοσυστημάτων. Το NDVI μετράει τις αλλαγές στην περιεκτικότητα σε χλωροφύλλη και σε σπογγώδη μεσόφυλλα εντός της βλάστησης του φυλλώματος. Συνεπώς, υψηλότερες NDVI τιμές συνήθως αντιπροσωπεύουν μεγαλύτερη ενέργεια και φωτοσυνθετική δραστηριότητα στην βλάστηση του φυλλώματος.

'''Υλικά και Μέθοδοι'''

Η καλλιέργεια ντομάτας χρησιμοποιήθηκε ως καλλιέργεια αναφοράς. Αφού η καλλιέργεια της ντομάτας πέτυχε την μέγιστη τιμή LAI (2,89) και το φύλλωμα κάλυψε το έδαφος (>90%), υποβλήθηκε σε 3 αρδευτικές μεταχειρίσεις, η μια ήταν η βέλτιστη, και οι άλλες δύο υποβλήθηκαν σε «προσωρινό» στρες (νωρίς, κατά την καρπόδεση, αργά, κατά την ωρίμανση τους). Η άρδευση είχε προγραμματιστεί κάθε φορά που το PLWP έφτανε -0,3 και -0,5MPa, με πλήρως αρδευόμενα και στρεσαρισμένα πειραματικά αγροτεμάχια, αντίστοιχα. Ωστόσο, η τελευταία τιμή του PLWP δεν θέτει σε κίνδυνο την ανάπτυξη της ντομάτας.
Για την παρακολούθηση της κατάστασης της υγρασίας, χρησιμοποιήθηκε τόσο η τηλεπισκόπηση (NDVI και θερμοκρασία επιφανειακής ακτινοβολίας) όσο και χειροκίνητες μετρήσεις (PLWP). Το NDVI παρακολουθήθηκε (κάθε 10 λεπτά) μέσω του αισθητήρα SKR 1800, ως:

NDVI= (ρNIR-ρ Red)/(ρ NIR+ρ red)

Όπου το ρ αντιπροσωπεύει την αναλογία ανάμεσα της ανακλώμενης και της προσπίπτουσας ακτινοβολίας σε δύο μήκη κύματος: του κόκκινου (646nm)και του NIR( 831nm).
Η επιφανειακή θερμοκρασία του φυλλώματος μετρήθηκε ωριαία μέσω των υπέρυθρων αισθητήρων (Everest Interscience Inc., USA, model 4000.4ZXL), τοποθετημένων 1 μέτρο πάνω από την επιφάνεια της καλλιέργειας.
Η στοματική αγωγιμότητα μετρήθηκε το μεσημέρι (σε μέρες χωρίς συννεφιά) με πορόμετρο (Delta T όργανα, UK) και πριν την ανατολή το υδατικό δυναμικό των φύλλων (Ψ) μετρήθηκε από τον θάλαμο πίεσης Scholander.

'''Αποτελέσματα και Συζήτηση'''

Οι ενδείξεις που αποκτούνται μέσω της τηλεπισκόπησης διακρίνονται με ακρίβεια. Η μέτρηση της κατάστασης της υγρασίας της καλλιέργειας, εκφράζεται μέσω της μέγιστης ημερήσιας τιμής του υδατικού δυναμικού των φύλλων (Ψ) και επηρεάζεται από λιγότερα σφάλματα γιατί μετριέται πριν την ανατολή, όταν η κατάσταση της εδαφικής υγρασίας και η κατάσταση της υγρασίας καλλιέργειας βρίσκονται σε ισορροπία.
Για τους σκοπούς της διαχείρισης της άρδευσης, η παρακολούθηση των PLWP επιτρέπει τον προγραμματισμό των αρδεύσεων και την πρόληψη του κλείσιμο των στομάτων. Δηλαδή, επιτρέπει την σωστή παρακολούθηση της «ελεγχόμενης ελλειμματικής άρδευσης» (RDI), για την εξοικονόμηση του αρδευόμενου νερού και την διατήρηση της παραγωγικότητας της καλλιέργειας.
Ο κύριος περιορισμός στην χρήση του PLWP έγκειται στην πολυπλοκότητα της μεθόδου. Μια εναλλακτική λύση είναι η θερμοκρασία ακτινοβολίας και το NDVI.
Ο δείκτης του NDVI ποικίλει κατά την διάρκεια του κύκλου καλλιέργειας (εικόνα 1) [[Εικόνα: rs_wiki_04_image1.png|thumb|right|Εικόνα 1: Παραλλαγές των μετρήσεων NDVI κατά τη διάρκεια της περιόδου καλλιέργειας τομάτας. Τα διαφορετικά σύμβολα αντιπροσωπεύουν τις δύο αγωγές άρδευσης. Κάθε πειραματικό σημείο αντιπροσωπεύει το μέσο όρο των ημερήσιων τιμών NDVI που μετρήθηκαν στο χρονικό διάστημα μεταξύ 8 π.μ και 5 μ.μ..]] ακολουθώντας την καλλιεργητική ανάπτυξη (LAI/φυλλική επιφάνεια και βιομάζα).
Ωστόσο ανάμεσα στο PLWP και στο NDVI προκύπτει μια γραμμική σχέση: Ψ=1.67*NDVI-1.59 r2=0.95 (εικόνα 2) [[Εικόνα: rs_wiki_04_image2.png|thumb|right|Εικόνα 2: Υδατικό δυναμικό φύλλων έναντι ημερήσιων τιμών NDVI. Οι τιμές προέρχονται από την επαρκή άρδευση (συμπαγή σύμβολα) και από τις καταστάσεις στρες (κενά σύμβολα).]]. Από αυτή την σχέση βλέπουμε ότι είναι πιθανών να προβλεφθεί η κατάσταση της καλλιεργούμενης υγρασίας αρχίζοντας από εντελώς αυτοματοποιημένες μετρήσεις και, πάνω από όλα, από εκείνες που μπορούν να αποκτηθούν μέσω των τεχνικών της τηλεπισκόπησης.
Αντίστροφα, οι μετρήσεις της θερμοκρασίας της ακτινοβολίας απέδειξαν ότι δεν είναι ικανοποιητικές.

'''Συμπεράσματα'''

Οι συνεχείς μετρήσεις της κατάστασης της υγρασίας της καλλιέργειας επιτρέπουν τον προγραμματισμό της άρδευσης με μεγαλύτερη ακρίβεια. Κυρίως στις μεσογειακές περιοχές απαιτείται ακρίβεια για να χρησιμοποιηθούν αποτελεσματικά οι υδατικοί πόροι σε τοπικό και περιφερειακό επίπεδο. Τα πειραματικά δεδομένα δείχνουν γραμμική σχέση ανάμεσα του PLWP και του NDVI. Μέσω της τηλεπισκόπησης μπορεί να προβλεφθεί η κατάσταση της καλλιεργούμενης υγρασίας.

[[category:Γεωργία]]

Αρχείο:Rs wiki 04 image2.png

2019-02-03T13:34:47Z

KexaidakiSofia: Εικόνα 2: Υδατικό δυναμικό φύλλων έναντι ημερήσιων τιμών NDVI.

Εικόνα 2: Υδατικό δυναμικό φύλλων έναντι ημερήσιων τιμών NDVI.

Αρχείο:Rs wiki 04 image1.png

2019-02-03T13:33:13Z

KexaidakiSofia: Εικόνα 1: Παραλλαγές των μετρήσεων NDVI

Εικόνα 1: Παραλλαγές των μετρήσεων NDVI

Κεχαϊδάκη Σοφία

2019-02-03T13:22:45Z

KexaidakiSofia:

Κεχαϊδάκη Σοφία

2019-02-03T13:22:28Z

KexaidakiSofia:

Αξιολόγηση μικρών μη επανδρωμένων εναέριων συστημάτων για τον εντοπισμό του στρες ξηρασίας στο χλοοτάπητα

2019-02-03T13:20:16Z

KexaidakiSofia: Νέα σελίδα με ''''Αξιολόγηση μικρών μη επανδρωμένων εναέριων συστημάτων για τον εντοπισμό του στρες ξηρασία...'

