RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Δορυφορική Τηλεπισκόπηση της Παγκόσμιας Θερμοκρασίας Επιφάνειας Εδάφους: Ορισμός, Μέθοδοι, Προϊόντα και Εφαρμογές

2026-01-13T17:16:59Z

LIOLIOU MARINA:

<strong>Πρωτότυπος τίτλος:</strong> Satellite Remote Sensing of Global Land Surface Temperature: Definition, Methods, Products, and Applications
<p>
<strong>Συγγραφείς:</strong> Zhao-Liang Li, Hua Wu, Si-Bo Duan, Wei Zhao, Huazhong Ren, Xiangyang Liu, Pei Leng, Ronglin Tang, Xin Ye, Jinshun Zhu, Yingwei Sun, Menglin Si, Meng Liu, Jiahao Li, Xia Zhang, Guofei Shang, Bo-Hui Tang, Guangjian Yan and Chenghu Zhou
</p>
<strong>DOI:</strong> https:// doi.org/10.1029/2022RG000777
<p>
<h1><strong>Εισαγωγή</strong></h1>
Η Land Surface Temperature (LST) αποτελεί μια κρίσιμη μεταβλητή του κλιματικού συστήματος της Γης, καθώς αντικατοπτρίζει την ανταλλαγή ενέργειας και υγρασίας μεταξύ εδάφους και ατμόσφαιρας και επηρεάζει βασικές διεργασίες όπως η ανάπτυξη της βλάστησης, η εξατμισοδιαπνοή, η υγρασία εδάφους και η ένταση των αστικών θερμικών νησίδων. Από τη δεκαετία του 1960 έως σήμερα, πλήθος θερμικών αισθητήρων στο φάσμα TIR (8–14 μm) έχουν τοποθετηθεί σε δορυφορικές αποστολές όπως NOAA, Landsat, Terra/Aqua, MSG και FY, επιτρέποντας την παγκόσμια και τακτική μέτρηση της LST σε μεγάλη κλίμακα. Κατά τις τελευταίες έξι δεκαετίες έχουν αναπτυχθεί πολλές μέθοδοι ανάκτησης LST – από split-window και single-channel έως πιο προηγμένα TES και φυσικά day/night μοντέλα – οι οποίες έχουν οδηγήσει σε μια μεγάλη γκάμα δορυφορικών προϊόντων (π.χ. MODIS, Landsat C2, ASTER, SEVIRI, Copernicus). Καθώς η δημοσιευμένη βιβλιογραφία αυξάνεται ραγδαία, με τον αριθμό σχετικών άρθρων το 2020 να είναι σχεδόν τριπλάσιος σε σχέση με το 2013, καθίσταται αναγκαία μια συστηματική ανασκόπηση των μεθόδων, των προϊόντων, των αβεβαιοτήτων και των εφαρμογών της LST ώστε οι χρήστες να κατανοήσουν την τρέχουσα τεχνολογική κατάσταση, τους περιορισμούς αλλά και τις προοπτικές εξέλιξης.
<h1><strong>Ορισμός της Δορυφορικής Land Surface Temperature (LST)</strong></h1>
[[Αρχείο:Εικόνα29.png|thumb|right|400px|<strong>Εικόνα 1:</strong> Σχηματική απεικόνιση της επιφάνειας εδάφους στην τηλεπισκόπηση.]]
</p>
Η Land Surface Temperature (LST) ορίζεται ως η θερμοδυναμική θερμοκρασία ενός πολύ λεπτού στρώματος στην επιφάνεια του εδάφους, της βλάστησης ή άλλων επιφανειακών υλικών, η οποία αλληλεπιδρά με την ατμόσφαιρα. Στο πλαίσιο της τηλεπισκόπησης, η LST αντιστοιχεί στη θερμοκρασία της «οπτικά ορατής» επιφάνειας που βρίσκεται μέσα στο Instantaneous Field of View (IFOV) του αισθητήρα (<strong>Εικόνα 1</strong>), και το πάχος της αντιστοιχεί στο βάθος διείσδυσης της θερμικής ακτινοβολίας.
<p>
Το βάθος αυτό είναι μικρό στην TIR περιοχή, και δίνεται από την εξίσωση:
[[Αρχείο:Εικόνα30.png|thumb|center|400px]]
όπου λ0 είναι το μήκος κύματος και 𝑘 το φανταστικό μέρος του δείκτη διάθλασης. Για μήκη κύματος γύρω στα 10 μm, το βάθος διείσδυσης κυμαίνεται μόλις από 1 έως 100 μm, πράγμα που σημαίνει ότι η LST είναι ουσιαστικά skin temperature.
</p>
Η LST που ανακτάται από δορυφορικά δεδομένα είναι ραδιομετρική θερμοκρασία, η οποία προκύπτει από τη μετρούμενη ακτινοβολία μετά την αφαίρεση των ατμοσφαιρικών επιδράσεων και τη διόρθωση ως προς την εκπομπή της επιφάνειας. Η θεμελιώδης εξίσωση που συνδέει τη μετρούμενη ακτινοβολία με τη δορυφορικά παραγόμενη θερμοκρασία είναι:
[[Αρχείο:Εικόνα31.png|thumb|center|600px]]
<p>
Η τιμή αυτή είναι κατευθυντική, δηλαδή εξαρτάται από τη γωνία θέασης και αντιπροσωπεύει ένα σταθμισμένο άθροισμα των θερμοκρασιών όλων των επιφανειακών στοιχείων μέσα στο pixel:
</p>
[[Αρχείο:Εικόνα32.png|thumb|center|600px]]
<p>
Έτσι, η δορυφορική LST δεν αντιστοιχεί απαραίτητα στη θερμοκρασία ενός μεμονωμένου υλικού, αλλά σε μια συνδυασμένη θερμοκρασία πολλών επιφανειακών στοιχείων μέσα στο pixel. Αυτό έχει σημαντικές συνέπειες για την ερμηνεία της LST σε ετερογενή περιβάλλοντα.
</p>
Τέλος, η LST διαφέρει από άλλους τύπους θερμοκρασιών που χρησιμοποιούνται σε εφαρμογές, όπως η αεροδυναμική θερμοκρασία (για υπολογισμό αισθητής θερμότητας) ή η ολοκληρωμένη ημισφαιρική θερμοκρασία (για υπολογισμό εξερχόμενης μακροκύματης ακτινοβολίας). Συνεπώς, για εφαρμογές μοντελοποίησης απαιτούνται συχνά πρόσθετες διορθώσεις.
<p>
<h1><strong>Μέθοδοι Ανάκτησης LST από Δορυφορικά TIR Δεδομένα</strong></h1>
Η ανάκτηση της θερμοκρασίας επιφάνειας (LST) από δεδομένα θερμικής υπέρυθρης ακτινοβολίας (TIR) είναι ένα υποκαθορισμένο και ασταθές πρόβλημα, επειδή ο δορυφόρος μετρά ακτινοβολίες που εξαρτώνται τόσο από την επιφανειακή θερμοκρασία όσο και από την εκπομπή (LSE), αλλά και από τη δομή και σύσταση της ατμόσφαιρας. Για N διαθέσιμα θερμικά κανάλια, υπάρχουν N εξισώσεις με N άγνωστες εκπομπές plus μία ακόμη άγνωστη θερμοκρασία, οπότε απαιτούνται πρόσθετες υποθέσεις ή περιορισμοί.
</p>
Οι μέθοδοι ανάκτησης ταξινομούνται σε τέσσερις βασικές κατηγορίες:
<p>
<strong>Single Channel (SC) Algorithm</strong>
Η μέθοδος χρησιμοποιεί ένα TIR κανάλι και λύνει την εξίσωση μεταφοράς ακτινοβολίας, εφόσον είναι γνωστή η εκπομπή του pixel.
</p>
Απαιτεί:
*εκ των προτέρων γνώση LSE
*ακριβή ατμοσφαιρικά προφίλ ή WVC
<p>
<strong>Πλεονέκτημα:</strong> απλή και εφαρμόσιμη σε όλους τους αισθητήρες.
</p>
<strong>Περιορισμός:</strong> ευαίσθητη σε λάθη ατμόσφαιρας και απαιτεί εκπομπή για κάθε pixel.
<p>
<strong>Split Window (SW) / Dual Window (DW) Algorithm</strong>
</p>
Χρησιμοποιεί δύο γειτονικά κανάλια (συνήθως 11 και 12 μm) ώστε η διαφορά της ατμοσφαιρικής απορρόφησης να επιτρέψει τον υπολογισμό LST χωρίς πλήρες προφίλ.
<p>
[[Αρχείο:Εικόνα33.png|thumb|center|400px]]
</p>
<strong>Πλεονεκτήματα:</strong>
*γρήγορη, αξιόπιστη σε πολλούς αισθητήρες
*δεν απαιτεί αναλυτικά ατμοσφαιρικά προφίλ
<strong>Περιορισμοί:</strong>
*χρειάζεται γνωστές εκπομπές στα SW κανάλια
*μειωμένη ακρίβεια σε υψηλή υγρασία ή μεγάλες γωνίες θέασης.
<p>
<strong>Physics-Based Day/Night (D/N) Algorithm</strong>
Χρησιμοποιεί ημερήσιες και νυχτερινές παρατηρήσεις σε MIR και TIR για ταυτόχρονη ανάκτηση LST και LSE.
</p>
Βασίζεται στην υπόθεση ότι η εκπομπή δεν αλλάζει σημαντικά μεταξύ ημέρας–νύχτας και ότι το MIR κανάλι περιέχει τόσο εκπομπή όσο και ανακλασμένη ηλιακή ακτινοβολία.
<p>
<strong>Πλεονεκτήματα:</strong>
*ανακτά LST & LSE χωρίς ακριβή ατμοσφαιρικά προφίλ
*πιο σταθερή λύση λόγω MIR πληροφορίας
<strong>Περιορισμοί:</strong>
*απαιτεί λήψεις ημέρας/νύχτας σε κοντινό χρόνο
*απαιτεί όμοια γεωμετρία θέασης
*απαιτεί πολύ καλή συνεγγραφή εικόνων
*υπολογιστικά πολύπλοκη
</p>
<strong>TES (Temperature and Emissivity Separation) Algorithm</strong>
<p>
Ανακτά ταυτόχρονα LST και LSE χρησιμοποιώντας πολλά TIR κανάλια, αφού πρώτα γίνει ακριβής ατμοσφαιρική διόρθωση.
</p>
Βασίζεται σε εμπειρική σχέση μεταξύ "spectral contrast" και "minimum emissivity" ώστε να μειώσει τον αριθμό άγνωστων.
<p>
<strong>Πλεονεκτήματα:</strong>
*κατάλληλο για επιφάνειες με έντονη φασματική διαφοροποίηση (έδαφος, πέτρωμα)
<strong>Περιορισμοί:</strong>
*απαιτεί υψηλής ακρίβειας ατμοσφαιρική διόρθωση
*φτωχότερη απόδοση σε “gray bodies” με σχεδόν επίπεδο φάσμα (νερό, πυκνή βλάστηση)
<h1><strong>Validation of LST Products</strong></h1>
Η επικύρωση είναι αναγκαία για τον υπολογισμό της αβεβαιότητας και για τη βελτίωση των retrieval αλγορίθμων.
</p>
Υπάρχουν τρεις βασικές προσεγγίσεις:
<p>
<strong>Temperature-Based (T-based)</strong>
</p>
Συγκρίνει δορυφορική LST με in situ μετρήσεις.
<p>
<strong>Πλεονέκτημα:</strong> υψηλή ακρίβεια.
</p>
<strong>Περιορισμοί:</strong>
*δύσκολη εγκατάσταση επίγειων σταθμών
*ασυμφωνία μεταξύ pixel–sensor footprint
*εφαρμόζεται κυρίως σε ομοιογενείς επιφάνειες
<p>
<strong>Radiance-Based (R-based)</strong>
Χρησιμοποιεί μοντέλα ατμοσφαιρικής μεταφοράς (MODTRAN/RTTOV) για να προσομοιώσει την TOA ακτινοβολία και να συγκρίνει με τη μετρούμενη.
</p>
Η <strong>Εικόνα 2</strong> απεικονίζει τα βήματα:
#χρήση δορυφορικής LST ως αρχική τιμή
#προσομοίωση TOA ακτινοβολίας
#επαναληπτική βελτιστοποίηση
#σύγκριση με πραγματική παρατήρηση
<p>
[[Αρχείο:Εικόνα34.png|thumb|center|300px|<strong>Εικόνα 2:</strong> Flowchart of R-based validation.]]
</p>
<strong>Intercomparison Method</strong>
<p>
Συγκρίνει δύο ή περισσότερα προϊόντα LST.
</p>
<strong>Πλεονέκτημα:</strong> εφαρμόζεται παγκόσμια χωρίς επίγειες μετρήσεις.
<p>
<strong>Μειονέκτημα:</strong> προϊόντα μπορεί να συμφωνούν μεταξύ τους αλλά όχι με την πραγματικότητα.
</p>
<h1><strong>Τρέχοντα προϊόντα LST και βασικές προκλήσεις</strong></h1>
<p>
Τα σύγχρονα δορυφορικά προϊόντα Land Surface Temperature (LST) προέρχονται από ποικιλία αισθητήρων θερμικής υπέρυθρης ακτινοβολίας (TIR) σε πολικές ή γεωστατικές τροχιές, και διαφέρουν σε ανάλυση, χρονική συχνότητα και αλγοριθμική προσέγγιση. Στην τελευταία δεκαετία, έχουν αναπτυχθεί πολλά επιχειρησιακά προϊόντα μεγάλης κλίμακας, τα οποία βασίζονται σε διαφορετικές μεθόδους ανάκτησης (SC, SW, TES, D/N) και προσφέρουν LST σε χωρική ανάλυση από 30 m έως 5 km, με αξιοπιστία που εξαρτάται από την ατμοσφαιρική διόρθωση, την εκπομπή της επιφάνειας και τις συνθήκες παρατήρησης.
</p>
<strong>Επίπεδα προϊόντων LST (Level 1–4)</strong>
<p>
Η ωρίμανση της δορυφορικής τηλεπισκόπησης στο θερμικό υπέρυθρο έχει οδηγήσει στην παραγωγή πολλών επιχειρησιακών προϊόντων LST, τα οποία οργανώνονται σε επίπεδα προϊόντων (Levels 1–4) (<strong>Εικόνα 3</strong>).
</p>
[[Αρχείο:Εικόνα35.png|thumb|right|300px|<strong>Εικόνα 3:</strong> Logical relations of LST products for Levels 1–4..]]
Level 2: Παρέχει LST ανά τροχιά/σκηνή, στην αρχική χωρική ανάλυση του αισθητήρα. Το προϊόν προκύπτει απευθείας από τα Level 1 radiance/BT δεδομένα, μετά από ανάκτηση LST και ενδεχομένως γεωαναφορά ή αναπροβολή. Συνήθως περιλαμβάνει και ποιοτικά flags (uncertainties, confidence flags, cloud probability).
<p>
Level 3: Παράγεται από Level 2 δεδομένα ενός ή πολλαπλών αισθητήρων, μέσω χωρικής και/ή χρονικής αναδειγματοληψίας σε κανονικό κάνναβο (gridded projection). Περιλαμβάνει ημερήσιες, 8-ημερες ή μηνιαίες συνθέσεις σε συγκεκριμένη χωρική ανάλυση.
</p>
Level 4: Συνδυάζει πολλαπλά Level 2/3 προϊόντα και συχνά μοντέλα ή αναλύσεις, για να παραχθούν χωρικά και χρονικά πλήρη (gap-free) πλέγματα LST, συνεπή σε χρόνο και χώρο (π.χ. all-weather, κλιματικά datasets). Η παραγωγή Level 4 προϊόντων συνεπάγεται επιπλέον επεξεργασία (fusion, reanalysis, filling) και αυξημένο μοντελοκεντρικό περιεχόμενο.
<p>
<strong>Τυπικά προϊόντα LST και κατηγορίες χωρικής ανάλυσης</strong>
Τα επιχειρησιακά προϊόντα LST ομαδοποιούνται συνήθως σε τρεις κατηγορίες χωρικής ανάλυσης:
</p>
1. Υψηλή ανάλυση (≈30–100 m)
<p>
Landsat 30 m (SC αλγόριθμος)
</p>
ASTER 90 m (TES)
<p>
2. Μέση ανάλυση (≈1 km)
</p>
MODIS MxD11 (SW)
<p>
MODIS MxD21 (TES)
</p>
VIIRS VNP21 (TES/SW)
<p>
3. Χαμηλή ανάλυση (≈2–10 km)
</p>
SEVIRI/MSG (3–5 km)
<p>
GOES/ABI (2–10 km)
</p>
FY-4 AGRI (4 km)
<p>
<strong>Intercomparison</strong>
</p>
Συγκρίθηκαν 12 δημοφιλή προϊόντα.
<p>
Σε 4 εποχές του 2020 (Ιαν., Απρ., Ιούλ., Οκτ.).
</p>
Κριτήρια:
*διαφορά χρόνου < 15 min
*διαφορά VZA < 15°
*≥2000 valid pixel pairs ανά κατηγορία κάλυψης
*σωστή χωρική συνεγγραφή
<p>
<strong>Κύρια προβλήματα των LST προϊόντων</strong>
</p>
{| class="wikitable"
! Spatial discontinuity
! Spatiotemporal incomparability
! Short time span
! Instantaneity
|-
| Νεφώσεις → κενά → ασυνεχείς χάρτες
| Διαφορετική ώρα & γωνία θέασης μεταξύ pixels
| Τα περισσότερα προϊόντα μετά το 2000
| Δίνουν μόνο στιγμιαία LST – όχι ημερήσιες/μηνιαίες μέσες τιμές
|}
<strong>Εφαρμογές της LST</strong>
{| class="wikitable"
! Εφαρμογές
! Σχολιασμός
|-
| Κλιματική παρακολούθηση και ενεργειακό ισοζύγιο
| Η LST αποτελεί κρίσιμη μεταβλητή για την κατανόηση του ενεργειακού ισοζυγίου επιφάνειας και της ανταλλαγής θερμότητας μεταξύ εδάφους και ατμόσφαιρας. Χρησιμοποιείται σε κλιματικά μοντέλα για την εκτίμηση της εξερχόμενης μακροκύματης ακτινοβολίας, της θερμής ροής και της εξατμισοδιαπνοής. Επίσης, επιτρέπει την παρακολούθηση θερμικών ανωμαλιών, heatwaves και αλλαγών στη θερμική συμπεριφορά της Γης σε βάθος χρόνου.
|-
| Υδρολογία και εξατμισοδιαπνοή
| Η LST αποτελεί βασική είσοδο στα υδρολογικά μοντέλα για την εκτίμηση της evapotranspiration (ET), της υγρασίας εδάφους και της κατανομής νερού. Συνδυάζοντας LST με NDVI, αλμπέντο και ηλιακή ακτινοβολία, μπορούν να εφαρμοστούν μοντέλα όπως SEBAL και METRIC για τον υπολογισμό ET σε αρδευόμενες εκτάσεις, υδάτινα σώματα και φυσικά οικοσυστήματα.
|-
| Γεωργία ακριβείας
| Στη γεωργία, η LST χρησιμεύει για την παρακολούθηση της υδατικής καταπόνησης των καλλιεργειών. Χαμηλότερη LST συνδέεται με υψηλή εξατμισοδιαπνοή και καλή υγεία φυτών, ενώ υψηλότερη LST δηλώνει stress λόγω ξηρασίας ή ασθενειών. Τα δορυφορικά προϊόντα LST βοηθούν στην καλύτερη διαχείριση άρδευσης, στη βελτιστοποίηση χρήσης νερού και στην έγκαιρη διάγνωση προβλημάτων στον αγρό.
|-
| Φυσικοί κίνδυνοι και διαχείριση περιβάλλοντος
| Η LST χρησιμοποιείται σε εφαρμογές εντοπισμού πυρκαγιών, καθώς οι υψηλές θερμοκρασίες μπορούν να ανιχνευθούν γρήγορα με θερμικούς αισθητήρες. Επιπλέον, συμβάλλει στην παρακολούθηση ξηρασίας, ερημοποίησης και αλλαγών στη βλάστηση, επιτρέποντας την αξιολόγηση οικολογικών πιέσεων και περιβαλλοντικής υποβάθμισης.
|-
| Αστικό θερμικό περιβάλλον (Urban Heat Island – UHI)
| Σε αστικές περιοχές, η LST αποτελεί βασικό δείκτη για τη μελέτη του φαινομένου της αστικής θερμικής νησίδας. Τα προϊόντα υψηλής ανάλυσης (π.χ. Landsat) επιτρέπουν τον εντοπισμό θερμών και ψυχρών μικρο-περιβαλλόντων, τη χαρτογράφηση επιφανειακής θερμοκρασίας και τη μελέτη των επιπτώσεων υλικών, πράσινων υποδομών και οικοδομικής πυκνότητας.
|-
| Ωκεανογραφία – παράκτιες ζώνες
| Παρότι η LST αφορά εδαφική επιφάνεια, πολλά μοντέλα συνδυάζονται με Sea Surface Temperature (SST) για την ανάλυση μικτών συστημάτων στις παράκτιες περιοχές. Η μετάβαση μεταξύ LST και SST βοηθά στην παρακολούθηση παράκτιων διεργασιών, μικροκλιμάτων και αλληλεπιδράσεων στεριάς–θάλασσας.
|-
| Μοντελοποίηση χιονοκάλυψης και παγετώνων
| Η LST χρησιμοποιείται επίσης για την παρακολούθηση της θερμικής κατάστασης χιονοσκεπών περιοχών, παγετώνων και πάγου. Οι θερμοκρασιακές διαφοροποιήσεις επιτρέπουν την εκτίμηση τήξης χιονιού, την ανάλυση ενεργειακού ισοζυγίου χιονοκάλυψης και την έγκαιρη προειδοποίηση για κινδύνους χιονοστιβάδων.
|-
| Παρακολούθηση εδαφικών και γεωλογικών διεργασιών
| Η LST μπορεί να βοηθήσει στον εντοπισμό γεωθερμικών ανωμαλιών, ενεργών ηφαιστειακών περιοχών ή θερμών υπόγειων ροών. Μεταβολές στην LST μπορούν να χρησιμοποιηθούν για τον εντοπισμό αλλαγών στο θερμικό καθεστώς περιομένων και γεωλογικών συστημάτων.
|}

[[category:Διαστημική Τηλεπισκόπηση]]

Δορυφορική Τηλεπισκόπηση της Παγκόσμιας Θερμοκρασίας Επιφάνειας Εδάφους: Ορισμός, Μέθοδοι, Προϊόντα και Εφαρμογές

2026-01-13T16:45:07Z

LIOLIOU MARINA:

Αρχείο:Εικόνα35.png

2026-01-13T16:42:27Z

LIOLIOU MARINA:

Δορυφορική Τηλεπισκόπηση της Παγκόσμιας Θερμοκρασίας Επιφάνειας Εδάφους: Ορισμός, Μέθοδοι, Προϊόντα και Εφαρμογές

2026-01-13T16:37:48Z

LIOLIOU MARINA:

Δορυφορική Τηλεπισκόπηση της Παγκόσμιας Θερμοκρασίας Επιφάνειας Εδάφους: Ορισμός, Μέθοδοι, Προϊόντα και Εφαρμογές

2026-01-13T16:22:05Z

LIOLIOU MARINA:

Αρχείο:Εικόνα34.png

2026-01-13T16:21:02Z

LIOLIOU MARINA:

Δορυφορική Τηλεπισκόπηση της Παγκόσμιας Θερμοκρασίας Επιφάνειας Εδάφους: Ορισμός, Μέθοδοι, Προϊόντα και Εφαρμογές

2026-01-13T16:05:59Z

LIOLIOU MARINA:

Δορυφορική Τηλεπισκόπηση της Παγκόσμιας Θερμοκρασίας Επιφάνειας Εδάφους: Ορισμός, Μέθοδοι, Προϊόντα και Εφαρμογές

2026-01-13T16:02:40Z

LIOLIOU MARINA:

Αρχείο:Εικόνα33.png

2026-01-13T15:57:59Z

LIOLIOU MARINA:

Δορυφορική Τηλεπισκόπηση της Παγκόσμιας Θερμοκρασίας Επιφάνειας Εδάφους: Ορισμός, Μέθοδοι, Προϊόντα και Εφαρμογές

2026-01-13T15:55:47Z

LIOLIOU MARINA:

Δορυφορική Τηλεπισκόπηση της Παγκόσμιας Θερμοκρασίας Επιφάνειας Εδάφους: Ορισμός, Μέθοδοι, Προϊόντα και Εφαρμογές

2026-01-13T15:42:04Z

LIOLIOU MARINA:

Αρχείο:Εικόνα32.png

2026-01-13T15:40:49Z

LIOLIOU MARINA:

Αρχείο:Εικόνα31.png

2026-01-13T15:36:53Z

LIOLIOU MARINA:

Δορυφορική Τηλεπισκόπηση της Παγκόσμιας Θερμοκρασίας Επιφάνειας Εδάφους: Ορισμός, Μέθοδοι, Προϊόντα και Εφαρμογές

2026-01-13T15:34:12Z

LIOLIOU MARINA:

Αρχείο:Εικόνα30.png

2026-01-13T15:30:48Z

LIOLIOU MARINA:

Δορυφορική Τηλεπισκόπηση της Παγκόσμιας Θερμοκρασίας Επιφάνειας Εδάφους: Ορισμός, Μέθοδοι, Προϊόντα και Εφαρμογές

2026-01-13T15:24:45Z

LIOLIOU MARINA:

Αρχείο:Εικόνα29.png

2026-01-13T15:20:12Z

LIOLIOU MARINA:

Δορυφορική Τηλεπισκόπηση της Παγκόσμιας Θερμοκρασίας Επιφάνειας Εδάφους: Ορισμός, Μέθοδοι, Προϊόντα και Εφαρμογές

2026-01-13T15:14:55Z

LIOLIOU MARINA:

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-13T14:52:59Z

LIOLIOU MARINA:

<strong>Πρωτότυπος τίτλος:</strong> Land surface emissivity retrieval from satellite data
<p>
<strong>Συγγραφείς:</strong> Zhao-Liang Li, Hua Wu, Ning Wang, Shi Qiu, José A. Sobrino, Zhengming Wan, Bo-Hui Tang and Guangjian Yan
</p>
<strong>DOI:</strong> https://doi.org/10.1080/01431161.2012.716540
<p>
<h1><strong>Εισαγωγή</strong></h1>
</p>
Η εκπεμψιμότητα επιφάνειας γης (Land Surface Emissivity – LSE) αποτελεί θεμελιώδη φυσική ιδιότητα των φυσικών υλικών και συνδέεται άμεσα με τη χημική και ορυκτολογική τους σύσταση, ιδίως στα πυριτικά ορυκτά, ενώ επηρεάζεται από τη γωνία παρατήρησης (viewing angle) και την τραχύτητα της επιφάνειας (surface roughness). Η LSE είναι κρίσιμη παράμετρος για εφαρμογές όπως η μελέτη εδαφικής εξέλιξης και διάβρωσης (soil development and erosion), η εκτίμηση αραιής βλάστησης (sparse vegetation cover), η γεωλογική χαρτογράφηση (bedrock mapping) και η ανάλυση ενεργειακού ισοζυγίου επιφάνειας (surface energy budget). Η ανάκτησή της από δορυφορικά δεδομένα είναι ιδιαίτερα δύσκολη, διότι η μετρούμενη θερμική ακτινοβολία στην περιοχή του θερμικού υπερύθρου (Thermal Infrared – TIR) εξαρτάται ταυτόχρονα από τη θερμοκρασία επιφάνειας (Land Surface Temperature – LST) και την εκπεμψιμότητα, δημιουργώντας ένα μαθηματικά ακαθόριστο πρόβλημα (underdetermination). Επιπλέον, η ατμοσφαιρική απορρόφηση και εκπομπή (atmospheric absorption/emission) και η ανάκλαση της προσπίπτουσας ακτινοβολίας (surface reflection) περιπλέκουν το φαινόμενο, καθιστώντας απαραίτητη την ακριβή ατμοσφαιρική διόρθωση (atmospheric correction) και τη διαδικασία διαχωρισμού θερμοκρασίας–εκπεμψιμότητας (Temperature–Emissivity Separation – TES). Παρά τις δυσκολίες, η πρόοδος της τηλεπισκόπησης έχει οδηγήσει στην ανάπτυξη πολλαπλών μεθόδων, από εμπειρικές (empirical) έως φυσικά βασισμένες (physics-based), επιτρέποντας την εκτίμηση της LSE σε μεγάλη χωρική και χρονική κλίμακα.
<p>
<h1><strong>Βασικό θεωρητικό background</strong></h1>
</p>
<h2><strong>Τι είναι η εκπομπή (emissivity)</strong></h2>
<p>
Η εκπομπή (ε) ορίζεται ως ο λόγος της ακτινοβολίας που εκπέμπει μια πραγματική επιφάνεια στη θερμοκρασία Τ προς την ακτινοβολία που εκπέμπει ένα μέλαν σώμα (blackbody) στην ίδια θερμοκρασία.
</p>
Υπολογίζεται με βάση τον νόμο του Planck και λ είναι το μήκος κύματος.
<p>
[[Αρχείο:Εικόνα27.png|center|400px]]
</p>

Η θερμοκρασία που αφορά είναι η ακτινομετρική (radiometric ή skin temperature), η οποία διαφέρει από την θερμοδυναμική θερμοκρασία.
<p>
<h2><strong>Channel-effective emissivity</strong></h2>
</p>
Η εκπομπή μεταβάλλεται με το μήκος κύματος (λ).
<p>
Οι δορυφόροι βλέπουν εύρη και όχι μεμονωμένα λ. Άρα για κάθε κανάλι i χρειάζεται:
[[Αρχείο:Εικόνα28.png|center|600px]]
</p>
<h2><strong>Πώς αλλάζει η εκπομπή στην πραγματικότητα</strong></h2>
<p>
1) Με τη γωνία θέασης.
</p>
Η εκπομπή (ε) συνήθως μειώνεται όταν αυξάνει η γωνία θέασης από το ναδίρ (0°).
Ξηρά εδάφη, νερό και πάγος έχουν τη μεγαλύτερη γωνιακή εξάρτηση.
</p>
2) Με το υλικό (φασματική συμπεριφορά)

Πετρώματα:
* Χαρακτηριστικές ''reststrahlen bands'' στις περιοχές 8–10 μm και 12–13 μm.
* Ισχυρή φασματική υπογραφή ανάλογα με τον τύπο του πετρώματος.

Εδάφη:
* Ισχυρή επίδραση από χαλαζία (quartz) και ανθρακικά.
* Οργανική ύλη μειώνει την αντίθεση του φάσματος.
* Η υγρασία αυξάνει την εκπομπή.

Βλάστηση:
* Πράσινα φύλλα έχουν υψηλή, σχεδόν ομοιόμορφη εκπομπή στο MIR/TIR.
* Ξερά φυτά εμφανίζουν περισσότερη φασματική δομή.

