RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:29:31Z

Mari77: /* Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula (Νό

[[Εικόνα: mk_paper_10_eikona_1.jpg_| thumb | right | Εικόνα 1. Περιοχή μελέτης a) Amalfi, το επάνω τμήμα που βλέπει στο λιμάνι, b) Η παραλία του Conca di Marini, πηγή: https://www.tandfonline.com]]

[[Εικόνα: mk_paper_10_eikona_2.jpg_| thumb | right | Εικόνα 2. Χάρτης αποτελεσμάτων LSI για τις περιοχές Amalfi και Conca di Marini, πηγή: https://www.tandfonline.com]]

== Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula (Νότιος Ιταλία) ==

Landslide susceptibility mapping by remote sensing and geomorphological data: case studies on the Sorrentina Peninsula (Southern Italy)

Claudia Spinetti, Marina Bisson, Cristiano Tolomei, Laura Colini, Alesssandro Galvani, Marco Moro, Michele Saroli and Vincenzo Sepe

πηγή: [[https://www.tandfonline.com/doi/full/10.1080/15481603.2019.1587891]]

Η μελέτη του παρόντος άρθρου συνεισφέρει στην αποτροπή φυσικών καταστροφών όπως κατολισθήσεις μέσω εφαρμογών μεθόδων GIS, με απώτερο σκοπό τη χαρτογράφηση περιοχών περισσότερο επιρρεπών σε φαινόμενα αστάθειας. Εξελίχθηκε ο δείκτης LSI περιλαμβάνοντας πέντε παραμέτρους σε μια πλατφόρμα GIS. Αυτές οι παράμετροι αναγνωρίζονται ως οι κύριες αιτίες πρόκλησης κατολισθήσεων. Το παρών άρθρο συνδυάζει αναλύσεις που πραγματοποιήθηκαν μέσω δεδομένων τηλεπισκόπησης , γεω-λιθολογίας και μορφομετρίας και βασίζεται στα εξής βήματα i) πολυφασματική InSAR τεχνική σε Envisat-ASAR (2003-2010) και COSMO-SKYMed (2013-2015) δεδομένα για τη λήψη χρονοσειρών μετατόπισης εδάφους και τους σχετικούς χάρτες μέσης ταχύτητας εδάφους.

Η περιοχή μελέτης (Peninsula) περιλαμβάνει 21 δήμους 18 στη παραθαλάσσια ζώνη και 3 στην ενδοχώρα , πρόκειται για μια από τις πιο πυκνοκατοικημένες περιοχές στην ευρύτερη περιοχή της Campania και τα τελευταία 1000 χρόνια έχει υποστεί μεγάλες καταστροφές από φαινόμενα πλημμύρας, μετακίνησης εδάφους. Η παρούσα μελέτη ξεκινά από την ανάλυση μεγάλης αλληλουχίας εικόνων συνθετικού ραντάρ SAR για την αναγνώριση περιοχών που υπόκεινται σε αργές παραμορφώσεις (λίγα χιλ./έτος). Προκειμένου να εξερευνηθούν ασταθείς κλίσεις στην Peninsula Sorrentina, αναλύoνται τα C-band Envisat-ASAR και X-band COSMO-Skymed δεδομένα. Η χρήση και των 2 καναλιών SAR μεγιστοποιεί το βαθμό συσχέτισης σε περιοχές βλάστησης και τον αριθμό των μετρούμενων σημείων. Στόχος είναι η χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, μέσω μιας σειράς βημάτων i) χρήση InSAR για την αναγνώριση περιοχών που υπόκεινται σε παραμορφώσεις εδάφους, ii) αυτές οι περιοχές εξερευνώνται μέσω εναέριας φώτο-γεωλογικής ανάλυσης και ελέγχονται επί τόπου προκειμένου να βρεθούν μορφολογικές ιδιαιτερότητες που σχετίζονται με αστάθεια κλίσεων, iii) εφαρμόζεται μια πολυποίκιλη ανάλυση στις παραμέτρους ευπάθειας των περιοχών που έχουν υποστεί παραμόρφωση εδάφους προκειμένου να εξαχθούν οι κλάσεις και τα βάρη κάθε παραμέτρου στον υπολογισμό του δείκτη LSI.