'''Αξιολόγηση μικρών μη επανδρωμένων εναέριων συστημάτων για τον εντοπισμό του στρες ξηρασίας στο χλοοτάπητα'''

'''Πηγή:''' ResearchGate (https://www.researchgate.net/publication/326651649_Evaluating_Small_Unmanned_Aerial_Systems_for_Detecting_Drought_Stress_on_Turfgrass )

'''Πρωτότυπος τίτλος:''' Evaluating small unmanned aerial systems for detecting drought stress on turfgrass

'''Συγγραφείς:''' Mu Hong, Dale J. Bremer, Deon van der Merwe

'''Λέξεις κλειδιά:''' Ξηρασία, Πρόβλεψη, Μη επανδρωμένα εναέρια οχήματα, Δείκτης βλάστησης

'''Αντικείμενο Εφαρμογής'''

Η μελέτη αυτή διεξήχθη για να αξιολογήσει την ικανότητα έγκαιρης ανίχνευσης ξηρασίας στο χλοοτάπητα με μικρά μη επανδρωμένα εναέρια συστήματα (sUAS) και να τη συγκρίνει με παραδοσιακές τεχνικές.

'''Περιοχή Μελέτης'''

Η μελέτη πραγματοποιήθηκε στο ερευνητικό κέντρο χλοοτάπητα Rocky Ford, στο Μανχάταν.

'''Εισαγωγή'''

Οι πρόσφατες εξελίξεις στα μικρά μη επανδρωμένα εναέρια συστήματα (sUAS) μπορούν να παρέχουν μια ταχεία και ακριβή μέθοδο για την έρευνα και τη διαχείριση χλοοτάπητα με λιγότερη εργασία και λιγότερη κατανάλωση χρόνου σε μια προσπάθεια παροχής πόρων για τη μεγιστοποίηση της αποδοτικότητας της χρήσης του νερού.

'''Υλικά και Μέθοδοι'''

Ο χλοοτάπητας έχει κοπεί σε ύψος 5/8-ιντσών και έχει ποτιστεί σε διάφορα επίπεδα, από σοβαρή έλλειψη άρδευσης έως καλώς αρδευόμενη, σύμφωνα με την αντικατάσταση αναφοράς εξατμισοδιαπνοής (ΕΤ) 15, 30, 50, 65, 80 και 100%. Οι αερομεταφερόμενες μετρήσεις με τροποποιημένη ψηφιακή φωτογραφική μηχανή τοποθετημένη σε μικρά μη επανδρωμένα εναέρια συστήματα (sUAS) περιλάμβαναν ανακλαστικότητα από τρία μεμονωμένα κανάλια (εγγύς υπέρυθρο, πράσινο και μπλε κανάλι), από τα οποία προέκυψαν οκτώ δείκτες βλάστησης (VI) για αξιολόγηση. Οι παραδοσιακές μετρήσεις περιελάμβαναν ογκομετρική περιεκτικότητα σε νερό (VWC, υγρασία εδάφους), οπτική ποιότητα (VQ), ποσοστιαία πράσινη κάλυψη (PGC) χρησιμοποιώντας ανάλυση ψηφιακής εικόνας, θερμοκρασία εδάφους και ανακλαστικότητα με μια φορητή συσκευή.

'''Αποτελέσματα'''

Οι μειώσεις στην ογκομετρική περιεκτικότατα νερού (VWC) σε αγωγούς άρδευσης ανιχνεύθηκαν σταθερά με το κανάλι NIR (εγγύς υπέρυθρο) και έξι από τους οκτώ δείκτες βλάστησης (VI) από sUAS (GreenBlue (VI), για παράδειγμα, παρουσιάζεται στο Σχήμα 1) [[Εικόνα: rs_wiki_05_sxima1.jpg|thumb|right|Σχήμα 1: Έγχρωμη εικόνα αγροτεμαχίων. Δείκτης Βλάστησης [(πράσινο – μπλέ)] / [(πράσινο + μπλέ)], από sUAS. Το σκούρο πράσινο δείχνει περισσότερη βιομάζα χλοοτάπητα.]], καθώς και ο κανονικοποιημένος δείκτης διαφοράς βλάστησης (NDVI). Επιπλέον, αυτά τα κανάλια και ο δείκτης βλάστησης προέβλεπαν την ένταση της ξηρασίας τουλάχιστον μια εβδομάδα πριν εμφανιστούν τα συμπτώματα στην οπτική ποιότητα (VQ) και στην ποσοστιαία πράσινη κάλυψη (PGC). Για τα μη επανδρωμένα εναέρια συστήματα (sUAS), το NIR και το GreenBlue [(πράσινο - μπλε) / (πράσινο + μπλε)] εκτελούν την καλύτερη πρόβλεψη ξηρασίας. Για τη φορητή συσκευή, το NDVI και το κόκκινο συγκρότημα προέβλεπαν γεγονότα ξηρασίας νωρίτερα από το NIR.

'''Συμπεράσματα'''

Το κανάλι εγγύς υπέρυθρης ακτινοβολίας (NIR) και ο δείκτης βλάστησης GreenBlue πραγματοποίησαν την καλύτερη πρόβλεψη για την ένταση της ξηρασίας μεταξύ των άλλων δεικτών βλάστησης (VI) ή καναλιών από τα μη επανδρωμένα εναέρια συστήματα (sUAS). Τα αποτελέσματα υποδεικνύουν τη χρήση τηλεπισκόπησης στην ανίχνευση του στρες της ξηρασίας καθώς γίνεται ορατή πριν γίνει ορατή από το ανθρώπινο μάτι και μπορεί να προσφέρει πολύτιμα στοιχεία διαχείρισης άρδευσης σε χλοοτάπητα.

[[category:Γεωργία]]

Αρχείο:Rs wiki 05 sxima1.jpg

2019-02-03T13:13:21Z

KexaidakiSofia: Σχήμα 1: Έγχρωμη εικόνα αγροτεμαχίων

Σχήμα 1: Έγχρωμη εικόνα αγροτεμαχίων

Κεχαϊδάκη Σοφία

2019-02-03T11:55:44Z

KexaidakiSofia:

Μια ανασκόπηση: Η εφαρμογή της τηλεπισκόπησης, του GIS και του GPS στην Γεωργία ακριβείας

2019-02-03T11:54:20Z

KexaidakiSofia:

'''Μια ανασκόπηση: Η εφαρμογή της τηλεπισκόπησης, του GIS και του GPS στην Γεωργία ακριβείας'''

'''Πηγή:''' ResearchGate (https://www.researchgate.net/publication/272488178_A_Review_The_application_of_Remote_Sensing_GIS_and_GPS_in_Precision_Agriculture )

'''Πρωτότυπος τίτλος:''' A Review: The application of Remote Sensing, GIS and GPS in Precision Agriculture

'''Συγγραφείς:''' Suresh Band Goswami, Shafique Matin, Aruna Saxena, G.D. Bairagi

'''Λέξεις κλειδιά:''' Γεωργία ακριβείας, Περιβάλλον, Τηλεπισκόπηση, Γεωγραφικά Συστήματα Πληροφοριών (GIS), Παγκόσμιο Σύστημα Στιγματοθέτησης (GPS)

'''Αντικείμενο Εφαρμογής'''

Η τεχνολογία τηλεπισκόπησης διαδραματίζει σημαντικό ρόλο στη γεωργία ακριβείας και η εφαρμογή της στη γεωργία ακριβείας εισάγει νέες ευκαιρίες για τη βελτίωση των γεωργικών πρακτικών. Με τη βοήθεια του παγκόσμιου συστήματος εντοπισμού θέσης (GPS), είναι δυνατή η καταγραφή δεδομένων πεδίου (κλίση, όψη, θρεπτικά στοιχεία και απόδοση) ως γεωγραφικά δεδομένα γεωγραφικού πλάτους και γεωγραφικού μήκους. Για την περαιτέρω ανάλυση απαιτείται σύστημα γεωγραφικών πληροφοριών (GIS), το οποίο μπορεί να αποθηκεύει και να χειρίζεται αυτά τα δεδομένα.