Νερό – πάγος – χιόνι:
* Διακριτές υπογραφές.
* Σημαντικές διαφορές στα 10.5–12.5 μm επιτρέπουν διάκριση πάγου/χιονιού.
<p>
<h2><strong>Γιατί είναι δύσκολο να εξαχθεί η εκπομπή από δορυφόρο</strong></h2>
Η μετρούμενη ακτινοβολία περιέχει ταυτόχρονα:
*τη θερμοκρασία επιφάνειας (LST)
*την εκπομπή (LSE)
Γι’ αυτό το πρόβλημα είναι υποκαθορισμένο:
*N κανάλια → N μετρούμενες ακτινοβολίες
*N άγνωστες εκπομπές
*+1 άγνωστη θερμοκρασία επιφάνειας
*άρα έχουμε N + 1 άγνωστα αλλά μόνο N εξισώσεις
Δεν υπάρχει μοναδική λύση χωρίς πρόσθετες υποθέσεις, μοντέλα ή εμπειρικές σχέσεις.
</p>
<h2><strong>Ρόλος της ατμόσφαιρας</strong></h2>
Η ατμόσφαιρα απορροφά, επανεκπέμπει και αντανακλά ακτινοβολία. Αυτό περιπλέκει την ανάκτηση LSE και LST και απαιτεί ατμοσφαιρική διόρθωση.
<p>
<h1><strong>Εκτίμηση της επιφανειακής εκπομπής από το διάστημα</strong></h1>
</p>
<h2><strong>Ημι-εμπειρικές μέθοδοι (Semi-Empirical Methods, SEMs)</strong></h2>
<p>
Γενικά, χρησιμοποιούν οπτικά δεδομένα (κυρίως VNIR) και εμπειρικές σχέσεις/πίνακες για να εκτιμήσουν την εκπομπή (LSE) στα TIR.
</p>
<h3><strong>Classification-Based Emissivity Method (CBEM)</strong></h3>
<strong>Βήματα:</strong>
<p>
Κάνουμε κλασική ταξινόμηση χρήσεων γης / κάλυψης γης (land cover).
</p>
Σε κάθε κλάση αντιστοιχίζουμε τιμές εκπεμψιμότητας από lookup table.
<p>
<strong>Πλεονεκτήματα:</strong>
</p>
Απλή ιδέα, καλή για κλάσεις με πολύ καλά γνωστή ε (νερό, πυκνή βλάστηση).
<p>
Κατάλληλη για υψηλή χωρική ανάλυση (σχεδόν «καθαρά» pixels).
</p>
<strong>Προβλήματα:</strong>
<p>
Μικτά pixels (μίξη τύπων επιφάνειας) ρίχνουν την ακρίβεια → χρειάζεται linear mixing.
</p>
Η ταξινόμηση στο VNIR δεν συσχετίζεται πάντα καλά με την ε στο TIR (ιδίως για γεωλογικά υποστρώματα).
<p>
Δύσκολα μοντελοποιούνται δυναμικές καταστάσεις (υγρασία εδάφους, χιόνι/πάγος, senescent vegetation).
</p>
<h3><strong>NDVI-Based Emissivity Methods (NBEM)</strong></h3>
<p>
<strong>Απλή εμπειρική σχέση NDVI–ε</strong>
</p>
Παρατηρήθηκε ισχυρή συσχέτιση μεταξύ LSE (8–14 μm) και ln(NDVI):
<p>
ε=α+b ln⁡(NDVI)
</p>
Το NDVI είναι πιο εύκολο από VNIR, άρα η μέθοδος δουλεύει απευθείας σε επίπεδο pixel.
<p>
<strong>NDVI threshold method (Sobrino & Raissouni)</strong>
</p>
Χωρίζει τα pixels σε:
*γυμνό έδαφος (NDVI < NDVIs),
*μίξη εδάφους–βλάστησης (NDVIs < NDVI < NDVIv),
*πλήρης βλάστηση (NDVI > NDVIv).
<p>
<h2><strong>Multi-channel TES methods</strong></h2>
</p>
Οι μέθοδοι TES (Temperature–Emissivity Separation) είναι μια κατηγορία αλγορίθμων που χρησιμοποιούν πολλαπλά θερμικά κανάλια (multi-channel) για να υπολογίσουν ταυτόχρονα:
#LST (Land Surface Temperature)
#LSE (Land Surface Emissivity)
<p>
<h3><strong>Emissivity spectrum character-based methods</strong></h3>
<h4><strong>GBE method</strong></h4>
</p>
Η μέθοδος GBE υπολογίζει την εκπομπή θεωρώντας ότι το φάσμα της παραμένει πρακτικά επίπεδο (flat) για μήκη κύματος μεγαλύτερα από 10 μm. Με αυτή την υπόθεση, αναζητά τις τιμές εκπομπής που αναπαράγουν καλύτερα τη μετρούμενη ακτινοβολία, ελαχιστοποιώντας το σφάλμα ανάμεσα στο θεωρητικό και στο παρατηρούμενο φάσμα. Απαιτεί τουλάχιστον δύο κανάλια με παρόμοια εκπομπή και χρειάζεται ατμοσφαιρική διόρθωση. Η μέθοδος είναι ιδιαίτερα κατάλληλη για υπερφασματικά δεδομένα, όπου υπάρχουν περισσότερα κανάλια με σχεδόν σταθερή εκπομπή.
<p>
<h4><strong>ΤΤΜ</strong></h4>
</p>
Η μέθοδος TTM βασίζεται στην ιδέα ότι αν η ίδια επιφάνεια παρατηρηθεί σε δύο διαφορετικές θερμοκρασίες (συνήθως ημέρα–νύχτα) και η εκπομπή της θεωρείται σταθερή, τότε μπορούμε να λύσουμε το σύστημα των εξισώσεων και να υπολογίσουμε ταυτόχρονα την εκπομπή και τη θερμοκρασία επιφάνειας. Απαιτεί τουλάχιστον δύο κανάλια, ακριβή ατμοσφαιρική διόρθωση και πολύ καλή γεωμετρική αντιστοίχιση μεταξύ των δύο εικόνων. Λειτουργεί καλύτερα με γεωστατικούς δορυφόρους όπου η γωνία θέασης δεν αλλάζει. Παρότι δεν χρειάζεται υπόθεση για το σχήμα του φάσματος εκπομπής, είναι ευαίσθητη σε θόρυβο και μπορεί να δώσει ασταθή λύση αν η διαφορά θερμοκρασίας είναι μικρή.
<p>
<h4><strong>ISSTES (Iterative Spectrally Smooth Temperature Emissivity Separation)</strong></h4>
</p>
Η μέθοδος ISSTES (Iterative Spectrally Smooth Temperature Emissivity Separation) αξιοποιεί το γεγονός ότι το φάσμα εκπομπής (emissivity spectrum) των φυσικών επιφανειών είναι ομαλό σε σχέση με τα απότομα φασματικά χαρακτηριστικά της ατμόσφαιρας. Χρησιμοποιεί υπερφασματικά δεδομένα TIR και υπολογίζει την εκπομπή ξεκινώντας από μία αρχική τιμή θερμοκρασίας. Αν η θερμοκρασία είναι λάθος, τότε το ανακτημένο φάσμα παρουσιάζει «κοφτερές» ατμοσφαιρικές υπογραφές. Η μέθοδος βελτιώνει επαναληπτικά τη θερμοκρασία μέχρι το φάσμα να γίνει όσο πιο «ομαλό» γίνεται, και στη συνέχεια εξάγει την εκπομπή. Απαιτεί υψηλό signal-to-noise ratio και καλή ατμοσφαιρική διόρθωση, όμως μπορεί να λειτουργήσει πολύ καλά σε υπερφασματικά TIR δεδομένα.
<p>
<h4><strong>Emissivity Bounds Method (EBM)</strong></h4>
</p>
Το EBM εκτιμά την εκπομπή (emissivity) και τη θερμοκρασία επιφάνειας (LST) χωρίς να κάνει υποθέσεις για το φάσμα εκπομπής, απλώς περιορίζει τις λύσεις μέσα σε φυσικά επιτρεπτά όρια. Για κάθε κανάλι δημιουργείται μια καμπύλη πιθανών συνδυασμών θερμοκρασίας–εκπομπής (T–ε). Επειδή η πραγματική θερμοκρασία ενός pixel είναι μοναδική, η λύση περιορίζεται στο σημείο όπου οι καμπύλες των καναλιών τέμνονται μέσα στα επιτρεπτά όρια εκπομπής (0 ≤ ε ≤ 1). Έτσι, το EBM δεν δίνει ακριβείς τιμές, αλλά εύρος πιθανών τιμών για την εκπομπή και τη θερμοκρασία, και η ακρίβεια εξαρτάται από το πόσο καλά γνωρίζουμε τα πραγματικά όρια της εκπομπής για κάθε υλικό.
<p>
<h3><strong>Reference Channel Method (RCM)</strong></h3>
</p>
Η μέθοδος RCM υποθέτει ότι σε ένα συγκεκριμένο κανάλι η εκπομπή (ε) είναι σταθερή για όλα τα pixels. Με αυτή τη γνωστή τιμή υπολογίζει πρώτα τη θερμοκρασία επιφάνειας (LST) και μετά, χρησιμοποιώντας αυτή τη LST, υπολογίζει την εκπομπή στα υπόλοιπα κανάλια. Είναι πολύ απλή μέθοδος, αλλά έχει σοβαρούς περιορισμούς: δεν υπάρχει ένα μοναδικό «σωστό» σταθερό ε για όλους τους τύπους επιφανειών, μικρό σφάλμα στην τιμή του ε προκαλεί μεγάλα σφάλματα στη LST και στα άλλα κανάλια, και τελικά το αποτέλεσμα εμφανίζει πολύ «θόρυβο» επειδή η υπόθεση του σταθερού ε είναι μη ρεαλιστική.
<p>
<h3><strong>Normalization emissivity method (NEM)</strong></h3>
</p>
Η μέθοδος NEM υποθέτει ότι όλα τα κανάλια ενός pixel έχουν αρχικά την ίδια εκπομπή. Έτσι υπολογίζονται Ν διαφορετικές θερμοκρασίες και η μεγαλύτερη από αυτές θεωρείται η πραγματική θερμοκρασία επιφάνειας (LST). Στη συνέχεια αυτή η LST χρησιμοποιείται για να εξαχθεί η εκπομπή στα υπόλοιπα κανάλια, με μεγαλύτερη ευελιξία από το RCM, αφού το κανάλι με τη μέγιστη εκπομπή δεν είναι προκαθορισμένο αλλά προκύπτει από τα δεδομένα.
<p>
<h3><strong>TES method</strong></h3>
</p>
Η μέθοδος TES συνδυάζει τρία στάδια (NEM, Spectral Ratio και Min–Max Difference) για να ανακτήσει ταυτόχρονα τη θερμοκρασία επιφάνειας (LST) και την εκπομπή (emissivity) από πολυφασματικά δεδομένα TIR. Πρώτα εκτιμά μία αρχική θερμοκρασία, στη συνέχεια υπολογίζει το σχήμα του φάσματος εκπομπής και τέλος χρησιμοποιεί μια εμπειρική σχέση μεταξύ ελάχιστης εκπομπής και φασματικής αντίθεσης (MMD) για να ανακτήσει τις πραγματικές τιμές. Δίνει γενικά πολύ καλή ακρίβεια (±1.5 K για LST και ±0.015 για emissivity), δεν απαιτεί apriori πληροφορία επιφάνειας και είναι κατάλληλη για φυσικές επιφάνειες με επαρκή φασματική αντίθεση. Η μέθοδος όμως επηρεάζεται από σφάλματα ατμοσφαιρικής διόρθωσης, από χαμηλή φασματική αντίθεση και από θόρυβο, και απαιτεί τουλάχιστον τρία TIR κανάλια στο ατμοσφαιρικό παράθυρο.
<p>
<h3><strong>TISI (Temperature-Independent Spectral Indices)</strong></h3>
</p>
Η μέθοδος TISI (Temperature-Independent Spectral Indices) βασίζεται στο ότι μπορούμε να συνδυάσουμε τις μετρούμενες θερμικές ακτινοβολίες από διαφορετικά κανάλια με τέτοιο τρόπο ώστε να εξαφανιστεί η επίδραση της θερμοκρασίας επιφάνειας. Έτσι, το αποτέλεσμα εξαρτάται κυρίως από την εκπομπή (emissivity) των καναλιών και όχι από τη θερμοκρασία. Η μέθοδος χρησιμοποιεί μια προσέγγιση power-law του νόμου του Planck και δημιουργεί δείκτες (indices) που είναι σχεδόν ανεξάρτητοι της θερμοκρασίας. Είναι χρήσιμη για φασματική ανάλυση στο TIR και μπορεί να συνδυαστεί με NDVI για καλύτερη ταξινόμηση εδαφών και καλύψεων.
<p>
<h2><strong>Physically based methods (PBMs)</strong></h2>
</p>
Τα Physically Based Methods (PBMs) προσπαθούν να ανακτήσουν ταυτόχρονα την επιφανειακή θερμοκρασία (LST) και την εκπομπή (LSE) απευθείας από μετρήσεις στο TOA, λαμβάνοντας υπόψη ότι η ατμόσφαιρα εισάγει πρόσθετες άγνωστες παραμέτρους που κάνουν το πρόβλημα υποκαθορισμένο. Για να το αντιμετωπίσουν, χρησιμοποιούν φυσικούς περιορισμούς και διαφορετικές προσεγγίσεις όπως την TISI-based μέθοδο, τη μέθοδο ημέρας/νύχτας και το TSRM με PCA ώστε να μειώσουν τα άγνωστα και να επιτρέψουν λύση.
<p>
<h3><strong>Physically based methods (PBMs)</strong></h3>
</p>
Η μέθοδος TISI-based χρησιμοποιεί την ιδιότητα ότι το TISI (Temperature-Independent Spectral Index) παραμένει σχεδόν σταθερό μεταξύ ημέρας και νύχτας.
Μετρώντας MIR (3–5 μm) και TIR (10–13 μm) κανάλια σε δύο χρόνους (day/night), η μέθοδος αφαιρεί τη νυχτερινή εκπομπή από την ημερήσια ώστε να απομονώσει τη δι-κατευθυντική ανακλαστικότητα (bidirectional reflectivity) (ρ). Στη συνέχεια, από τη ρ υπολογίζεται η κατευθυντική εκπομπή (directional emissivity) (ε).
<p>
Η μέθοδος δεν απαιτεί προϋπάρχουσα γνώση του τύπου επιφάνειας, αλλά απαιτεί:
#ακριβή συνεγγραφή εικόνων ημέρας-νύχτας
#σταθερή γεωμετρία θέασης
#καλά διορθωμένη ατμόσφαιρα
#διαθέσιμα MIR & TIR κανάλια
Οι περιορισμοί της είναι ότι τα σφάλματα αυξάνονται όταν:
#οι εικόνες δεν ταιριάζουν χωρικά
#αλλάζει η γωνία θέασης ημέρας/νύχτας
#η ατμόσφαιρα δεν διορθώνεται σωστά
</p>
<h3><strong>Physics-based Day/Night (D/N) method</strong></h3>
Η μέθοδος Day/Night χρησιμοποιεί ζεύγη εικόνων ημέρας–νύχτας σε MIR και TIR κανάλια για να ανακτήσει ταυτόχρονα θερμοκρασία επιφάνειας (LST) και εκπομπή (LSE) χωρίς να απαιτείται εκ των προτέρων γνώση της επιφάνειας.
<p>
Η βασική ιδέα είναι ότι η εκπομπή της επιφάνειας δεν αλλάζει σημαντικά σε 1–3 ημέρες, ενώ η ακτινοβολία στο MIR κατά τη μέρα περιέχει ισχυρή ηλιακή συνιστώσα που βοηθά στη σταθεροποίηση του συστήματος εξισώσεων.
Η μέθοδος λύνει τις 2Ν μη-γραμμικές εξισώσεις που προκύπτουν από τις μετρήσεις ημέρας–νύχτας, εκτιμώντας ταυτόχρονα:
#N εκπομπές,
#2 θερμοκρασίες επιφάνειας,
#2 τιμές θερμοκρασίας αέρα,
#2 ποσότητες υδρατμών,
#1 παράγοντα γωνιακής συμπεριφοράς.
Για να γίνει λύσιμο το σύστημα απαιτούνται τουλάχιστον 7 κανάλια. Η λύση σταθεροποιείται με αρχική παλινδρόμηση και βελτιστοποιείται με least-squares.
</p>
<strong>Κύρια πλεονεκτήματα</strong>
#Το MIR την ημέρα «σπάει» τις εξαρτήσεις και κάνει το πρόβλημα λυσμένο.
#Μπορεί να ανακτήσει LST ακόμη και όταν ημέρα/νύχτα έχουν ίδια θερμοκρασία.
#Η ενσωμάτωση Ta και CWV βελτιώνει σημαντικά την ακρίβεια.
<strong>Περιορισμοί</strong>
#Απαιτεί πολλά κανάλια (≥7).
#Χρειάζεται καλή ατμοσφαιρική διόρθωση.
#Επηρεάζεται από νυχτερινή δρόσο (σε υγρές περιοχές).
#Χρειάζεται σταθερή εκπομπή μεταξύ των δύο λήψεων.
<p>
<h3><strong>Two-step physical retrieval method (TSRM)</strong></h3>
Η μέθοδος TSRM προσπαθεί να βγάλει ταυτόχρονα:
#τη θερμοκρασία της επιφάνειας (LST)
#την εκπομπή (emissivity)
#το προφίλ θερμοκρασίας και υγρασίας της ατμόσφαιρας
#χρησιμοποιώντας δεδομένα από πολλά θερμικά κανάλια (MIR και TIR).
Για να το πετύχει, κάνει το εξής:
#Ξεκινά με μια πρώτη πρόχειρη εκτίμηση της θερμοκρασίας, της εκπομπής και των ατμοσφαιρικών παραμέτρων.
#Απλοποιεί τις εξισώσεις της μεταφοράς ακτινοβολίας γύρω από αυτή την αρχική εκτίμηση.
#Μειώνει τον αριθμό των άγνωστων (με PCA), ώστε το πρόβλημα να γίνει υπολογιστικά λύσιμο.
#Βελτιώνει σταδιακά τη λύση με δύο βήματα.
</p>
Ωστόσο, η μέθοδος είναι πολύ βαριά υπολογιστικά, θέλει καλή αρχική εκτίμηση για να δουλέψει και βασίζεται σε υποθέσεις (ότι η ατμόσφαιρα είναι οριζόντια ομοιογενής, κλπ) που δεν ισχύουν πάντα.
<p>
<h1><strong>Σύγκριση</strong></h1>
</p>
Οι διάφορες μέθοδοι ανάκτησης εκπομπής (LSE) από δορυφόρο έχουν διαφορετικές απαιτήσεις, υποθέσεις και ακρίβειες. Οι SEM και PBM είναι λιγότερο ευαίσθητες στην ατμόσφαιρα, ενώ οι multi-channel TES μέθοδοι χρειάζονται πολύ καλή ατμοσφαιρική διόρθωση. Συγκριτικές μελέτες δείχνουν ότι όλες οι μέθοδοι επηρεάζονται από ατμοσφαιρική αβεβαιότητα και θόρυβο αισθητήρων, αλλά οι TISI και NEM θεωρούνται ελαφρώς πιο σταθερές. Οι TISI-based, TES και NBEM χρησιμοποιούνται συχνά ως "σημεία αναφοράς" για σύγκριση. Τα αποτελέσματα διαφέρουν ανά περιοχή, τύπο επιφάνειας και αισθητήρα, γεγονός που αναδεικνύει τη μεγάλη σημασία της ανεξάρτητης επικύρωσης των προϊόντων LSE.
<p>
<h1><strong>Μελλοντικές εξελίξεις και προοπτικές στην εκτίμηση της εκπομπής (LSE)</strong></h1>
</p>
Η εκπομπή (LSE) είναι κρίσιμος παράγοντας για χαρτογράφηση επιφανειών και για την ακριβή ανάκτηση της θερμοκρασίας εδάφους (LST). Παρότι υπάρχουν πολλές μέθοδοι, καμία δεν θεωρείται «τέλεια» και όλες έχουν περιορισμούς.
<p>
<strong>Οι βασικές δυσκολίες που πρέπει να λυθούν στο μέλλον είναι:</strong>
:Ατμοσφαιρική διόρθωση
Η ατμόσφαιρα απορροφά, εκπέμπει και ανακλά ακτινοβολία, κάνοντας δύσκολη τη σωστή ανάκτηση LSE και LST.
Χρειάζεται ανάπτυξη πιο ακριβών μοντέλων και βελτίωση της χρήσης υπερφασματικών δεδομένων για αυτόματη διόρθωση.
:Αποσύζευξη θερμοκρασίας–εκπομπής
Ο αισθητήρας μετρά μια ακτινοβολία που είναι προϊόν της LSE και της θερμοκρασίας, άρα πρέπει να προσδιοριστούν ταυτόχρονα.
:Πρόβλημα κλίμακας (scaling problem)
Οι επιφάνειες είναι ετερογενείς και ένα δορυφορικό pixel μπορεί να περιέχει πολλά υλικά.
:Δυσκολία επικύρωσης (validation)
Δεν υπάρχουν πραγματικές μετρήσεις LSE σε κλίμακα pixel για σύγκριση με δορυφορικά προϊόντα.
</p>
<strong>Κύριες ερευνητικές κατευθύνσεις για το μέλλον</strong>
#Εμπλουτισμός βιβλιοθηκών φασματικής εκπομπής
#Ανάπτυξη φυσικού μοντέλου εκπομπής
#Εύρεση ενδογενών σχέσεων μεταξύ καναλιών
#Καλύτερη ατμοσφαιρική διόρθωση για υπερφασματικά δεδομένα
#Ενιαίος αλγόριθμος που να υπολογίζει και τα τρία μαζί (LSE + LST + ατμοσφαιρικών προφίλ)
#Υπολογισμός της συνολικής εκπομπής που απαιτείται για ενεργειακό ισοζύγιο.
#Πειραματικές μέθοδοι όπου laser ενεργοποιεί την επιφάνεια για πιο άμεση μέτρηση εκπομπής.
#Ανάπτυξη νέων μεθόδων επικύρωσης σε κλίμακα pixel

[[category:Διαστημική Τηλεπισκόπηση]]

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-13T14:38:11Z

LIOLIOU MARINA:

<strong>Πρωτότυπος τίτλος:</strong> Land surface emissivity retrieval from satellite data
<p>
<strong>Συγγραφείς:</strong> Zhao-Liang Li, Hua Wu, Ning Wang, Shi Qiu, José A. Sobrino, Zhengming Wan, Bo-Hui Tang and Guangjian Yan
</p>
<strong>DOI:</strong> https://doi.org/10.1080/01431161.2012.716540
<p>
<h1><strong>Εισαγωγή</strong></h1>
</p>
Η εκπεμψιμότητα επιφάνειας γης (Land Surface Emissivity – LSE) αποτελεί θεμελιώδη φυσική ιδιότητα των φυσικών υλικών και συνδέεται άμεσα με τη χημική και ορυκτολογική τους σύσταση, ιδίως στα πυριτικά ορυκτά, ενώ επηρεάζεται από τη γωνία παρατήρησης (viewing angle) και την τραχύτητα της επιφάνειας (surface roughness). Η LSE είναι κρίσιμη παράμετρος για εφαρμογές όπως η μελέτη εδαφικής εξέλιξης και διάβρωσης (soil development and erosion), η εκτίμηση αραιής βλάστησης (sparse vegetation cover), η γεωλογική χαρτογράφηση (bedrock mapping) και η ανάλυση ενεργειακού ισοζυγίου επιφάνειας (surface energy budget). Η ανάκτησή της από δορυφορικά δεδομένα είναι ιδιαίτερα δύσκολη, διότι η μετρούμενη θερμική ακτινοβολία στην περιοχή του θερμικού υπερύθρου (Thermal Infrared – TIR) εξαρτάται ταυτόχρονα από τη θερμοκρασία επιφάνειας (Land Surface Temperature – LST) και την εκπεμψιμότητα, δημιουργώντας ένα μαθηματικά ακαθόριστο πρόβλημα (underdetermination). Επιπλέον, η ατμοσφαιρική απορρόφηση και εκπομπή (atmospheric absorption/emission) και η ανάκλαση της προσπίπτουσας ακτινοβολίας (surface reflection) περιπλέκουν το φαινόμενο, καθιστώντας απαραίτητη την ακριβή ατμοσφαιρική διόρθωση (atmospheric correction) και τη διαδικασία διαχωρισμού θερμοκρασίας–εκπεμψιμότητας (Temperature–Emissivity Separation – TES). Παρά τις δυσκολίες, η πρόοδος της τηλεπισκόπησης έχει οδηγήσει στην ανάπτυξη πολλαπλών μεθόδων, από εμπειρικές (empirical) έως φυσικά βασισμένες (physics-based), επιτρέποντας την εκτίμηση της LSE σε μεγάλη χωρική και χρονική κλίμακα.
<p>
<h1><strong>Βασικό θεωρητικό background</strong></h1>
</p>
<h2><strong>Τι είναι η εκπομπή (emissivity)</strong></h2>
<p>
Η εκπομπή (ε) ορίζεται ως ο λόγος της ακτινοβολίας που εκπέμπει μια πραγματική επιφάνεια στη θερμοκρασία Τ προς την ακτινοβολία που εκπέμπει ένα μέλαν σώμα (blackbody) στην ίδια θερμοκρασία.
</p>
Υπολογίζεται με βάση τον νόμο του Planck και λ είναι το μήκος κύματος.
<p>
[[Αρχείο:Εικόνα27.png|center|400px]]
</p>

Η θερμοκρασία που αφορά είναι η ακτινομετρική (radiometric ή skin temperature), η οποία διαφέρει από την θερμοδυναμική θερμοκρασία.
<p>
<h2><strong>Channel-effective emissivity</strong></h2>
</p>
Η εκπομπή μεταβάλλεται με το μήκος κύματος (λ).
<p>
Οι δορυφόροι βλέπουν εύρη και όχι μεμονωμένα λ. Άρα για κάθε κανάλι i χρειάζεται:
[[Αρχείο:Εικόνα28.png|center|600px]]
</p>
<h2><strong>Πώς αλλάζει η εκπομπή στην πραγματικότητα</strong></h2>
<p>
1) Με τη γωνία θέασης.
</p>
Η εκπομπή (ε) συνήθως μειώνεται όταν αυξάνει η γωνία θέασης από το ναδίρ (0°).
Ξηρά εδάφη, νερό και πάγος έχουν τη μεγαλύτερη γωνιακή εξάρτηση.
</p>
2) Με το υλικό (φασματική συμπεριφορά)

Πετρώματα:
* Χαρακτηριστικές ''reststrahlen bands'' στις περιοχές 8–10 μm και 12–13 μm.
* Ισχυρή φασματική υπογραφή ανάλογα με τον τύπο του πετρώματος.

Εδάφη:
* Ισχυρή επίδραση από χαλαζία (quartz) και ανθρακικά.
* Οργανική ύλη μειώνει την αντίθεση του φάσματος.
* Η υγρασία αυξάνει την εκπομπή.

Βλάστηση:
* Πράσινα φύλλα έχουν υψηλή, σχεδόν ομοιόμορφη εκπομπή στο MIR/TIR.
* Ξερά φυτά εμφανίζουν περισσότερη φασματική δομή.