'''Δεδομένα SAR'''

Δυο εικόνες SAR έχουν υποστεί επεξεργασία, το C-band ASAR σύνολο δεδομένων περιέχει εικόνες χωρικής ανάλυσης 9 μέτρων για τη περίοδο 2003-2010 με ένα χρονικό κύκλο 35 ημερών. Το X-band CSK σύνολο δεδομένων περιέχει εικόνες χωρικής ανάλυσης 3 μέτρων για τη περίοδο 2013-2015 με ένα χρονικό κύκλο 16 ημερών. Κάθε μια εικόνα καλύπτει τη συνολική περιοχή μελέτης.

'''InSAR ανάλυση ορατότητας
'''
Σε περιοχές πυκνής μορφολογίας , οι δυνατότητες μιας ραντάρ εικόνας περιορίζονται λόγω γεωμετρίας εδάφους γι’ αυτό πριν την επεξεργασία τους παράγονται InSAR χάρτες ορατότητας για τον υπολογισμό της SAR καλυπτόμενης περιοχής για κάθε δήμο. Αυτοί οι χάρτες λαμβάνονται μέσω αισθητήρων του Envisat- ASAR και COSMO-SkyMed με όψη και γωνίες κλίσης, παράγοντες που επηρεάζουν την ορατότητα της SAR επιφάνειας αλλά στην προκειμένη μελέτη οι παράγοντες προερχόντουσαν από μια αποστολή τοπογραφίας μέσω ραντάρ.

'''Πολυχρονική InSAR ανάλυση'''

Η τεχνική που υιοθετήθηκε λέγεται SBAS, περιέχει ένα μεγάλο μέρος ιντερφερογραμμάτων που χαρακτηρίζονται από σύντομες χρονικές και χωρικές διαφορές για το περιορισμό που προκαλούν οι μη συσχετίσεις και τη μεγιστοποίηση του αριθμού των κατανοητών SAR στόχων στο έδαφος. Στη μελέτη η τεχνική SBAS υλοποιήθηκε μέσω του λογισμικού SARScape για δεδομένα CSK , η πλατφόρμα Geohazard για ASAR δεδομένα και παρήχθησαν χάρτες ταχύτητας εδάφους χωρίς χωρικές παρεμβολές με μέγεθος κελιού 40 μέτρα (ASAR) και 20 μέτρα (CSK).

'''InSAR αποτελέσματα'''

Η επεξεργασία των ASAR και CSK κομματιών οδήγησε στον εντοπισμό εδαφικών παραμορφώσεων που καλύπτουν το 37% και 24% αντίστοιχα της συνολικής Peninsula. Από τη μελέτη συμπεραίνεται πως η επεξεργασία τους οδηγεί σε χαμηλή ορατότητα λόγω της περίπλοκης γεωμετρίας και τοπογραφίας της περιοχής.
Ερμηνεία εναέριων φωτογραφιών και εργασία εδάφους
Η ερμηνεία αεροφωτογραφιών μπορεί να γίνει με χρήση στερεοσκοπικής μεθόδου η οποία στην προκειμένη μελέτη επέτρεψε το διαχωρισμό γεωμορφολογικών αποδείξεων σχετικών με φαινόμενα αστάθειας κλίσης.

'''Χαρτογράφηση μέσω δείκτη ευπάθειας κατολισθήσεων'''

Αναπτύχθηκε η χρήση του δείκτη LSI για τη διεύρυνση της ταυτοποίησης περιοχών επιρρεπών σε μετακίνηση εδαφών. Αυτός ο δείκτης βασίζεται στην ισότητα που συνδυάζει παραμέτρους σε πλατφόρμα GIS και έχει χωρική ανάλυση συναφή με το LiDAR DEM (2 μέτρα μέγεθος κελιού). Οι παράμετροι είναι οι εξής: SL(Slope), RR(Relative Relief), A(Aspect), μορφομετρικής φύσεως που προκύπτουν από υψηλής ανάλυσης ψηφιακό μοντέλο εδάφους (2 μέτρων) από Lidar εναέρια δεδομένα ενώ οι δείκτες L(Geo-lithology) και LU(Land use) έχουν εξαχθεί από ράστερ χαρτογραφία και πολυφασματικά δεδομένα δορυφόρων.