'''Εισαγωγή'''

Η παραγωγή γεωργικών προϊόντων είναι σημαντική για όλους και η παραγωγή τροφίμων με οικονομικά αποδοτικό τρόπο είναι ο στόχος κάθε γεωργού. Ένας αγρότης πρέπει να ενημερώνεται για να είναι αποτελεσματικός και αυτό περιλαμβάνει τη διάθεση των γνώσεων και των προϊόντων πληροφόρησης για τη χάραξη μιας βιώσιμης στρατηγικής για τις γεωργικές δραστηριότητες. Αυτά τα εργαλεία θα τον βοηθήσουν να καταλάβει την υγεία της καλλιέργειάς του, την έκταση της μόλυνσης ή την καταστροφή ή την πιθανή απόδοση και τις εδαφολογικές συνθήκες. Η γεωργία ακριβείας ασχολείται με τη μελέτη της εφαρμογής της τεχνολογίας για την παραγωγή γεωργικών προϊόντων.
Η γεωργία ακριβείας είναι ένα ολοκληρωμένο σύστημα πληροφόρησης και διαχείρισης της γεωργίας που βασίζεται σε διάφορα τεχνικά εργαλεία όπως το παγκόσμιο σύστημα εντοπισμού θέσης, το σύστημα γεωγραφικών πληροφοριών και η τηλεπισκόπηση.
Ο στόχος της γεωργίας ακριβείας είναι η συλλογή και ανάλυση πληροφοριών σχετικά με τη μεταβλητότητα των συνθηκών του εδάφους και των καλλιεργειών, προκειμένου να μεγιστοποιηθεί η αποτελεσματικότητα των εισροών καλλιέργειας σε μικρές περιοχές του αγροτικού τομέα. Για να επιτευχθεί αυτός ο στόχος αποδοτικότητας, η μεταβλητότητα στο πεδίο πρέπει να είναι ελεγχόμενη.
Η τεχνολογία τηλεπισκόπησης διαδραματίζει σημαντικό ρόλο στη γεωργία ακριβείας και αυξάνεται σημαντικά από μέρα σε μέρα. Η τηλεπισκόπηση με τη χρήση διαστημικών αισθητήρων είναι ένα εργαλείο για την απόκτηση επαναλαμβανόμενων παρατηρήσεων (με εύρος από λεπτά έως μέρες) και συνοπτικής (με τοπική έως περιφερειακή κάλυψη) παρατήρησης σχετικά με τη φασματική συμπεριφορά των καλλιεργειών καθώς και το αναπτυσσόμενο περιβάλλον τους, χώμα και ατμόσφαιρα. Η χρήση αυτών των δεδομένων μπορεί να γίνει για ορισμένες εφαρμογές όπως η απογραφή των καλλιεργειών, οι προβλέψεις για την παραγωγή καλλιεργειών, η εκτίμηση της ξηρασίας και των πλημμυρών, η παρακολούθηση και η διαχείριση της γης και της αρδευόμενης γης.
Πολλοί ερευνητές και γεωπόνοι έχουν κάνει επαρκή εργασία στον τομέα των αποθεμάτων καλλιεργειών, χρησιμοποίησαν δεδομένα τηλεπισκόπησης και αγρομετεωρολογίας για πρόβλεψη απόδοσης και παραγωγής σοδειάς σίτου, καλαμποκιού, δημητριακών. Οι εργασίες ανέφεραν την πρόβλεψη απόδοσης με δείκτες φασματικής βλάστησης καλλιεργειών (RVI και NDVI), με αγρομετεωρολογικές παραμέτρους (ET max και TD) και με ιστορικά μοντέλων γραμμικής και πολλαπλής γραμμικής παλινδρόμησης, με χρήση οπτικών και δορυφορικών εικόνων, με τον υπολογισμό συντελεστή συσχέτισης μεταξύ της διακύμανσης της απόδοσης και του δείκτη τηλεπισκόπησης, με τη χρήση ραντάρ τηλεπισκόπησης.

'''Το Γεωγραφικό Σύστημα Πληροφοριών (GIS) στην γεωργία'''

Το GIS είναι ένα ισχυρό σύνολο εργαλείων για τη συλλογή, την αποθήκευση, την ανάκτηση, τη μετατροπή και την απεικόνιση χωρικών δεδομένων από τον πραγματικό κόσμο για ένα συγκεκριμένο σύνολο σκοπών. Η εφαρμογή του GIS επανάγει τον σχεδιασμό και τη διαχείριση στον τομέα της γεωργίας. Σε αυτή τη μελέτη, χρησιμοποιήθηκαν δορυφορικά δεδομένα γεωσκόπησης για την ανάλυση και τον υπολογισμό του αποθέματος των καλλιεργειών. Η ικανότητα του GIS να αναλύει και να απεικονίζει τα γεωργικά περιβάλλοντα και τις ροές εργασίας έχει αποδειχθεί πολύ επωφελής για όσους ασχολούνται με τη γεωργική βιομηχανία. Η εξισορρόπηση των εισροών και των αποτελεσμάτων σε ένα αγρόκτημα είναι θεμελιώδης για την επιτυχία και την αποδοτικότητά του. Τα χωρικά δεδομένα είναι συνήθως με τη μορφή στρώσεων που μπορεί να απεικονίζουν τοπογραφία ή περιβαλλοντικά στοιχεία. Το GIS μπορεί να χρησιμοποιηθεί για την παραγωγή εικόνων, όχι μόνο χαρτών, αλλά σχεδίων, κινούμενων σχεδίων και άλλων χαρτογραφικών προϊόντων. Το GIS διαδραματίζει έναν αυξανόμενο ρόλο στη γεωργική παραγωγή σε όλο τον κόσμο βοηθώντας τους αγρότες να αυξήσουν την παραγωγή, να μειώσουν το κόστος και να διαχειριστούν τη γη τους πιο αποτελεσματικά. Ενώ οι φυσικές εισροές στην γεωργία δεν μπορούν να ελεγχθούν, μπορούν να κατανοηθούν καλύτερα και να διαχειριστούν με εφαρμογές GIS, όπως εκτιμήσεις απόδοσης καλλιεργειών, αναλύσεις τροποποιήσεων εδάφους και αναγνώριση και αποκατάσταση διάβρωσης.

'''Το Παγκόσμιο Σύστημα Στιγματοθέτησης (GPS) στην γεωργία'''

Η ανάπτυξη και η εφαρμογή γεωργίας ακριβείας ή ειδικής γεωργικής εκμετάλλευσης έχει καταστεί δυνατή με το συνδυασμό του Παγκόσμιου Συστήματος Θέσης (GPS) και των Γεωγραφικών Πληροφοριακών Συστημάτων (GIS). Αυτές οι τεχνολογίες επιτρέπουν τη σύζευξη της συλλογής δεδομένων σε πραγματικό χρόνο με ακριβείς πληροφορίες θέσης, οδηγώντας σε αποτελεσματικό χειρισμό και ανάλυση μεγάλων ποσοτήτων γεωχωρικών δεδομένων. Οι εφαρμογές που βασίζονται στο GPS στην γεωργία ακριβείας χρησιμοποιούνται για χωροταξικό σχεδιασμό, χαρτογράφηση πεδίων, δειγματοληψία εδάφους, καθοδήγηση ελκυστήρων, έρευνα καλλιεργειών, εφαρμογές μεταβλητού ρυθμού και χαρτογράφηση αποδόσεων. Το GPS επιτρέπει στους αγρότες να δουλεύουν σε συνθήκες πεδίου χαμηλής ορατότητας όπως βροχή, σκόνη, ομίχλη και σκοτάδι.

'''Συμπεράσματα'''

Η γεωργία ακριβείας επιτρέπει την ακριβή παρακολούθηση και ρύθμιση της παραγωγής. Η γεωργία ακριβείας κάνει τον αγροτικό προγραμματισμό ταυτόχρονα ευκολότερο και πιο περίπλοκο. Καθώς αυξάνεται ο όγκος των δεδομένων, απαιτείται περισσότερη εργασία για την ερμηνεία των δεδομένων και αυτό αυξάνει τον κίνδυνο παρερμηνείας. Οι παραγωγοί που εφαρμόζουν την γεωργία ακριβείας πιθανότατα θα συνεργάζονται με επαγγελματίες στον τομέα της γεωργίας, του GPS και των υπολογιστικών επιστημών. Ως εκ τούτου, οι τεχνολογίες θεμελίωσης στη γεωργία ακριβείας είναι το GIS, το GPS και η τηλεπισκόπηση. Στην εικόνα 1 [[Εικόνα: rs_wiki_09_image1.jpg|thumb|down|Εικόνα 1: Κύκλος γεωργίας ακριβείας.]] φαίνεται ο κύκλος της γεωργίας ακριβείας.