Νερό – πάγος – χιόνι:
* Διακριτές υπογραφές.
* Σημαντικές διαφορές στα 10.5–12.5 μm επιτρέπουν διάκριση πάγου/χιονιού.
<p>
<h2><strong>Γιατί είναι δύσκολο να εξαχθεί η εκπομπή από δορυφόρο</strong></h2>
Η μετρούμενη ακτινοβολία περιέχει ταυτόχρονα:
*τη θερμοκρασία επιφάνειας (LST)
*την εκπομπή (LSE)
Γι’ αυτό το πρόβλημα είναι υποκαθορισμένο:
*N κανάλια → N μετρούμενες ακτινοβολίες
*N άγνωστες εκπομπές
*+1 άγνωστη θερμοκρασία επιφάνειας
*άρα έχουμε N + 1 άγνωστα αλλά μόνο N εξισώσεις
Δεν υπάρχει μοναδική λύση χωρίς πρόσθετες υποθέσεις, μοντέλα ή εμπειρικές σχέσεις.
</p>
<h2><strong>Ρόλος της ατμόσφαιρας</strong></h2>
Η ατμόσφαιρα απορροφά, επανεκπέμπει και αντανακλά ακτινοβολία. Αυτό περιπλέκει την ανάκτηση LSE και LST και απαιτεί ατμοσφαιρική διόρθωση.
<p>
<h1><strong>Εκτίμηση της επιφανειακής εκπομπής από το διάστημα</strong></h1>
</p>
<h2><strong>Ημι-εμπειρικές μέθοδοι (Semi-Empirical Methods, SEMs)</strong></h2>
<p>
Γενικά, χρησιμοποιούν οπτικά δεδομένα (κυρίως VNIR) και εμπειρικές σχέσεις/πίνακες για να εκτιμήσουν την εκπομπή (LSE) στα TIR.
</p>
<h3><strong>Classification-Based Emissivity Method (CBEM)</strong></h3>
<strong>Βήματα:</strong>
<p>
Κάνουμε κλασική ταξινόμηση χρήσεων γης / κάλυψης γης (land cover).
</p>
Σε κάθε κλάση αντιστοιχίζουμε τιμές εκπεμψιμότητας από lookup table.
<p>
<strong>Πλεονεκτήματα:</strong>
</p>
Απλή ιδέα, καλή για κλάσεις με πολύ καλά γνωστή ε (νερό, πυκνή βλάστηση).
<p>
Κατάλληλη για υψηλή χωρική ανάλυση (σχεδόν «καθαρά» pixels).
</p>
<strong>Προβλήματα:</strong>
<p>
Μικτά pixels (μίξη τύπων επιφάνειας) ρίχνουν την ακρίβεια → χρειάζεται linear mixing.
</p>
Η ταξινόμηση στο VNIR δεν συσχετίζεται πάντα καλά με την ε στο TIR (ιδίως για γεωλογικά υποστρώματα).
<p>
Δύσκολα μοντελοποιούνται δυναμικές καταστάσεις (υγρασία εδάφους, χιόνι/πάγος, senescent vegetation).
</p>
<h3><strong>NDVI-Based Emissivity Methods (NBEM)</strong></h3>
<p>
<strong>Απλή εμπειρική σχέση NDVI–ε</strong>
</p>
Παρατηρήθηκε ισχυρή συσχέτιση μεταξύ LSE (8–14 μm) και ln(NDVI):
<p>
ε=α+b ln⁡(NDVI)
</p>
Το NDVI είναι πιο εύκολο από VNIR, άρα η μέθοδος δουλεύει απευθείας σε επίπεδο pixel.
<p>
<strong>NDVI threshold method (Sobrino & Raissouni)</strong>
</p>
Χωρίζει τα pixels σε:
*γυμνό έδαφος (NDVI < NDVIs),
*μίξη εδάφους–βλάστησης (NDVIs < NDVI < NDVIv),
*πλήρης βλάστηση (NDVI > NDVIv).
<p>
<h2><strong>Multi-channel TES methods</strong></h2>
</p>
Οι μέθοδοι TES (Temperature–Emissivity Separation) είναι μια κατηγορία αλγορίθμων που χρησιμοποιούν πολλαπλά θερμικά κανάλια (multi-channel) για να υπολογίσουν ταυτόχρονα:
#LST (Land Surface Temperature)
#LSE (Land Surface Emissivity)
<p>
<h3><strong>Emissivity spectrum character-based methods</strong></h3>
<h4><strong>GBE method</strong></h4>
</p>
Η μέθοδος GBE υπολογίζει την εκπομπή θεωρώντας ότι το φάσμα της παραμένει πρακτικά επίπεδο (flat) για μήκη κύματος μεγαλύτερα από 10 μm. Με αυτή την υπόθεση, αναζητά τις τιμές εκπομπής που αναπαράγουν καλύτερα τη μετρούμενη ακτινοβολία, ελαχιστοποιώντας το σφάλμα ανάμεσα στο θεωρητικό και στο παρατηρούμενο φάσμα. Απαιτεί τουλάχιστον δύο κανάλια με παρόμοια εκπομπή και χρειάζεται ατμοσφαιρική διόρθωση. Η μέθοδος είναι ιδιαίτερα κατάλληλη για υπερφασματικά δεδομένα, όπου υπάρχουν περισσότερα κανάλια με σχεδόν σταθερή εκπομπή.
<p>
<h4><strong>ΤΤΜ</strong></h4>
</p>
Η μέθοδος TTM βασίζεται στην ιδέα ότι αν η ίδια επιφάνεια παρατηρηθεί σε δύο διαφορετικές θερμοκρασίες (συνήθως ημέρα–νύχτα) και η εκπομπή της θεωρείται σταθερή, τότε μπορούμε να λύσουμε το σύστημα των εξισώσεων και να υπολογίσουμε ταυτόχρονα την εκπομπή και τη θερμοκρασία επιφάνειας. Απαιτεί τουλάχιστον δύο κανάλια, ακριβή ατμοσφαιρική διόρθωση και πολύ καλή γεωμετρική αντιστοίχιση μεταξύ των δύο εικόνων. Λειτουργεί καλύτερα με γεωστατικούς δορυφόρους όπου η γωνία θέασης δεν αλλάζει. Παρότι δεν χρειάζεται υπόθεση για το σχήμα του φάσματος εκπομπής, είναι ευαίσθητη σε θόρυβο και μπορεί να δώσει ασταθή λύση αν η διαφορά θερμοκρασίας είναι μικρή.
<p>
<h4><strong>ISSTES (Iterative Spectrally Smooth Temperature Emissivity Separation)</strong></h4>
</p>
Η μέθοδος ISSTES (Iterative Spectrally Smooth Temperature Emissivity Separation) αξιοποιεί το γεγονός ότι το φάσμα εκπομπής (emissivity spectrum) των φυσικών επιφανειών είναι ομαλό σε σχέση με τα απότομα φασματικά χαρακτηριστικά της ατμόσφαιρας. Χρησιμοποιεί υπερφασματικά δεδομένα TIR και υπολογίζει την εκπομπή ξεκινώντας από μία αρχική τιμή θερμοκρασίας. Αν η θερμοκρασία είναι λάθος, τότε το ανακτημένο φάσμα παρουσιάζει «κοφτερές» ατμοσφαιρικές υπογραφές. Η μέθοδος βελτιώνει επαναληπτικά τη θερμοκρασία μέχρι το φάσμα να γίνει όσο πιο «ομαλό» γίνεται, και στη συνέχεια εξάγει την εκπομπή. Απαιτεί υψηλό signal-to-noise ratio και καλή ατμοσφαιρική διόρθωση, όμως μπορεί να λειτουργήσει πολύ καλά σε υπερφασματικά TIR δεδομένα.
<p>
<h4><strong>Emissivity Bounds Method (EBM)</strong></h4>
</p>
Το EBM εκτιμά την εκπομπή (emissivity) και τη θερμοκρασία επιφάνειας (LST) χωρίς να κάνει υποθέσεις για το φάσμα εκπομπής, απλώς περιορίζει τις λύσεις μέσα σε φυσικά επιτρεπτά όρια. Για κάθε κανάλι δημιουργείται μια καμπύλη πιθανών συνδυασμών θερμοκρασίας–εκπομπής (T–ε). Επειδή η πραγματική θερμοκρασία ενός pixel είναι μοναδική, η λύση περιορίζεται στο σημείο όπου οι καμπύλες των καναλιών τέμνονται μέσα στα επιτρεπτά όρια εκπομπής (0 ≤ ε ≤ 1). Έτσι, το EBM δεν δίνει ακριβείς τιμές, αλλά εύρος πιθανών τιμών για την εκπομπή και τη θερμοκρασία, και η ακρίβεια εξαρτάται από το πόσο καλά γνωρίζουμε τα πραγματικά όρια της εκπομπής για κάθε υλικό.
<p>
<h3><strong>Reference Channel Method (RCM)</strong></h3>
</p>
Η μέθοδος RCM υποθέτει ότι σε ένα συγκεκριμένο κανάλι η εκπομπή (ε) είναι σταθερή για όλα τα pixels. Με αυτή τη γνωστή τιμή υπολογίζει πρώτα τη θερμοκρασία επιφάνειας (LST) και μετά, χρησιμοποιώντας αυτή τη LST, υπολογίζει την εκπομπή στα υπόλοιπα κανάλια. Είναι πολύ απλή μέθοδος, αλλά έχει σοβαρούς περιορισμούς: δεν υπάρχει ένα μοναδικό «σωστό» σταθερό ε για όλους τους τύπους επιφανειών, μικρό σφάλμα στην τιμή του ε προκαλεί μεγάλα σφάλματα στη LST και στα άλλα κανάλια, και τελικά το αποτέλεσμα εμφανίζει πολύ «θόρυβο» επειδή η υπόθεση του σταθερού ε είναι μη ρεαλιστική.
<p>
<h3><strong>Normalization emissivity method (NEM)</strong></h3>
</p>
Η μέθοδος NEM υποθέτει ότι όλα τα κανάλια ενός pixel έχουν αρχικά την ίδια εκπομπή. Έτσι υπολογίζονται Ν διαφορετικές θερμοκρασίες και η μεγαλύτερη από αυτές θεωρείται η πραγματική θερμοκρασία επιφάνειας (LST). Στη συνέχεια αυτή η LST χρησιμοποιείται για να εξαχθεί η εκπομπή στα υπόλοιπα κανάλια, με μεγαλύτερη ευελιξία από το RCM, αφού το κανάλι με τη μέγιστη εκπομπή δεν είναι προκαθορισμένο αλλά προκύπτει από τα δεδομένα.
<p>
<h3><strong>TES method</strong></h3>
</p>
Η μέθοδος TES συνδυάζει τρία στάδια (NEM, Spectral Ratio και Min–Max Difference) για να ανακτήσει ταυτόχρονα τη θερμοκρασία επιφάνειας (LST) και την εκπομπή (emissivity) από πολυφασματικά δεδομένα TIR. Πρώτα εκτιμά μία αρχική θερμοκρασία, στη συνέχεια υπολογίζει το σχήμα του φάσματος εκπομπής και τέλος χρησιμοποιεί μια εμπειρική σχέση μεταξύ ελάχιστης εκπομπής και φασματικής αντίθεσης (MMD) για να ανακτήσει τις πραγματικές τιμές. Δίνει γενικά πολύ καλή ακρίβεια (±1.5 K για LST και ±0.015 για emissivity), δεν απαιτεί apriori πληροφορία επιφάνειας και είναι κατάλληλη για φυσικές επιφάνειες με επαρκή φασματική αντίθεση. Η μέθοδος όμως επηρεάζεται από σφάλματα ατμοσφαιρικής διόρθωσης, από χαμηλή φασματική αντίθεση και από θόρυβο, και απαιτεί τουλάχιστον τρία TIR κανάλια στο ατμοσφαιρικό παράθυρο.
<p>
<h3><strong>TISI (Temperature-Independent Spectral Indices)</strong></h3>
</p>
Η μέθοδος TISI (Temperature-Independent Spectral Indices) βασίζεται στο ότι μπορούμε να συνδυάσουμε τις μετρούμενες θερμικές ακτινοβολίες από διαφορετικά κανάλια με τέτοιο τρόπο ώστε να εξαφανιστεί η επίδραση της θερμοκρασίας επιφάνειας. Έτσι, το αποτέλεσμα εξαρτάται κυρίως από την εκπομπή (emissivity) των καναλιών και όχι από τη θερμοκρασία. Η μέθοδος χρησιμοποιεί μια προσέγγιση power-law του νόμου του Planck και δημιουργεί δείκτες (indices) που είναι σχεδόν ανεξάρτητοι της θερμοκρασίας. Είναι χρήσιμη για φασματική ανάλυση στο TIR και μπορεί να συνδυαστεί με NDVI για καλύτερη ταξινόμηση εδαφών και καλύψεων.
<p>
<h2><strong>Physically based methods (PBMs)</strong></h2>
</p>
Τα Physically Based Methods (PBMs) προσπαθούν να ανακτήσουν ταυτόχρονα την επιφανειακή θερμοκρασία (LST) και την εκπομπή (LSE) απευθείας από μετρήσεις στο TOA, λαμβάνοντας υπόψη ότι η ατμόσφαιρα εισάγει πρόσθετες άγνωστες παραμέτρους που κάνουν το πρόβλημα υποκαθορισμένο. Για να το αντιμετωπίσουν, χρησιμοποιούν φυσικούς περιορισμούς και διαφορετικές προσεγγίσεις όπως την TISI-based μέθοδο, τη μέθοδο ημέρας/νύχτας και το TSRM με PCA ώστε να μειώσουν τα άγνωστα και να επιτρέψουν λύση.
<p>
<h3><strong>Physically based methods (PBMs)</strong></h3>
</p>
Η μέθοδος TISI-based χρησιμοποιεί την ιδιότητα ότι το TISI (Temperature-Independent Spectral Index) παραμένει σχεδόν σταθερό μεταξύ ημέρας και νύχτας.
Μετρώντας MIR (3–5 μm) και TIR (10–13 μm) κανάλια σε δύο χρόνους (day/night), η μέθοδος αφαιρεί τη νυχτερινή εκπομπή από την ημερήσια ώστε να απομονώσει τη δι-κατευθυντική ανακλαστικότητα (bidirectional reflectivity) (ρ). Στη συνέχεια, από τη ρ υπολογίζεται η κατευθυντική εκπομπή (directional emissivity) (ε).
<p>
Η μέθοδος δεν απαιτεί προϋπάρχουσα γνώση του τύπου επιφάνειας, αλλά απαιτεί:
#ακριβή συνεγγραφή εικόνων ημέρας-νύχτας
#σταθερή γεωμετρία θέασης
#καλά διορθωμένη ατμόσφαιρα
#διαθέσιμα MIR & TIR κανάλια
Οι περιορισμοί της είναι ότι τα σφάλματα αυξάνονται όταν:
#οι εικόνες δεν ταιριάζουν χωρικά
#αλλάζει η γωνία θέασης ημέρας/νύχτας
#η ατμόσφαιρα δεν διορθώνεται σωστά
</p>
<h3><strong>Physics-based Day/Night (D/N) method</strong></h3>
Η μέθοδος Day/Night χρησιμοποιεί ζεύγη εικόνων ημέρας–νύχτας σε MIR και TIR κανάλια για να ανακτήσει ταυτόχρονα θερμοκρασία επιφάνειας (LST) και εκπομπή (LSE) χωρίς να απαιτείται εκ των προτέρων γνώση της επιφάνειας.
<p>
Η βασική ιδέα είναι ότι η εκπομπή της επιφάνειας δεν αλλάζει σημαντικά σε 1–3 ημέρες, ενώ η ακτινοβολία στο MIR κατά τη μέρα περιέχει ισχυρή ηλιακή συνιστώσα που βοηθά στη σταθεροποίηση του συστήματος εξισώσεων.
Η μέθοδος λύνει τις 2Ν μη-γραμμικές εξισώσεις που προκύπτουν από τις μετρήσεις ημέρας–νύχτας, εκτιμώντας ταυτόχρονα:
#N εκπομπές,
#2 θερμοκρασίες επιφάνειας,
#2 τιμές θερμοκρασίας αέρα,
#2 ποσότητες υδρατμών,
#1 παράγοντα γωνιακής συμπεριφοράς.
Για να γίνει λύσιμο το σύστημα απαιτούνται τουλάχιστον 7 κανάλια. Η λύση σταθεροποιείται με αρχική παλινδρόμηση και βελτιστοποιείται με least-squares.
</p>
<strong>Κύρια πλεονεκτήματα</strong>
#Το MIR την ημέρα «σπάει» τις εξαρτήσεις και κάνει το πρόβλημα λυσμένο.
#Μπορεί να ανακτήσει LST ακόμη και όταν ημέρα/νύχτα έχουν ίδια θερμοκρασία.
#Η ενσωμάτωση Ta και CWV βελτιώνει σημαντικά την ακρίβεια.
<strong>Περιορισμοί</strong>
#Απαιτεί πολλά κανάλια (≥7).
#Χρειάζεται καλή ατμοσφαιρική διόρθωση.
#Επηρεάζεται από νυχτερινή δρόσο (σε υγρές περιοχές).
#Χρειάζεται σταθερή εκπομπή μεταξύ των δύο λήψεων.
<p>
<h3><strong>Two-step physical retrieval method (TSRM)</strong></h3>
Η μέθοδος TSRM προσπαθεί να βγάλει ταυτόχρονα:
#τη θερμοκρασία της επιφάνειας (LST)
#την εκπομπή (emissivity)
#το προφίλ θερμοκρασίας και υγρασίας της ατμόσφαιρας
#χρησιμοποιώντας δεδομένα από πολλά θερμικά κανάλια (MIR και TIR).
Για να το πετύχει, κάνει το εξής:
#Ξεκινά με μια πρώτη πρόχειρη εκτίμηση της θερμοκρασίας, της εκπομπής και των ατμοσφαιρικών παραμέτρων.
#Απλοποιεί τις εξισώσεις της μεταφοράς ακτινοβολίας γύρω από αυτή την αρχική εκτίμηση.
#Μειώνει τον αριθμό των άγνωστων (με PCA), ώστε το πρόβλημα να γίνει υπολογιστικά λύσιμο.
#Βελτιώνει σταδιακά τη λύση με δύο βήματα.
</p>
Ωστόσο, η μέθοδος είναι πολύ βαριά υπολογιστικά, θέλει καλή αρχική εκτίμηση για να δουλέψει και βασίζεται σε υποθέσεις (ότι η ατμόσφαιρα είναι οριζόντια ομοιογενής, κλπ) που δεν ισχύουν πάντα.
<p>
<h1><strong>Σύγκριση</strong></h1>
</p>
Οι διάφορες μέθοδοι ανάκτησης εκπομπής (LSE) από δορυφόρο έχουν διαφορετικές απαιτήσεις, υποθέσεις και ακρίβειες. Οι SEM και PBM είναι λιγότερο ευαίσθητες στην ατμόσφαιρα, ενώ οι multi-channel TES μέθοδοι χρειάζονται πολύ καλή ατμοσφαιρική διόρθωση. Συγκριτικές μελέτες δείχνουν ότι όλες οι μέθοδοι επηρεάζονται από ατμοσφαιρική αβεβαιότητα και θόρυβο αισθητήρων, αλλά οι TISI και NEM θεωρούνται ελαφρώς πιο σταθερές. Οι TISI-based, TES και NBEM χρησιμοποιούνται συχνά ως "σημεία αναφοράς" για σύγκριση. Τα αποτελέσματα διαφέρουν ανά περιοχή, τύπο επιφάνειας και αισθητήρα, γεγονός που αναδεικνύει τη μεγάλη σημασία της ανεξάρτητης επικύρωσης των προϊόντων LSE.

[[category:Διαστημική Τηλεπισκόπηση]]

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-13T14:34:13Z

LIOLIOU MARINA:

<strong>Πρωτότυπος τίτλος:</strong> Land surface emissivity retrieval from satellite data
<p>
<strong>Συγγραφείς:</strong> Zhao-Liang Li, Hua Wu, Ning Wang, Shi Qiu, José A. Sobrino, Zhengming Wan, Bo-Hui Tang and Guangjian Yan
</p>
<strong>DOI:</strong> https://doi.org/10.1080/01431161.2012.716540
<p>
<h1><strong>Εισαγωγή</strong></h1>
</p>
Η εκπεμψιμότητα επιφάνειας γης (Land Surface Emissivity – LSE) αποτελεί θεμελιώδη φυσική ιδιότητα των φυσικών υλικών και συνδέεται άμεσα με τη χημική και ορυκτολογική τους σύσταση, ιδίως στα πυριτικά ορυκτά, ενώ επηρεάζεται από τη γωνία παρατήρησης (viewing angle) και την τραχύτητα της επιφάνειας (surface roughness). Η LSE είναι κρίσιμη παράμετρος για εφαρμογές όπως η μελέτη εδαφικής εξέλιξης και διάβρωσης (soil development and erosion), η εκτίμηση αραιής βλάστησης (sparse vegetation cover), η γεωλογική χαρτογράφηση (bedrock mapping) και η ανάλυση ενεργειακού ισοζυγίου επιφάνειας (surface energy budget). Η ανάκτησή της από δορυφορικά δεδομένα είναι ιδιαίτερα δύσκολη, διότι η μετρούμενη θερμική ακτινοβολία στην περιοχή του θερμικού υπερύθρου (Thermal Infrared – TIR) εξαρτάται ταυτόχρονα από τη θερμοκρασία επιφάνειας (Land Surface Temperature – LST) και την εκπεμψιμότητα, δημιουργώντας ένα μαθηματικά ακαθόριστο πρόβλημα (underdetermination). Επιπλέον, η ατμοσφαιρική απορρόφηση και εκπομπή (atmospheric absorption/emission) και η ανάκλαση της προσπίπτουσας ακτινοβολίας (surface reflection) περιπλέκουν το φαινόμενο, καθιστώντας απαραίτητη την ακριβή ατμοσφαιρική διόρθωση (atmospheric correction) και τη διαδικασία διαχωρισμού θερμοκρασίας–εκπεμψιμότητας (Temperature–Emissivity Separation – TES). Παρά τις δυσκολίες, η πρόοδος της τηλεπισκόπησης έχει οδηγήσει στην ανάπτυξη πολλαπλών μεθόδων, από εμπειρικές (empirical) έως φυσικά βασισμένες (physics-based), επιτρέποντας την εκτίμηση της LSE σε μεγάλη χωρική και χρονική κλίμακα.
<p>
<h1><strong>Βασικό θεωρητικό background</strong></h1>
</p>
<h2><strong>Τι είναι η εκπομπή (emissivity)</strong></h2>
<p>
Η εκπομπή (ε) ορίζεται ως ο λόγος της ακτινοβολίας που εκπέμπει μια πραγματική επιφάνεια στη θερμοκρασία Τ προς την ακτινοβολία που εκπέμπει ένα μέλαν σώμα (blackbody) στην ίδια θερμοκρασία.
</p>
Υπολογίζεται με βάση τον νόμο του Planck και λ είναι το μήκος κύματος.
<p>
[[Αρχείο:Εικόνα27.png|center|400px]]
</p>

Η θερμοκρασία που αφορά είναι η ακτινομετρική (radiometric ή skin temperature), η οποία διαφέρει από την θερμοδυναμική θερμοκρασία.
<p>
<h2><strong>Channel-effective emissivity</strong></h2>
</p>
Η εκπομπή μεταβάλλεται με το μήκος κύματος (λ).
<p>
Οι δορυφόροι βλέπουν εύρη και όχι μεμονωμένα λ. Άρα για κάθε κανάλι i χρειάζεται:
[[Αρχείο:Εικόνα28.png|center|600px]]
</p>
<h2><strong>Πώς αλλάζει η εκπομπή στην πραγματικότητα</strong></h2>
<p>
1) Με τη γωνία θέασης.
</p>
Η εκπομπή (ε) συνήθως μειώνεται όταν αυξάνει η γωνία θέασης από το ναδίρ (0°).
Ξηρά εδάφη, νερό και πάγος έχουν τη μεγαλύτερη γωνιακή εξάρτηση.
</p>
2) Με το υλικό (φασματική συμπεριφορά)

Πετρώματα:
* Χαρακτηριστικές ''reststrahlen bands'' στις περιοχές 8–10 μm και 12–13 μm.
* Ισχυρή φασματική υπογραφή ανάλογα με τον τύπο του πετρώματος.

Εδάφη:
* Ισχυρή επίδραση από χαλαζία (quartz) και ανθρακικά.
* Οργανική ύλη μειώνει την αντίθεση του φάσματος.
* Η υγρασία αυξάνει την εκπομπή.

Βλάστηση:
* Πράσινα φύλλα έχουν υψηλή, σχεδόν ομοιόμορφη εκπομπή στο MIR/TIR.
* Ξερά φυτά εμφανίζουν περισσότερη φασματική δομή.

Νερό – πάγος – χιόνι:
* Διακριτές υπογραφές.
* Σημαντικές διαφορές στα 10.5–12.5 μm επιτρέπουν διάκριση πάγου/χιονιού.
<p>
<h2><strong>Γιατί είναι δύσκολο να εξαχθεί η εκπομπή από δορυφόρο</strong></h2>
Η μετρούμενη ακτινοβολία περιέχει ταυτόχρονα:
*τη θερμοκρασία επιφάνειας (LST)
*την εκπομπή (LSE)
Γι’ αυτό το πρόβλημα είναι υποκαθορισμένο:
*N κανάλια → N μετρούμενες ακτινοβολίες
*N άγνωστες εκπομπές
*+1 άγνωστη θερμοκρασία επιφάνειας
*άρα έχουμε N + 1 άγνωστα αλλά μόνο N εξισώσεις
Δεν υπάρχει μοναδική λύση χωρίς πρόσθετες υποθέσεις, μοντέλα ή εμπειρικές σχέσεις.
</p>
<h2><strong>Ρόλος της ατμόσφαιρας</strong></h2>
Η ατμόσφαιρα απορροφά, επανεκπέμπει και αντανακλά ακτινοβολία. Αυτό περιπλέκει την ανάκτηση LSE και LST και απαιτεί ατμοσφαιρική διόρθωση.
<p>
<h1><strong>Εκτίμηση της επιφανειακής εκπομπής από το διάστημα</strong></h1>
</p>
<h2><strong>Ημι-εμπειρικές μέθοδοι (Semi-Empirical Methods, SEMs)</strong></h2>
<p>
Γενικά, χρησιμοποιούν οπτικά δεδομένα (κυρίως VNIR) και εμπειρικές σχέσεις/πίνακες για να εκτιμήσουν την εκπομπή (LSE) στα TIR.
</p>
<h3><strong>Classification-Based Emissivity Method (CBEM)</strong></h3>
<strong>Βήματα:</strong>
<p>
Κάνουμε κλασική ταξινόμηση χρήσεων γης / κάλυψης γης (land cover).
</p>
Σε κάθε κλάση αντιστοιχίζουμε τιμές εκπεμψιμότητας από lookup table.
<p>
<strong>Πλεονεκτήματα:</strong>
</p>
Απλή ιδέα, καλή για κλάσεις με πολύ καλά γνωστή ε (νερό, πυκνή βλάστηση).
<p>
Κατάλληλη για υψηλή χωρική ανάλυση (σχεδόν «καθαρά» pixels).
</p>
<strong>Προβλήματα:</strong>
<p>
Μικτά pixels (μίξη τύπων επιφάνειας) ρίχνουν την ακρίβεια → χρειάζεται linear mixing.
</p>
Η ταξινόμηση στο VNIR δεν συσχετίζεται πάντα καλά με την ε στο TIR (ιδίως για γεωλογικά υποστρώματα).
<p>
Δύσκολα μοντελοποιούνται δυναμικές καταστάσεις (υγρασία εδάφους, χιόνι/πάγος, senescent vegetation).
</p>
<h3><strong>NDVI-Based Emissivity Methods (NBEM)</strong></h3>
<p>
<strong>Απλή εμπειρική σχέση NDVI–ε</strong>
</p>
Παρατηρήθηκε ισχυρή συσχέτιση μεταξύ LSE (8–14 μm) και ln(NDVI):
<p>
ε=α+b ln⁡(NDVI)
</p>
Το NDVI είναι πιο εύκολο από VNIR, άρα η μέθοδος δουλεύει απευθείας σε επίπεδο pixel.
<p>
<strong>NDVI threshold method (Sobrino & Raissouni)</strong>
</p>
Χωρίζει τα pixels σε:
*γυμνό έδαφος (NDVI < NDVIs),
*μίξη εδάφους–βλάστησης (NDVIs < NDVI < NDVIv),
*πλήρης βλάστηση (NDVI > NDVIv).
<p>
<h2><strong>Multi-channel TES methods</strong></h2>
</p>
Οι μέθοδοι TES (Temperature–Emissivity Separation) είναι μια κατηγορία αλγορίθμων που χρησιμοποιούν πολλαπλά θερμικά κανάλια (multi-channel) για να υπολογίσουν ταυτόχρονα:
#LST (Land Surface Temperature)
#LSE (Land Surface Emissivity)
<p>
<h3><strong>Emissivity spectrum character-based methods</strong></h3>
<h4><strong>GBE method</strong></h4>
</p>
Η μέθοδος GBE υπολογίζει την εκπομπή θεωρώντας ότι το φάσμα της παραμένει πρακτικά επίπεδο (flat) για μήκη κύματος μεγαλύτερα από 10 μm. Με αυτή την υπόθεση, αναζητά τις τιμές εκπομπής που αναπαράγουν καλύτερα τη μετρούμενη ακτινοβολία, ελαχιστοποιώντας το σφάλμα ανάμεσα στο θεωρητικό και στο παρατηρούμενο φάσμα. Απαιτεί τουλάχιστον δύο κανάλια με παρόμοια εκπομπή και χρειάζεται ατμοσφαιρική διόρθωση. Η μέθοδος είναι ιδιαίτερα κατάλληλη για υπερφασματικά δεδομένα, όπου υπάρχουν περισσότερα κανάλια με σχεδόν σταθερή εκπομπή.
<p>
<h4><strong>ΤΤΜ</strong></h4>
</p>
Η μέθοδος TTM βασίζεται στην ιδέα ότι αν η ίδια επιφάνεια παρατηρηθεί σε δύο διαφορετικές θερμοκρασίες (συνήθως ημέρα–νύχτα) και η εκπομπή της θεωρείται σταθερή, τότε μπορούμε να λύσουμε το σύστημα των εξισώσεων και να υπολογίσουμε ταυτόχρονα την εκπομπή και τη θερμοκρασία επιφάνειας. Απαιτεί τουλάχιστον δύο κανάλια, ακριβή ατμοσφαιρική διόρθωση και πολύ καλή γεωμετρική αντιστοίχιση μεταξύ των δύο εικόνων. Λειτουργεί καλύτερα με γεωστατικούς δορυφόρους όπου η γωνία θέασης δεν αλλάζει. Παρότι δεν χρειάζεται υπόθεση για το σχήμα του φάσματος εκπομπής, είναι ευαίσθητη σε θόρυβο και μπορεί να δώσει ασταθή λύση αν η διαφορά θερμοκρασίας είναι μικρή.
<p>
<h4><strong>ISSTES (Iterative Spectrally Smooth Temperature Emissivity Separation)</strong></h4>
</p>
Η μέθοδος ISSTES (Iterative Spectrally Smooth Temperature Emissivity Separation) αξιοποιεί το γεγονός ότι το φάσμα εκπομπής (emissivity spectrum) των φυσικών επιφανειών είναι ομαλό σε σχέση με τα απότομα φασματικά χαρακτηριστικά της ατμόσφαιρας. Χρησιμοποιεί υπερφασματικά δεδομένα TIR και υπολογίζει την εκπομπή ξεκινώντας από μία αρχική τιμή θερμοκρασίας. Αν η θερμοκρασία είναι λάθος, τότε το ανακτημένο φάσμα παρουσιάζει «κοφτερές» ατμοσφαιρικές υπογραφές. Η μέθοδος βελτιώνει επαναληπτικά τη θερμοκρασία μέχρι το φάσμα να γίνει όσο πιο «ομαλό» γίνεται, και στη συνέχεια εξάγει την εκπομπή. Απαιτεί υψηλό signal-to-noise ratio και καλή ατμοσφαιρική διόρθωση, όμως μπορεί να λειτουργήσει πολύ καλά σε υπερφασματικά TIR δεδομένα.
<p>
<h4><strong>Emissivity Bounds Method (EBM)</strong></h4>
</p>
Το EBM εκτιμά την εκπομπή (emissivity) και τη θερμοκρασία επιφάνειας (LST) χωρίς να κάνει υποθέσεις για το φάσμα εκπομπής, απλώς περιορίζει τις λύσεις μέσα σε φυσικά επιτρεπτά όρια. Για κάθε κανάλι δημιουργείται μια καμπύλη πιθανών συνδυασμών θερμοκρασίας–εκπομπής (T–ε). Επειδή η πραγματική θερμοκρασία ενός pixel είναι μοναδική, η λύση περιορίζεται στο σημείο όπου οι καμπύλες των καναλιών τέμνονται μέσα στα επιτρεπτά όρια εκπομπής (0 ≤ ε ≤ 1). Έτσι, το EBM δεν δίνει ακριβείς τιμές, αλλά εύρος πιθανών τιμών για την εκπομπή και τη θερμοκρασία, και η ακρίβεια εξαρτάται από το πόσο καλά γνωρίζουμε τα πραγματικά όρια της εκπομπής για κάθε υλικό.
<p>
<h3><strong>Reference Channel Method (RCM)</strong></h3>
</p>
Η μέθοδος RCM υποθέτει ότι σε ένα συγκεκριμένο κανάλι η εκπομπή (ε) είναι σταθερή για όλα τα pixels. Με αυτή τη γνωστή τιμή υπολογίζει πρώτα τη θερμοκρασία επιφάνειας (LST) και μετά, χρησιμοποιώντας αυτή τη LST, υπολογίζει την εκπομπή στα υπόλοιπα κανάλια. Είναι πολύ απλή μέθοδος, αλλά έχει σοβαρούς περιορισμούς: δεν υπάρχει ένα μοναδικό «σωστό» σταθερό ε για όλους τους τύπους επιφανειών, μικρό σφάλμα στην τιμή του ε προκαλεί μεγάλα σφάλματα στη LST και στα άλλα κανάλια, και τελικά το αποτέλεσμα εμφανίζει πολύ «θόρυβο» επειδή η υπόθεση του σταθερού ε είναι μη ρεαλιστική.
<p>
<h3><strong>Normalization emissivity method (NEM)</strong></h3>
</p>
Η μέθοδος NEM υποθέτει ότι όλα τα κανάλια ενός pixel έχουν αρχικά την ίδια εκπομπή. Έτσι υπολογίζονται Ν διαφορετικές θερμοκρασίες και η μεγαλύτερη από αυτές θεωρείται η πραγματική θερμοκρασία επιφάνειας (LST). Στη συνέχεια αυτή η LST χρησιμοποιείται για να εξαχθεί η εκπομπή στα υπόλοιπα κανάλια, με μεγαλύτερη ευελιξία από το RCM, αφού το κανάλι με τη μέγιστη εκπομπή δεν είναι προκαθορισμένο αλλά προκύπτει από τα δεδομένα.
<p>
<h3><strong>TES method</strong></h3>
</p>
Η μέθοδος TES συνδυάζει τρία στάδια (NEM, Spectral Ratio και Min–Max Difference) για να ανακτήσει ταυτόχρονα τη θερμοκρασία επιφάνειας (LST) και την εκπομπή (emissivity) από πολυφασματικά δεδομένα TIR. Πρώτα εκτιμά μία αρχική θερμοκρασία, στη συνέχεια υπολογίζει το σχήμα του φάσματος εκπομπής και τέλος χρησιμοποιεί μια εμπειρική σχέση μεταξύ ελάχιστης εκπομπής και φασματικής αντίθεσης (MMD) για να ανακτήσει τις πραγματικές τιμές. Δίνει γενικά πολύ καλή ακρίβεια (±1.5 K για LST και ±0.015 για emissivity), δεν απαιτεί apriori πληροφορία επιφάνειας και είναι κατάλληλη για φυσικές επιφάνειες με επαρκή φασματική αντίθεση. Η μέθοδος όμως επηρεάζεται από σφάλματα ατμοσφαιρικής διόρθωσης, από χαμηλή φασματική αντίθεση και από θόρυβο, και απαιτεί τουλάχιστον τρία TIR κανάλια στο ατμοσφαιρικό παράθυρο.
<p>
<h3><strong>TISI (Temperature-Independent Spectral Indices)</strong></h3>
</p>
Η μέθοδος TISI (Temperature-Independent Spectral Indices) βασίζεται στο ότι μπορούμε να συνδυάσουμε τις μετρούμενες θερμικές ακτινοβολίες από διαφορετικά κανάλια με τέτοιο τρόπο ώστε να εξαφανιστεί η επίδραση της θερμοκρασίας επιφάνειας. Έτσι, το αποτέλεσμα εξαρτάται κυρίως από την εκπομπή (emissivity) των καναλιών και όχι από τη θερμοκρασία. Η μέθοδος χρησιμοποιεί μια προσέγγιση power-law του νόμου του Planck και δημιουργεί δείκτες (indices) που είναι σχεδόν ανεξάρτητοι της θερμοκρασίας. Είναι χρήσιμη για φασματική ανάλυση στο TIR και μπορεί να συνδυαστεί με NDVI για καλύτερη ταξινόμηση εδαφών και καλύψεων.
<p>
<h2><strong>Physically based methods (PBMs)</strong></h2>
</p>
Τα Physically Based Methods (PBMs) προσπαθούν να ανακτήσουν ταυτόχρονα την επιφανειακή θερμοκρασία (LST) και την εκπομπή (LSE) απευθείας από μετρήσεις στο TOA, λαμβάνοντας υπόψη ότι η ατμόσφαιρα εισάγει πρόσθετες άγνωστες παραμέτρους που κάνουν το πρόβλημα υποκαθορισμένο. Για να το αντιμετωπίσουν, χρησιμοποιούν φυσικούς περιορισμούς και διαφορετικές προσεγγίσεις όπως την TISI-based μέθοδο, τη μέθοδο ημέρας/νύχτας και το TSRM με PCA ώστε να μειώσουν τα άγνωστα και να επιτρέψουν λύση.
<p>
<h3><strong>Physically based methods (PBMs)</strong></h3>
</p>
Η μέθοδος TISI-based χρησιμοποιεί την ιδιότητα ότι το TISI (Temperature-Independent Spectral Index) παραμένει σχεδόν σταθερό μεταξύ ημέρας και νύχτας.
Μετρώντας MIR (3–5 μm) και TIR (10–13 μm) κανάλια σε δύο χρόνους (day/night), η μέθοδος αφαιρεί τη νυχτερινή εκπομπή από την ημερήσια ώστε να απομονώσει τη δι-κατευθυντική ανακλαστικότητα (bidirectional reflectivity) (ρ). Στη συνέχεια, από τη ρ υπολογίζεται η κατευθυντική εκπομπή (directional emissivity) (ε).
<p>
Η μέθοδος δεν απαιτεί προϋπάρχουσα γνώση του τύπου επιφάνειας, αλλά απαιτεί:
#ακριβή συνεγγραφή εικόνων ημέρας-νύχτας
#σταθερή γεωμετρία θέασης
#καλά διορθωμένη ατμόσφαιρα
#διαθέσιμα MIR & TIR κανάλια
Οι περιορισμοί της είναι ότι τα σφάλματα αυξάνονται όταν:
#οι εικόνες δεν ταιριάζουν χωρικά
#αλλάζει η γωνία θέασης ημέρας/νύχτας
#η ατμόσφαιρα δεν διορθώνεται σωστά
</p>
<h3><strong>Physics-based Day/Night (D/N) method</strong></h3>
Η μέθοδος Day/Night χρησιμοποιεί ζεύγη εικόνων ημέρας–νύχτας σε MIR και TIR κανάλια για να ανακτήσει ταυτόχρονα θερμοκρασία επιφάνειας (LST) και εκπομπή (LSE) χωρίς να απαιτείται εκ των προτέρων γνώση της επιφάνειας.
<p>
Η βασική ιδέα είναι ότι η εκπομπή της επιφάνειας δεν αλλάζει σημαντικά σε 1–3 ημέρες, ενώ η ακτινοβολία στο MIR κατά τη μέρα περιέχει ισχυρή ηλιακή συνιστώσα που βοηθά στη σταθεροποίηση του συστήματος εξισώσεων.
Η μέθοδος λύνει τις 2Ν μη-γραμμικές εξισώσεις που προκύπτουν από τις μετρήσεις ημέρας–νύχτας, εκτιμώντας ταυτόχρονα:
#N εκπομπές,
#2 θερμοκρασίες επιφάνειας,
#2 τιμές θερμοκρασίας αέρα,
#2 ποσότητες υδρατμών,
#1 παράγοντα γωνιακής συμπεριφοράς.
Για να γίνει λύσιμο το σύστημα απαιτούνται τουλάχιστον 7 κανάλια. Η λύση σταθεροποιείται με αρχική παλινδρόμηση και βελτιστοποιείται με least-squares.
</p>
<strong>Κύρια πλεονεκτήματα</strong>
#Το MIR την ημέρα «σπάει» τις εξαρτήσεις και κάνει το πρόβλημα λυσμένο.
#Μπορεί να ανακτήσει LST ακόμη και όταν ημέρα/νύχτα έχουν ίδια θερμοκρασία.
#Η ενσωμάτωση Ta και CWV βελτιώνει σημαντικά την ακρίβεια.
<strong>Περιορισμοί</strong>
#Απαιτεί πολλά κανάλια (≥7).
#Χρειάζεται καλή ατμοσφαιρική διόρθωση.
#Επηρεάζεται από νυχτερινή δρόσο (σε υγρές περιοχές).
#Χρειάζεται σταθερή εκπομπή μεταξύ των δύο λήψεων.
<p>
<h3><strong>Two-step physical retrieval method (TSRM)</strong></h3>
Η μέθοδος TSRM προσπαθεί να βγάλει ταυτόχρονα:
#τη θερμοκρασία της επιφάνειας (LST)
#την εκπομπή (emissivity)
#το προφίλ θερμοκρασίας και υγρασίας της ατμόσφαιρας
#χρησιμοποιώντας δεδομένα από πολλά θερμικά κανάλια (MIR και TIR).
Για να το πετύχει, κάνει το εξής:
#Ξεκινά με μια πρώτη πρόχειρη εκτίμηση της θερμοκρασίας, της εκπομπής και των ατμοσφαιρικών παραμέτρων.
#Απλοποιεί τις εξισώσεις της μεταφοράς ακτινοβολίας γύρω από αυτή την αρχική εκτίμηση.
#Μειώνει τον αριθμό των άγνωστων (με PCA), ώστε το πρόβλημα να γίνει υπολογιστικά λύσιμο.
#Βελτιώνει σταδιακά τη λύση με δύο βήματα.
</p>
Ωστόσο, η μέθοδος είναι πολύ βαριά υπολογιστικά, θέλει καλή αρχική εκτίμηση για να δουλέψει και βασίζεται σε υποθέσεις (ότι η ατμόσφαιρα είναι οριζόντια ομοιογενής, κλπ) που δεν ισχύουν πάντα.