'''Πολυποίκιλη ανάλυση'''

Για κάθε παράμετρο χρησιμοποιημένη στο LSI , πραγματοποιήθηκε μια ανάλυση για το διαχωρισμό κλάσεων και βαρών. Η επιρροή της παραμέτρου Α στη παραγωγή κατολισθήσεων μπορεί να αλλάξει , ενώ εξαρτάται αρκετά από το δείκτη SL.

'''Αποτελέσματα
'''
Ο εξαγόμενος χάρτης LSI ανάλυσης 2 μέτρων κατηγοριοποιεί τους δήμους της περιοχής μελέτης σε 5 κλάσεις. Η πολύ χαμηλή κλάση αστάθειας καλύπτει σχεδόν το 80% της ερευνούμενης περιοχής ενώ οι υπόλοιπες 4 το 20%. Οι περιοχές με πολύ υψηλό LSI επηρεάζουν το 6% της ερευνούμενης περιοχής. Για να ελεγχθεί το πόσο μπορούμε να βασιστούμε σε αυτό το χάρτη η ακρίβεια αναλύθηκε μεταξύ των άνω ορίων ιστορικών κατολισθήσεων και υψηλών τιμών LSI. Για τη παροχή μιας ανάλυσης ευαισθησίας επεξεργάστηκαν ASAR και CSK δεδομένα και τοποθετήθηκαν στον LSI χάρτη.

'''Συμπεράσματα
'''
Οι ASAR και CSK περιοχές εντοπισμένες στο Amalfi και Conca dei Marini κατηγοριοποιήθηκαν ως υψηλά ευαίσθητες. Τα αποτελέσματα εκφράζουν την υψηλή αξιοπιστία του LSI που μπορεί να αποδειχθεί ένα χρήσιμο εργαλείο για την αποτροπή και μείωση του κινδύνου των κατολισθήσεων στη Sorrentina Peninsula.

[[category:Κατολισθήσεις]]

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:28:52Z

Mari77:

Κωνσταντέλλου Μαριάννα

2021-01-27T07:26:42Z

Mari77:

* [[Συνδυαστική προσέγγιση Τηλεπισκόπησης και GIS τεχνικών για παρακολούθηση και αξιολόγηση των ζημιών...]]

* [[Η επίδραση της Τηλεπισκόπησης και τεχνικών GIS στον εντοπισμό γεωλογικών ρηγμάτων στο νησί της Κρήτης, Ελλάδα]]

* [[Μετάβαση από τις Μετρήσεις στη Διαχείριση: Μελέτη εφαρμογής τεχνικών τηλεπισκόπησης για τη διαχείριση καταστροφών από πλημμύρες]]

* [[Εντοπισμός των περιοχών υγειονομικής ταφής με τη χρήση διαχρονικών θερμικών εικόνων LANDSAT]]

* [[Εκτίμηση της περιβαλλοντικής επίπτωσης από τη λειτουργία χώρων ταφής στερεών αποβλήτων μέσω μεθόδων τηλεπισκόπησης]]

* [[Επισκόπηση της συνεισφοράς της μεθόδου της τηλεπισκόπησης στην παραγωγή πρώτων υλών από βιομάζα]]

* [[Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου]]

* [[Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες]]

* [[Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula]]

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

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:25:04Z

Mari77: /* Μελέτη στη Sorrentina Peninsula (Νότιος Ιταλία) */

[[Εικόνα: mk_paper_10_eikona_1.jpg_| thumb | right | Εικόνα 1. Περιοχή μελέτης a) Amalfi, το επάνω τμήμα που βλέπει στο λιμάνι, b) Η παραλία του Conca di Marini, πηγή: https://www.tandfonline.com]]

[[Εικόνα: mk_paper_10_eikona_2.jpg_| thumb | right | Εικόνα 2. Χάρτης αποτελεσμάτων LSI για τις περιοχές Amalfi και Conca di Marini, πηγή: https://www.tandfonline.com]]

== '''Μελέτη στη Sorrentina Peninsula (Νότιος Ιταλία)''' ==

Landslide susceptibility mapping by remote sensing and geomorphological data: case studies on the Sorrentina Peninsula (Southern Italy)

Claudia Spinetti, Marina Bisson, Cristiano Tolomei, Laura Colini, Alesssandro Galvani, Marco Moro, Michele Saroli and Vincenzo Sepe

πηγή: [[https://www.tandfonline.com/doi/full/10.1080/15481603.2019.1587891]]