[[category:Γεωργία]]

Μια ανασκόπηση: Η εφαρμογή της τηλεπισκόπησης, του GIS και του GPS στην Γεωργία ακριβείας

2019-02-03T11:53:22Z

KexaidakiSofia: Νέα σελίδα με ''''Μια ανασκόπηση: Η εφαρμογή της τηλεπισκόπησης, του GIS και του GPS στην Γεωργία ακριβείας''' '''Π...'

'''Μια ανασκόπηση: Η εφαρμογή της τηλεπισκόπησης, του GIS και του GPS στην Γεωργία ακριβείας'''

'''Πηγή:''' ResearchGate (https://www.researchgate.net/publication/272488178_A_Review_The_application_of_Remote_Sensing_GIS_and_GPS_in_Precision_Agriculture )

'''Πρωτότυπος τίτλος:''' A Review: The application of Remote Sensing, GIS and GPS in Precision Agriculture

'''Συγγραφείς:''' Suresh Band Goswami, Shafique Matin, Aruna Saxena, G.D. Bairagi

'''Λέξεις κλειδιά:''' Γεωργία ακριβείας, Περιβάλλον, Τηλεπισκόπηση, Γεωγραφικά Συστήματα Πληροφοριών (GIS), Παγκόσμιο Σύστημα Στιγματοθέτησης (GPS)

'''Αντικείμενο Εφαρμογής'''

Η τεχνολογία τηλεπισκόπησης διαδραματίζει σημαντικό ρόλο στη γεωργία ακριβείας και η εφαρμογή της στη γεωργία ακριβείας εισάγει νέες ευκαιρίες για τη βελτίωση των γεωργικών πρακτικών. Με τη βοήθεια του παγκόσμιου συστήματος εντοπισμού θέσης (GPS), είναι δυνατή η καταγραφή δεδομένων πεδίου (κλίση, όψη, θρεπτικά στοιχεία και απόδοση) ως γεωγραφικά δεδομένα γεωγραφικού πλάτους και γεωγραφικού μήκους. Για την περαιτέρω ανάλυση απαιτείται σύστημα γεωγραφικών πληροφοριών (GIS), το οποίο μπορεί να αποθηκεύει και να χειρίζεται αυτά τα δεδομένα.

'''Εισαγωγή'''

Η παραγωγή γεωργικών προϊόντων είναι σημαντική για όλους και η παραγωγή τροφίμων με οικονομικά αποδοτικό τρόπο είναι ο στόχος κάθε γεωργού. Ένας αγρότης πρέπει να ενημερώνεται για να είναι αποτελεσματικός και αυτό περιλαμβάνει τη διάθεση των γνώσεων και των προϊόντων πληροφόρησης για τη χάραξη μιας βιώσιμης στρατηγικής για τις γεωργικές δραστηριότητες. Αυτά τα εργαλεία θα τον βοηθήσουν να καταλάβει την υγεία της καλλιέργειάς του, την έκταση της μόλυνσης ή την καταστροφή ή την πιθανή απόδοση και τις εδαφολογικές συνθήκες. Η γεωργία ακριβείας ασχολείται με τη μελέτη της εφαρμογής της τεχνολογίας για την παραγωγή γεωργικών προϊόντων.
Η γεωργία ακριβείας είναι ένα ολοκληρωμένο σύστημα πληροφόρησης και διαχείρισης της γεωργίας που βασίζεται σε διάφορα τεχνικά εργαλεία όπως το παγκόσμιο σύστημα εντοπισμού θέσης, το σύστημα γεωγραφικών πληροφοριών και η τηλεπισκόπηση.
Ο στόχος της γεωργίας ακριβείας είναι η συλλογή και ανάλυση πληροφοριών σχετικά με τη μεταβλητότητα των συνθηκών του εδάφους και των καλλιεργειών, προκειμένου να μεγιστοποιηθεί η αποτελεσματικότητα των εισροών καλλιέργειας σε μικρές περιοχές του αγροτικού τομέα. Για να επιτευχθεί αυτός ο στόχος αποδοτικότητας, η μεταβλητότητα στο πεδίο πρέπει να είναι ελεγχόμενη.
Η τεχνολογία τηλεπισκόπησης διαδραματίζει σημαντικό ρόλο στη γεωργία ακριβείας και αυξάνεται σημαντικά από μέρα σε μέρα. Η τηλεπισκόπηση με τη χρήση διαστημικών αισθητήρων είναι ένα εργαλείο για την απόκτηση επαναλαμβανόμενων παρατηρήσεων (με εύρος από λεπτά έως μέρες) και συνοπτικής (με τοπική έως περιφερειακή κάλυψη) παρατήρησης σχετικά με τη φασματική συμπεριφορά των καλλιεργειών καθώς και το αναπτυσσόμενο περιβάλλον τους, χώμα και ατμόσφαιρα. Η χρήση αυτών των δεδομένων μπορεί να γίνει για ορισμένες εφαρμογές όπως η απογραφή των καλλιεργειών, οι προβλέψεις για την παραγωγή καλλιεργειών, η εκτίμηση της ξηρασίας και των πλημμυρών, η παρακολούθηση και η διαχείριση της γης και της αρδευόμενης γης.
Πολλοί ερευνητές και γεωπόνοι έχουν κάνει επαρκή εργασία στον τομέα των αποθεμάτων καλλιεργειών, χρησιμοποίησαν δεδομένα τηλεπισκόπησης και αγρομετεωρολογίας για πρόβλεψη απόδοσης και παραγωγής σοδειάς σίτου, καλαμποκιού, δημητριακών. Οι εργασίες ανέφεραν την πρόβλεψη απόδοσης με δείκτες φασματικής βλάστησης καλλιεργειών (RVI και NDVI), με αγρομετεωρολογικές παραμέτρους (ET max και TD) και με ιστορικά μοντέλων γραμμικής και πολλαπλής γραμμικής παλινδρόμησης, με χρήση οπτικών και δορυφορικών εικόνων, με τον υπολογισμό συντελεστή συσχέτισης μεταξύ της διακύμανσης της απόδοσης και του δείκτη τηλεπισκόπησης, με τη χρήση ραντάρ τηλεπισκόπησης.
'''Το Γεωγραφικό Σύστημα Πληροφοριών (GIS) στην γεωργία'''
Το GIS είναι ένα ισχυρό σύνολο εργαλείων για τη συλλογή, την αποθήκευση, την ανάκτηση, τη μετατροπή και την απεικόνιση χωρικών δεδομένων από τον πραγματικό κόσμο για ένα συγκεκριμένο σύνολο σκοπών. Η εφαρμογή του GIS επανάγει τον σχεδιασμό και τη διαχείριση στον τομέα της γεωργίας. Σε αυτή τη μελέτη, χρησιμοποιήθηκαν δορυφορικά δεδομένα γεωσκόπησης για την ανάλυση και τον υπολογισμό του αποθέματος των καλλιεργειών. Η ικανότητα του GIS να αναλύει και να απεικονίζει τα γεωργικά περιβάλλοντα και τις ροές εργασίας έχει αποδειχθεί πολύ επωφελής για όσους ασχολούνται με τη γεωργική βιομηχανία. Η εξισορρόπηση των εισροών και των αποτελεσμάτων σε ένα αγρόκτημα είναι θεμελιώδης για την επιτυχία και την αποδοτικότητά του. Τα χωρικά δεδομένα είναι συνήθως με τη μορφή στρώσεων που μπορεί να απεικονίζουν τοπογραφία ή περιβαλλοντικά στοιχεία. Το GIS μπορεί να χρησιμοποιηθεί για την παραγωγή εικόνων, όχι μόνο χαρτών, αλλά σχεδίων, κινούμενων σχεδίων και άλλων χαρτογραφικών προϊόντων. Το GIS διαδραματίζει έναν αυξανόμενο ρόλο στη γεωργική παραγωγή σε όλο τον κόσμο βοηθώντας τους αγρότες να αυξήσουν την παραγωγή, να μειώσουν το κόστος και να διαχειριστούν τη γη τους πιο αποτελεσματικά. Ενώ οι φυσικές εισροές στην γεωργία δεν μπορούν να ελεγχθούν, μπορούν να κατανοηθούν καλύτερα και να διαχειριστούν με εφαρμογές GIS, όπως εκτιμήσεις απόδοσης καλλιεργειών, αναλύσεις τροποποιήσεων εδάφους και αναγνώριση και αποκατάσταση διάβρωσης.