[[category:Διαστημική Τηλεπισκόπηση]]

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-13T14:28:43Z

LIOLIOU MARINA:

<strong>Πρωτότυπος τίτλος:</strong> Land surface emissivity retrieval from satellite data
<p>
<strong>Συγγραφείς:</strong> Zhao-Liang Li, Hua Wu, Ning Wang, Shi Qiu, José A. Sobrino, Zhengming Wan, Bo-Hui Tang and Guangjian Yan
</p>
<strong>DOI:</strong> https://doi.org/10.1080/01431161.2012.716540
<p>
<h1><strong>Εισαγωγή</strong></h1>
</p>
Η εκπεμψιμότητα επιφάνειας γης (Land Surface Emissivity – LSE) αποτελεί θεμελιώδη φυσική ιδιότητα των φυσικών υλικών και συνδέεται άμεσα με τη χημική και ορυκτολογική τους σύσταση, ιδίως στα πυριτικά ορυκτά, ενώ επηρεάζεται από τη γωνία παρατήρησης (viewing angle) και την τραχύτητα της επιφάνειας (surface roughness). Η LSE είναι κρίσιμη παράμετρος για εφαρμογές όπως η μελέτη εδαφικής εξέλιξης και διάβρωσης (soil development and erosion), η εκτίμηση αραιής βλάστησης (sparse vegetation cover), η γεωλογική χαρτογράφηση (bedrock mapping) και η ανάλυση ενεργειακού ισοζυγίου επιφάνειας (surface energy budget). Η ανάκτησή της από δορυφορικά δεδομένα είναι ιδιαίτερα δύσκολη, διότι η μετρούμενη θερμική ακτινοβολία στην περιοχή του θερμικού υπερύθρου (Thermal Infrared – TIR) εξαρτάται ταυτόχρονα από τη θερμοκρασία επιφάνειας (Land Surface Temperature – LST) και την εκπεμψιμότητα, δημιουργώντας ένα μαθηματικά ακαθόριστο πρόβλημα (underdetermination). Επιπλέον, η ατμοσφαιρική απορρόφηση και εκπομπή (atmospheric absorption/emission) και η ανάκλαση της προσπίπτουσας ακτινοβολίας (surface reflection) περιπλέκουν το φαινόμενο, καθιστώντας απαραίτητη την ακριβή ατμοσφαιρική διόρθωση (atmospheric correction) και τη διαδικασία διαχωρισμού θερμοκρασίας–εκπεμψιμότητας (Temperature–Emissivity Separation – TES). Παρά τις δυσκολίες, η πρόοδος της τηλεπισκόπησης έχει οδηγήσει στην ανάπτυξη πολλαπλών μεθόδων, από εμπειρικές (empirical) έως φυσικά βασισμένες (physics-based), επιτρέποντας την εκτίμηση της LSE σε μεγάλη χωρική και χρονική κλίμακα.
<p>
<h1><strong>Βασικό θεωρητικό background</strong></h1>
</p>
<h2><strong>Τι είναι η εκπομπή (emissivity)</strong></h2>
<p>
Η εκπομπή (ε) ορίζεται ως ο λόγος της ακτινοβολίας που εκπέμπει μια πραγματική επιφάνεια στη θερμοκρασία Τ προς την ακτινοβολία που εκπέμπει ένα μέλαν σώμα (blackbody) στην ίδια θερμοκρασία.
</p>
Υπολογίζεται με βάση τον νόμο του Planck και λ είναι το μήκος κύματος.
<p>
[[Αρχείο:Εικόνα27.png|center|400px]]
</p>

Η θερμοκρασία που αφορά είναι η ακτινομετρική (radiometric ή skin temperature), η οποία διαφέρει από την θερμοδυναμική θερμοκρασία.
<p>
<h2><strong>Channel-effective emissivity</strong></h2>
</p>
Η εκπομπή μεταβάλλεται με το μήκος κύματος (λ).
<p>
Οι δορυφόροι βλέπουν εύρη και όχι μεμονωμένα λ. Άρα για κάθε κανάλι i χρειάζεται:
[[Αρχείο:Εικόνα28.png|center|600px]]
</p>
<h2><strong>Πώς αλλάζει η εκπομπή στην πραγματικότητα</strong></h2>
<p>
1) Με τη γωνία θέασης.
</p>
Η εκπομπή (ε) συνήθως μειώνεται όταν αυξάνει η γωνία θέασης από το ναδίρ (0°).
Ξηρά εδάφη, νερό και πάγος έχουν τη μεγαλύτερη γωνιακή εξάρτηση.
</p>
2) Με το υλικό (φασματική συμπεριφορά)

Πετρώματα:
* Χαρακτηριστικές ''reststrahlen bands'' στις περιοχές 8–10 μm και 12–13 μm.
* Ισχυρή φασματική υπογραφή ανάλογα με τον τύπο του πετρώματος.

Εδάφη:
* Ισχυρή επίδραση από χαλαζία (quartz) και ανθρακικά.
* Οργανική ύλη μειώνει την αντίθεση του φάσματος.
* Η υγρασία αυξάνει την εκπομπή.

Βλάστηση:
* Πράσινα φύλλα έχουν υψηλή, σχεδόν ομοιόμορφη εκπομπή στο MIR/TIR.
* Ξερά φυτά εμφανίζουν περισσότερη φασματική δομή.

Νερό – πάγος – χιόνι:
* Διακριτές υπογραφές.
* Σημαντικές διαφορές στα 10.5–12.5 μm επιτρέπουν διάκριση πάγου/χιονιού.
<p>
<h2><strong>Γιατί είναι δύσκολο να εξαχθεί η εκπομπή από δορυφόρο</strong></h2>
Η μετρούμενη ακτινοβολία περιέχει ταυτόχρονα:
*τη θερμοκρασία επιφάνειας (LST)
*την εκπομπή (LSE)
Γι’ αυτό το πρόβλημα είναι υποκαθορισμένο:
*N κανάλια → N μετρούμενες ακτινοβολίες
*N άγνωστες εκπομπές
*+1 άγνωστη θερμοκρασία επιφάνειας
*άρα έχουμε N + 1 άγνωστα αλλά μόνο N εξισώσεις
Δεν υπάρχει μοναδική λύση χωρίς πρόσθετες υποθέσεις, μοντέλα ή εμπειρικές σχέσεις.
</p>
<h2><strong>Ρόλος της ατμόσφαιρας</strong></h2>
Η ατμόσφαιρα απορροφά, επανεκπέμπει και αντανακλά ακτινοβολία. Αυτό περιπλέκει την ανάκτηση LSE και LST και απαιτεί ατμοσφαιρική διόρθωση.
<p>
<h1><strong>Εκτίμηση της επιφανειακής εκπομπής από το διάστημα</strong></h1>
</p>
<h2><strong>Ημι-εμπειρικές μέθοδοι (Semi-Empirical Methods, SEMs)</strong></h2>
<p>
Γενικά, χρησιμοποιούν οπτικά δεδομένα (κυρίως VNIR) και εμπειρικές σχέσεις/πίνακες για να εκτιμήσουν την εκπομπή (LSE) στα TIR.
</p>
<h3><strong>Classification-Based Emissivity Method (CBEM)</strong></h3>
<strong>Βήματα:</strong>
<p>
Κάνουμε κλασική ταξινόμηση χρήσεων γης / κάλυψης γης (land cover).
</p>
Σε κάθε κλάση αντιστοιχίζουμε τιμές εκπεμψιμότητας από lookup table.
<p>
<strong>Πλεονεκτήματα:</strong>
</p>
Απλή ιδέα, καλή για κλάσεις με πολύ καλά γνωστή ε (νερό, πυκνή βλάστηση).
<p>
Κατάλληλη για υψηλή χωρική ανάλυση (σχεδόν «καθαρά» pixels).
</p>
<strong>Προβλήματα:</strong>
<p>
Μικτά pixels (μίξη τύπων επιφάνειας) ρίχνουν την ακρίβεια → χρειάζεται linear mixing.
</p>
Η ταξινόμηση στο VNIR δεν συσχετίζεται πάντα καλά με την ε στο TIR (ιδίως για γεωλογικά υποστρώματα).
<p>
Δύσκολα μοντελοποιούνται δυναμικές καταστάσεις (υγρασία εδάφους, χιόνι/πάγος, senescent vegetation).
</p>
<h3><strong>NDVI-Based Emissivity Methods (NBEM)</strong></h3>
<p>
<strong>Απλή εμπειρική σχέση NDVI–ε</strong>
</p>
Παρατηρήθηκε ισχυρή συσχέτιση μεταξύ LSE (8–14 μm) και ln(NDVI):
<p>
ε=α+b ln⁡(NDVI)
</p>
Το NDVI είναι πιο εύκολο από VNIR, άρα η μέθοδος δουλεύει απευθείας σε επίπεδο pixel.
<p>
<strong>NDVI threshold method (Sobrino & Raissouni)</strong>
</p>
Χωρίζει τα pixels σε:
*γυμνό έδαφος (NDVI < NDVIs),
*μίξη εδάφους–βλάστησης (NDVIs < NDVI < NDVIv),
*πλήρης βλάστηση (NDVI > NDVIv).
<p>
<h2><strong>Multi-channel TES methods</strong></h2>
</p>
Οι μέθοδοι TES (Temperature–Emissivity Separation) είναι μια κατηγορία αλγορίθμων που χρησιμοποιούν πολλαπλά θερμικά κανάλια (multi-channel) για να υπολογίσουν ταυτόχρονα:
#LST (Land Surface Temperature)
#LSE (Land Surface Emissivity)
<p>
<h3><strong>Emissivity spectrum character-based methods</strong></h3>
<h4><strong>GBE method</strong></h4>
</p>
Η μέθοδος GBE υπολογίζει την εκπομπή θεωρώντας ότι το φάσμα της παραμένει πρακτικά επίπεδο (flat) για μήκη κύματος μεγαλύτερα από 10 μm. Με αυτή την υπόθεση, αναζητά τις τιμές εκπομπής που αναπαράγουν καλύτερα τη μετρούμενη ακτινοβολία, ελαχιστοποιώντας το σφάλμα ανάμεσα στο θεωρητικό και στο παρατηρούμενο φάσμα. Απαιτεί τουλάχιστον δύο κανάλια με παρόμοια εκπομπή και χρειάζεται ατμοσφαιρική διόρθωση. Η μέθοδος είναι ιδιαίτερα κατάλληλη για υπερφασματικά δεδομένα, όπου υπάρχουν περισσότερα κανάλια με σχεδόν σταθερή εκπομπή.
<p>
<h4><strong>ΤΤΜ</strong></h4>
</p>
Η μέθοδος TTM βασίζεται στην ιδέα ότι αν η ίδια επιφάνεια παρατηρηθεί σε δύο διαφορετικές θερμοκρασίες (συνήθως ημέρα–νύχτα) και η εκπομπή της θεωρείται σταθερή, τότε μπορούμε να λύσουμε το σύστημα των εξισώσεων και να υπολογίσουμε ταυτόχρονα την εκπομπή και τη θερμοκρασία επιφάνειας. Απαιτεί τουλάχιστον δύο κανάλια, ακριβή ατμοσφαιρική διόρθωση και πολύ καλή γεωμετρική αντιστοίχιση μεταξύ των δύο εικόνων. Λειτουργεί καλύτερα με γεωστατικούς δορυφόρους όπου η γωνία θέασης δεν αλλάζει. Παρότι δεν χρειάζεται υπόθεση για το σχήμα του φάσματος εκπομπής, είναι ευαίσθητη σε θόρυβο και μπορεί να δώσει ασταθή λύση αν η διαφορά θερμοκρασίας είναι μικρή.
<p>
<h4><strong>ISSTES (Iterative Spectrally Smooth Temperature Emissivity Separation)</strong></h4>
</p>
Η μέθοδος ISSTES (Iterative Spectrally Smooth Temperature Emissivity Separation) αξιοποιεί το γεγονός ότι το φάσμα εκπομπής (emissivity spectrum) των φυσικών επιφανειών είναι ομαλό σε σχέση με τα απότομα φασματικά χαρακτηριστικά της ατμόσφαιρας. Χρησιμοποιεί υπερφασματικά δεδομένα TIR και υπολογίζει την εκπομπή ξεκινώντας από μία αρχική τιμή θερμοκρασίας. Αν η θερμοκρασία είναι λάθος, τότε το ανακτημένο φάσμα παρουσιάζει «κοφτερές» ατμοσφαιρικές υπογραφές. Η μέθοδος βελτιώνει επαναληπτικά τη θερμοκρασία μέχρι το φάσμα να γίνει όσο πιο «ομαλό» γίνεται, και στη συνέχεια εξάγει την εκπομπή. Απαιτεί υψηλό signal-to-noise ratio και καλή ατμοσφαιρική διόρθωση, όμως μπορεί να λειτουργήσει πολύ καλά σε υπερφασματικά TIR δεδομένα.
<p>
<h4><strong>Emissivity Bounds Method (EBM)</strong></h4>
</p>
Το EBM εκτιμά την εκπομπή (emissivity) και τη θερμοκρασία επιφάνειας (LST) χωρίς να κάνει υποθέσεις για το φάσμα εκπομπής, απλώς περιορίζει τις λύσεις μέσα σε φυσικά επιτρεπτά όρια. Για κάθε κανάλι δημιουργείται μια καμπύλη πιθανών συνδυασμών θερμοκρασίας–εκπομπής (T–ε). Επειδή η πραγματική θερμοκρασία ενός pixel είναι μοναδική, η λύση περιορίζεται στο σημείο όπου οι καμπύλες των καναλιών τέμνονται μέσα στα επιτρεπτά όρια εκπομπής (0 ≤ ε ≤ 1). Έτσι, το EBM δεν δίνει ακριβείς τιμές, αλλά εύρος πιθανών τιμών για την εκπομπή και τη θερμοκρασία, και η ακρίβεια εξαρτάται από το πόσο καλά γνωρίζουμε τα πραγματικά όρια της εκπομπής για κάθε υλικό.
<p>
<h3><strong>Reference Channel Method (RCM)</strong></h3>
</p>
Η μέθοδος RCM υποθέτει ότι σε ένα συγκεκριμένο κανάλι η εκπομπή (ε) είναι σταθερή για όλα τα pixels. Με αυτή τη γνωστή τιμή υπολογίζει πρώτα τη θερμοκρασία επιφάνειας (LST) και μετά, χρησιμοποιώντας αυτή τη LST, υπολογίζει την εκπομπή στα υπόλοιπα κανάλια. Είναι πολύ απλή μέθοδος, αλλά έχει σοβαρούς περιορισμούς: δεν υπάρχει ένα μοναδικό «σωστό» σταθερό ε για όλους τους τύπους επιφανειών, μικρό σφάλμα στην τιμή του ε προκαλεί μεγάλα σφάλματα στη LST και στα άλλα κανάλια, και τελικά το αποτέλεσμα εμφανίζει πολύ «θόρυβο» επειδή η υπόθεση του σταθερού ε είναι μη ρεαλιστική.
<p>
<h3><strong>Normalization emissivity method (NEM)</strong></h3>
</p>
Η μέθοδος NEM υποθέτει ότι όλα τα κανάλια ενός pixel έχουν αρχικά την ίδια εκπομπή. Έτσι υπολογίζονται Ν διαφορετικές θερμοκρασίες και η μεγαλύτερη από αυτές θεωρείται η πραγματική θερμοκρασία επιφάνειας (LST). Στη συνέχεια αυτή η LST χρησιμοποιείται για να εξαχθεί η εκπομπή στα υπόλοιπα κανάλια, με μεγαλύτερη ευελιξία από το RCM, αφού το κανάλι με τη μέγιστη εκπομπή δεν είναι προκαθορισμένο αλλά προκύπτει από τα δεδομένα.
<p>
<h3><strong>TES method</strong></h3>
</p>
Η μέθοδος TES συνδυάζει τρία στάδια (NEM, Spectral Ratio και Min–Max Difference) για να ανακτήσει ταυτόχρονα τη θερμοκρασία επιφάνειας (LST) και την εκπομπή (emissivity) από πολυφασματικά δεδομένα TIR. Πρώτα εκτιμά μία αρχική θερμοκρασία, στη συνέχεια υπολογίζει το σχήμα του φάσματος εκπομπής και τέλος χρησιμοποιεί μια εμπειρική σχέση μεταξύ ελάχιστης εκπομπής και φασματικής αντίθεσης (MMD) για να ανακτήσει τις πραγματικές τιμές. Δίνει γενικά πολύ καλή ακρίβεια (±1.5 K για LST και ±0.015 για emissivity), δεν απαιτεί apriori πληροφορία επιφάνειας και είναι κατάλληλη για φυσικές επιφάνειες με επαρκή φασματική αντίθεση. Η μέθοδος όμως επηρεάζεται από σφάλματα ατμοσφαιρικής διόρθωσης, από χαμηλή φασματική αντίθεση και από θόρυβο, και απαιτεί τουλάχιστον τρία TIR κανάλια στο ατμοσφαιρικό παράθυρο.
<p>
<h3><strong>TISI (Temperature-Independent Spectral Indices)</strong></h3>
</p>
Η μέθοδος TISI (Temperature-Independent Spectral Indices) βασίζεται στο ότι μπορούμε να συνδυάσουμε τις μετρούμενες θερμικές ακτινοβολίες από διαφορετικά κανάλια με τέτοιο τρόπο ώστε να εξαφανιστεί η επίδραση της θερμοκρασίας επιφάνειας. Έτσι, το αποτέλεσμα εξαρτάται κυρίως από την εκπομπή (emissivity) των καναλιών και όχι από τη θερμοκρασία. Η μέθοδος χρησιμοποιεί μια προσέγγιση power-law του νόμου του Planck και δημιουργεί δείκτες (indices) που είναι σχεδόν ανεξάρτητοι της θερμοκρασίας. Είναι χρήσιμη για φασματική ανάλυση στο TIR και μπορεί να συνδυαστεί με NDVI για καλύτερη ταξινόμηση εδαφών και καλύψεων.
<p>
<h2><strong>Physically based methods (PBMs)</strong></h2>
</p>
Τα Physically Based Methods (PBMs) προσπαθούν να ανακτήσουν ταυτόχρονα την επιφανειακή θερμοκρασία (LST) και την εκπομπή (LSE) απευθείας από μετρήσεις στο TOA, λαμβάνοντας υπόψη ότι η ατμόσφαιρα εισάγει πρόσθετες άγνωστες παραμέτρους που κάνουν το πρόβλημα υποκαθορισμένο. Για να το αντιμετωπίσουν, χρησιμοποιούν φυσικούς περιορισμούς και διαφορετικές προσεγγίσεις όπως την TISI-based μέθοδο, τη μέθοδο ημέρας/νύχτας και το TSRM με PCA ώστε να μειώσουν τα άγνωστα και να επιτρέψουν λύση.
<p>
<h3><strong>Physically based methods (PBMs)</strong></h3>
</p>
Η μέθοδος TISI-based χρησιμοποιεί την ιδιότητα ότι το TISI (Temperature-Independent Spectral Index) παραμένει σχεδόν σταθερό μεταξύ ημέρας και νύχτας.
Μετρώντας MIR (3–5 μm) και TIR (10–13 μm) κανάλια σε δύο χρόνους (day/night), η μέθοδος αφαιρεί τη νυχτερινή εκπομπή από την ημερήσια ώστε να απομονώσει τη δι-κατευθυντική ανακλαστικότητα (bidirectional reflectivity) (ρ). Στη συνέχεια, από τη ρ υπολογίζεται η κατευθυντική εκπομπή (directional emissivity) (ε).
<p>
Η μέθοδος δεν απαιτεί προϋπάρχουσα γνώση του τύπου επιφάνειας, αλλά απαιτεί:
#ακριβή συνεγγραφή εικόνων ημέρας-νύχτας
#σταθερή γεωμετρία θέασης
#καλά διορθωμένη ατμόσφαιρα
#διαθέσιμα MIR & TIR κανάλια
Οι περιορισμοί της είναι ότι τα σφάλματα αυξάνονται όταν:
#οι εικόνες δεν ταιριάζουν χωρικά
#αλλάζει η γωνία θέασης ημέρας/νύχτας
#η ατμόσφαιρα δεν διορθώνεται σωστά
</p>
<h3><strong>Physics-based Day/Night (D/N) method</strong></h3>
Η μέθοδος Day/Night χρησιμοποιεί ζεύγη εικόνων ημέρας–νύχτας σε MIR και TIR κανάλια για να ανακτήσει ταυτόχρονα θερμοκρασία επιφάνειας (LST) και εκπομπή (LSE) χωρίς να απαιτείται εκ των προτέρων γνώση της επιφάνειας.
<p>
Η βασική ιδέα είναι ότι η εκπομπή της επιφάνειας δεν αλλάζει σημαντικά σε 1–3 ημέρες, ενώ η ακτινοβολία στο MIR κατά τη μέρα περιέχει ισχυρή ηλιακή συνιστώσα που βοηθά στη σταθεροποίηση του συστήματος εξισώσεων.
Η μέθοδος λύνει τις 2Ν μη-γραμμικές εξισώσεις που προκύπτουν από τις μετρήσεις ημέρας–νύχτας, εκτιμώντας ταυτόχρονα:
#N εκπομπές,
#2 θερμοκρασίες επιφάνειας,
#2 τιμές θερμοκρασίας αέρα,
#2 ποσότητες υδρατμών,
#1 παράγοντα γωνιακής συμπεριφοράς.
Για να γίνει λύσιμο το σύστημα απαιτούνται τουλάχιστον 7 κανάλια. Η λύση σταθεροποιείται με αρχική παλινδρόμηση και βελτιστοποιείται με least-squares.
</p>
<strong>Κύρια πλεονεκτήματα</strong>
#Το MIR την ημέρα «σπάει» τις εξαρτήσεις και κάνει το πρόβλημα λυσμένο.
#Μπορεί να ανακτήσει LST ακόμη και όταν ημέρα/νύχτα έχουν ίδια θερμοκρασία.
#Η ενσωμάτωση Ta και CWV βελτιώνει σημαντικά την ακρίβεια.
<strong>Περιορισμοί</strong>
#Απαιτεί πολλά κανάλια (≥7).
#Χρειάζεται καλή ατμοσφαιρική διόρθωση.
#Επηρεάζεται από νυχτερινή δρόσο (σε υγρές περιοχές).
#Χρειάζεται σταθερή εκπομπή μεταξύ των δύο λήψεων.

[[category:Διαστημική Τηλεπισκόπηση]]

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-13T14:15:30Z

LIOLIOU MARINA:

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-13T14:06:15Z

LIOLIOU MARINA:

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-13T13:51:21Z

LIOLIOU MARINA:

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-13T00:06:41Z

LIOLIOU MARINA:

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-12T23:56:45Z

LIOLIOU MARINA:

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-12T23:50:50Z

LIOLIOU MARINA:

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-12T23:37:17Z

LIOLIOU MARINA:

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-12T23:05:08Z

LIOLIOU MARINA:

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-12T23:01:56Z

LIOLIOU MARINA:

Αρχείο:Εικόνα28.png

2026-01-12T22:59:25Z

LIOLIOU MARINA:

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-12T22:38:46Z

LIOLIOU MARINA:

Αρχείο:Εικόνα27.png

2026-01-12T22:35:44Z

LIOLIOU MARINA:

Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα

2026-01-12T22:17:03Z

LIOLIOU MARINA:

Βελτιωμένη εκτίμηση της επιφανειακής ηλιακής ακτινοβολίας με χρήση δορυφορικών δεδομένων και εξαγωγής χαρακτηριστικών

2026-01-12T21:43:38Z

LIOLIOU MARINA:

<strong>Πρωτότυπος τίτλος:</strong>
<em>Improved Surface Solar Irradiation Estimation Using Satellite Data and Feature Engineering</em>

<p>
<strong>Συγγραφείς:</strong>
Jinyong Kim, Eunkyeong Kim, Seunghwan Jung, Minseok Kim, Baekcheon Kim, Sungshin Kim
</p>

<p>
<strong>Λέξεις κλειδιά:</strong>
surface solar irradiation estimation, satellite data, feature engineering, hybrid deep neural network, solar geometry
</p>

<p>
<strong>DOI:</strong>
https://doi.org/10.3390/rs17010065

</p>

<h1><strong>Εισαγωγή</strong></h1>

<p>
Η ηλιακή ενέργεια αποτελεί μία από τις σημαντικότερες και πλέον βιώσιμες πηγές καθαρής ενέργειας παγκοσμίως.
Μεταξύ των τεχνολογιών αξιοποίησής της, η φωτοβολταϊκή (PV) παραγωγή ηλεκτρικής ενέργειας παρουσιάζει ταχύτερη
ανάπτυξη, λόγω της υψηλής απόδοσης, του χαμηλού κόστους συντήρησης και της ευελιξίας εφαρμογής της σε διαφορετικές
κλίμακες. Η συνεχής αύξηση της εγκατεστημένης ισχύος φωτοβολταϊκών συστημάτων και η μείωση του κόστους τους
καθιστούν την ηλιακή ενέργεια βασικό πυλώνα της παγκόσμιας ενεργειακής μετάβασης.
</p>

<p>
Ωστόσο, η απόδοση των φωτοβολταϊκών συστημάτων εξαρτάται άμεσα από την επιφανειακή ηλιακή ακτινοβολία, η οποία επηρεάζεται έντονα από ατμοσφαιρικούς παράγοντες, όπως η νεφοκάλυψη, καθώς και από τη γεωμετρική μεταβολή της θέσης του ήλιου. Η μεταβλητότητα αυτή δημιουργεί αβεβαιότητα στην παραγωγή ενέργειας και καθιστά αναγκαία την αξιόπιστη εκτίμηση της ηλιακής ακτινοβολίας για τον σωστό σχεδιασμό και τη λειτουργία φωτοβολταϊκών εγκαταστάσεων.
</p>

<p>
Παραδοσιακά, η εκτίμηση της ηλιακής ακτινοβολίας βασίζεται σε επίγειες μετρήσεις από μετεωρολογικούς σταθμούς (με την χρήση πυρανόμετων), οι οποίες, αν και αξιόπιστες, χαρακτηρίζονται από περιορισμένη χωρική κάλυψη. Για την αντιμετώπιση του περιορισμού αυτού, η χρήση δορυφορικών δεδομένων προσφέρει σημαντικά πλεονεκτήματα, καθώς επιτρέπει την εκτίμηση της ηλιακής ακτινοβολίας σε μεγάλες γεωγραφικές περιοχές. Παρ’ όλα αυτά, πολλές υπάρχουσες προσεγγίσεις δεν αξιοποιούν πλήρως τη γεωμετρική πληροφορία που σχετίζεται με τη θέση του ήλιου και του δορυφόρου.
</p>

<p>
Στόχος της μελέτης είναι η βελτιωμένη εκτίμηση της επιφανειακής ηλιακής ακτινοβολίας μέσω της αξιοποίησης δορυφορικών δεδομένων και της εξαγωγής χαρακτηριστικών που περιγράφουν τη γεωμετρική σχέση ήλιου δορυφόρου. Η προτεινόμενη προσέγγιση βασίζεται σε τεχνικές βαθιάς μάθησης και επιδιώκει να υπερβεί τους χωρικούς περιορισμούς των επίγειων μετρήσεων, επιτυγχάνοντας αυξημένη ακρίβεια και γενικευσιμότητα των εκτιμήσεων.
</p>

<p>

<h1><strong>Μεθοδολογία</strong></h1>

Η προτεινόμενη μεθοδολογία αποτελείται από πέντε κύρια στάδια: (1) συλλογή δεδομένων, (2) προεπεξεργασία δεδομένων, (3) μηχανική χαρακτηριστικών, (4) επιλογή χαρακτηριστικών και (5) σχεδιασμό και εκπαίδευση του μοντέλου εκτίμησης και η ροή της παρουσιάζεται στην <strong>Εικόνα 1</strong>.
</p>

[[Αρχείο:Εικόνα1_Απλοποιημένη_αναπαράσταση_της_συνολικής_ροής_της_προτεινόμενης_μεθόδου.jpg.png|thumb|center|400px|<strong>Εικόνα 1:</strong> Απλοποιημένη αναπαράσταση της συνολικής ροής της προτεινόμενης μεθοδολογίας.]]