Η μελέτη του παρόντος άρθρου συνεισφέρει στην αποτροπή φυσικών καταστροφών όπως κατολισθήσεις μέσω εφαρμογών μεθόδων GIS, με απώτερο σκοπό τη χαρτογράφηση περιοχών περισσότερο επιρρεπών σε φαινόμενα αστάθειας. Εξελίχθηκε ο δείκτης LSI περιλαμβάνοντας πέντε παραμέτρους σε μια πλατφόρμα GIS. Αυτές οι παράμετροι αναγνωρίζονται ως οι κύριες αιτίες πρόκλησης κατολισθήσεων. Το παρών άρθρο συνδυάζει αναλύσεις που πραγματοποιήθηκαν μέσω δεδομένων τηλεπισκόπησης , γεω-λιθολογίας και μορφομετρίας και βασίζεται στα εξής βήματα i) πολυφασματική InSAR τεχνική σε Envisat-ASAR (2003-2010) και COSMO-SKYMed (2013-2015) δεδομένα για τη λήψη χρονοσειρών μετατόπισης εδάφους και τους σχετικούς χάρτες μέσης ταχύτητας εδάφους.

Η περιοχή μελέτης (Peninsula) περιλαμβάνει 21 δήμους 18 στη παραθαλάσσια ζώνη και 3 στην ενδοχώρα , πρόκειται για μια από τις πιο πυκνοκατοικημένες περιοχές στην ευρύτερη περιοχή της Campania και τα τελευταία 1000 χρόνια έχει υποστεί μεγάλες καταστροφές από φαινόμενα πλημμύρας, μετακίνησης εδάφους. Η παρούσα μελέτη ξεκινά από την ανάλυση μεγάλης αλληλουχίας εικόνων συνθετικού ραντάρ SAR για την αναγνώριση περιοχών που υπόκεινται σε αργές παραμορφώσεις (λίγα χιλ./έτος). Προκειμένου να εξερευνηθούν ασταθείς κλίσεις στην Peninsula Sorrentina, αναλύoνται τα C-band Envisat-ASAR και X-band COSMO-Skymed δεδομένα. Η χρήση και των 2 καναλιών SAR μεγιστοποιεί το βαθμό συσχέτισης σε περιοχές βλάστησης και τον αριθμό των μετρούμενων σημείων. Στόχος είναι η χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, μέσω μιας σειράς βημάτων i) χρήση InSAR για την αναγνώριση περιοχών που υπόκεινται σε παραμορφώσεις εδάφους, ii) αυτές οι περιοχές εξερευνώνται μέσω εναέριας φώτο-γεωλογικής ανάλυσης και ελέγχονται επί τόπου προκειμένου να βρεθούν μορφολογικές ιδιαιτερότητες που σχετίζονται με αστάθεια κλίσεων, iii) εφαρμόζεται μια πολυποίκιλη ανάλυση στις παραμέτρους ευπάθειας των περιοχών που έχουν υποστεί παραμόρφωση εδάφους προκειμένου να εξαχθούν οι κλάσεις και τα βάρη κάθε παραμέτρου στον υπολογισμό του δείκτη LSI.

'''Δεδομένα SAR'''

Δυο εικόνες SAR έχουν υποστεί επεξεργασία, το C-band ASAR σύνολο δεδομένων περιέχει εικόνες χωρικής ανάλυσης 9 μέτρων για τη περίοδο 2003-2010 με ένα χρονικό κύκλο 35 ημερών. Το X-band CSK σύνολο δεδομένων περιέχει εικόνες χωρικής ανάλυσης 3 μέτρων για τη περίοδο 2013-2015 με ένα χρονικό κύκλο 16 ημερών. Κάθε μια εικόνα καλύπτει τη συνολική περιοχή μελέτης.

'''InSAR ανάλυση ορατότητας
'''
Σε περιοχές πυκνής μορφολογίας , οι δυνατότητες μιας ραντάρ εικόνας περιορίζονται λόγω γεωμετρίας εδάφους γι’ αυτό πριν την επεξεργασία τους παράγονται InSAR χάρτες ορατότητας για τον υπολογισμό της SAR καλυπτόμενης περιοχής για κάθε δήμο. Αυτοί οι χάρτες λαμβάνονται μέσω αισθητήρων του Envisat- ASAR και COSMO-SkyMed με όψη και γωνίες κλίσης, παράγοντες που επηρεάζουν την ορατότητα της SAR επιφάνειας αλλά στην προκειμένη μελέτη οι παράγοντες προερχόντουσαν από μια αποστολή τοπογραφίας μέσω ραντάρ.