'''Το Παγκόσμιο Σύστημα Στιγματοθέτησης (GPS) στην γεωργία'''

Η ανάπτυξη και η εφαρμογή γεωργίας ακριβείας ή ειδικής γεωργικής εκμετάλλευσης έχει καταστεί δυνατή με το συνδυασμό του Παγκόσμιου Συστήματος Θέσης (GPS) και των Γεωγραφικών Πληροφοριακών Συστημάτων (GIS). Αυτές οι τεχνολογίες επιτρέπουν τη σύζευξη της συλλογής δεδομένων σε πραγματικό χρόνο με ακριβείς πληροφορίες θέσης, οδηγώντας σε αποτελεσματικό χειρισμό και ανάλυση μεγάλων ποσοτήτων γεωχωρικών δεδομένων. Οι εφαρμογές που βασίζονται στο GPS στην γεωργία ακριβείας χρησιμοποιούνται για χωροταξικό σχεδιασμό, χαρτογράφηση πεδίων, δειγματοληψία εδάφους, καθοδήγηση ελκυστήρων, έρευνα καλλιεργειών, εφαρμογές μεταβλητού ρυθμού και χαρτογράφηση αποδόσεων. Το GPS επιτρέπει στους αγρότες να δουλεύουν σε συνθήκες πεδίου χαμηλής ορατότητας όπως βροχή, σκόνη, ομίχλη και σκοτάδι.

'''Συμπεράσματα'''

Η γεωργία ακριβείας επιτρέπει την ακριβή παρακολούθηση και ρύθμιση της παραγωγής. Η γεωργία ακριβείας κάνει τον αγροτικό προγραμματισμό ταυτόχρονα ευκολότερο και πιο περίπλοκο. Καθώς αυξάνεται ο όγκος των δεδομένων, απαιτείται περισσότερη εργασία για την ερμηνεία των δεδομένων και αυτό αυξάνει τον κίνδυνο παρερμηνείας. Οι παραγωγοί που εφαρμόζουν την γεωργία ακριβείας πιθανότατα θα συνεργάζονται με επαγγελματίες στον τομέα της γεωργίας, του GPS και των υπολογιστικών επιστημών. Ως εκ τούτου, οι τεχνολογίες θεμελίωσης στη γεωργία ακριβείας είναι το GIS, το GPS και η τηλεπισκόπηση. Στην εικόνα 1 [[Εικόνα: rs_wiki_09_image1.jpg|thumb|down|Εικόνα 1: Κύκλος γεωργίας ακριβείας.]] φαίνεται ο κύκλος της γεωργίας ακριβείας.

[[category:Γεωργία]]

Αρχείο:Rs wiki 09 image1.jpg

2019-02-03T11:49:21Z

KexaidakiSofia: Εικόνα 1: Κύκλος γεωργίας ακριβείας

Εικόνα 1: Κύκλος γεωργίας ακριβείας

Κεχαϊδάκη Σοφία

2019-02-03T11:40:52Z

KexaidakiSofia:

[[Μια νέα εποχή στην τηλεπισκόπηση καλλιεργειών με μη επανδρωμένα ρομπότ]]

[[Εφαρμογή τηλεπισκόπησης στην γεωθερμική εξερεύνηση]]

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

Εφαρμογή τηλεπισκόπησης στην γεωθερμική εξερεύνηση

2019-02-03T11:38:02Z

KexaidakiSofia:

'''Εφαρμογή τηλεπισκόπησης στην γεωθερμική εξερεύνηση'''

'''Πηγή:''' ResearchGate (https://www.researchgate.net/publication/260829449_Remote_Sensing_Application_on_Geothermal_Exploration )

'''Πρωτότυπος τίτλος:''' Remote Sensing Application on Geothermal Exploration

'''Συγγραφέας:''' Eddy Z. Gaffar

'''Λέξεις κλειδιά:''' Γεωθερμία, Τηλεπισκόπηση, Δομή και Μεταβολή

'''Αντικείμενο Εφαρμογής'''

Σε αυτή τη μελέτη, εφαρμόστηκε τηλεπισκόπηση για τον προσδιορισμό της γεωλογικής δομής και χαρτογράφησης της κατανομής των πετρωμάτων και των πετρωμάτων μεταβολής που σχετίζονται με τη γεωθερμική ενέργεια.

'''Περιοχή Μελέτης'''

Η έρευνα πραγματοποιήθηκε σε περιοχή της Ινδονησίας.

'''Εισαγωγή'''

Την τελευταία δεκαετία η παραγωγή πετρελαίου της Ινδονησίας έχει μειωθεί, ως εκ τούτου πρέπει να αναζητήσει εναλλακτικές μορφές ενέργειας. Αυτές οι διαθέσιμες εναλλακτικές λύσεις περιλαμβάνουν την ενέργεια άνθρακα, την αιολική ενέργεια, την ενέργεια κύματος, την ενέργεια του νερού και τη γεωθερμική ενέργεια. Μια γεωθερμική ενέργεια προέρχεται από τις πηγές θερμότητας βάθους που οφείλονται στον θάλαμο μάγματος και αλληλεπιδρούν με τις πηγές νερού για την παραγωγή πηγών θερμότητας ατμού με υψηλή πίεση και θερμοκρασία. Μια γεωθερμική ενέργεια θεωρείται ως ανανεώσιμη ενέργεια όσο υπάρχουν πηγές θερμότητας και νερού.
Η Ινδονησία είναι μια χώρα με τη μεγαλύτερη πηγή γεωθερμικής ενέργειας στον κόσμο. Περίπου το 40% των παγκόσμιων γεωθερμικών ενεργειακών πόρων βρίσκονται στην Ινδονησία.
Η διάρκεια ζωής μιας γεωθερμικής ενέργειας μπορεί να είναι πάνω από δώδεκα χρόνια, ακόμη και εκατοντάδες χρόνια.

'''Μέθοδοι Έρευνας'''

Η τηλεπισκόπηση είναι μια μέτρηση ή απόκτηση δεδομένων σχετικά με ένα αντικείμενο στην επιφάνεια της γης από δορυφόρους ή άλλα όργανα που βρίσκονται μακριά από το αντικείμενο που ανιχνεύεται. Τα εξαρτήματα τηλεπισκόπησης είναι:
a. Πηγή Ισχύος
Οι πηγές ενέργειας στη διαδικασία ανίχνευσης είναι η ηλιακή ακτινοβολία (παθητικό σύστημα) και η τεχνητή ενέργεια όπως τα μικροκύματα (ενεργά συστήματα). Η ποσότητα ενέργειας που λαμβάνεται από τα αντικείμενα σε κάθε τόπο είναι διαφορετική, επηρεάζεται από διάφορους παράγοντες:
1. Χρόνος έκθεσης.
2. Σχήμα της επιφάνειας της γης.
3. Καιρικές συνθήκες.
4. Ατμοσφαιρικό στρώμα αέρα που αποτελείται από διαφορετικούς τύπους αερίων, όπως το Ο₂, το CO₂, το άζωτο, το υδρογόνο και το ήλιο.
Υπάρχει περιορισμός στην τηλεπισκόπηση. Οι συννεφιασμένες καιρικές συνθήκες εμποδίζουν την πηγή ενέργειας να φτάσει στην επιφάνεια της γης.
Οι αλληλεπιδράσεις μεταξύ της ισχύος και των αντικειμένων μπορούν να φανούν από την απόχρωση που παράγεται από τις αεροφωτογραφίες. Κάθε αντικείμενο έχει διαφορετικά χαρακτηριστικά που αντανακλούν ή εκπέμπουν ενέργεια στον αισθητήρα. Τα αντικείμενα που έχουν υψηλή ανακλαστική ισχύ φαίνονται πιο φωτεινά στην εικόνα ενώ τα αντικείμενα με χαμηλή ανακλαστική δύναμη εμφανίζονται σκοτεινά στην εικόνα.
b. Αισθητήρες και Όχημα
Οι αισθητήρες μπορούν να χωριστούν σε δύο ομάδες. Οι παθητικοί αισθητήρες εξαρτώνται από μια εξωτερική πηγή ενέργειας, συνήθως τον ήλιο. Ο συνηθέστερος παθητικός αισθητήρας είναι η φωτογραφική μηχανή. Οι ενεργοί αισθητήρες έχουν τη δική τους πηγή ενέργειας, δηλαδή ένα ραντάρ. Αυτοί οι αισθητήρες στέλνουν ένα σήμα και μετρούν το ποσό του ανακλώμενου σήματος.
Ένα όχημα είναι ένα όχημα / μέσο που χρησιμοποιείται για τη μεταφορά αισθητήρων για τη λήψη τηλεπισκόπησης. Με βάση το ύψος και την ανύψωση παρακολούθησης στο διάστημα, το διαστημικό σκάφος μπορεί να χωριστεί σε τρεις ομάδες: 1. Το αεροπλάνο που πετάει σε χαμηλό έως μέσο υψόμετρο κυκλοφορίας μεταξύ 1000-9000 ποδιών πάνω από την επιφάνεια της γης. 2. Αεροσκάφος που πετάει ψηλά πάνω από 18.000 πόδια πάνω από την επιφάνεια της γης. 3. Δορυφόρος, μεταξύ 400 χλμ. - 900 χλμ. πέρα από την ατμόσφαιρα της γης.