<p>

Για <strong>τα δορυφορικά δεδομένα</strong> χρησιμοποιήθηκαν παρατηρήσεις από τον γεωστατικό δορυφόρο GK2A, ο οποίος φέρει τον αισθητήρα AMI με 16 φασματικά κανάλια κατανεμημένα στο ορατό (VIS), εγγύς υπέρυθρο (NIR) και υπέρυθρο (IR) φάσμα. Τα δεδομένα καλύπτουν την περιοχή της Κορέας και συλλέχθηκαν σε ωριαία βάση για την περίοδο Ιούλιος 2019 έως Ιανουάριος 2024.

Ως δεδομένα αναφοράς (ground truth) χρησιμοποιήθηκαν μετρήσεις επιφανειακής ηλιακής ακτινοβολίας (SSI) από 52 επίγειους μετεωρολογικούς σταθμούς ASOS, όπου το SSI ορίζεται ως η ωριαία αθροιστική ολική οριζόντια ακτινοβολία (GHI) σε MJ/m². Από τους σταθμούς αυτούς, 40 χρησιμοποιήθηκαν για εκπαίδευση και επικύρωση και 12 για ανεξάρτητο έλεγχο όπως φαίνεται και στην <strong>Εικόνα 2</strong>.

</p>

[[Αρχείο:Εικόνα2_Θέσεις_των_52_συνοπτικών_μετεωρολογικών_σταθμών_από_τους_οποίους_συλλέχθηκαν_δεδομένα_επιφαν.png|thumb|center|600px|<strong>Εικόνα 2:</strong> Θέσεις των 52 συνοπτικών μετεωρολογικών σταθμών από τους οποίους συλλέχθηκαν δεδομένα επιφανειακής ηλιακής ακτινοβολίας (SSI): (a) θέσεις των 40 σταθμών που χρησιμοποιήθηκαν για την εκπαίδευση και την επικύρωση του μοντέλου (b) θέσεις των 12 σταθμών που χρησιμοποιήθηκαν για τον έλεγχο (testing).]]

Η <strong>προεπεξεργασία</strong> περιλάμβανε τέσσερα βήματα:

<p>

<ol>
<li>
φιλτράρισμα δεδομένων, με απομάκρυνση ελλιπών ή ανώμαλων μετρήσεων
(π.χ. σφάλματα πυρανόμετρων, ελλείποντα αρχεία GK2A),
</li>
<li>
εξαγωγή περιοχής ενδιαφέροντος (ROI) γύρω από κάθε σταθμό,
</li>
<li>
μετατροπή των <em>digital numbers</em> (DN) σε φυσικά μεγέθη, και
</li>
<li>
εναρμόνιση χωρικής ανάλυσης.
</li>
</ol>
</p>

Όσον αφορά το φιλτράρισμα, η ποιότητα των δεδομένων επηρεάζει άμεσα την απόδοση του μοντέλου βαθιάς μάθησης. Για τον λόγο αυτό εφαρμόστηκε φιλτράρισμα δεδομένων, με στόχο την απομάκρυνση ελλιπών τιμών και ανωμαλιών. Ελλείποντα δεδομένα GK2A εντοπίστηκαν και αφαιρέθηκαν βάσει μεταβολών στο μέγεθος των αρχείων, ενώ ανωμαλίες στα δεδομένα SSI εντοπίστηκαν μέσω οπτικής επιθεώρησης και αποδόθηκαν σε πιθανές δυσλειτουργίες πυρανόμετρων. Επιπλέον, αφαιρέθηκαν τιμές NaN (Not a Number) και χρησιμοποιήθηκαν μόνο χρονικές περίοδοι κατά τις οποίες είναι δυνατή η παρατήρηση της ηλιακής ακτινοβολίας, με βάση τις ώρες ανατολής και δύσης του ήλιου.
</p>

<p>
Η βέλτιστη περιοχή ROI προσδιορίστηκε μέσω συγκριτικών πειραμάτων και επιλέχθηκε τελικά ROI 9×9 pixels (18 km × 18 km), όπως απεικονίζεται στην <strong>Εικόνα 3</strong>, καθώς παρείχε την καλύτερη ισορροπία μεταξύ πληροφορίας και υπολογιστικού κόστους.
</p>

[[Αρχείο:Εικόνα3 Δύο σενάρια.png|thumb|center|600px|<strong>Εικόνα 3:</strong> Δύο σενάρια που απεικονίζουν τις διαφορετικές διαδρομές της ηλιακής ακτινοβολίας προς την επιφάνεια, κατά τη χρήση περιοχής ενδιαφέροντος (ROI) 9×9, η οποία καλύπτει έκταση 18 km × 18 km, με βάση χωρική ανάλυση 2 km.]]

Τα δορυφορικά δεδομένα παρέχονται ως ψηφιακές τιμές (DN), οι οποίες αποτελούν σχετικές μετρήσεις της έντασης του σήματος χωρίς άμεση φυσική σημασία. Για τον λόγο αυτό, χρησιμοποιήθηκαν πίνακες μετατροπής (look-up tables) του National Meteorological Satellite Center NMSC, ώστε τα κανάλια VIS και NIR (1-6) να μετατραπούν σε ακτινοβολία (radiance) και τα κανάλια IR (7-16) σε θερμοκρασία λαμπρότητας (brightness temperature, BT).
</p>

<p>
Σχετικά με την χωρική ανάλυση, τα κανάλια VIS (Visible) του GK2A διαθέτουν υψηλότερη χωρική ανάλυση (0.5 km ή 1 km) σε σχέση με τα υπόλοιπα κανάλια των 2 km, γεγονός που οδηγεί σε διαφορετικά μεγέθη δεδομένων για την ίδια περιοχή. Για την εναρμόνιση της χωρικής ανάλυσης εφαρμόστηκε downsampling με χρήση μέσου όρου, χρησιμοποιώντας παράθυρα 4×4 για δεδομένα 0.5 km και 2×2 για δεδομένα 1 km, ώστε όλα τα κανάλια να μετατραπούν σε ενιαία ανάλυση 2 km.
</p>

<p>
Σχετικά με το <strong>Feature Engineering</strong>, η μελέτη στοχεύει στην εκτίμηση της επιφανειακής ηλιακής ακτινοβολίας σε ωριαία βάση μέσω μοντέλου βαθιάς μάθησης. Για την επίτευξη υψηλής ακρίβειας, σχεδιάστηκαν χωροχρονικά χαρακτηριστικά που συνδυάζουν πληροφορία θέσης και χρόνου με γεωμετρικά χαρακτηριστικά του ήλιου και του δορυφόρου, ώστε να παρέχεται επαρκής φυσική πληροφορία στο μοντέλο.
</p>

<p>
Σχετικά με τις παραμέτρους της ηλιακής γεωμετρίας χρησιμοποιήθηκαν οι ακόλουθες σχέσεις για να υπολογιστούν παράμετροι ηλιακής γεωμετρίας.
[[Αρχείο:Εικόνα4 εξισωσεις 1.png|thumb|center|400px|]]
</p>

<p>
<small>''JD: Ιουλιανή ημέρα.''</small>
</p>
<small>''JD<sub>2000.0</sub>: Ιουλιανή ημέρα για την 1η Ιανουαρίου 2000 στις 12:00 το μεσημέρι (= 2451542,0).''</small>
<p>
<small>''n: Αριθμός ημερών από την JD2000.0.''</small>
</p>
<small>''L: Μέσο γεωγραφικό μήκος του ήλιου διορθωμένο για εκτροπή, σε μοίρες.''</small>
<p>
<small>''g: Μέση ανωμαλία, σε μοίρες.''</small>
</p>
<small>''λ: Εκλειπτικό μήκος, σε μοίρες.''</small>
</p>
<small>''ϵ: Κλίση της εκλειπτικής, σε μοίρες.''</small>
<p>
<small>''Des: Απόσταση Γης ήλιου, σε αστρονομικές μονάδες (AU).''</small>
</p>
<small>''δ: Γωνία απόκλισης του ήλιου, σε μοίρες.''</small>
<p>
<small>''α: Ορθή αναφορά (right ascension), σε μοίρες.''</small>
</p>
<small>''E<sub>min</sub>: Εξίσωση του χρόνου, σε λεπτά (min).''</small>
<p>
<small>''T<sub>UTC</sub>: Χρόνος της ημέρας σε Συντονισμένη Παγκόσμια Ώρα (UTC), από 0 έως 24 ώρες.''</small>
</p>
<small>''λ<sub>s</sub>: Γεωγραφικό μήκος του υποηλιακού σημείου, όπου ο ήλιος βρίσκεται κατακόρυφα, σε μοίρες.''</small>
<p>
<small>''λ<sub>o</sub>: Γεωγραφικό μήκος του σημείου εκτίμησης, σε μοίρες.''</small>
</p>
<small>''ω: Ωριαία γωνία, σε μοίρες.''</small>
<p>
<small>''ϕ<sub>s</sub>: Γεωγραφικό πλάτος του υποηλιακού σημείου, ίσο με τη γωνία απόκλισης του Ήλιου, σε μοίρες.''</small>
</p>
<small>''ϕ<sub>o</sub>: Γεωγραφικό πλάτος του σημείου εκτίμησης, σε μοίρες.''</small>
<p>
<small>''ω<sub>sr</sub>: Ωριαία γωνία κατά την ανατολή του ήλιου, σε μοίρες.''</small>
</p>
<small>''ω<sub>ss</sub>: Ωριαία γωνία κατά τη δύση του ήλιου, σε μοίρες.''</small>
<p>
<small>''θ<sub>sea</sub>: Γωνία ανύψωσης του ήλιου, σε μοίρες.''</small>
</p>
<small>''θ<sub>sza</sub>: Γωνία ζενίθ του ήλιου, σε μοίρες.''</small>
<p>
<small>''θ<sub>saa</sub>: Γωνία αζιμουθίου του ήλιου, σε μοίρες.''</small>
</p>

Τα δεδομένα GK2A παρέχουν δισδιάστατη πληροφορία εντός της περιοχής ενδιαφέροντος (ROI) γύρω από το σημείο εκτίμησης, όπου η συνεισφορά κάθε pixel διαφοροποιείται ανάλογα με τη γεωμετρία του ήλιου. Pixels ευθυγραμμισμένα με τη διεύθυνση του ηλιακού αζιμουθίου (solar azimuth angle, SAA) κατά μήκος της διαδρομής της ηλιακής ακτινοβολίας έχουν μεγαλύτερη βαρύτητα, ενώ η σημασία των pixels πλησίον του σημείου εκτίμησης αυξάνεται με την αύξηση της γωνίας ανύψωσης του ηλίου (solar elevation angle, SEA). Για τον σκοπό αυτό σχεδιάστηκε χαρακτηριστικό που ποσοτικοποιεί τη σχετική βαρύτητα κάθε pixel ως συνάρτηση του ηλιακού αζιμουθίου, σύμφωνα με τις Εξισώσεις.
</p>

<p>
Σχετικά με τις παραμέτρους της ηλιακής γεωμετρίας χρησιμοποιήθηκαν οι ακόλουθες σχέσεις για να υπολογιστούν παράμετροι ηλιακής γεωμετρίας.
[[Αρχείο:Εικόνα5 εξισώσεις 2.png|thumb|center|400px|]]
</p>
<small>''ϕ<sub>roi</sub>: Χάρτης γεωγραφικού πλάτους των δεδομένων GK2A, σε μοίρες.''</small>
<p>
<small>''λ<sub>roi</sub>: Χάρτης γεωγραφικού μήκους των δεδομένων GK2A, σε μοίρες.''</small>
</p>
<small>''θ<sub>aa</sub>: Χάρτης της γωνίας αζιμουθίου μεταξύ του σημείου εκτίμησης και των δεδομένων GK2A, σε μοίρες.''</small>
<p>
<small>''W<sub>saa</sub>: Χάρτης χωρικής βαρύτητας των δεδομένων GK2A βάσει του ηλιακού αζιμουθίου.''</small>
</p>

Η διεύθυνση του ηλιακού αζιμουθίου (SAA) ελήφθη υπόψη μέσω του υπολογισμού της διαφοράς μεταξύ του SAA και της γωνίας αζιμουθίου μεταξύ του σημείου εκτίμησης και των δεδομένων GK2A, ενώ η σχετική βαρύτητα των pixels προσδιορίστηκε με τη χρήση της συνάρτησης συνημιτόνου (W<sub>saa</sub>). Ωστόσο, επειδή το W<sub>saa</sub> δεν λαμβάνει υπόψη τη Sun’s great circle distance (μεγάλη κυκλική απόσταση του ηλίου) σχεδιάστηκε ο συντελεστής W<sub>sea</sub>, που εκφράζει τον λόγο της απόστασης μεταξύ του σημείου εκτίμησης και των δεδομένων GK2A ως προς τη μεγάλη κυκλική απόσταση του ήλιου. Ο τρόπος υπολογισμού του παρουσιάζεται στις ακόλουθες Εξισώσεις.
<p>
[[Αρχείο:Εικόνα6 εξισώσεις 3.png|thumb|center|400px|]]
</p>

<p>
Τα δεδομένα που παρατηρούνται από τον δορυφόρο περιλαμβάνουν σύνθετη φυσική πληροφορία που προέρχεται από την ανάκλαση της ακτινοβολίας στην επιφάνεια της Γης και στην ατμόσφαιρα, επομένως η επίδραση της ατμόσφαιρας δεν μπορεί να αγνοηθεί. Για τον λόγο αυτό λήφθηκε υπόψη η γεωμετρική πληροφορία του δορυφόρου, μέσω του σχεδιασμού δύο συναρτήσεων (W<sub>gaa</sub> και W<sub>gea</sub>), οι οποίες ενσωματώνουν τις γωνίες αζιμουθίου και ανύψωσης του δορυφόρου GK2A, κατά τρόπο ανάλογο με τα αντίστοιχα χαρακτηριστικά της ηλιακής γεωμετρίας, σύμφωνα με τις Εξισώσεις.
<p>
[[Αρχείο:Εικόνα6 εξισώσεις 3.png|thumb|center|400px|]]
</p>

<p>
<small>''λ<sub>g</sub>: Γεωγραφικό μήκος του δορυφόρου GK2A (= 128,2°).''</small>
</p>
<small>''θ<sub>gaa</sub>: Γωνία αζιμουθίου του δορυφόρου GK2A σε σχέση με το σημείο εκτίμησης, σε μοίρες.''</small>
<p>
<small>''W<sub>gaa</sub>: Χάρτης χωρικής βαρύτητας (συντελεστής χωρικής σημασίας) των δεδομένων GK2A βάσει της γωνίας θgaa.''</small>
</p>
<small>''γ<sub>g</sub>: Κεντρική γωνία μεταξύ του σημείου εκτίμησης και του δορυφόρου GK2A, σε μοίρες.''</small>
<p>
<small>''H<sub>g</sub>: Ύψος (τροχιακό υψόμετρο) του δορυφόρου GK2A (= 35786 km).''</small>
</p>
<small>''θ<sub>gea</sub>: Γωνία ανύψωσης του δορυφόρου GK2A σε σχέση με το σημείο εκτίμησης, σε μοίρες.''</small>
<p>
<small>''W<sub>gea</sub>: Λόγος της απόστασης μεταξύ του σημείου εκτίμησης και των δεδομένων GK2A προς τη μεγάλη κυκλική απόσταση του δορυφόρου GK2A.''</small>
</p>

<p>
Προχωρώντας τώρα στο <strong>Feature Selection – Επιλογή Χαρακτηριστικών</strong> εκείνη εφαρμόστηκε για τη μείωση της πολυπλοκότητας του μοντέλου και την αποφυγή υπερπροσαρμογής. Συνολικά εξετάστηκαν 88 χαρακτηριστικά, τα οποία περιλαμβάνουν φασματικές πληροφορίες από τα κανάλια του GK2A, διαφορές μεταξύ καναλιών που αντιστοιχούν στο ίδιο φυσικό μέγεθος και γεωμετρικά χαρακτηριστικά που προέκυψαν μέσω μηχανικής χαρακτηριστικών.
</p>
Τα χαρακτηριστικά χωρίστηκαν σε δύο ομάδες: εκείνα που δεν περιλαμβάνουν χωρική πληροφορία σχετικά με το σημείο εκτίμησης (x1 έως x84) και εκείνα που λαμβάνουν υπόψη τη σχετική θέση των δεδομένων μέσα στην περιοχή ενδιαφέροντος (x85 έως x88). Για την πρώτη ομάδα εφαρμόστηκε επιλογή χαρακτηριστικών με MLP (Multi-Layer Perceptron) και τα δεδομένα μετατράπηκαν σε μονοδιάστατη μορφή, καθώς δεν ήταν απαραίτητο να διατηρηθεί η χωρική πληροφορία. Αντίθετα, τα χαρακτηριστικά της δεύτερης ομάδας διατηρήθηκαν σε δισδιάστατη μορφή και αξιολογήθηκαν με HDNN (Hybrid Deep Neural Network), το οποίο μπορεί να χειριστεί ταυτόχρονα δεδομένα διαφορετικών διαστάσεων. Με τον τρόπο αυτό επιλέχθηκαν συνολικά 21 χαρακτηριστικά, τα οποία συνέβαλαν περισσότερο στη βελτίωση της ακρίβειας εκτίμησης της επιφανειακής ηλιακής ακτινοβολίας.
<p>
Σχετικά με τον <strong>Σχεδιασμό και την Εκπαίδευση του Μοντέλου</strong> επιλέχθηκε ένα υβριδικό βαθύ νευρωνικό δίκτυο (HDNN), του οποίου η αρχιτεκτονική παρουσιάζεται στην <strong>Εικόνα 4</strong>.
</p>

[[Αρχείο:Εικόνα8_αρχιτεκτονική.png|thumb|center|600px|<strong>Εικόνα 4:</strong> Αρχιτεκτονική του μοντέλου.]]

<p>
Οι υπερπαράμετροι (hyperparameters) του μοντέλου ρυθμίστηκαν έπειτα από δοκιμές και ορίστηκαν σε μέγιστο αριθμό εποχών (epoch) 1000, μέγεθος mini-batch 8192, ρυθμό μάθησης (learning rate) 0,001 και βελτιστοποιητή Adam (Adam optimizer ή αλλιώς adaptive moment estimation). Για την αποφυγή υπερπροσαρμογής (overfitting), το 10% των δεδομένων εκπαίδευσης χρησιμοποιήθηκε ως σύνολο επικύρωσης, με ημερήσια δειγματοληψία ώστε να λαμβάνεται υπόψη η ημερήσια περιοδικότητα της ηλιακής ακτινοβολίας. Επιπλέον, εφαρμόστηκε τεχνική early stopping με βάση το σφάλμα επικύρωσης, και ως τελικό μοντέλο επιλέχθηκε εκείνο που παρουσίασε τη μικρότερη τιμή validation loss.
</p>

<h1><strong>Πειραματικά Αποτελέσματα</strong></h1>

<p>
Για την αξιολόγηση της απόδοσης της προτεινόμενης μεθόδου πραγματοποιήθηκαν συγκριτικά πειράματα μεταξύ διαφορετικών μοντέλων, μεθόδων επιλογής χαρακτηριστικών και συνόλων εισόδων για την εκτίμηση της επιφανειακής ηλιακής ακτινοβολίας. Για τον σκοπό αυτό χρησιμοποιήθηκαν δεδομένα από 12 συνοπτικούς μετεωρολογικούς σταθμούς, οι οποίοι δεν είχαν συμμετάσχει στην εκπαίδευση του μοντέλου, ώστε να διασφαλιστεί ανεξάρτητος έλεγχος της απόδοσης (testing).
</p>
Για την αποφυγή υπερπροσαρμογής, το 10% των δεδομένων εκπαίδευσης χρησιμοποιήθηκε ως σύνολο επικύρωσης και εφαρμόστηκε τεχνική early stopping με βάση το σφάλμα επικύρωσης. Προκειμένου να ληφθεί υπόψη η τυχαιότητα που εισάγεται στη βαθιά μάθηση (π.χ. αρχικοποίηση βαρών και αναδιάταξη δεδομένων), η αξιολόγηση πραγματοποιήθηκε μέσω επαναλαμβανόμενων πειραμάτων: πέντε επαναλήψεις για πειράματα με μονοδιάστατα (1D) δεδομένα και τρεις επαναλήψεις για πειράματα με δισδιάστατα (2D) δεδομένα. Η τελική απόδοση καθορίστηκε από το πείραμα με τη μικρότερη τιμή RMSE.
<p>
Τα 4 KPI (Key Performance Indicators) που χρησιμοποιήθηκαν είναι οι 4 δείκτες RMSE, rRMSE, MAE και συντελεστής προσδιορισμού R² και υπολογίζονται σύμφωνα με τις ακόλουθες εξισώσεις.
</p>
[[Αρχείο:Εικόνα9_εξισώσεις_5.png|thumb|center|200px|]]
<p>
<small>''n: Αριθμός παρατηρήσεων (δεδομένων).''</small>
</p>
<small>''yₖ: k-οστή πραγματική τιμή (τιμή στόχου).''</small>
<p>
<small>''ŷₖ: k-οστή εκτιμώμενη τιμή (πρόβλεψη του μοντέλου).''</small>
</p>
<small>''ȳ: Μέση τιμή των πραγματικών τιμών (στόχων).''</small>
<p>

Συγκρίθηκαν διαφορετικά μοντέλα μηχανικής μάθησης (MLP, LSTM και HDNN). Τα αποτελέσματα έδειξαν ότι το υβριδικό βαθύ νευρωνικό δίκτυο (HDNN) παρουσίασε τη συνολικά καλύτερη απόδοση. Αυτό οφείλεται στο γεγονός ότι το HDNN μπορεί να επεξεργάζεται χωρικά δεδομένα σε δισδιάστατη μορφή, αξιοποιώντας πληροφορία από την περιοχή γύρω από τον σταθμό και όχι μόνο από το ίδιο το σημείο μέτρησης. Αντίθετα, τα MLP και LSTM περιορίζονται κυρίως σε μονοδιάστατη πληροφορία και δεν εκμεταλλεύονται πλήρως τη χωρική δομή των δορυφορικών δεδομένων. Επίσης, οι δείκτες για τα 3 μοντέλα παρουσιάζονται στην <strong>Εικόνα 5</strong>.
</p>
[[Αρχείο:Εικόνα10 εξισώσεις 6.png|thumb|center|600px|<strong>Εικόνα 5:</strong> Σύγκριση της απόδοσης της εκτίμησης της επιφανειακής ηλιακής ακτινοβολίας (SSI) μεταξύ διαφορετικών μοντέλων. Κάθε τιμή αντιπροσωπεύει τη μέση απόδοση που προκύπτει από 12 συνοπτικούς μετεωρολογικούς σταθμούς.]]
<p>
Στη συνέχεια, αξιολογήθηκαν διαφορετικές μέθοδοι επιλογής χαρακτηριστικών. Διαπιστώθηκε ότι η μέθοδος Deep-FS υπερέχει έναντι κλασικών στατιστικών προσεγγίσεων διότι επέτρεψε την επιλογή ενός μικρότερου αλλά πιο ουσιαστικού συνόλου χαρακτηριστικών, διατηρώντας υψηλή ακρίβεια και μειώνοντας σημαντικά την πολυπλοκότητα του μοντέλου.
</p>
Επίσης σημειώθηκε πως όταν χρησιμοποιήθηκαν ταυτόχρονα χαρακτηριστικά που σχετίζονται με την γεωμετρία του ήλιου και που περιλαμβάνουν σχετική χωρική πληροφορία γύρω από το σημείο εκτίμησης βελτίωσαν αισθητά την απόδοση του μοντέλου. το μοντέλο παρουσίασε την υψηλότερη ακρίβεια, γεγονός που δείχνει ότι τα δύο αυτά είδη πληροφορίας είναι συμπληρωματικά μεταξύ τους.
<p>
Τέλος, η προτεινόμενη από την δημοσίευση μέθοδος συγκρίθηκε με το ευρέως χρησιμοποιούμενο προϊόν ERA5 (SSRD) και αποδείχθηκε ότι υπερτερεί σε όλα τα κριτήρια αξιολόγησης όπως παρουσιάζεται και στην <strong>Eικόνα 6</strong>. Αυτό καταδεικνύει ότι η συνδυαστική αξιοποίηση δορυφορικών δεδομένων υψηλής ανάλυσης, γεωμετρικής πληροφορίας και βαθιάς μάθησης μπορεί να οδηγήσει σε πιο ακριβείς και αξιόπιστες εκτιμήσεις της ηλιακής ακτινοβολίας.
</p>
[[Αρχείο:Εικόνα11_Σύγκριση.png|thumb|center|600px|<strong>Εικόνα 6:</strong> Σύγκριση της απόδοσης της επιφανειακής ηλιακής ακτινοβολίας (SSI) που προκύπτει από την προτεινόμενη μέθοδο και του αξιόπιστου προϊόντος SSRD που παρέχεται από το ERA5. Κάθε τιμή αντιπροσωπεύει τη μέση απόδοση από 12 συνοπτικούς μετεωρολογικούς σταθμούς.]]
<p>

<h1><strong>Συμπεράσματα</strong></h1>
</p>

<p>

Η μελέτη πρότεινε μια μέθοδο εκτίμησης της επιφανειακής ηλιακής ακτινοβολίας βασισμένη σε δορυφορικά δεδομένα GK2A και τεχνικές μηχανικής χαρακτηριστικών. Τα αποτελέσματα έδειξαν πολύ υψηλή ακρίβεια εκτίμησης, ακόμη και σε σταθμούς που δεν χρησιμοποιήθηκαν στην εκπαίδευση, επιβεβαιώνοντας την αποτελεσματικότητα της προσέγγισης.
</p>

Το υβριδικό βαθύ νευρωνικό δίκτυο (HDNN) αποδείχθηκε ιδιαίτερα κατάλληλο, καθώς αξιοποιεί ταυτόχρονα χωρική και χρονική πληροφορία από δεδομένα διαφορετικών διαστάσεων. Η μέθοδος παρουσιάζει σημαντικές δυνατότητες για πρακτικές εφαρμογές, όπως ο σχεδιασμός και η χωροθέτηση φωτοβολταϊκών εγκαταστάσεων, ενώ η χρήση δεδομένων από περισσότερες περιοχές θα μπορούσε να βελτιώσει περαιτέρω τη γενικευσιμότητά της.