'''Πολυχρονική InSAR ανάλυση'''

Η τεχνική που υιοθετήθηκε λέγεται SBAS, περιέχει ένα μεγάλο μέρος ιντερφερογραμμάτων που χαρακτηρίζονται από σύντομες χρονικές και χωρικές διαφορές για το περιορισμό που προκαλούν οι μη συσχετίσεις και τη μεγιστοποίηση του αριθμού των κατανοητών SAR στόχων στο έδαφος. Στη μελέτη η τεχνική SBAS υλοποιήθηκε μέσω του λογισμικού SARScape για δεδομένα CSK , η πλατφόρμα Geohazard για ASAR δεδομένα και παρήχθησαν χάρτες ταχύτητας εδάφους χωρίς χωρικές παρεμβολές με μέγεθος κελιού 40 μέτρα (ASAR) και 20 μέτρα (CSK).

'''InSAR αποτελέσματα'''

Η επεξεργασία των ASAR και CSK κομματιών οδήγησε στον εντοπισμό εδαφικών παραμορφώσεων που καλύπτουν το 37% και 24% αντίστοιχα της συνολικής Peninsula. Από τη μελέτη συμπεραίνεται πως η επεξεργασία τους οδηγεί σε χαμηλή ορατότητα λόγω της περίπλοκης γεωμετρίας και τοπογραφίας της περιοχής.
Ερμηνεία εναέριων φωτογραφιών και εργασία εδάφους
Η ερμηνεία αεροφωτογραφιών μπορεί να γίνει με χρήση στερεοσκοπικής μεθόδου η οποία στην προκειμένη μελέτη επέτρεψε το διαχωρισμό γεωμορφολογικών αποδείξεων σχετικών με φαινόμενα αστάθειας κλίσης.

'''Χαρτογράφηση μέσω δείκτη ευπάθειας κατολισθήσεων'''

Αναπτύχθηκε η χρήση του δείκτη LSI για τη διεύρυνση της ταυτοποίησης περιοχών επιρρεπών σε μετακίνηση εδαφών. Αυτός ο δείκτης βασίζεται στην ισότητα που συνδυάζει παραμέτρους σε πλατφόρμα GIS και έχει χωρική ανάλυση συναφή με το LiDAR DEM (2 μέτρα μέγεθος κελιού). Οι παράμετροι είναι οι εξής: SL(Slope), RR(Relative Relief), A(Aspect), μορφομετρικής φύσεως που προκύπτουν από υψηλής ανάλυσης ψηφιακό μοντέλο εδάφους (2 μέτρων) από Lidar εναέρια δεδομένα ενώ οι δείκτες L(Geo-lithology) και LU(Land use) έχουν εξαχθεί από ράστερ χαρτογραφία και πολυφασματικά δεδομένα δορυφόρων.

'''Πολυποίκιλη ανάλυση'''

Για κάθε παράμετρο χρησιμοποιημένη στο LSI , πραγματοποιήθηκε μια ανάλυση για το διαχωρισμό κλάσεων και βαρών. Η επιρροή της παραμέτρου Α στη παραγωγή κατολισθήσεων μπορεί να αλλάξει , ενώ εξαρτάται αρκετά από το δείκτη SL.

'''Αποτελέσματα
'''
Ο εξαγόμενος χάρτης LSI ανάλυσης 2 μέτρων κατηγοριοποιεί τους δήμους της περιοχής μελέτης σε 5 κλάσεις. Η πολύ χαμηλή κλάση αστάθειας καλύπτει σχεδόν το 80% της ερευνούμενης περιοχής ενώ οι υπόλοιπες 4 το 20%. Οι περιοχές με πολύ υψηλό LSI επηρεάζουν το 6% της ερευνούμενης περιοχής. Για να ελεγχθεί το πόσο μπορούμε να βασιστούμε σε αυτό το χάρτη η ακρίβεια αναλύθηκε μεταξύ των άνω ορίων ιστορικών κατολισθήσεων και υψηλών τιμών LSI. Για τη παροχή μιας ανάλυσης ευαισθησίας επεξεργάστηκαν ASAR και CSK δεδομένα και τοποθετήθηκαν στον LSI χάρτη.