'''Αποτελέσματα της επεξεργασίας εικόνων και Ερμηνεία'''

Η ερμηνεία της εικόνας πρέπει να ακολουθεί μια συγκεκριμένη μεθοδολογία, ξεκινώντας από γενικές εκτιμήσεις προχωρώντας προς συγκεκριμένα αντικείμενα ή από τα γνωστά στο άγνωστο.
Η έρευνα ξεκινά γενικά από περιοχές που εμφανίζουν σημάδια παρουσίας γεωθερμικού πόρου. Αναζητήθηκαν και εντοπίστηκαν είδη επιφανειακών γεωθερμικών εκδηλώσεων, δηλαδή θερμές πηγές, φουμαρόλες, κτλ. Εκτός αυτού, διεξήχθη επίσης μια γεωλογική χαρτογράφηση της σύνθεσης των βράχων, της αλλοίωσης (μεταβολή του βράχου) καθώς και της γεωλογικής δομής.
Το Σχήμα 1Α [[Εικόνα: rs_wiki_10_sxima1.png|thumb|right|Σχήμα 1.]] δείχνει το έδαφος ενός συμπλέγματος ηφαιστείων (Α άνω) και την ερμηνεία του προϊόντος της λάβας και του πυροκλαστικού ηφαιστείου, καθώς και την ερμηνεία της καλντέρας και του σφάλματος (A κάτω). Χρησιμοποιώντας τα αποτελέσματα της ερμηνείας της τηλεπισκόπησης, μπορεί να ληφθεί η σχετική στρωματογραφία ηφαιστείου της γεωθερμικής περιοχής. Επιπλέον, μπορεί να προσδιοριστεί ο νεαρός και παλαιός κρατήρας σε γεωθερμικές περιοχές, δηλαδή η ερμηνεία ενός ηφαιστείου όπως φαίνεται στο σχήμα 1Α.
Το Σχήμα 1Β δείχνει την έκταση του ηφαιστειακού συμπλέγματος (Β άνω) και την ερμηνεία της ύπαρξης αλλαγμένου βράχου (Β κάτω) της γεωθερμικής περιοχής από τις εικόνες Landsat. Μια από τις εκδηλώσεις της γεωθερμικής περιοχής είναι η μεταβολή των πετρωμάτων.
Το Σχήμα 1C δείχνει τα ιζηματογενή πετρώματα του εδάφους της περιοχής (C άνω) και την ερμηνεία της πτυχής, βλάβης και συγχρονισμού (C κάτω). Η εμφάνιση ελαττωμάτων στο γεωθερμικό πεδίο είναι συνήθως σαφώς ορατή.

'''Συμπεράσματα'''

Το συμπέρασμα αυτού του εγγράφου είναι η χρησιμότητα της τηλεπισκόπησης στην εξερεύνηση και στην μείωση των βημάτων εξερεύνησης που οδηγούν στη μείωση του κόστους έρευνας. Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί σε περιοχές γεωθερμικών προοπτικών.

[[category:Γεωλογία – Εδαφολογία]]

Μια νέα εποχή στην τηλεπισκόπηση καλλιεργειών με μη επανδρωμένα ρομπότ

2019-02-03T11:37:02Z

KexaidakiSofia:

'''Μια νέα εποχή στην τηλεπισκόπηση καλλιεργειών με μη επανδρωμένα ρομπότ'''

'''Πηγή:''' ResearchGate [https://www.researchgate.net/publication/39566682_A_new_era_in_remote_sensing_of_crops_with_unmanned_robots]

'''Πρωτότυπος τίτλος:''' A new era in remote sensing of crops with unmanned robots

'''Συγγραφείς:''' Pablo J. Zarco-Tejada, J. A. J. Berni, L. Suárez, and E. Fereres

'''Λέξεις κλειδιά:''' Τηλεπισκόπηση, Μη επανδρωμένα εναέρια οχήματα, Γεωργία ακριβείας

'''Αντικείμενο Eφαρμογής'''

Η εφαρμογή γεωργίας ακριβείας με τη σύζευξη μικρών πολυλειτουργικών αισθητήρων επί των μη επανδρωμένων εναέριων ρομπότ καθοδηγούμενων από αυτόνομα συστήματα πλοήγησης.

'''Εισαγωγή'''

Η τεχνολογία και οι μέθοδοι τηλεπισκόπησης προτάθηκαν ως λύση για περιβαλλοντικά προβλήματα, διότι θα μπορούσαν να παρακολουθούν συνεχώς την επιφάνεια της γης. Οι σημερινές εφαρμογές στη γεωργία ακριβείας περιορίζονται σε μεγάλους δορυφορικούς αισθητήρες χωρικής λύσης που παρέχουν χονδροειδές φασματικό ψήφισμα και αραιά δειγματοληπτικούς χρόνους επανάληψης.
Οι βασικοί περιορισμοί για την επιτυχή εφαρμογή της τηλεπισκόπησης στη γεωργία ακριβείας περιλαμβάνουν, μεταξύ άλλων, πολύ υψηλή χωρική ανάλυση (μεγέθη εικονοστοιχείων <1m), πρόσβαση σε ορατές, σχεδόν υπέρυθρες και θερμικές φασματικές ζώνες και χρήση εύρους ζώνης που επιτρέπει την εκτίμηση βασικών βιοφυσικών παραμέτρων καλλιέργειας όπως η συγκέντρωση της χλωροφύλλης a και b, της ξανθοφύλλης, των καροτενοειδών, των ανθοκυάνων, του νερού και της ξηράς ύλης, καθώς και ο δείκτης περιοχής φύλλων και η θερμοκρασία καλλιέργειας. Η διαθεσιμότητα της απεικόνισης σε κρίσιμα καλλιεργητικά σφαιρικά στάδια σε συνδυασμό με τους γρήγορους χρόνους ανάκαμψης είναι ένας επιπλέον βασικός παράγοντας.
Ο συνδυασμός όλων αυτών των παραγόντων δεν μπορεί να αντιμετωπιστεί με τους σημερινούς δορυφορικούς αισθητήρες οπότε, οι εφαρμογές τηλεπισκόπησης στη γεωργία περιορίζονται σε μελέτες «επίδειξης» σε ειδικούς πειραματικούς τομείς που χρησιμοποιούν αερομεταφερόμενους αισθητήρες υψηλής ανάλυσης, σε ταξινόμηση των καλλιεργειών για σκοπούς απογραφής και μελέτες σχεδιασμού.

'''Δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI)'''

Οι τρέχουσες μέθοδοι για την απομακρυσμένη ανίχνευση της κατάστασης της φυσιολογίας φυτού βασίζονται σχεδόν αποκλειστικά σε έναν κανονικοποιημένο δείκτη που υπολογίζεται στο ορατό και κοντά στην εισερχόμενη φασματική περιοχή και λαμβάνεται από δορυφορικούς αισθητήρες. Αυτός ο δείκτης σχετίζεται στενά με τη δομή του κελύφους, αλλά δεν είναι ευαίσθητος είτε στη συγκέντρωση φωτοσυνθετικών χρωστικών ουσιών είτε στη φυσιολογική διαδικασία.