[[category:Ενέργεια]]

Εκτίμηση της υπέργειας δασικής βιομάζας με χρήση πολυπηγικών δεδομένων τηλεπισκόπησης και αλγορίθμων βαθιάς μάθησης (Hangzhou Κίνας)

2026-01-12T16:24:58Z

LIOLIOU MARINA:

<strong>Πρωτότυπος τίτλος:</strong> Forest Aboveground Biomass Estimation Using Multisource Remote Sensing Data and Deep Learning Algorithms: A Case Study over Hangzhou Area in China
<p>
<strong>Συγγραφείς:</strong> Xin Tian, Jiejie Li, Fanyi Zhang, Haibo Zhang and MiJiang
</p>
<strong>Keywords:</strong> forest aboveground biomass; deep learning; multisource remote sensing
<p>
<strong>DOI:</strong> https://doi.org/10.3390/rs16061074
</p>
<h1><strong>Εισαγωγή</strong></h1>
<p>
<h2><strong>Σημασία περιοχής και δασικής βιομάζας</strong></h2>
</p>
[[Αρχείο:Εικόνα22.png|thumb|right|400px|<strong>Εικόνα 1:</strong> Περιοχές μελέτης]]
<p>
Η επαρχία Zhejiang στην Κίνα έχει δασική κάλυψη 61.15%, γεγονός που την κατατάσσει ανάμεσα στις πέντε υψηλότερες σε όλη τη χώρα. Το κλίμα της περιοχής ευνοεί την ανάπτυξη πλούσιων δασικών οικοσυστημάτων, τα οποία αποτελούν κεντρικό παράγοντα ρύθμισης του κλίματος και ισορροπίας του άνθρακα. Η δασική βιομάζα, ως κύριος φορέας δέσμευσης άνθρακα, έχει κρίσιμη συμβολή στη διατήρηση του παγκόσμιου κύκλου του CO₂, επομένως η γρήγορη και ακριβής χαρτογράφηση της χωρικής κατανομής της είναι απαραίτητη για την κατανόηση και τον έλεγχο της κλιματικής μεταβολής.
</p>
<h2><strong>Προβλήματα παραδοσιακών μεθόδων και ανάγκη τηλεπισκόπησης</strong></h2>
<p>
Η εκτίμηση της δασικής βιομάζας μέσω επιτόπιων μετρήσεων και αναλυτικών μοντέλων ανάπτυξης μπορεί να προσφέρει υψηλή ακρίβεια, ωστόσο η διαδικασία είναι δαπανηρή, χρονοβόρα και περιορισμένη χωρικά, γεγονός που καθιστά αδύνατη την εφαρμογή της σε περιφερειακή ή παγκόσμια κλίμακα. Αντίθετα, η τηλεπισκόπηση παρέχει υψηλής συχνότητας δεδομένα, επιτρέποντας τη μακροσκοπική, μη καταστροφική και συνεχή εκτίμηση της βιομάζας. Τόσο οι οπτικοί όσο και οι SAR αισθητήρες έχουν αποδειχθεί αποτελεσματικοί στη χαρτογράφηση της δομής και της δυναμικής των δασικών οικοσυστημάτων, ενώ ο συνδυασμός τους ενισχύει περαιτέρω την ακρίβεια των εκτιμήσεων, παρά το γεγονός ότι η ετερογένεια των δεδομένων μπορεί να εισάγει πρόσθετες πηγές σφάλματος.
</p>
<h2><strong>Εξέλιξη μεθόδων και στόχος της μελέτης</strong></h2>
<p>
Παραδοσιακές μέθοδοι, όπως η πολλαπλή γραμμική παλινδρόμηση, χρησιμοποιήθηκαν εκτενώς για την εκτίμηση της βιομάζας, όμως δεν αποδίδουν ικανοποιητικά λόγω της μη γραμμικότητας της σχέσης μεταξύ φασματικών δεικτών και βιομάζας. Οι τεχνικές μηχανικής μάθησης, όπως Random Forest και SVM, ανέβασαν την ακρίβεια, ενώ πιο πρόσφατες προσεγγίσεις ενσωματώνουν δεδομένα από πολλαπλούς δορυφόρους (Sentinel, ICESat-2, ALOS-2) και εξερευνούν τη χρήση deep learning. Η συγκεκριμένη μελέτη επιδιώκει να αξιολογήσει το κατά πόσο προηγμένα μοντέλα, όπως CNN και CNN-LSTM, σε συνδυασμό με multisource remote sensing data (optical and SAR), μπορούν να επιτύχουν υψηλότερη ακρίβεια στην εκτίμηση της υπέργειας δασικής βιομάζας και να παραχθεί ένας αξιόπιστος χάρτης χωρικής κατανομής για την περιοχή Lin’an της Zhejiang (<strong>Εικόνα 1</strong>).
</p>
<h1><strong>Μεθοδολογία</strong></h1>
<p>
<h2><strong>Επίγεια Δεδομένα</strong></h2>
</p>
Τα δεδομένα πεδίου προέρχονται από την ένατη εθνική απογραφή δασικών πόρων (National Forest Resources Continuous Inventory, 2018), η οποία αποτελεί την πιο ολοκληρωμένη βάση δεδομένων δασικών χαρακτηριστικών στην Κίνα. Για κάθε δειγματοληπτική επιφάνεια καταγράφηκαν:
<p>
*η διάμετρος στο ύψος θώρακα (DBH),
*το ύψος των δέντρων, η ταξινόμηση του είδους,
*η ηλικία και
*η προέλευση.
</p>
Μη δασικές εκτάσεις (αγροτική γη, κατασκευασμένες περιοχές, εκτάσεις χωρίς αποθέματα ξύλου) αποκλείστηκαν.
<p>
Η υπέργεια βιομάζα υπολογίστηκε για κάθε δέντρο χρησιμοποιώντας τις καταγεγραμμένες εξισώσεις ανάπτυξης ανά είδος. Τα είδη ταξινομήθηκαν σε τέσσερις κατηγορίες (fir, horsetail pine, hard broadleaf, soft broadleaf) σύμφωνα με τη σύνθεση της χλωρίδας της περιοχής.
</p>
<h2><strong>Επεξεργασία Οπτικών και SAR Δεδομένων</strong></h2>
<p>
Στη μελέτη χρησιμοποιήθηκαν έξι δορυφορικά συστήματα:
</p>
{| class="wikitable"
| style="width: 50%;" |
1) Οπτικά δεδομένα
*GF-6 (16 m, 8 φασματικές ζώνες, red-edge band)
*Sentinel-2 (13 ζώνες, 10–60 m)
*Landsat-8 OLI (30 m multispectral, 15 m panchromatic)
<p>
Βήματα προεπεξεργασίας οπτικών δεδομένων:
*ατμοσφαιρική διόρθωση,
*γεωμετρική διόρθωση και αναπροβολή σε σύστημα UTM,
*υπολογισμός δεικτών βλάστησης (NDVI, DVI, GNDVI, RVI),
*εξαγωγή χαρακτηριστικών υφής GLCM (μέση τιμή, διακύμανση, εντροπία, αντίθεση, ομοιογένεια, ανομοιότητα, συσχέτιση).

| style="width: 50%;" |
2) SAR δεδομένα
*GF-3
*Sentinel-1
*ALOS-2 PALSAR-2
</p>
Βήματα προεπεξεργασίας SAR:
*ραδιομετρική διόρθωση ανάγλυφου,
*συνεγγραφή με DEM και γεωκωδικοποίηση στο EPSG:4326,
*αποθορυβοποίηση speckle με φίλτρο Adaptive Lee,
*εξαγωγή συντελεστών οπισθοσκέδασης,
*αποσύνθεση πόλωσης Cloude–Pottier (entropy H, anisotropy A, μέση γωνία σκέδασης α).
|}
<p>
<h2><strong>Επιλογή Χαρακτηριστικών Μεταβλητών (Characteristic Variable Selection)</strong></h2>
</p>
{| class="wikitable"
| style="width: 50%;" |
Από τα οπτικά δεδομένα εξήχθησαν:
*φασματικές ζώνες,
*δείκτες βλάστησης: NDVI, DVI, GNDVI, RVI,
*χαρακτηριστικά υφής GLCM.

| style="width: 50%;" |
Από τα SAR δεδομένα εξήχθησαν:
*συντελεστές οπισθοσκέδασης (HH, HV, VV, VH),
*χαρακτηριστικά υφής,
*μεταβλητές αποσύνθεσης πόλωσης (H, A, α).
|}
<p>
Όλες οι μεταβλητές υποβλήθηκαν σε ανάλυση συσχέτισης Pearson για εντοπισμό εκείνων με το υψηλότερο συσχετισμό με την υπέργεια βιομάζα.
</p>
<h2><strong>Πειραματικά Μοντέλα</strong></h2>
<p>
[[Αρχείο:Εικόνα23.png|thumb|right|600px|<strong>Εικόνα 2:</strong> Δομή του μοντέλου CNN-LSTM]]
</p>
<h3><strong>Random Forest (RF)</strong></h3>
<p>
Το RF χρησιμοποιήθηκε ως βασικό μοντέλο μηχανικής μάθησης. Η μέθοδος βασίζεται σε σύνολο δέντρων αποφάσεων που εκπαιδεύονται με τυχαία δειγματοληψία δεδομένων και μεταβλητών. Ο αριθμός των δέντρων ορίστηκε σε 500 και ο αριθμός μεταβλητών ανά split σε 5.
</p>
<h3><strong>Convolutional Neural Network (CNN)</strong></h3>
<p>
Το CNN αξιοποιήθηκε για την αυτόματη εξαγωγή χωρικών και υφικών χαρακτηριστικών από τα εικόνα–patches. Η αρχιτεκτονική περιλαμβάνει διαδοχικά συνελικτικά επίπεδα με ενεργοποιήσεις, στρώματα υποδειγματοληψίας (pooling) για μείωση διαστάσεων και τελικό πλήρως συνδεδεμένο επίπεδο για την πρόβλεψη της υπέργειας βιομάζας.
</p>
<h3><strong>CNN-LSTM</strong></h3>
<p>
Το υβριδικό μοντέλο CNN–LSTM συνδυάζει την εξαγωγή χωρικών χαρακτηριστικών μέσω CNN με τη δυνατότητα του LSTM να συλλαμβάνει συσχετίσεις μεταξύ των διαδοχικών χαρακτηριστικών. Το μοντέλο αυτό έδωσε την καλύτερη συνολικά απόδοση στην εκτίμηση της υπέργειας βιομάζας (<strong>Εικόνα 2</strong>).
</p>
<h2><strong>Ροή Εργασίας</strong></h2>
[[Αρχείο:Εικόνα24.png|thumb|right|400px|<strong>Εικόνα 3:</strong> Workflow]]
Η συνολική μεθοδολογική διαδικασία συνοψίζεται στην <strong>Εικόνα 3</strong> και περιλαμβάνει:
#Συλλογή δεδομένων τηλεπισκόπησης (οπτικών και SAR).
#Προεπεξεργασία εικόνων.
#Εξαγωγή χαρακτηριστικών μεταβλητών (φασματικών, υφής και πόλωσης).
#Ανάλυση συσχέτισης Pearson και επιλογή χαρακτηριστικών.
#Εκπαίδευση των μοντέλων RF, CNN και CNN–LSTM.
#Σύγκριση επιδόσεων των μοντέλων.
#Σύντηξη multisource δεδομένων για τελική εκτίμηση AGB.
#Παραγωγή χωρικού χάρτη βιομάζας.
<p>
<h2><strong>Αξιολόγηση Ακρίβειας Μοντέλου</strong></h2>
</p>
Η αξιολόγηση της απόδοσης των μοντέλων στη μελέτη πραγματοποιήθηκε με τη χρήση βασικών δεικτών σφάλματος και αξιοπιστίας οι οποίοι υπολογίζονται από τις ακόλουθες εξισώσεις.
<p>
[[Αρχείο:Εικόνα25.png|thumb|center|200px]]
</p>
<h1><strong>Συμπεράσματα</strong></h1>
<p>
{| class="wikitable" style="width:100%;"
| style="width:33%; vertical-align:top;" | <strong>Προβλεπόμενες μεταβλητές</strong>
</p>
Από τα SAR δεδομένα εξήχθησαν:
*συντελεστές οπισθοσκέδασης (backscatter),
*χαρακτηριστικά που έχουν να κάνουν με την υφή (texture features),
*παράμετροι αποσύνθεσης πόλωσης.
<p>
Το L-band ALOS-2 ήταν το πιο χρήσιμο για εκτίμηση βιομάζας, κυρίως όταν χρησιμοποιήθηκαν οι πολώσεις HV και VH, που “βλέπουν” καλύτερα την υγρασία και τη δομή των δέντρων.
</p>
Τα χαρακτηριστικά υφής βοηθούν επειδή μειώνουν τον θόρυβο στο σήμα και έτσι δίνουν πιο σταθερή πληροφορία για τη βιομάζα.
<p>
Στα οπτικά δεδομένα, η red-edge ζώνη, οι δείκτες βλάστησης (όπως ο NDVI) και τα PCA components είχαν πιο δυνατή σχέση με τη βιομάζα σε σχέση με τα απλά χαρακτηριστικά υφής.
| style="width:33%; vertical-align:top;" | <strong>Αποτελέσματα δοκιμής του μοντέλου</strong>
</p>
* Από τα SAR δεδομένα, το ALOS-2 (L-band) είχε την καλύτερη ακρίβεια, με το υψηλότερο R² και το χαμηλότερο RMSE. Το GF-3 είχε τη δεύτερη καλύτερη επίδοση και το Sentinel-1 την χαμηλότερη.
<p>
* Το L-band είναι καλύτερο από το C-band επειδή διεισδύει βαθύτερα στη βλάστηση και δίνει πιο αξιόπιστες πληροφορίες για τη δομή της κόμης.
</p>
* Μεταξύ των μεθόδων, το CNN-LSTM είχε την καλύτερη συνολική ακρίβεια, το CNN ήταν δεύτερο, και το Random Forest τρίτο αλλά με σταθερές προβλέψεις.
<p>
* Στα οπτικά δεδομένα, το Landsat-8 είχε την υψηλότερη ακρίβεια, το Sentinel-2 ήταν δεύτερο, και το GF-6 είχε τις λιγότερο ακριβείς εκτιμήσεις.
</p>
* Τα deep learning μοντέλα (CNN και CNN-LSTM) απέδωσαν καλύτερα από το RF, επειδή εξάγουν βαθύτερα και πιο σύνθετα χαρακτηριστικά από τα δεδομένα.
| style="width:33%; vertical-align:top;" | <strong>Χαρτογράφηση της Χωρικής Κατανομής του Δάσους</strong>
<p>
* Ο συνδυασμός οπτικών και SAR δεδομένων βελτιώνει την ακρίβεια εκτίμησης βιομάζας λόγω συμπληρωματικότητας πληροφορίας.
</p>
* Το μοντέλο CNN-LSTM είχε την καλύτερη απόδοση, ειδικά όταν χρησιμοποιήθηκαν multisource δεδομένα (R² ≈ 0.74).
<p>
* Τα οπτικά δεδομένα έδωσαν υψηλή ακρίβεια, ενώ τα SAR μόνα τους δεν βελτίωσαν σημαντικά τα αποτελέσματα.
</p>
* Η <strong>Εικόνα 4</strong> δείχνει ότι η εκτιμώμενη βιομάζα κυμαίνεται από 60–90 Mg/ha, με χαμηλές τιμές σε κατοικημένες περιοχές και υψηλές σε δασικές/ορεινές ζώνες.
<p>
[[Αρχείο:Εικόνα26.png|thumb|center|200px|Χωρική κατανομή της υπέργειας δασικής βιομάζας στην περιοχή μελέτης]]
|}

[[category:Δασοπονία, Δασική διαχείριση]]

Εκτίμηση της υπέργειας δασικής βιομάζας με χρήση πολυπηγικών δεδομένων τηλεπισκόπησης και αλγορίθμων βαθιάς μάθησης (Hangzhou Κίνας)

2026-01-12T16:22:19Z

LIOLIOU MARINA:

<strong>Πρωτότυπος τίτλος:</strong> Forest Aboveground Biomass Estimation Using Multisource Remote Sensing Data and Deep Learning Algorithms: A Case Study over Hangzhou Area in China
<p>
<strong>Συγγραφείς:</strong> Xin Tian, Jiejie Li, Fanyi Zhang, Haibo Zhang and MiJiang
</p>
<strong>Keywords:</strong> forest aboveground biomass; deep learning; multisource remote sensing
<p>
<strong>DOI:</strong> https://doi.org/10.3390/rs16061074
</p>
<h1><strong>Εισαγωγή</strong></h1>
<p>
<h2><strong>Σημασία περιοχής και δασικής βιομάζας</strong></h2>
</p>
[[Αρχείο:Εικόνα22.png|thumb|right|400px|<strong>Εικόνα 1:</strong> Περιοχές μελέτης]]
<p>
Η επαρχία Zhejiang στην Κίνα έχει δασική κάλυψη 61.15%, γεγονός που την κατατάσσει ανάμεσα στις πέντε υψηλότερες σε όλη τη χώρα. Το κλίμα της περιοχής ευνοεί την ανάπτυξη πλούσιων δασικών οικοσυστημάτων, τα οποία αποτελούν κεντρικό παράγοντα ρύθμισης του κλίματος και ισορροπίας του άνθρακα. Η δασική βιομάζα, ως κύριος φορέας δέσμευσης άνθρακα, έχει κρίσιμη συμβολή στη διατήρηση του παγκόσμιου κύκλου του CO₂, επομένως η γρήγορη και ακριβής χαρτογράφηση της χωρικής κατανομής της είναι απαραίτητη για την κατανόηση και τον έλεγχο της κλιματικής μεταβολής.
</p>
<h2><strong>Προβλήματα παραδοσιακών μεθόδων και ανάγκη τηλεπισκόπησης</strong></h2>
<p>
Η εκτίμηση της δασικής βιομάζας μέσω επιτόπιων μετρήσεων και αναλυτικών μοντέλων ανάπτυξης μπορεί να προσφέρει υψηλή ακρίβεια, ωστόσο η διαδικασία είναι δαπανηρή, χρονοβόρα και περιορισμένη χωρικά, γεγονός που καθιστά αδύνατη την εφαρμογή της σε περιφερειακή ή παγκόσμια κλίμακα. Αντίθετα, η τηλεπισκόπηση παρέχει υψηλής συχνότητας δεδομένα, επιτρέποντας τη μακροσκοπική, μη καταστροφική και συνεχή εκτίμηση της βιομάζας. Τόσο οι οπτικοί όσο και οι SAR αισθητήρες έχουν αποδειχθεί αποτελεσματικοί στη χαρτογράφηση της δομής και της δυναμικής των δασικών οικοσυστημάτων, ενώ ο συνδυασμός τους ενισχύει περαιτέρω την ακρίβεια των εκτιμήσεων, παρά το γεγονός ότι η ετερογένεια των δεδομένων μπορεί να εισάγει πρόσθετες πηγές σφάλματος.
</p>
<h2><strong>Εξέλιξη μεθόδων και στόχος της μελέτης</strong></h2>
<p>
Παραδοσιακές μέθοδοι, όπως η πολλαπλή γραμμική παλινδρόμηση, χρησιμοποιήθηκαν εκτενώς για την εκτίμηση της βιομάζας, όμως δεν αποδίδουν ικανοποιητικά λόγω της μη γραμμικότητας της σχέσης μεταξύ φασματικών δεικτών και βιομάζας. Οι τεχνικές μηχανικής μάθησης, όπως Random Forest και SVM, ανέβασαν την ακρίβεια, ενώ πιο πρόσφατες προσεγγίσεις ενσωματώνουν δεδομένα από πολλαπλούς δορυφόρους (Sentinel, ICESat-2, ALOS-2) και εξερευνούν τη χρήση deep learning. Η συγκεκριμένη μελέτη επιδιώκει να αξιολογήσει το κατά πόσο προηγμένα μοντέλα, όπως CNN και CNN-LSTM, σε συνδυασμό με multisource remote sensing data (optical and SAR), μπορούν να επιτύχουν υψηλότερη ακρίβεια στην εκτίμηση της υπέργειας δασικής βιομάζας και να παραχθεί ένας αξιόπιστος χάρτης χωρικής κατανομής για την περιοχή Lin’an της Zhejiang (<strong>Εικόνα 1</strong>).
</p>
<h1><strong>Μεθοδολογία</strong></h1>
<p>
<h2><strong>Επίγεια Δεδομένα</strong></h2>
</p>
Τα δεδομένα πεδίου προέρχονται από την ένατη εθνική απογραφή δασικών πόρων (National Forest Resources Continuous Inventory, 2018), η οποία αποτελεί την πιο ολοκληρωμένη βάση δεδομένων δασικών χαρακτηριστικών στην Κίνα. Για κάθε δειγματοληπτική επιφάνεια καταγράφηκαν:
<p>
*η διάμετρος στο ύψος θώρακα (DBH),
*το ύψος των δέντρων, η ταξινόμηση του είδους,
*η ηλικία και
*η προέλευση.
</p>
Μη δασικές εκτάσεις (αγροτική γη, κατασκευασμένες περιοχές, εκτάσεις χωρίς αποθέματα ξύλου) αποκλείστηκαν.
<p>
Η υπέργεια βιομάζα υπολογίστηκε για κάθε δέντρο χρησιμοποιώντας τις καταγεγραμμένες εξισώσεις ανάπτυξης ανά είδος. Τα είδη ταξινομήθηκαν σε τέσσερις κατηγορίες (fir, horsetail pine, hard broadleaf, soft broadleaf) σύμφωνα με τη σύνθεση της χλωρίδας της περιοχής.
</p>
<h2><strong>Επεξεργασία Οπτικών και SAR Δεδομένων</strong></h2>
<p>
Στη μελέτη χρησιμοποιήθηκαν έξι δορυφορικά συστήματα:
</p>
{| class="wikitable"
| style="width: 50%;" |
1) Οπτικά δεδομένα
*GF-6 (16 m, 8 φασματικές ζώνες, red-edge band)
*Sentinel-2 (13 ζώνες, 10–60 m)
*Landsat-8 OLI (30 m multispectral, 15 m panchromatic)
<p>
Βήματα προεπεξεργασίας οπτικών δεδομένων:
*ατμοσφαιρική διόρθωση,
*γεωμετρική διόρθωση και αναπροβολή σε σύστημα UTM,
*υπολογισμός δεικτών βλάστησης (NDVI, DVI, GNDVI, RVI),
*εξαγωγή χαρακτηριστικών υφής GLCM (μέση τιμή, διακύμανση, εντροπία, αντίθεση, ομοιογένεια, ανομοιότητα, συσχέτιση).

| style="width: 50%;" |
2) SAR δεδομένα
*GF-3
*Sentinel-1
*ALOS-2 PALSAR-2
</p>
Βήματα προεπεξεργασίας SAR:
*ραδιομετρική διόρθωση ανάγλυφου,
*συνεγγραφή με DEM και γεωκωδικοποίηση στο EPSG:4326,
*αποθορυβοποίηση speckle με φίλτρο Adaptive Lee,
*εξαγωγή συντελεστών οπισθοσκέδασης,
*αποσύνθεση πόλωσης Cloude–Pottier (entropy H, anisotropy A, μέση γωνία σκέδασης α).
|}
<p>
<h2><strong>Επιλογή Χαρακτηριστικών Μεταβλητών (Characteristic Variable Selection)</strong></h2>
</p>
{| class="wikitable"
| style="width: 50%;" |
Από τα οπτικά δεδομένα εξήχθησαν:
*φασματικές ζώνες,
*δείκτες βλάστησης: NDVI, DVI, GNDVI, RVI,
*χαρακτηριστικά υφής GLCM.

| style="width: 50%;" |
Από τα SAR δεδομένα εξήχθησαν:
*συντελεστές οπισθοσκέδασης (HH, HV, VV, VH),
*χαρακτηριστικά υφής,
*μεταβλητές αποσύνθεσης πόλωσης (H, A, α).
|}
<p>
Όλες οι μεταβλητές υποβλήθηκαν σε ανάλυση συσχέτισης Pearson για εντοπισμό εκείνων με το υψηλότερο συσχετισμό με την υπέργεια βιομάζα.
</p>
<h2><strong>Πειραματικά Μοντέλα</strong></h2>
<p>
[[Αρχείο:Εικόνα23.png|thumb|right|600px|<strong>Εικόνα 2:</strong> Δομή του μοντέλου CNN-LSTM]]
</p>
<h3><strong>Random Forest (RF)</strong></h3>
<p>
Το RF χρησιμοποιήθηκε ως βασικό μοντέλο μηχανικής μάθησης. Η μέθοδος βασίζεται σε σύνολο δέντρων αποφάσεων που εκπαιδεύονται με τυχαία δειγματοληψία δεδομένων και μεταβλητών. Ο αριθμός των δέντρων ορίστηκε σε 500 και ο αριθμός μεταβλητών ανά split σε 5.
</p>
<h3><strong>Convolutional Neural Network (CNN)</strong></h3>
<p>
Το CNN αξιοποιήθηκε για την αυτόματη εξαγωγή χωρικών και υφικών χαρακτηριστικών από τα εικόνα–patches. Η αρχιτεκτονική περιλαμβάνει διαδοχικά συνελικτικά επίπεδα με ενεργοποιήσεις, στρώματα υποδειγματοληψίας (pooling) για μείωση διαστάσεων και τελικό πλήρως συνδεδεμένο επίπεδο για την πρόβλεψη της υπέργειας βιομάζας.
</p>
<h3><strong>CNN-LSTM</strong></h3>
<p>
Το υβριδικό μοντέλο CNN–LSTM συνδυάζει την εξαγωγή χωρικών χαρακτηριστικών μέσω CNN με τη δυνατότητα του LSTM να συλλαμβάνει συσχετίσεις μεταξύ των διαδοχικών χαρακτηριστικών. Το μοντέλο αυτό έδωσε την καλύτερη συνολικά απόδοση στην εκτίμηση της υπέργειας βιομάζας (<strong>Εικόνα 2</strong>).
</p>
<h2><strong>Ροή Εργασίας</strong></h2>
[[Αρχείο:Εικόνα24.png|thumb|right|400px|<strong>Εικόνα 3:</strong> Workflow]]
Η συνολική μεθοδολογική διαδικασία συνοψίζεται στην <strong>Εικόνα 3</strong> και περιλαμβάνει:
#Συλλογή δεδομένων τηλεπισκόπησης (οπτικών και SAR).
#Προεπεξεργασία εικόνων.
#Εξαγωγή χαρακτηριστικών μεταβλητών (φασματικών, υφής και πόλωσης).
#Ανάλυση συσχέτισης Pearson και επιλογή χαρακτηριστικών.
#Εκπαίδευση των μοντέλων RF, CNN και CNN–LSTM.
#Σύγκριση επιδόσεων των μοντέλων.
#Σύντηξη multisource δεδομένων για τελική εκτίμηση AGB.
#Παραγωγή χωρικού χάρτη βιομάζας.
<p>
<h2><strong>Αξιολόγηση Ακρίβειας Μοντέλου</strong></h2>
</p>
Η αξιολόγηση της απόδοσης των μοντέλων στη μελέτη πραγματοποιήθηκε με τη χρήση βασικών δεικτών σφάλματος και αξιοπιστίας οι οποίοι υπολογίζονται από τις ακόλουθες εξισώσεις.
<p>
[[Αρχείο:Εικόνα25.png|thumb|center|200px]]
</p>
<h1><strong>Συμπεράσματα</strong></h1>
<p>
{| class="wikitable" style="width:100%;"
| style="width:33%;" | <strong>Προβλεπόμενες μεταβλητές</strong>
</p>
Από τα SAR δεδομένα εξήχθησαν:
*συντελεστές οπισθοσκέδασης (backscatter),
*χαρακτηριστικά που έχουν να κάνουν με την υφή (texture features),
*παράμετροι αποσύνθεσης πόλωσης.
<p>
Το L-band ALOS-2 ήταν το πιο χρήσιμο για εκτίμηση βιομάζας, κυρίως όταν χρησιμοποιήθηκαν οι πολώσεις HV και VH, που “βλέπουν” καλύτερα την υγρασία και τη δομή των δέντρων.
</p>
Τα χαρακτηριστικά υφής βοηθούν επειδή μειώνουν τον θόρυβο στο σήμα και έτσι δίνουν πιο σταθερή πληροφορία για τη βιομάζα.
<p>
Στα οπτικά δεδομένα, η red-edge ζώνη, οι δείκτες βλάστησης (όπως ο NDVI) και τα PCA components είχαν πιο δυνατή σχέση με τη βιομάζα σε σχέση με τα απλά χαρακτηριστικά υφής.
| style="width:33%;" | <strong>Αποτελέσματα δοκιμής του μοντέλου</strong>
</p>
* Από τα SAR δεδομένα, το ALOS-2 (L-band) είχε την καλύτερη ακρίβεια, με το υψηλότερο R² και το χαμηλότερο RMSE. Το GF-3 είχε τη δεύτερη καλύτερη επίδοση και το Sentinel-1 την χαμηλότερη.
<p>
* Το L-band είναι καλύτερο από το C-band επειδή διεισδύει βαθύτερα στη βλάστηση και δίνει πιο αξιόπιστες πληροφορίες για τη δομή της κόμης.
</p>
* Μεταξύ των μεθόδων, το CNN-LSTM είχε την καλύτερη συνολική ακρίβεια, το CNN ήταν δεύτερο, και το Random Forest τρίτο αλλά με σταθερές προβλέψεις.
<p>
* Στα οπτικά δεδομένα, το Landsat-8 είχε την υψηλότερη ακρίβεια, το Sentinel-2 ήταν δεύτερο, και το GF-6 είχε τις λιγότερο ακριβείς εκτιμήσεις.
</p>
* Τα deep learning μοντέλα (CNN και CNN-LSTM) απέδωσαν καλύτερα από το RF, επειδή εξάγουν βαθύτερα και πιο σύνθετα χαρακτηριστικά από τα δεδομένα.
| style="width:33%;" | <strong>Χαρτογράφηση της Χωρικής Κατανομής του Δάσους</strong>
<p>
* Ο συνδυασμός οπτικών και SAR δεδομένων βελτιώνει την ακρίβεια εκτίμησης βιομάζας λόγω συμπληρωματικότητας πληροφορίας.
</p>
* Το μοντέλο CNN-LSTM είχε την καλύτερη απόδοση, ειδικά όταν χρησιμοποιήθηκαν multisource δεδομένα (R² ≈ 0.74).
<p>
* Τα οπτικά δεδομένα έδωσαν υψηλή ακρίβεια, ενώ τα SAR μόνα τους δεν βελτίωσαν σημαντικά τα αποτελέσματα.
</p>
* Η <strong>Εικόνα 4</strong> δείχνει ότι η εκτιμώμενη βιομάζα κυμαίνεται από 60–90 Mg/ha, με χαμηλές τιμές σε κατοικημένες περιοχές και υψηλές σε δασικές/ορεινές ζώνες.
<p>
[[Αρχείο:Εικόνα26.png|thumb|center|200px|Χωρική κατανομή της υπέργειας δασικής βιομάζας στην περιοχή μελέτης]]
|}

[[category:Δασοπονία, Δασική διαχείριση]]

Αρχείο:Εικόνα26.png

2026-01-12T16:12:47Z

LIOLIOU MARINA:

Εκτίμηση της υπέργειας δασικής βιομάζας με χρήση πολυπηγικών δεδομένων τηλεπισκόπησης και αλγορίθμων βαθιάς μάθησης (Hangzhou Κίνας)

2026-01-12T15:50:30Z

LIOLIOU MARINA:

<strong>Πρωτότυπος τίτλος:</strong> Forest Aboveground Biomass Estimation Using Multisource Remote Sensing Data and Deep Learning Algorithms: A Case Study over Hangzhou Area in China
<p>
<strong>Συγγραφείς:</strong> Xin Tian, Jiejie Li, Fanyi Zhang, Haibo Zhang and MiJiang
</p>
<strong>Keywords:</strong> forest aboveground biomass; deep learning; multisource remote sensing
<p>
<strong>DOI:</strong> https://doi.org/10.3390/rs16061074
</p>
<h1><strong>Εισαγωγή</strong></h1>
<p>
<h2><strong>Σημασία περιοχής και δασικής βιομάζας</strong></h2>
</p>
[[Αρχείο:Εικόνα22.png|thumb|right|400px|<strong>Εικόνα 1:</strong> Περιοχές μελέτης]]
<p>
Η επαρχία Zhejiang στην Κίνα έχει δασική κάλυψη 61.15%, γεγονός που την κατατάσσει ανάμεσα στις πέντε υψηλότερες σε όλη τη χώρα. Το κλίμα της περιοχής ευνοεί την ανάπτυξη πλούσιων δασικών οικοσυστημάτων, τα οποία αποτελούν κεντρικό παράγοντα ρύθμισης του κλίματος και ισορροπίας του άνθρακα. Η δασική βιομάζα, ως κύριος φορέας δέσμευσης άνθρακα, έχει κρίσιμη συμβολή στη διατήρηση του παγκόσμιου κύκλου του CO₂, επομένως η γρήγορη και ακριβής χαρτογράφηση της χωρικής κατανομής της είναι απαραίτητη για την κατανόηση και τον έλεγχο της κλιματικής μεταβολής.
</p>
<h2><strong>Προβλήματα παραδοσιακών μεθόδων και ανάγκη τηλεπισκόπησης</strong></h2>
<p>
Η εκτίμηση της δασικής βιομάζας μέσω επιτόπιων μετρήσεων και αναλυτικών μοντέλων ανάπτυξης μπορεί να προσφέρει υψηλή ακρίβεια, ωστόσο η διαδικασία είναι δαπανηρή, χρονοβόρα και περιορισμένη χωρικά, γεγονός που καθιστά αδύνατη την εφαρμογή της σε περιφερειακή ή παγκόσμια κλίμακα. Αντίθετα, η τηλεπισκόπηση παρέχει υψηλής συχνότητας δεδομένα, επιτρέποντας τη μακροσκοπική, μη καταστροφική και συνεχή εκτίμηση της βιομάζας. Τόσο οι οπτικοί όσο και οι SAR αισθητήρες έχουν αποδειχθεί αποτελεσματικοί στη χαρτογράφηση της δομής και της δυναμικής των δασικών οικοσυστημάτων, ενώ ο συνδυασμός τους ενισχύει περαιτέρω την ακρίβεια των εκτιμήσεων, παρά το γεγονός ότι η ετερογένεια των δεδομένων μπορεί να εισάγει πρόσθετες πηγές σφάλματος.
</p>
<h2><strong>Εξέλιξη μεθόδων και στόχος της μελέτης</strong></h2>
<p>
Παραδοσιακές μέθοδοι, όπως η πολλαπλή γραμμική παλινδρόμηση, χρησιμοποιήθηκαν εκτενώς για την εκτίμηση της βιομάζας, όμως δεν αποδίδουν ικανοποιητικά λόγω της μη γραμμικότητας της σχέσης μεταξύ φασματικών δεικτών και βιομάζας. Οι τεχνικές μηχανικής μάθησης, όπως Random Forest και SVM, ανέβασαν την ακρίβεια, ενώ πιο πρόσφατες προσεγγίσεις ενσωματώνουν δεδομένα από πολλαπλούς δορυφόρους (Sentinel, ICESat-2, ALOS-2) και εξερευνούν τη χρήση deep learning. Η συγκεκριμένη μελέτη επιδιώκει να αξιολογήσει το κατά πόσο προηγμένα μοντέλα, όπως CNN και CNN-LSTM, σε συνδυασμό με multisource remote sensing data (optical and SAR), μπορούν να επιτύχουν υψηλότερη ακρίβεια στην εκτίμηση της υπέργειας δασικής βιομάζας και να παραχθεί ένας αξιόπιστος χάρτης χωρικής κατανομής για την περιοχή Lin’an της Zhejiang (<strong>Εικόνα 1</strong>).
</p>
<h1><strong>Μεθοδολογία</strong></h1>
<p>
<h2><strong>Επίγεια Δεδομένα</strong></h2>
</p>
Τα δεδομένα πεδίου προέρχονται από την ένατη εθνική απογραφή δασικών πόρων (National Forest Resources Continuous Inventory, 2018), η οποία αποτελεί την πιο ολοκληρωμένη βάση δεδομένων δασικών χαρακτηριστικών στην Κίνα. Για κάθε δειγματοληπτική επιφάνεια καταγράφηκαν:
<p>
*η διάμετρος στο ύψος θώρακα (DBH),
*το ύψος των δέντρων, η ταξινόμηση του είδους,
*η ηλικία και
*η προέλευση.
</p>
Μη δασικές εκτάσεις (αγροτική γη, κατασκευασμένες περιοχές, εκτάσεις χωρίς αποθέματα ξύλου) αποκλείστηκαν.
<p>
Η υπέργεια βιομάζα υπολογίστηκε για κάθε δέντρο χρησιμοποιώντας τις καταγεγραμμένες εξισώσεις ανάπτυξης ανά είδος. Τα είδη ταξινομήθηκαν σε τέσσερις κατηγορίες (fir, horsetail pine, hard broadleaf, soft broadleaf) σύμφωνα με τη σύνθεση της χλωρίδας της περιοχής.
</p>
<h2><strong>Επεξεργασία Οπτικών και SAR Δεδομένων</strong></h2>
<p>
Στη μελέτη χρησιμοποιήθηκαν έξι δορυφορικά συστήματα:
</p>
{| class="wikitable"
| style="width: 50%;" |
1) Οπτικά δεδομένα
*GF-6 (16 m, 8 φασματικές ζώνες, red-edge band)
*Sentinel-2 (13 ζώνες, 10–60 m)
*Landsat-8 OLI (30 m multispectral, 15 m panchromatic)
<p>
Βήματα προεπεξεργασίας οπτικών δεδομένων:
*ατμοσφαιρική διόρθωση,
*γεωμετρική διόρθωση και αναπροβολή σε σύστημα UTM,
*υπολογισμός δεικτών βλάστησης (NDVI, DVI, GNDVI, RVI),
*εξαγωγή χαρακτηριστικών υφής GLCM (μέση τιμή, διακύμανση, εντροπία, αντίθεση, ομοιογένεια, ανομοιότητα, συσχέτιση).