'''Συμπεράσματα
'''
Οι ASAR και CSK περιοχές εντοπισμένες στο Amalfi και Conca dei Marini κατηγοριοποιήθηκαν ως υψηλά ευαίσθητες. Τα αποτελέσματα εκφράζουν την υψηλή αξιοπιστία του LSI που μπορεί να αποδειχθεί ένα χρήσιμο εργαλείο για την αποτροπή και μείωση του κινδύνου των κατολισθήσεων στη Sorrentina Peninsula.

[[category:Κατολισθήσεις]]

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:19:11Z

Mari77: /* Μελέτη στη Sorrentina Peninsula (Νότιος Ιταλία) */

[[Εικόνα: mk_paper_10_eikona_1.jpg_| thumb | right | Εικόνα 1. Περιοχή μελέτης a) Amalfi, το επάνω τμήμα που βλέπει στο λιμάνι, b) Η παραλία του Conca di Marini, πηγή: https://www.tandfonline.com]]

[[Εικόνα: mk_paper_10_eikona_2.jpg_| thumb | right | Εικόνα 2. Χάρτης αποτελεσμάτων LSI για τις περιοχές Amalfi και Conca di Marini, πηγή: https://www.tandfonline.com]]

== '''Μελέτη στη Sorrentina Peninsula (Νότιος Ιταλία)''' ==

Landslide susceptibility mapping by remote sensing and geomorphological data: case studies on the Sorrentina Peninsula (Southern Italy)

Claudia Spinetti, Marina Bisson, Cristiano Tolomei, Laura Colini, Alesssandro Galvani, Marco Moro, Michele Saroli and Vincenzo Sepe

πηγή: [[https://www.tandfonline.com/doi/full/10.1080/15481603.2019.1587891]]

Η μελέτη του παρόντος άρθρου συνεισφέρει στην αποτροπή φυσικών καταστροφών όπως κατολισθήσεις μέσω εφαρμογών μεθόδων GIS, με απώτερο σκοπό τη χαρτογράφηση περιοχών περισσότερο επιρρεπών σε φαινόμενα αστάθειας. Εξελίχθηκε ο δείκτης LSI περιλαμβάνοντας πέντε παραμέτρους σε μια πλατφόρμα GIS. Αυτές οι παράμετροι αναγνωρίζονται ως οι κύριες αιτίες πρόκλησης κατολισθήσεων. Το παρών άρθρο συνδυάζει αναλύσεις που πραγματοποιήθηκαν μέσω δεδομένων τηλεπισκόπησης , γεω-λιθολογίας και μορφομετρίας και βασίζεται στα εξής βήματα i) πολυφασματική InSAR τεχνική σε Envisat-ASAR (2003-2010) και COSMO-SKYMed (2013-2015) δεδομένα για τη λήψη χρονοσειρών μετατόπισης εδάφους και τους σχετικούς χάρτες μέσης ταχύτητας εδάφους.

Η περιοχή μελέτης (Peninsula) περιλαμβάνει 21 δήμους 18 στη παραθαλάσσια ζώνη και 3 στην ενδοχώρα , πρόκειται για μια από τις πιο πυκνοκατοικημένες περιοχές στην ευρύτερη περιοχή της Campania και τα τελευταία 1000 χρόνια έχει υποστεί μεγάλες καταστροφές από φαινόμενα πλημμύρας, μετακίνησης εδάφους. Η παρούσα μελέτη ξεκινά από την ανάλυση μεγάλης αλληλουχίας εικόνων συνθετικού ραντάρ SAR για την αναγνώριση περιοχών που υπόκεινται σε αργές παραμορφώσεις (λίγα χιλ./έτος). Προκειμένου να εξερευνηθούν ασταθείς κλίσεις στην Peninsula Sorrentina, αναλύoνται τα C-band Envisat-ASAR και X-band COSMO-Skymed δεδομένα. Η χρήση και των 2 καναλιών SAR μεγιστοποιεί το βαθμό συσχέτισης σε περιοχές βλάστησης και τον αριθμό των μετρούμενων σημείων. Στόχος είναι η χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, μέσω μιας σειράς βημάτων i) χρήση InSAR για την αναγνώριση περιοχών που υπόκεινται σε παραμορφώσεις εδάφους, ii) αυτές οι περιοχές εξερευνώνται μέσω εναέριας φώτο-γεωλογικής ανάλυσης και ελέγχονται επί τόπου προκειμένου να βρεθούν μορφολογικές ιδιαιτερότητες που σχετίζονται με αστάθεια κλίσεων, iii) εφαρμόζεται μια πολυποίκιλη ανάλυση στις παραμέτρους ευπάθειας των περιοχών που έχουν υποστεί παραμόρφωση εδάφους προκειμένου να εξαχθούν οι κλάσεις και τα βάρη κάθε παραμέτρου στον υπολογισμό του δείκτη LSI.