'''Μη επανδρωμένα εναέρια οχήματα'''

Οι στόχοι στην παρακολούθηση των καλλιεργειών στοχεύουν στην εκτίμηση της φωτοσυνθετικής και μη φωτοσυνθετικής απορρόφησης φωτός και στην ανίχνευση της φθορίζουσας χλωροφύλλης και της θερμικής εκπομπής της βλάστησης που συνδέεται με τη διαπνοή και την ατομική αγωγιμότητα της βλάστησης.
Οι βασικές αυτές επιστημονικές ιδέες περιορίζονται λειτουργικά στη γεωργία ακριβείας λόγω τεχνικών περιορισμών. Οι πρόοδοι στην ποσοτική τηλεπισκόπηση για τη γεωργία ακριβείας επικεντρώνονται στη σύζευξη μικρών υπερφασματικών και θερμικών αισθητήρων επί του σκάφους εναέριων ρομπότ καθοδηγούμενων από αυτόνομα συστήματα πλοήγησης. Το νέο αυτό πρότυπο θα καταστήσει δυνατή την συχνή και αποδοτική παρακολούθηση των γεωργικών περιοχών με βάση το κόστος, επιτρέποντας έτσι εκτιμήσεις των παραμέτρων των καλλιεργειών που είναι επί του παρόντος αδύνατο να αποκτηθούν από δορυφορικούς αισθητήρες. Ανιχνευτές τηλεπισκόπησης σε μη επανδρωμένα εναέρια οχήματα (UAV) θα μπορούσαν να καλύψουν αυτό το κενό, παρέχοντας προσεγγίσεις χαμηλού κόστους για να ικανοποιήσουν τις κρίσιμες απαιτήσεις υψηλής χωρικής, φασματικής και χρονικής ανάλυσης.

'''Χρήσεις μη επανδρωμένων εναέριων οχημάτων'''

Στην εικόνα 1 [[Εικόνα: rs_wiki_07_image1.jpg|thumb|right|Εικόνα 1: Πολυφασματική απεικόνιση υψηλής ανάλυσης ενός οπωρώνα που αποκτήθηκε με ένα μη επανδρωμένο εναέριο όχημα σταθερής πτέρυγας.]] φαίνεται η δημιουργία ποσοτικών προϊόντων τηλεπισκόπησης χρησιμοποιώντας μη επανδρωμένα εναέρια οχήματα (UAV) εξοπλισμένα με φθηνούς αισθητήρες θερμικής και στενής ζώνης πολλαπλής δέσμης απεικόνισης, αποκτώντας απεικόνιση <15cm και 10nm πλήρες πλάτος στο μισό μέγιστο.
Η αντανάκλαση της επιφάνειας και η θερμοκρασία μπορούν να ληφθούν μετά από ατμοσφαιρικές διορθώσεις, χρησιμοποιώντας θερμική απεικόνιση για ανίχνευση τάσεων ως συνάρτηση της άρδευσης και της διαθεσιμότητας νερού (εικόνα 2) [[Εικόνα: rs_wiki_07_image2.jpg|thumb|right|Εικόνα 2: Θερμικές εικόνες (εκφρασμένες σε ᵒC) που αποκτήθηκαν με ένα UAV ελικοπτέρου σε έναν κήπο ροδακινιάς που παρουσιάζει χωρική μεταβλητότητα νερού-άγχους (αριστερά) και θερμικές διαφορές μεταξύ των στεφανών ως συνάρτηση του στρες (δεξιά).]].
Είναι δυνατή η εκτίμηση των βιοφυσικών παραμέτρων όπως ο φυσιολογικός δείκτης ανίχνευσης τάσεων ως συνάρτηση της απορρόφησης ξανθοφύλλης (εικόνα 3) [[Εικόνα: rs_wiki_07_image3.jpg|thumb|right|Εικόνα 3: Ανίχνευση τάσης καλλιέργειας με τη χρήση του δείκτη φωτοχημικού αντανακλαστικού (PRI) (αριστερά: καλά αρδευόμενο σε μπλε χρώμα, έλλειψη άρδευσης σε κίτρινο και πορτοκαλί). Στα δεξιά, τα επίπεδα PRI υποδεικνύουν την κατάσταση πίεσης για κάθε κορώνα δέντρου.]] και της περιεκτικότητας σε χλωροφύλλη (εικόνα 4) [[Εικόνα: rs_wiki_07_image4.jpg|thumb|right|Εικόνα 4: Ανίχνευση χλωρίωσης δέντρων χρησιμοποιώντας στενές ζώνες στην ορατή και κόκκινη φασματική περιοχή.]], σε συνδυασμό με φυσικά μοντέλα.
Στην εικόνα 5 [[Εικόνα: rs_wiki_07_image5.jpg|thumb|right|Εικόνα 5: Ανίχνευση διαρροών νερού.]] φαίνεται η ανίχνευση διαρροών νερού σε αρδευόμενους οπωρώνες χρησιμοποιώντας θερμική απεικόνιση υψηλής ανάλυσης από πλατφόρμα UAV σταθερής πτέρυγας.

'''Συμπεράσματα'''

Η αερομεταφερόμενη τηλεπισκόπηση έχει αποδείξει τις δυνατότητές της, οι περιορισμοί για την πραγματική εφαρμογή οφείλονται στο κόστος εκστρατειών απεικόνισης με αεροσκάφη πλήρους μεγέθους και στις οικονομικές και τεχνικές δυσκολίες που συνδέονται με την συχνή απόκτηση εικόνων.
Ο δείκτη φυλλικής επιφάνειας, η περιεκτικότητα σε χλωροφύλλη, η ανίχνευση υδάτινου στρες από τον δείκτη φωτοχημικού αντανακλαστικού και η θερμοκρασία του εδάφους και οι εφαρμογές όπως η ανίχνευση διαρροών νερού στις αρδευόμενες εκμεταλλεύσεις αποδεικνύουν ότι τα χαμηλού κόστους συστήματα μη επανδρωμένων οχημάτων (UAV) για εφαρμογές γεωργίας ακριβείας αποφέρουν συγκρίσιμα (αν όχι καλύτερα) αποτελέσματα από τους παραδοσιακούς επανδρωμένους αερομεταφερόμενους αισθητήρες.

[[category:Γεωργία]]

Εφαρμογή τηλεπισκόπησης στην γεωθερμική εξερεύνηση

2019-02-03T11:35:11Z

KexaidakiSofia: Νέα σελίδα με ''''Εφαρμογή τηλεπισκόπησης στην γεωθερμική εξερεύνηση''' '''Πηγή:''' ResearchGate (https://www.researchgate.net/publicat...'

'''Εφαρμογή τηλεπισκόπησης στην γεωθερμική εξερεύνηση'''

'''Πηγή:''' ResearchGate (https://www.researchgate.net/publication/260829449_Remote_Sensing_Application_on_Geothermal_Exploration )

'''Πρωτότυπος τίτλος:''' Remote Sensing Application on Geothermal Exploration

'''Συγγραφέας:''' Eddy Z. Gaffar

'''Λέξεις κλειδιά:''' Γεωθερμία, Τηλεπισκόπηση, Δομή και Μεταβολή

'''Αντικείμενο Εφαρμογής'''
Σε αυτή τη μελέτη, εφαρμόστηκε τηλεπισκόπηση για τον προσδιορισμό της γεωλογικής δομής και χαρτογράφησης της κατανομής των πετρωμάτων και των πετρωμάτων μεταβολής που σχετίζονται με τη γεωθερμική ενέργεια.

'''Περιοχή Μελέτης'''
Η έρευνα πραγματοποιήθηκε σε περιοχή της Ινδονησίας.