| style="width: 50%;" |
2) SAR δεδομένα
*GF-3
*Sentinel-1
*ALOS-2 PALSAR-2
</p>
Βήματα προεπεξεργασίας SAR:
*ραδιομετρική διόρθωση ανάγλυφου,
*συνεγγραφή με DEM και γεωκωδικοποίηση στο EPSG:4326,
*αποθορυβοποίηση speckle με φίλτρο Adaptive Lee,
*εξαγωγή συντελεστών οπισθοσκέδασης,
*αποσύνθεση πόλωσης Cloude–Pottier (entropy H, anisotropy A, μέση γωνία σκέδασης α).
|}
<p>
<h2><strong>Επιλογή Χαρακτηριστικών Μεταβλητών (Characteristic Variable Selection)</strong></h2>
</p>
{| class="wikitable"
| style="width: 50%;" |
Από τα οπτικά δεδομένα εξήχθησαν:
*φασματικές ζώνες,
*δείκτες βλάστησης: NDVI, DVI, GNDVI, RVI,
*χαρακτηριστικά υφής GLCM.

| style="width: 50%;" |
Από τα SAR δεδομένα εξήχθησαν:
*συντελεστές οπισθοσκέδασης (HH, HV, VV, VH),
*χαρακτηριστικά υφής,
*μεταβλητές αποσύνθεσης πόλωσης (H, A, α).
|}
<p>
Όλες οι μεταβλητές υποβλήθηκαν σε ανάλυση συσχέτισης Pearson για εντοπισμό εκείνων με το υψηλότερο συσχετισμό με την υπέργεια βιομάζα.
</p>
<h2><strong>Πειραματικά Μοντέλα</strong></h2>
<p>
[[Αρχείο:Εικόνα23.png|thumb|right|600px|<strong>Εικόνα 2:</strong> Περιοχές μελέτης]]
</p>
<h3><strong>Random Forest (RF)</strong></h3>
<p>
Το RF χρησιμοποιήθηκε ως βασικό μοντέλο μηχανικής μάθησης. Η μέθοδος βασίζεται σε σύνολο δέντρων αποφάσεων που εκπαιδεύονται με τυχαία δειγματοληψία δεδομένων και μεταβλητών. Ο αριθμός των δέντρων ορίστηκε σε 500 και ο αριθμός μεταβλητών ανά split σε 5.
</p>
<h3><strong>Convolutional Neural Network (CNN)</strong></h3>
<p>
Το CNN αξιοποιήθηκε για την αυτόματη εξαγωγή χωρικών και υφικών χαρακτηριστικών από τα εικόνα–patches. Η αρχιτεκτονική περιλαμβάνει διαδοχικά συνελικτικά επίπεδα με ενεργοποιήσεις, στρώματα υποδειγματοληψίας (pooling) για μείωση διαστάσεων και τελικό πλήρως συνδεδεμένο επίπεδο για την πρόβλεψη της υπέργειας βιομάζας.
</p>
<h3><strong>CNN-LSTM</strong></h3>
<p>
Το υβριδικό μοντέλο CNN–LSTM συνδυάζει την εξαγωγή χωρικών χαρακτηριστικών μέσω CNN με τη δυνατότητα του LSTM να συλλαμβάνει συσχετίσεις μεταξύ των διαδοχικών χαρακτηριστικών. Το μοντέλο αυτό έδωσε την καλύτερη συνολικά απόδοση στην εκτίμηση της υπέργειας βιομάζας (<strong>Εικόνα 2</strong>).
</p>
<h2><strong>Ροή Εργασίας</strong></h2>
[[Αρχείο:Εικόνα24.png|thumb|right|400px|<strong>Εικόνα 3:</strong> Workflow]]
Η συνολική μεθοδολογική διαδικασία συνοψίζεται στην <strong>Εικόνα 3</strong> και περιλαμβάνει:
#Συλλογή δεδομένων τηλεπισκόπησης (οπτικών και SAR).
#Προεπεξεργασία εικόνων.
#Εξαγωγή χαρακτηριστικών μεταβλητών (φασματικών, υφής και πόλωσης).
#Ανάλυση συσχέτισης Pearson και επιλογή χαρακτηριστικών.
#Εκπαίδευση των μοντέλων RF, CNN και CNN–LSTM.
#Σύγκριση επιδόσεων των μοντέλων.
#Σύντηξη multisource δεδομένων για τελική εκτίμηση AGB.
#Παραγωγή χωρικού χάρτη βιομάζας.
<p>
<h2><strong>Αξιολόγηση Ακρίβειας Μοντέλου</strong></h2>
</p>
Η αξιολόγηση της απόδοσης των μοντέλων στη μελέτη πραγματοποιήθηκε με τη χρήση βασικών δεικτών σφάλματος και αξιοπιστίας οι οποίοι υπολογίζονται από τις ακόλουθες εξισώσεις.
<p>
[[Αρχείο:Εικόνα25.png|thumb|center|200px]]
</p>
<h1><strong>Συμπεράσματα</strong></h1>
<p>
{| class="wikitable" style="width:100%;"
| style="width:33%;" | <strong>Προβλεπόμενες μεταβλητές</strong>
</p>
Από τα SAR δεδομένα εξήχθησαν:
*συντελεστές οπισθοσκέδασης (backscatter),
*χαρακτηριστικά που έχουν να κάνουν με την υφή (texture features),
*παράμετροι αποσύνθεσης πόλωσης.
<p>
Το L-band ALOS-2 ήταν το πιο χρήσιμο για εκτίμηση βιομάζας, κυρίως όταν χρησιμοποιήθηκαν οι πολώσεις HV και VH, που “βλέπουν” καλύτερα την υγρασία και τη δομή των δέντρων.
</p>
Τα χαρακτηριστικά υφής βοηθούν επειδή μειώνουν τον θόρυβο στο σήμα και έτσι δίνουν πιο σταθερή πληροφορία για τη βιομάζα.
<p>
Στα οπτικά δεδομένα, η red-edge ζώνη, οι δείκτες βλάστησης (όπως ο NDVI) και τα PCA components είχαν πιο δυνατή σχέση με τη βιομάζα σε σχέση με τα απλά χαρακτηριστικά υφής.
| style="width:33%;" | Περιεχόμενο 2
| style="width:33%;" | Περιεχόμενο 3
|}

[[category:Δασοπονία, Δασική διαχείριση]]

Εκτίμηση της υπέργειας δασικής βιομάζας με χρήση πολυπηγικών δεδομένων τηλεπισκόπησης και αλγορίθμων βαθιάς μάθησης (Hangzhou Κίνας)

2026-01-12T02:11:46Z

LIOLIOU MARINA:

<strong>Πρωτότυπος τίτλος:</strong> Forest Aboveground Biomass Estimation Using Multisource Remote Sensing Data and Deep Learning Algorithms: A Case Study over Hangzhou Area in China
<p>
<strong>Συγγραφείς:</strong> Xin Tian, Jiejie Li, Fanyi Zhang, Haibo Zhang and MiJiang
</p>
<strong>Keywords:</strong> forest aboveground biomass; deep learning; multisource remote sensing
<p>
<strong>DOI:</strong> https://doi.org/10.3390/rs16061074
</p>
<h1><strong>Εισαγωγή</strong></h1>
<p>
<h2><strong>Σημασία περιοχής και δασικής βιομάζας</strong></h2>
</p>
[[Αρχείο:Εικόνα22.png|thumb|right|400px|<strong>Εικόνα 1:</strong> Περιοχές μελέτης]]
<p>
Η επαρχία Zhejiang στην Κίνα έχει δασική κάλυψη 61.15%, γεγονός που την κατατάσσει ανάμεσα στις πέντε υψηλότερες σε όλη τη χώρα. Το κλίμα της περιοχής ευνοεί την ανάπτυξη πλούσιων δασικών οικοσυστημάτων, τα οποία αποτελούν κεντρικό παράγοντα ρύθμισης του κλίματος και ισορροπίας του άνθρακα. Η δασική βιομάζα, ως κύριος φορέας δέσμευσης άνθρακα, έχει κρίσιμη συμβολή στη διατήρηση του παγκόσμιου κύκλου του CO₂, επομένως η γρήγορη και ακριβής χαρτογράφηση της χωρικής κατανομής της είναι απαραίτητη για την κατανόηση και τον έλεγχο της κλιματικής μεταβολής.
</p>
<h2><strong>Προβλήματα παραδοσιακών μεθόδων και ανάγκη τηλεπισκόπησης</strong></h2>
<p>
Η εκτίμηση της δασικής βιομάζας μέσω επιτόπιων μετρήσεων και αναλυτικών μοντέλων ανάπτυξης μπορεί να προσφέρει υψηλή ακρίβεια, ωστόσο η διαδικασία είναι δαπανηρή, χρονοβόρα και περιορισμένη χωρικά, γεγονός που καθιστά αδύνατη την εφαρμογή της σε περιφερειακή ή παγκόσμια κλίμακα. Αντίθετα, η τηλεπισκόπηση παρέχει υψηλής συχνότητας δεδομένα, επιτρέποντας τη μακροσκοπική, μη καταστροφική και συνεχή εκτίμηση της βιομάζας. Τόσο οι οπτικοί όσο και οι SAR αισθητήρες έχουν αποδειχθεί αποτελεσματικοί στη χαρτογράφηση της δομής και της δυναμικής των δασικών οικοσυστημάτων, ενώ ο συνδυασμός τους ενισχύει περαιτέρω την ακρίβεια των εκτιμήσεων, παρά το γεγονός ότι η ετερογένεια των δεδομένων μπορεί να εισάγει πρόσθετες πηγές σφάλματος.
</p>
<h2><strong>Εξέλιξη μεθόδων και στόχος της μελέτης</strong></h2>
<p>
Παραδοσιακές μέθοδοι, όπως η πολλαπλή γραμμική παλινδρόμηση, χρησιμοποιήθηκαν εκτενώς για την εκτίμηση της βιομάζας, όμως δεν αποδίδουν ικανοποιητικά λόγω της μη γραμμικότητας της σχέσης μεταξύ φασματικών δεικτών και βιομάζας. Οι τεχνικές μηχανικής μάθησης, όπως Random Forest και SVM, ανέβασαν την ακρίβεια, ενώ πιο πρόσφατες προσεγγίσεις ενσωματώνουν δεδομένα από πολλαπλούς δορυφόρους (Sentinel, ICESat-2, ALOS-2) και εξερευνούν τη χρήση deep learning. Η συγκεκριμένη μελέτη επιδιώκει να αξιολογήσει το κατά πόσο προηγμένα μοντέλα, όπως CNN και CNN-LSTM, σε συνδυασμό με multisource remote sensing data (optical and SAR), μπορούν να επιτύχουν υψηλότερη ακρίβεια στην εκτίμηση της υπέργειας δασικής βιομάζας και να παραχθεί ένας αξιόπιστος χάρτης χωρικής κατανομής για την περιοχή Lin’an της Zhejiang (<strong>Εικόνα 1</strong>).
</p>
<h1><strong>Μεθοδολογία</strong></h1>
<p>
<h2><strong>Επίγεια Δεδομένα</strong></h2>
</p>
Τα δεδομένα πεδίου προέρχονται από την ένατη εθνική απογραφή δασικών πόρων (National Forest Resources Continuous Inventory, 2018), η οποία αποτελεί την πιο ολοκληρωμένη βάση δεδομένων δασικών χαρακτηριστικών στην Κίνα. Για κάθε δειγματοληπτική επιφάνεια καταγράφηκαν:
<p>
*η διάμετρος στο ύψος θώρακα (DBH),
*το ύψος των δέντρων, η ταξινόμηση του είδους,
*η ηλικία και
*η προέλευση.
</p>
Μη δασικές εκτάσεις (αγροτική γη, κατασκευασμένες περιοχές, εκτάσεις χωρίς αποθέματα ξύλου) αποκλείστηκαν.
<p>
Η υπέργεια βιομάζα υπολογίστηκε για κάθε δέντρο χρησιμοποιώντας τις καταγεγραμμένες εξισώσεις ανάπτυξης ανά είδος. Τα είδη ταξινομήθηκαν σε τέσσερις κατηγορίες (fir, horsetail pine, hard broadleaf, soft broadleaf) σύμφωνα με τη σύνθεση της χλωρίδας της περιοχής.
</p>
<h2><strong>Επεξεργασία Οπτικών και SAR Δεδομένων</strong></h2>
<p>
Στη μελέτη χρησιμοποιήθηκαν έξι δορυφορικά συστήματα:
</p>
{| class="wikitable"
| style="width: 50%;" |
1) Οπτικά δεδομένα
*GF-6 (16 m, 8 φασματικές ζώνες, red-edge band)
*Sentinel-2 (13 ζώνες, 10–60 m)
*Landsat-8 OLI (30 m multispectral, 15 m panchromatic)
<p>
Βήματα προεπεξεργασίας οπτικών δεδομένων:
*ατμοσφαιρική διόρθωση,
*γεωμετρική διόρθωση και αναπροβολή σε σύστημα UTM,
*υπολογισμός δεικτών βλάστησης (NDVI, DVI, GNDVI, RVI),
*εξαγωγή χαρακτηριστικών υφής GLCM (μέση τιμή, διακύμανση, εντροπία, αντίθεση, ομοιογένεια, ανομοιότητα, συσχέτιση).

| style="width: 50%;" |
2) SAR δεδομένα
*GF-3
*Sentinel-1
*ALOS-2 PALSAR-2
</p>
Βήματα προεπεξεργασίας SAR:
*ραδιομετρική διόρθωση ανάγλυφου,
*συνεγγραφή με DEM και γεωκωδικοποίηση στο EPSG:4326,
*αποθορυβοποίηση speckle με φίλτρο Adaptive Lee,
*εξαγωγή συντελεστών οπισθοσκέδασης,
*αποσύνθεση πόλωσης Cloude–Pottier (entropy H, anisotropy A, μέση γωνία σκέδασης α).
|}
<p>
<h2><strong>Επιλογή Χαρακτηριστικών Μεταβλητών (Characteristic Variable Selection)</strong></h2>
</p>
{| class="wikitable"
| style="width: 50%;" |
Από τα οπτικά δεδομένα εξήχθησαν:
*φασματικές ζώνες,
*δείκτες βλάστησης: NDVI, DVI, GNDVI, RVI,
*χαρακτηριστικά υφής GLCM.

| style="width: 50%;" |
Από τα SAR δεδομένα εξήχθησαν:
*συντελεστές οπισθοσκέδασης (HH, HV, VV, VH),
*χαρακτηριστικά υφής,
*μεταβλητές αποσύνθεσης πόλωσης (H, A, α).
|}
<p>
Όλες οι μεταβλητές υποβλήθηκαν σε ανάλυση συσχέτισης Pearson για εντοπισμό εκείνων με το υψηλότερο συσχετισμό με την υπέργεια βιομάζα.
</p>
<h2><strong>Πειραματικά Μοντέλα</strong></h2>
<p>
[[Αρχείο:Εικόνα23.png|thumb|right|600px|<strong>Εικόνα 2:</strong> Περιοχές μελέτης]]
</p>
<h3><strong>Random Forest (RF)</strong></h3>
<p>
Το RF χρησιμοποιήθηκε ως βασικό μοντέλο μηχανικής μάθησης. Η μέθοδος βασίζεται σε σύνολο δέντρων αποφάσεων που εκπαιδεύονται με τυχαία δειγματοληψία δεδομένων και μεταβλητών. Ο αριθμός των δέντρων ορίστηκε σε 500 και ο αριθμός μεταβλητών ανά split σε 5.
</p>
<h3><strong>Convolutional Neural Network (CNN)</strong></h3>
<p>
Το CNN αξιοποιήθηκε για την αυτόματη εξαγωγή χωρικών και υφικών χαρακτηριστικών από τα εικόνα–patches. Η αρχιτεκτονική περιλαμβάνει διαδοχικά συνελικτικά επίπεδα με ενεργοποιήσεις, στρώματα υποδειγματοληψίας (pooling) για μείωση διαστάσεων και τελικό πλήρως συνδεδεμένο επίπεδο για την πρόβλεψη της υπέργειας βιομάζας.
</p>
<h3><strong>CNN-LSTM</strong></h3>
<p>
Το υβριδικό μοντέλο CNN–LSTM συνδυάζει την εξαγωγή χωρικών χαρακτηριστικών μέσω CNN με τη δυνατότητα του LSTM να συλλαμβάνει συσχετίσεις μεταξύ των διαδοχικών χαρακτηριστικών. Το μοντέλο αυτό έδωσε την καλύτερη συνολικά απόδοση στην εκτίμηση της υπέργειας βιομάζας (<strong>Εικόνα 2</strong>).
</p>
<h2><strong>Ροή Εργασίας</strong></h2>
[[Αρχείο:Εικόνα24.png|thumb|right|400px|<strong>Εικόνα 3:</strong> Workflow]]
Η συνολική μεθοδολογική διαδικασία συνοψίζεται στην <strong>Εικόνα 3</strong> και περιλαμβάνει:
#Συλλογή δεδομένων τηλεπισκόπησης (οπτικών και SAR).
#Προεπεξεργασία εικόνων.
#Εξαγωγή χαρακτηριστικών μεταβλητών (φασματικών, υφής και πόλωσης).
#Ανάλυση συσχέτισης Pearson και επιλογή χαρακτηριστικών.
#Εκπαίδευση των μοντέλων RF, CNN και CNN–LSTM.
#Σύγκριση επιδόσεων των μοντέλων.
#Σύντηξη multisource δεδομένων για τελική εκτίμηση AGB.
#Παραγωγή χωρικού χάρτη βιομάζας.
<p>
<h2><strong>Αξιολόγηση Ακρίβειας Μοντέλου</strong></h2>
</p>
Η αξιολόγηση της απόδοσης των μοντέλων στη μελέτη πραγματοποιήθηκε με τη χρήση βασικών δεικτών σφάλματος και αξιοπιστίας οι οποίοι υπολογίζονται από τις ακόλουθες εξισώσεις.
<p>
[[Αρχείο:Εικόνα25.png|thumb|center|200px]]
</p>

[[category:Δασοπονία, Δασική διαχείριση]]

Αρχείο:Εικόνα25.png

2026-01-12T02:09:16Z

LIOLIOU MARINA:

Εκτίμηση της υπέργειας δασικής βιομάζας με χρήση πολυπηγικών δεδομένων τηλεπισκόπησης και αλγορίθμων βαθιάς μάθησης (Hangzhou Κίνας)

2026-01-12T02:01:57Z

LIOLIOU MARINA:

<strong>Πρωτότυπος τίτλος:</strong> Forest Aboveground Biomass Estimation Using Multisource Remote Sensing Data and Deep Learning Algorithms: A Case Study over Hangzhou Area in China
<p>
<strong>Συγγραφείς:</strong> Xin Tian, Jiejie Li, Fanyi Zhang, Haibo Zhang and MiJiang
</p>
<strong>Keywords:</strong> forest aboveground biomass; deep learning; multisource remote sensing
<p>
<strong>DOI:</strong> https://doi.org/10.3390/rs16061074
</p>
<h1><strong>Εισαγωγή</strong></h1>
<p>
<h2><strong>Σημασία περιοχής και δασικής βιομάζας</strong></h2>
</p>
[[Αρχείο:Εικόνα22.png|thumb|right|400px|<strong>Εικόνα 1:</strong> Περιοχές μελέτης]]
<p>
Η επαρχία Zhejiang στην Κίνα έχει δασική κάλυψη 61.15%, γεγονός που την κατατάσσει ανάμεσα στις πέντε υψηλότερες σε όλη τη χώρα. Το κλίμα της περιοχής ευνοεί την ανάπτυξη πλούσιων δασικών οικοσυστημάτων, τα οποία αποτελούν κεντρικό παράγοντα ρύθμισης του κλίματος και ισορροπίας του άνθρακα. Η δασική βιομάζα, ως κύριος φορέας δέσμευσης άνθρακα, έχει κρίσιμη συμβολή στη διατήρηση του παγκόσμιου κύκλου του CO₂, επομένως η γρήγορη και ακριβής χαρτογράφηση της χωρικής κατανομής της είναι απαραίτητη για την κατανόηση και τον έλεγχο της κλιματικής μεταβολής.
</p>
<h2><strong>Προβλήματα παραδοσιακών μεθόδων και ανάγκη τηλεπισκόπησης</strong></h2>
<p>
Η εκτίμηση της δασικής βιομάζας μέσω επιτόπιων μετρήσεων και αναλυτικών μοντέλων ανάπτυξης μπορεί να προσφέρει υψηλή ακρίβεια, ωστόσο η διαδικασία είναι δαπανηρή, χρονοβόρα και περιορισμένη χωρικά, γεγονός που καθιστά αδύνατη την εφαρμογή της σε περιφερειακή ή παγκόσμια κλίμακα. Αντίθετα, η τηλεπισκόπηση παρέχει υψηλής συχνότητας δεδομένα, επιτρέποντας τη μακροσκοπική, μη καταστροφική και συνεχή εκτίμηση της βιομάζας. Τόσο οι οπτικοί όσο και οι SAR αισθητήρες έχουν αποδειχθεί αποτελεσματικοί στη χαρτογράφηση της δομής και της δυναμικής των δασικών οικοσυστημάτων, ενώ ο συνδυασμός τους ενισχύει περαιτέρω την ακρίβεια των εκτιμήσεων, παρά το γεγονός ότι η ετερογένεια των δεδομένων μπορεί να εισάγει πρόσθετες πηγές σφάλματος.
</p>
<h2><strong>Εξέλιξη μεθόδων και στόχος της μελέτης</strong></h2>
<p>
Παραδοσιακές μέθοδοι, όπως η πολλαπλή γραμμική παλινδρόμηση, χρησιμοποιήθηκαν εκτενώς για την εκτίμηση της βιομάζας, όμως δεν αποδίδουν ικανοποιητικά λόγω της μη γραμμικότητας της σχέσης μεταξύ φασματικών δεικτών και βιομάζας. Οι τεχνικές μηχανικής μάθησης, όπως Random Forest και SVM, ανέβασαν την ακρίβεια, ενώ πιο πρόσφατες προσεγγίσεις ενσωματώνουν δεδομένα από πολλαπλούς δορυφόρους (Sentinel, ICESat-2, ALOS-2) και εξερευνούν τη χρήση deep learning. Η συγκεκριμένη μελέτη επιδιώκει να αξιολογήσει το κατά πόσο προηγμένα μοντέλα, όπως CNN και CNN-LSTM, σε συνδυασμό με multisource remote sensing data (optical and SAR), μπορούν να επιτύχουν υψηλότερη ακρίβεια στην εκτίμηση της υπέργειας δασικής βιομάζας και να παραχθεί ένας αξιόπιστος χάρτης χωρικής κατανομής για την περιοχή Lin’an της Zhejiang (<strong>Εικόνα 1</strong>).
</p>
<h1><strong>Μεθοδολογία</strong></h1>
<p>
<h2><strong>Επίγεια Δεδομένα</strong></h2>
</p>
Τα δεδομένα πεδίου προέρχονται από την ένατη εθνική απογραφή δασικών πόρων (National Forest Resources Continuous Inventory, 2018), η οποία αποτελεί την πιο ολοκληρωμένη βάση δεδομένων δασικών χαρακτηριστικών στην Κίνα. Για κάθε δειγματοληπτική επιφάνεια καταγράφηκαν:
<p>
*η διάμετρος στο ύψος θώρακα (DBH),
*το ύψος των δέντρων, η ταξινόμηση του είδους,
*η ηλικία και
*η προέλευση.
</p>
Μη δασικές εκτάσεις (αγροτική γη, κατασκευασμένες περιοχές, εκτάσεις χωρίς αποθέματα ξύλου) αποκλείστηκαν.
<p>
Η υπέργεια βιομάζα υπολογίστηκε για κάθε δέντρο χρησιμοποιώντας τις καταγεγραμμένες εξισώσεις ανάπτυξης ανά είδος. Τα είδη ταξινομήθηκαν σε τέσσερις κατηγορίες (fir, horsetail pine, hard broadleaf, soft broadleaf) σύμφωνα με τη σύνθεση της χλωρίδας της περιοχής.
</p>
<h2><strong>Επεξεργασία Οπτικών και SAR Δεδομένων</strong></h2>
<p>
Στη μελέτη χρησιμοποιήθηκαν έξι δορυφορικά συστήματα:
</p>
{| class="wikitable"
| style="width: 50%;" |
1) Οπτικά δεδομένα
*GF-6 (16 m, 8 φασματικές ζώνες, red-edge band)
*Sentinel-2 (13 ζώνες, 10–60 m)
*Landsat-8 OLI (30 m multispectral, 15 m panchromatic)
<p>
Βήματα προεπεξεργασίας οπτικών δεδομένων:
*ατμοσφαιρική διόρθωση,
*γεωμετρική διόρθωση και αναπροβολή σε σύστημα UTM,
*υπολογισμός δεικτών βλάστησης (NDVI, DVI, GNDVI, RVI),
*εξαγωγή χαρακτηριστικών υφής GLCM (μέση τιμή, διακύμανση, εντροπία, αντίθεση, ομοιογένεια, ανομοιότητα, συσχέτιση).

| style="width: 50%;" |
2) SAR δεδομένα
*GF-3
*Sentinel-1
*ALOS-2 PALSAR-2
</p>
Βήματα προεπεξεργασίας SAR:
*ραδιομετρική διόρθωση ανάγλυφου,
*συνεγγραφή με DEM και γεωκωδικοποίηση στο EPSG:4326,
*αποθορυβοποίηση speckle με φίλτρο Adaptive Lee,
*εξαγωγή συντελεστών οπισθοσκέδασης,
*αποσύνθεση πόλωσης Cloude–Pottier (entropy H, anisotropy A, μέση γωνία σκέδασης α).
|}
<p>
<h2><strong>Επιλογή Χαρακτηριστικών Μεταβλητών (Characteristic Variable Selection)</strong></h2>
</p>
{| class="wikitable"
| style="width: 50%;" |
Από τα οπτικά δεδομένα εξήχθησαν:
*φασματικές ζώνες,
*δείκτες βλάστησης: NDVI, DVI, GNDVI, RVI,
*χαρακτηριστικά υφής GLCM.

| style="width: 50%;" |
Από τα SAR δεδομένα εξήχθησαν:
*συντελεστές οπισθοσκέδασης (HH, HV, VV, VH),
*χαρακτηριστικά υφής,
*μεταβλητές αποσύνθεσης πόλωσης (H, A, α).
|}
<p>
Όλες οι μεταβλητές υποβλήθηκαν σε ανάλυση συσχέτισης Pearson για εντοπισμό εκείνων με το υψηλότερο συσχετισμό με την υπέργεια βιομάζα.
</p>
<h2><strong>Πειραματικά Μοντέλα</strong></h2>
<p>
[[Αρχείο:Εικόνα23.png|thumb|right|600px|<strong>Εικόνα 2:</strong> Περιοχές μελέτης]]
</p>
<h3><strong>Random Forest (RF)</strong></h3>
<p>
Το RF χρησιμοποιήθηκε ως βασικό μοντέλο μηχανικής μάθησης. Η μέθοδος βασίζεται σε σύνολο δέντρων αποφάσεων που εκπαιδεύονται με τυχαία δειγματοληψία δεδομένων και μεταβλητών. Ο αριθμός των δέντρων ορίστηκε σε 500 και ο αριθμός μεταβλητών ανά split σε 5.
</p>
<h3><strong>Convolutional Neural Network (CNN)</strong></h3>
<p>
Το CNN αξιοποιήθηκε για την αυτόματη εξαγωγή χωρικών και υφικών χαρακτηριστικών από τα εικόνα–patches. Η αρχιτεκτονική περιλαμβάνει διαδοχικά συνελικτικά επίπεδα με ενεργοποιήσεις, στρώματα υποδειγματοληψίας (pooling) για μείωση διαστάσεων και τελικό πλήρως συνδεδεμένο επίπεδο για την πρόβλεψη της υπέργειας βιομάζας.
</p>
<h3><strong>CNN-LSTM</strong></h3>
<p>
Το υβριδικό μοντέλο CNN–LSTM συνδυάζει την εξαγωγή χωρικών χαρακτηριστικών μέσω CNN με τη δυνατότητα του LSTM να συλλαμβάνει συσχετίσεις μεταξύ των διαδοχικών χαρακτηριστικών. Το μοντέλο αυτό έδωσε την καλύτερη συνολικά απόδοση στην εκτίμηση της υπέργειας βιομάζας (<strong>Εικόνα 2</strong>).
</p>
<h2><strong>Ροή Εργασίας</strong></h2>
[[Αρχείο:Εικόνα24.png|thumb|right|400px|<strong>Εικόνα 3:</strong> Workflow]]
Η συνολική μεθοδολογική διαδικασία συνοψίζεται στην <strong>Εικόνα 3</strong> και περιλαμβάνει:
#Συλλογή δεδομένων τηλεπισκόπησης (οπτικών και SAR).
#Προεπεξεργασία εικόνων.
#Εξαγωγή χαρακτηριστικών μεταβλητών (φασματικών, υφής και πόλωσης).
#Ανάλυση συσχέτισης Pearson και επιλογή χαρακτηριστικών.
#Εκπαίδευση των μοντέλων RF, CNN και CNN–LSTM.
#Σύγκριση επιδόσεων των μοντέλων.
#Σύντηξη multisource δεδομένων για τελική εκτίμηση AGB.
#Παραγωγή χωρικού χάρτη βιομάζας.

[[category:Δασοπονία, Δασική διαχείριση]]

Αρχείο:Εικόνα24.png

2026-01-12T02:00:25Z

LIOLIOU MARINA:

Αρχείο:Εικόνα23.png

2026-01-12T01:53:07Z

LIOLIOU MARINA:

Εκτίμηση της υπέργειας δασικής βιομάζας με χρήση πολυπηγικών δεδομένων τηλεπισκόπησης και αλγορίθμων βαθιάς μάθησης (Hangzhou Κίνας)

2026-01-12T01:47:19Z

LIOLIOU MARINA:

Εκτίμηση της υπέργειας δασικής βιομάζας με χρήση πολυπηγικών δεδομένων τηλεπισκόπησης και αλγορίθμων βαθιάς μάθησης (Hangzhou Κίνας)

2026-01-12T01:24:27Z

LIOLIOU MARINA:

Εκτίμηση της υπέργειας δασικής βιομάζας με χρήση πολυπηγικών δεδομένων τηλεπισκόπησης και αλγορίθμων βαθιάς μάθησης (Hangzhou Κίνας)

2026-01-12T01:15:11Z

LIOLIOU MARINA:

Αρχείο:Εικόνα22.png

2026-01-12T01:09:28Z

LIOLIOU MARINA:

Εκτίμηση της υπέργειας δασικής βιομάζας με χρήση πολυπηγικών δεδομένων τηλεπισκόπησης και αλγορίθμων βαθιάς μάθησης (Hangzhou Κίνας)

2026-01-12T00:38:25Z

LIOLIOU MARINA:

Βελτιωμένη εκτίμηση της επιφανειακής ηλιακής ακτινοβολίας με χρήση δορυφορικών δεδομένων και εξαγωγής χαρακτηριστικών

2026-01-10T20:37:39Z

LIOLIOU MARINA:

<strong>Πρωτότυπος τίτλος:</strong>
<em>Improved Surface Solar Irradiation Estimation Using Satellite Data and Feature Engineering</em>
</p>

<p>
<strong>Συγγραφείς:</strong>
Jinyong Kim, Eunkyeong Kim, Seunghwan Jung, Minseok Kim, Baekcheon Kim, Sungshin Kim
</p>

<p>
<strong>Λέξεις κλειδιά:</strong>
surface solar irradiation estimation, satellite data, feature engineering, hybrid deep neural network, solar geometry
</p>

<p>
<strong>DOI:</strong>
https://doi.org/10.3390/rs17010065

</p>

<h1><strong>Εισαγωγή</strong></h1>

<p>
Η ηλιακή ενέργεια αποτελεί μία από τις σημαντικότερες και πλέον βιώσιμες πηγές καθαρής ενέργειας παγκοσμίως.
Μεταξύ των τεχνολογιών αξιοποίησής της, η φωτοβολταϊκή (PV) παραγωγή ηλεκτρικής ενέργειας παρουσιάζει ταχύτερη
ανάπτυξη, λόγω της υψηλής απόδοσης, του χαμηλού κόστους συντήρησης και της ευελιξίας εφαρμογής της σε διαφορετικές
κλίμακες. Η συνεχής αύξηση της εγκατεστημένης ισχύος φωτοβολταϊκών συστημάτων και η μείωση του κόστους τους
καθιστούν την ηλιακή ενέργεια βασικό πυλώνα της παγκόσμιας ενεργειακής μετάβασης.
</p>

<p>
Ωστόσο, η απόδοση των φωτοβολταϊκών συστημάτων εξαρτάται άμεσα από την επιφανειακή ηλιακή ακτινοβολία, η οποία επηρεάζεται έντονα από ατμοσφαιρικούς παράγοντες, όπως η νεφοκάλυψη, καθώς και από τη γεωμετρική μεταβολή της θέσης του ήλιου. Η μεταβλητότητα αυτή δημιουργεί αβεβαιότητα στην παραγωγή ενέργειας και καθιστά αναγκαία την αξιόπιστη εκτίμηση της ηλιακής ακτινοβολίας για τον σωστό σχεδιασμό και τη λειτουργία φωτοβολταϊκών εγκαταστάσεων.
</p>

<p>
Παραδοσιακά, η εκτίμηση της ηλιακής ακτινοβολίας βασίζεται σε επίγειες μετρήσεις από μετεωρολογικούς σταθμούς (με την χρήση πυρανόμετων), οι οποίες, αν και αξιόπιστες, χαρακτηρίζονται από περιορισμένη χωρική κάλυψη. Για την αντιμετώπιση του περιορισμού αυτού, η χρήση δορυφορικών δεδομένων προσφέρει σημαντικά πλεονεκτήματα, καθώς επιτρέπει την εκτίμηση της ηλιακής ακτινοβολίας σε μεγάλες γεωγραφικές περιοχές. Παρ’ όλα αυτά, πολλές υπάρχουσες προσεγγίσεις δεν αξιοποιούν πλήρως τη γεωμετρική πληροφορία που σχετίζεται με τη θέση του ήλιου και του δορυφόρου.
</p>

<p>
Στόχος της μελέτης είναι η βελτιωμένη εκτίμηση της επιφανειακής ηλιακής ακτινοβολίας μέσω της αξιοποίησης δορυφορικών δεδομένων και της εξαγωγής χαρακτηριστικών που περιγράφουν τη γεωμετρική σχέση ήλιου δορυφόρου. Η προτεινόμενη προσέγγιση βασίζεται σε τεχνικές βαθιάς μάθησης και επιδιώκει να υπερβεί τους χωρικούς περιορισμούς των επίγειων μετρήσεων, επιτυγχάνοντας αυξημένη ακρίβεια και γενικευσιμότητα των εκτιμήσεων.
</p>

<p>

<h1><strong>Μεθοδολογία</strong></h1>

Η προτεινόμενη μεθοδολογία αποτελείται από πέντε κύρια στάδια: (1) συλλογή δεδομένων, (2) προεπεξεργασία δεδομένων, (3) μηχανική χαρακτηριστικών, (4) επιλογή χαρακτηριστικών και (5) σχεδιασμό και εκπαίδευση του μοντέλου εκτίμησης και η ροή της παρουσιάζεται στην <strong>Εικόνα 1</strong>.
</p>

[[Αρχείο:Εικόνα1_Απλοποιημένη_αναπαράσταση_της_συνολικής_ροής_της_προτεινόμενης_μεθόδου.jpg.png|thumb|center|400px|<strong>Εικόνα 1:</strong> Απλοποιημένη αναπαράσταση της συνολικής ροής της προτεινόμενης μεθοδολογίας.]]

<p>

Για <strong>τα δορυφορικά δεδομένα</strong> χρησιμοποιήθηκαν παρατηρήσεις από τον γεωστατικό δορυφόρο GK2A, ο οποίος φέρει τον αισθητήρα AMI με 16 φασματικά κανάλια κατανεμημένα στο ορατό (VIS), εγγύς υπέρυθρο (NIR) και υπέρυθρο (IR) φάσμα. Τα δεδομένα καλύπτουν την περιοχή της Κορέας και συλλέχθηκαν σε ωριαία βάση για την περίοδο Ιούλιος 2019 έως Ιανουάριος 2024.

Ως δεδομένα αναφοράς (ground truth) χρησιμοποιήθηκαν μετρήσεις επιφανειακής ηλιακής ακτινοβολίας (SSI) από 52 επίγειους μετεωρολογικούς σταθμούς ASOS, όπου το SSI ορίζεται ως η ωριαία αθροιστική ολική οριζόντια ακτινοβολία (GHI) σε MJ/m². Από τους σταθμούς αυτούς, 40 χρησιμοποιήθηκαν για εκπαίδευση και επικύρωση και 12 για ανεξάρτητο έλεγχο όπως φαίνεται και στην <strong>Εικόνα 2</strong>.

</p>

[[Αρχείο:Εικόνα2_Θέσεις_των_52_συνοπτικών_μετεωρολογικών_σταθμών_από_τους_οποίους_συλλέχθηκαν_δεδομένα_επιφαν.png|thumb|center|600px|<strong>Εικόνα 2:</strong> Θέσεις των 52 συνοπτικών μετεωρολογικών σταθμών από τους οποίους συλλέχθηκαν δεδομένα επιφανειακής ηλιακής ακτινοβολίας (SSI): (a) θέσεις των 40 σταθμών που χρησιμοποιήθηκαν για την εκπαίδευση και την επικύρωση του μοντέλου (b) θέσεις των 12 σταθμών που χρησιμοποιήθηκαν για τον έλεγχο (testing).]]

Η <strong>προεπεξεργασία</strong> περιλάμβανε τέσσερα βήματα:

<p>

<ol>
<li>
φιλτράρισμα δεδομένων, με απομάκρυνση ελλιπών ή ανώμαλων μετρήσεων
(π.χ. σφάλματα πυρανόμετρων, ελλείποντα αρχεία GK2A),
</li>
<li>
εξαγωγή περιοχής ενδιαφέροντος (ROI) γύρω από κάθε σταθμό,
</li>
<li>
μετατροπή των <em>digital numbers</em> (DN) σε φυσικά μεγέθη, και
</li>
<li>
εναρμόνιση χωρικής ανάλυσης.
</li>
</ol>
</p>

Όσον αφορά το φιλτράρισμα, η ποιότητα των δεδομένων επηρεάζει άμεσα την απόδοση του μοντέλου βαθιάς μάθησης. Για τον λόγο αυτό εφαρμόστηκε φιλτράρισμα δεδομένων, με στόχο την απομάκρυνση ελλιπών τιμών και ανωμαλιών. Ελλείποντα δεδομένα GK2A εντοπίστηκαν και αφαιρέθηκαν βάσει μεταβολών στο μέγεθος των αρχείων, ενώ ανωμαλίες στα δεδομένα SSI εντοπίστηκαν μέσω οπτικής επιθεώρησης και αποδόθηκαν σε πιθανές δυσλειτουργίες πυρανόμετρων. Επιπλέον, αφαιρέθηκαν τιμές NaN (Not a Number) και χρησιμοποιήθηκαν μόνο χρονικές περίοδοι κατά τις οποίες είναι δυνατή η παρατήρηση της ηλιακής ακτινοβολίας, με βάση τις ώρες ανατολής και δύσης του ήλιου.
</p>

<p>
Η βέλτιστη περιοχή ROI προσδιορίστηκε μέσω συγκριτικών πειραμάτων και επιλέχθηκε τελικά ROI 9×9 pixels (18 km × 18 km), όπως απεικονίζεται στην <strong>Εικόνα 3</strong>, καθώς παρείχε την καλύτερη ισορροπία μεταξύ πληροφορίας και υπολογιστικού κόστους.
</p>

[[Αρχείο:Εικόνα3 Δύο σενάρια.png|thumb|center|600px|<strong>Εικόνα 3:</strong> Δύο σενάρια που απεικονίζουν τις διαφορετικές διαδρομές της ηλιακής ακτινοβολίας προς την επιφάνεια, κατά τη χρήση περιοχής ενδιαφέροντος (ROI) 9×9, η οποία καλύπτει έκταση 18 km × 18 km, με βάση χωρική ανάλυση 2 km.]]

Τα δορυφορικά δεδομένα παρέχονται ως ψηφιακές τιμές (DN), οι οποίες αποτελούν σχετικές μετρήσεις της έντασης του σήματος χωρίς άμεση φυσική σημασία. Για τον λόγο αυτό, χρησιμοποιήθηκαν πίνακες μετατροπής (look-up tables) του National Meteorological Satellite Center NMSC, ώστε τα κανάλια VIS και NIR (1-6) να μετατραπούν σε ακτινοβολία (radiance) και τα κανάλια IR (7-16) σε θερμοκρασία λαμπρότητας (brightness temperature, BT).
</p>

<p>
Σχετικά με την χωρική ανάλυση, τα κανάλια VIS (Visible) του GK2A διαθέτουν υψηλότερη χωρική ανάλυση (0.5 km ή 1 km) σε σχέση με τα υπόλοιπα κανάλια των 2 km, γεγονός που οδηγεί σε διαφορετικά μεγέθη δεδομένων για την ίδια περιοχή. Για την εναρμόνιση της χωρικής ανάλυσης εφαρμόστηκε downsampling με χρήση μέσου όρου, χρησιμοποιώντας παράθυρα 4×4 για δεδομένα 0.5 km και 2×2 για δεδομένα 1 km, ώστε όλα τα κανάλια να μετατραπούν σε ενιαία ανάλυση 2 km.
</p>

<p>
Σχετικά με το <strong>Feature Engineering</strong>, η μελέτη στοχεύει στην εκτίμηση της επιφανειακής ηλιακής ακτινοβολίας σε ωριαία βάση μέσω μοντέλου βαθιάς μάθησης. Για την επίτευξη υψηλής ακρίβειας, σχεδιάστηκαν χωροχρονικά χαρακτηριστικά που συνδυάζουν πληροφορία θέσης και χρόνου με γεωμετρικά χαρακτηριστικά του ήλιου και του δορυφόρου, ώστε να παρέχεται επαρκής φυσική πληροφορία στο μοντέλο.
</p>

<p>
Σχετικά με τις παραμέτρους της ηλιακής γεωμετρίας χρησιμοποιήθηκαν οι ακόλουθες σχέσεις για να υπολογιστούν παράμετροι ηλιακής γεωμετρίας.
[[Αρχείο:Εικόνα4 εξισωσεις 1.png|thumb|center|400px|]]
</p>

<p>
<small>''JD: Ιουλιανή ημέρα.''</small>
</p>
<small>''JD<sub>2000.0</sub>: Ιουλιανή ημέρα για την 1η Ιανουαρίου 2000 στις 12:00 το μεσημέρι (= 2451542,0).''</small>
<p>
<small>''n: Αριθμός ημερών από την JD2000.0.''</small>
</p>
<small>''L: Μέσο γεωγραφικό μήκος του ήλιου διορθωμένο για εκτροπή, σε μοίρες.''</small>
<p>
<small>''g: Μέση ανωμαλία, σε μοίρες.''</small>
</p>
<small>''λ: Εκλειπτικό μήκος, σε μοίρες.''</small>
</p>
<small>''ϵ: Κλίση της εκλειπτικής, σε μοίρες.''</small>
<p>
<small>''Des: Απόσταση Γης ήλιου, σε αστρονομικές μονάδες (AU).''</small>
</p>
<small>''δ: Γωνία απόκλισης του ήλιου, σε μοίρες.''</small>
<p>
<small>''α: Ορθή αναφορά (right ascension), σε μοίρες.''</small>
</p>
<small>''E<sub>min</sub>: Εξίσωση του χρόνου, σε λεπτά (min).''</small>
<p>
<small>''T<sub>UTC</sub>: Χρόνος της ημέρας σε Συντονισμένη Παγκόσμια Ώρα (UTC), από 0 έως 24 ώρες.''</small>
</p>
<small>''λ<sub>s</sub>: Γεωγραφικό μήκος του υποηλιακού σημείου, όπου ο ήλιος βρίσκεται κατακόρυφα, σε μοίρες.''</small>
<p>
<small>''λ<sub>o</sub>: Γεωγραφικό μήκος του σημείου εκτίμησης, σε μοίρες.''</small>
</p>
<small>''ω: Ωριαία γωνία, σε μοίρες.''</small>
<p>
<small>''ϕ<sub>s</sub>: Γεωγραφικό πλάτος του υποηλιακού σημείου, ίσο με τη γωνία απόκλισης του Ήλιου, σε μοίρες.''</small>
</p>
<small>''ϕ<sub>o</sub>: Γεωγραφικό πλάτος του σημείου εκτίμησης, σε μοίρες.''</small>
<p>
<small>''ω<sub>sr</sub>: Ωριαία γωνία κατά την ανατολή του ήλιου, σε μοίρες.''</small>
</p>
<small>''ω<sub>ss</sub>: Ωριαία γωνία κατά τη δύση του ήλιου, σε μοίρες.''</small>
<p>
<small>''θ<sub>sea</sub>: Γωνία ανύψωσης του ήλιου, σε μοίρες.''</small>
</p>
<small>''θ<sub>sza</sub>: Γωνία ζενίθ του ήλιου, σε μοίρες.''</small>
<p>
<small>''θ<sub>saa</sub>: Γωνία αζιμουθίου του ήλιου, σε μοίρες.''</small>
</p>

Τα δεδομένα GK2A παρέχουν δισδιάστατη πληροφορία εντός της περιοχής ενδιαφέροντος (ROI) γύρω από το σημείο εκτίμησης, όπου η συνεισφορά κάθε pixel διαφοροποιείται ανάλογα με τη γεωμετρία του ήλιου. Pixels ευθυγραμμισμένα με τη διεύθυνση του ηλιακού αζιμουθίου (solar azimuth angle, SAA) κατά μήκος της διαδρομής της ηλιακής ακτινοβολίας έχουν μεγαλύτερη βαρύτητα, ενώ η σημασία των pixels πλησίον του σημείου εκτίμησης αυξάνεται με την αύξηση της γωνίας ανύψωσης του ηλίου (solar elevation angle, SEA). Για τον σκοπό αυτό σχεδιάστηκε χαρακτηριστικό που ποσοτικοποιεί τη σχετική βαρύτητα κάθε pixel ως συνάρτηση του ηλιακού αζιμουθίου, σύμφωνα με τις Εξισώσεις.
</p>

<p>
Σχετικά με τις παραμέτρους της ηλιακής γεωμετρίας χρησιμοποιήθηκαν οι ακόλουθες σχέσεις για να υπολογιστούν παράμετροι ηλιακής γεωμετρίας.
[[Αρχείο:Εικόνα5 εξισώσεις 2.png|thumb|center|400px|]]
</p>
<small>''ϕ<sub>roi</sub>: Χάρτης γεωγραφικού πλάτους των δεδομένων GK2A, σε μοίρες.''</small>
<p>
<small>''λ<sub>roi</sub>: Χάρτης γεωγραφικού μήκους των δεδομένων GK2A, σε μοίρες.''</small>
</p>
<small>''θ<sub>aa</sub>: Χάρτης της γωνίας αζιμουθίου μεταξύ του σημείου εκτίμησης και των δεδομένων GK2A, σε μοίρες.''</small>
<p>
<small>''W<sub>saa</sub>: Χάρτης χωρικής βαρύτητας των δεδομένων GK2A βάσει του ηλιακού αζιμουθίου.''</small>
</p>

Η διεύθυνση του ηλιακού αζιμουθίου (SAA) ελήφθη υπόψη μέσω του υπολογισμού της διαφοράς μεταξύ του SAA και της γωνίας αζιμουθίου μεταξύ του σημείου εκτίμησης και των δεδομένων GK2A, ενώ η σχετική βαρύτητα των pixels προσδιορίστηκε με τη χρήση της συνάρτησης συνημιτόνου (W<sub>saa</sub>). Ωστόσο, επειδή το W<sub>saa</sub> δεν λαμβάνει υπόψη τη Sun’s great circle distance (μεγάλη κυκλική απόσταση του ηλίου) σχεδιάστηκε ο συντελεστής W<sub>sea</sub>, που εκφράζει τον λόγο της απόστασης μεταξύ του σημείου εκτίμησης και των δεδομένων GK2A ως προς τη μεγάλη κυκλική απόσταση του ήλιου. Ο τρόπος υπολογισμού του παρουσιάζεται στις ακόλουθες Εξισώσεις.
<p>
[[Αρχείο:Εικόνα6 εξισώσεις 3.png|thumb|center|400px|]]
</p>

<p>
Τα δεδομένα που παρατηρούνται από τον δορυφόρο περιλαμβάνουν σύνθετη φυσική πληροφορία που προέρχεται από την ανάκλαση της ακτινοβολίας στην επιφάνεια της Γης και στην ατμόσφαιρα, επομένως η επίδραση της ατμόσφαιρας δεν μπορεί να αγνοηθεί. Για τον λόγο αυτό λήφθηκε υπόψη η γεωμετρική πληροφορία του δορυφόρου, μέσω του σχεδιασμού δύο συναρτήσεων (W<sub>gaa</sub> και W<sub>gea</sub>), οι οποίες ενσωματώνουν τις γωνίες αζιμουθίου και ανύψωσης του δορυφόρου GK2A, κατά τρόπο ανάλογο με τα αντίστοιχα χαρακτηριστικά της ηλιακής γεωμετρίας, σύμφωνα με τις Εξισώσεις.
<p>
[[Αρχείο:Εικόνα6 εξισώσεις 3.png|thumb|center|400px|]]
</p>

<p>
<small>''λ<sub>g</sub>: Γεωγραφικό μήκος του δορυφόρου GK2A (= 128,2°).''</small>
</p>
<small>''θ<sub>gaa</sub>: Γωνία αζιμουθίου του δορυφόρου GK2A σε σχέση με το σημείο εκτίμησης, σε μοίρες.''</small>
<p>
<small>''W<sub>gaa</sub>: Χάρτης χωρικής βαρύτητας (συντελεστής χωρικής σημασίας) των δεδομένων GK2A βάσει της γωνίας θgaa.''</small>
</p>
<small>''γ<sub>g</sub>: Κεντρική γωνία μεταξύ του σημείου εκτίμησης και του δορυφόρου GK2A, σε μοίρες.''</small>
<p>
<small>''H<sub>g</sub>: Ύψος (τροχιακό υψόμετρο) του δορυφόρου GK2A (= 35786 km).''</small>
</p>
<small>''θ<sub>gea</sub>: Γωνία ανύψωσης του δορυφόρου GK2A σε σχέση με το σημείο εκτίμησης, σε μοίρες.''</small>
<p>
<small>''W<sub>gea</sub>: Λόγος της απόστασης μεταξύ του σημείου εκτίμησης και των δεδομένων GK2A προς τη μεγάλη κυκλική απόσταση του δορυφόρου GK2A.''</small>
</p>

<p>
Προχωρώντας τώρα στο <strong>Feature Selection – Επιλογή Χαρακτηριστικών</strong> εκείνη εφαρμόστηκε για τη μείωση της πολυπλοκότητας του μοντέλου και την αποφυγή υπερπροσαρμογής. Συνολικά εξετάστηκαν 88 χαρακτηριστικά, τα οποία περιλαμβάνουν φασματικές πληροφορίες από τα κανάλια του GK2A, διαφορές μεταξύ καναλιών που αντιστοιχούν στο ίδιο φυσικό μέγεθος και γεωμετρικά χαρακτηριστικά που προέκυψαν μέσω μηχανικής χαρακτηριστικών.
</p>
Τα χαρακτηριστικά χωρίστηκαν σε δύο ομάδες: εκείνα που δεν περιλαμβάνουν χωρική πληροφορία σχετικά με το σημείο εκτίμησης (x1 έως x84) και εκείνα που λαμβάνουν υπόψη τη σχετική θέση των δεδομένων μέσα στην περιοχή ενδιαφέροντος (x85 έως x88). Για την πρώτη ομάδα εφαρμόστηκε επιλογή χαρακτηριστικών με MLP (Multi-Layer Perceptron) και τα δεδομένα μετατράπηκαν σε μονοδιάστατη μορφή, καθώς δεν ήταν απαραίτητο να διατηρηθεί η χωρική πληροφορία. Αντίθετα, τα χαρακτηριστικά της δεύτερης ομάδας διατηρήθηκαν σε δισδιάστατη μορφή και αξιολογήθηκαν με HDNN (Hybrid Deep Neural Network), το οποίο μπορεί να χειριστεί ταυτόχρονα δεδομένα διαφορετικών διαστάσεων. Με τον τρόπο αυτό επιλέχθηκαν συνολικά 21 χαρακτηριστικά, τα οποία συνέβαλαν περισσότερο στη βελτίωση της ακρίβειας εκτίμησης της επιφανειακής ηλιακής ακτινοβολίας.
<p>
Σχετικά με τον <strong>Σχεδιασμό και την Εκπαίδευση του Μοντέλου</strong> επιλέχθηκε ένα υβριδικό βαθύ νευρωνικό δίκτυο (HDNN), του οποίου η αρχιτεκτονική παρουσιάζεται στην <strong>Εικόνα 4</strong>.
</p>

[[Αρχείο:Εικόνα8_αρχιτεκτονική.png|thumb|center|600px|<strong>Εικόνα 4:</strong> Αρχιτεκτονική του μοντέλου.]]

<p>
Οι υπερπαράμετροι (hyperparameters) του μοντέλου ρυθμίστηκαν έπειτα από δοκιμές και ορίστηκαν σε μέγιστο αριθμό εποχών (epoch) 1000, μέγεθος mini-batch 8192, ρυθμό μάθησης (learning rate) 0,001 και βελτιστοποιητή Adam (Adam optimizer ή αλλιώς adaptive moment estimation). Για την αποφυγή υπερπροσαρμογής (overfitting), το 10% των δεδομένων εκπαίδευσης χρησιμοποιήθηκε ως σύνολο επικύρωσης, με ημερήσια δειγματοληψία ώστε να λαμβάνεται υπόψη η ημερήσια περιοδικότητα της ηλιακής ακτινοβολίας. Επιπλέον, εφαρμόστηκε τεχνική early stopping με βάση το σφάλμα επικύρωσης, και ως τελικό μοντέλο επιλέχθηκε εκείνο που παρουσίασε τη μικρότερη τιμή validation loss.
</p>

<h1><strong>Πειραματικά Αποτελέσματα</strong></h1>

<p>
Για την αξιολόγηση της απόδοσης της προτεινόμενης μεθόδου πραγματοποιήθηκαν συγκριτικά πειράματα μεταξύ διαφορετικών μοντέλων, μεθόδων επιλογής χαρακτηριστικών και συνόλων εισόδων για την εκτίμηση της επιφανειακής ηλιακής ακτινοβολίας. Για τον σκοπό αυτό χρησιμοποιήθηκαν δεδομένα από 12 συνοπτικούς μετεωρολογικούς σταθμούς, οι οποίοι δεν είχαν συμμετάσχει στην εκπαίδευση του μοντέλου, ώστε να διασφαλιστεί ανεξάρτητος έλεγχος της απόδοσης (testing).
</p>
Για την αποφυγή υπερπροσαρμογής, το 10% των δεδομένων εκπαίδευσης χρησιμοποιήθηκε ως σύνολο επικύρωσης και εφαρμόστηκε τεχνική early stopping με βάση το σφάλμα επικύρωσης. Προκειμένου να ληφθεί υπόψη η τυχαιότητα που εισάγεται στη βαθιά μάθηση (π.χ. αρχικοποίηση βαρών και αναδιάταξη δεδομένων), η αξιολόγηση πραγματοποιήθηκε μέσω επαναλαμβανόμενων πειραμάτων: πέντε επαναλήψεις για πειράματα με μονοδιάστατα (1D) δεδομένα και τρεις επαναλήψεις για πειράματα με δισδιάστατα (2D) δεδομένα. Η τελική απόδοση καθορίστηκε από το πείραμα με τη μικρότερη τιμή RMSE.
<p>
Τα 4 KPI (Key Performance Indicators) που χρησιμοποιήθηκαν είναι οι 4 δείκτες RMSE, rRMSE, MAE και συντελεστής προσδιορισμού R² και υπολογίζονται σύμφωνα με τις ακόλουθες εξισώσεις.
</p>
[[Αρχείο:Εικόνα9_εξισώσεις_5.png|thumb|center|200px|]]
<p>
<small>''n: Αριθμός παρατηρήσεων (δεδομένων).''</small>
</p>
<small>''yₖ: k-οστή πραγματική τιμή (τιμή στόχου).''</small>
<p>
<small>''ŷₖ: k-οστή εκτιμώμενη τιμή (πρόβλεψη του μοντέλου).''</small>
</p>
<small>''ȳ: Μέση τιμή των πραγματικών τιμών (στόχων).''</small>
<p>

Συγκρίθηκαν διαφορετικά μοντέλα μηχανικής μάθησης (MLP, LSTM και HDNN). Τα αποτελέσματα έδειξαν ότι το υβριδικό βαθύ νευρωνικό δίκτυο (HDNN) παρουσίασε τη συνολικά καλύτερη απόδοση. Αυτό οφείλεται στο γεγονός ότι το HDNN μπορεί να επεξεργάζεται χωρικά δεδομένα σε δισδιάστατη μορφή, αξιοποιώντας πληροφορία από την περιοχή γύρω από τον σταθμό και όχι μόνο από το ίδιο το σημείο μέτρησης. Αντίθετα, τα MLP και LSTM περιορίζονται κυρίως σε μονοδιάστατη πληροφορία και δεν εκμεταλλεύονται πλήρως τη χωρική δομή των δορυφορικών δεδομένων. Επίσης, οι δείκτες για τα 3 μοντέλα παρουσιάζονται στην <strong>Εικόνα 5</strong>.
</p>
[[Αρχείο:Εικόνα10 εξισώσεις 6.png|thumb|center|600px|<strong>Εικόνα 5:</strong> Σύγκριση της απόδοσης της εκτίμησης της επιφανειακής ηλιακής ακτινοβολίας (SSI) μεταξύ διαφορετικών μοντέλων. Κάθε τιμή αντιπροσωπεύει τη μέση απόδοση που προκύπτει από 12 συνοπτικούς μετεωρολογικούς σταθμούς.]]
<p>
Στη συνέχεια, αξιολογήθηκαν διαφορετικές μέθοδοι επιλογής χαρακτηριστικών. Διαπιστώθηκε ότι η μέθοδος Deep-FS υπερέχει έναντι κλασικών στατιστικών προσεγγίσεων διότι επέτρεψε την επιλογή ενός μικρότερου αλλά πιο ουσιαστικού συνόλου χαρακτηριστικών, διατηρώντας υψηλή ακρίβεια και μειώνοντας σημαντικά την πολυπλοκότητα του μοντέλου.
</p>
Επίσης σημειώθηκε πως όταν χρησιμοποιήθηκαν ταυτόχρονα χαρακτηριστικά που σχετίζονται με την γεωμετρία του ήλιου και που περιλαμβάνουν σχετική χωρική πληροφορία γύρω από το σημείο εκτίμησης βελτίωσαν αισθητά την απόδοση του μοντέλου. το μοντέλο παρουσίασε την υψηλότερη ακρίβεια, γεγονός που δείχνει ότι τα δύο αυτά είδη πληροφορίας είναι συμπληρωματικά μεταξύ τους.
<p>
Τέλος, η προτεινόμενη από την δημοσίευση μέθοδος συγκρίθηκε με το ευρέως χρησιμοποιούμενο προϊόν ERA5 (SSRD) και αποδείχθηκε ότι υπερτερεί σε όλα τα κριτήρια αξιολόγησης όπως παρουσιάζεται και στην <strong>Eικόνα 6</strong>. Αυτό καταδεικνύει ότι η συνδυαστική αξιοποίηση δορυφορικών δεδομένων υψηλής ανάλυσης, γεωμετρικής πληροφορίας και βαθιάς μάθησης μπορεί να οδηγήσει σε πιο ακριβείς και αξιόπιστες εκτιμήσεις της ηλιακής ακτινοβολίας.
</p>
[[Αρχείο:Εικόνα11_Σύγκριση.png|thumb|center|600px|<strong>Εικόνα 6:</strong> Σύγκριση της απόδοσης της επιφανειακής ηλιακής ακτινοβολίας (SSI) που προκύπτει από την προτεινόμενη μέθοδο και του αξιόπιστου προϊόντος SSRD που παρέχεται από το ERA5. Κάθε τιμή αντιπροσωπεύει τη μέση απόδοση από 12 συνοπτικούς μετεωρολογικούς σταθμούς.]]
<p>

<h1><strong>Συμπεράσματα</strong></h1>
</p>

<p>

Η μελέτη πρότεινε μια μέθοδο εκτίμησης της επιφανειακής ηλιακής ακτινοβολίας βασισμένη σε δορυφορικά δεδομένα GK2A και τεχνικές μηχανικής χαρακτηριστικών. Τα αποτελέσματα έδειξαν πολύ υψηλή ακρίβεια εκτίμησης, ακόμη και σε σταθμούς που δεν χρησιμοποιήθηκαν στην εκπαίδευση, επιβεβαιώνοντας την αποτελεσματικότητα της προσέγγισης.
</p>

Το υβριδικό βαθύ νευρωνικό δίκτυο (HDNN) αποδείχθηκε ιδιαίτερα κατάλληλο, καθώς αξιοποιεί ταυτόχρονα χωρική και χρονική πληροφορία από δεδομένα διαφορετικών διαστάσεων. Η μέθοδος παρουσιάζει σημαντικές δυνατότητες για πρακτικές εφαρμογές, όπως ο σχεδιασμός και η χωροθέτηση φωτοβολταϊκών εγκαταστάσεων, ενώ η χρήση δεδομένων από περισσότερες περιοχές θα μπορούσε να βελτιώσει περαιτέρω τη γενικευσιμότητά της.

[[category:Ενέργεια]]