'''Εισαγωγή'''
Την τελευταία δεκαετία η παραγωγή πετρελαίου της Ινδονησίας έχει μειωθεί, ως εκ τούτου πρέπει να αναζητήσει εναλλακτικές μορφές ενέργειας. Αυτές οι διαθέσιμες εναλλακτικές λύσεις περιλαμβάνουν την ενέργεια άνθρακα, την αιολική ενέργεια, την ενέργεια κύματος, την ενέργεια του νερού και τη γεωθερμική ενέργεια. Μια γεωθερμική ενέργεια προέρχεται από τις πηγές θερμότητας βάθους που οφείλονται στον θάλαμο μάγματος και αλληλεπιδρούν με τις πηγές νερού για την παραγωγή πηγών θερμότητας ατμού με υψηλή πίεση και θερμοκρασία. Μια γεωθερμική ενέργεια θεωρείται ως ανανεώσιμη ενέργεια όσο υπάρχουν πηγές θερμότητας και νερού.
Η Ινδονησία είναι μια χώρα με τη μεγαλύτερη πηγή γεωθερμικής ενέργειας στον κόσμο. Περίπου το 40% των παγκόσμιων γεωθερμικών ενεργειακών πόρων βρίσκονται στην Ινδονησία.
Η διάρκεια ζωής μιας γεωθερμικής ενέργειας μπορεί να είναι πάνω από δώδεκα χρόνια, ακόμη και εκατοντάδες χρόνια.

'''Μέθοδοι Έρευνας'''
Η τηλεπισκόπηση είναι μια μέτρηση ή απόκτηση δεδομένων σχετικά με ένα αντικείμενο στην επιφάνεια της γης από δορυφόρους ή άλλα όργανα που βρίσκονται μακριά από το αντικείμενο που ανιχνεύεται. Τα εξαρτήματα τηλεπισκόπησης είναι:
a. Πηγή Ισχύος
Οι πηγές ενέργειας στη διαδικασία ανίχνευσης είναι η ηλιακή ακτινοβολία (παθητικό σύστημα) και η τεχνητή ενέργεια όπως τα μικροκύματα (ενεργά συστήματα). Η ποσότητα ενέργειας που λαμβάνεται από τα αντικείμενα σε κάθε τόπο είναι διαφορετική, επηρεάζεται από διάφορους παράγοντες:
1. Χρόνος έκθεσης.
2. Σχήμα της επιφάνειας της γης.
3. Καιρικές συνθήκες.
4. Ατμοσφαιρικό στρώμα αέρα που αποτελείται από διαφορετικούς τύπους αερίων, όπως το Ο₂, το CO₂, το άζωτο, το υδρογόνο και το ήλιο.
Υπάρχει περιορισμός στην τηλεπισκόπηση. Οι συννεφιασμένες καιρικές συνθήκες εμποδίζουν την πηγή ενέργειας να φτάσει στην επιφάνεια της γης.
Οι αλληλεπιδράσεις μεταξύ της ισχύος και των αντικειμένων μπορούν να φανούν από την απόχρωση που παράγεται από τις αεροφωτογραφίες. Κάθε αντικείμενο έχει διαφορετικά χαρακτηριστικά που αντανακλούν ή εκπέμπουν ενέργεια στον αισθητήρα. Τα αντικείμενα που έχουν υψηλή ανακλαστική ισχύ φαίνονται πιο φωτεινά στην εικόνα ενώ τα αντικείμενα με χαμηλή ανακλαστική δύναμη εμφανίζονται σκοτεινά στην εικόνα.
b. Αισθητήρες και Όχημα
Οι αισθητήρες μπορούν να χωριστούν σε δύο ομάδες. Οι παθητικοί αισθητήρες εξαρτώνται από μια εξωτερική πηγή ενέργειας, συνήθως τον ήλιο. Ο συνηθέστερος παθητικός αισθητήρας είναι η φωτογραφική μηχανή. Οι ενεργοί αισθητήρες έχουν τη δική τους πηγή ενέργειας, δηλαδή ένα ραντάρ. Αυτοί οι αισθητήρες στέλνουν ένα σήμα και μετρούν το ποσό του ανακλώμενου σήματος.
Ένα όχημα είναι ένα όχημα / μέσο που χρησιμοποιείται για τη μεταφορά αισθητήρων για τη λήψη τηλεπισκόπησης. Με βάση το ύψος και την ανύψωση παρακολούθησης στο διάστημα, το διαστημικό σκάφος μπορεί να χωριστεί σε τρεις ομάδες: 1. Το αεροπλάνο που πετάει σε χαμηλό έως μέσο υψόμετρο κυκλοφορίας μεταξύ 1000-9000 ποδιών πάνω από την επιφάνεια της γης. 2. Αεροσκάφος που πετάει ψηλά πάνω από 18.000 πόδια πάνω από την επιφάνεια της γης. 3. Δορυφόρος, μεταξύ 400 χλμ. - 900 χλμ. πέρα από την ατμόσφαιρα της γης.

'''Αποτελέσματα της επεξεργασίας εικόνων και Ερμηνεία'''
Η ερμηνεία της εικόνας πρέπει να ακολουθεί μια συγκεκριμένη μεθοδολογία, ξεκινώντας από γενικές εκτιμήσεις προχωρώντας προς συγκεκριμένα αντικείμενα ή από τα γνωστά στο άγνωστο.
Η έρευνα ξεκινά γενικά από περιοχές που εμφανίζουν σημάδια παρουσίας γεωθερμικού πόρου. Αναζητήθηκαν και εντοπίστηκαν είδη επιφανειακών γεωθερμικών εκδηλώσεων, δηλαδή θερμές πηγές, φουμαρόλες, κτλ. Εκτός αυτού, διεξήχθη επίσης μια γεωλογική χαρτογράφηση της σύνθεσης των βράχων, της αλλοίωσης (μεταβολή του βράχου) καθώς και της γεωλογικής δομής.
Το Σχήμα 1Α [[Εικόνα: rs_wiki_10_sxima1.png|thumb|right|Σχήμα 1.]] δείχνει το έδαφος ενός συμπλέγματος ηφαιστείων (Α άνω) και την ερμηνεία του προϊόντος της λάβας και του πυροκλαστικού ηφαιστείου, καθώς και την ερμηνεία της καλντέρας και του σφάλματος (A κάτω). Χρησιμοποιώντας τα αποτελέσματα της ερμηνείας της τηλεπισκόπησης, μπορεί να ληφθεί η σχετική στρωματογραφία ηφαιστείου της γεωθερμικής περιοχής. Επιπλέον, μπορεί να προσδιοριστεί ο νεαρός και παλαιός κρατήρας σε γεωθερμικές περιοχές, δηλαδή η ερμηνεία ενός ηφαιστείου όπως φαίνεται στο σχήμα 1Α.
Το Σχήμα 1Β δείχνει την έκταση του ηφαιστειακού συμπλέγματος (Β άνω) και την ερμηνεία της ύπαρξης αλλαγμένου βράχου (Β κάτω) της γεωθερμικής περιοχής από τις εικόνες Landsat. Μια από τις εκδηλώσεις της γεωθερμικής περιοχής είναι η μεταβολή των πετρωμάτων.
Το Σχήμα 1C δείχνει τα ιζηματογενή πετρώματα του εδάφους της περιοχής (C άνω) και την ερμηνεία της πτυχής, βλάβης και συγχρονισμού (C κάτω). Η εμφάνιση ελαττωμάτων στο γεωθερμικό πεδίο είναι συνήθως σαφώς ορατή.

'''Συμπεράσματα'''
Το συμπέρασμα αυτού του εγγράφου είναι η χρησιμότητα της τηλεπισκόπησης στην εξερεύνηση και στην μείωση των βημάτων εξερεύνησης που οδηγούν στη μείωση του κόστους έρευνας. Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί σε περιοχές γεωθερμικών προοπτικών.

[[category:Γεωλογία – Εδαφολογία]]

Αρχείο:Rs wiki 10 sxima1.png

2019-02-03T11:27:02Z

KexaidakiSofia: Σχήμα 1

Σχήμα 1

Κεχαϊδάκη Σοφία

2019-02-03T11:15:19Z

KexaidakiSofia: Νέα σελίδα με 'Μια νέα εποχή στην τηλεπισκόπηση καλλιεργειών με μη επανδρωμένα ρομπότ [[category:ΔΠΜΣ "Περιβά...'

[[Μια νέα εποχή στην τηλεπισκόπηση καλλιεργειών με μη επανδρωμένα ρομπότ]]

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