Δεδομένα SAR
Δυο εικόνες SAR έχουν υποστεί επεξεργασία, το C-band ASAR σύνολο δεδομένων περιέχει εικόνες χωρικής ανάλυσης 9 μέτρων για τη περίοδο 2003-2010 με ένα χρονικό κύκλο 35 ημερών. Το X-band CSK σύνολο δεδομένων περιέχει εικόνες χωρικής ανάλυσης 3 μέτρων για τη περίοδο 2013-2015 με ένα χρονικό κύκλο 16 ημερών. Κάθε μια εικόνα καλύπτει τη συνολική περιοχή μελέτης.

InSAR ανάλυση ορατότητας
Σε περιοχές πυκνής μορφολογίας , οι δυνατότητες μιας ραντάρ εικόνας περιορίζονται λόγω γεωμετρίας εδάφους γι’ αυτό πριν την επεξεργασία τους παράγονται InSAR χάρτες ορατότητας για τον υπολογισμό της SAR καλυπτόμενης περιοχής για κάθε δήμο. Αυτοί οι χάρτες λαμβάνονται μέσω αισθητήρων του Envisat- ASAR και COSMO-SkyMed με όψη και γωνίες κλίσης, παράγοντες που επηρεάζουν την ορατότητα της SAR επιφάνειας αλλά στην προκειμένη μελέτη οι παράγοντες προερχόντουσαν από μια αποστολή τοπογραφίας μέσω ραντάρ.
Πολυχρονική InSAR ανάλυση
Η τεχνική που υιοθετήθηκε λέγεται SBAS, περιέχει ένα μεγάλο μέρος ιντερφερογραμμάτων που χαρακτηρίζονται από σύντομες χρονικές και χωρικές διαφορές για το περιορισμό που προκαλούν οι μη συσχετίσεις και τη μεγιστοποίηση του αριθμού των κατανοητών SAR στόχων στο έδαφος. Στη μελέτη η τεχνική SBAS υλοποιήθηκε μέσω του λογισμικού SARScape για δεδομένα CSK , η πλατφόρμα Geohazard για ASAR δεδομένα και παρήχθησαν χάρτες ταχύτητας εδάφους χωρίς χωρικές παρεμβολές με μέγεθος κελιού 40 μέτρα (ASAR) και 20 μέτρα (CSK).
InSAR αποτελέσματα
Η επεξεργασία των ASAR και CSK κομματιών οδήγησε στον εντοπισμό εδαφικών παραμορφώσεων που καλύπτουν το 37% και 24% αντίστοιχα της συνολικής Peninsula. Από τη μελέτη συμπεραίνεται πως η επεξεργασία τους οδηγεί σε χαμηλή ορατότητα λόγω της περίπλοκης γεωμετρίας και τοπογραφίας της περιοχής.
Ερμηνεία εναέριων φωτογραφιών και εργασία εδάφους
Η ερμηνεία αεροφωτογραφιών μπορεί να γίνει με χρήση στερεοσκοπικής μεθόδου η οποία στην προκειμένη μελέτη επέτρεψε το διαχωρισμό γεωμορφολογικών αποδείξεων σχετικών με φαινόμενα αστάθειας κλίσης.
Χαρτογράφηση μέσω δείκτη ευπάθειας κατολισθήσεων
Αναπτύχθηκε η χρήση του δείκτη LSI για τη διεύρυνση της ταυτοποίησης περιοχών επιρρεπών σε μετακίνηση εδαφών. Αυτός ο δείκτης βασίζεται στην ισότητα που συνδυάζει παραμέτρους σε πλατφόρμα GIS και έχει χωρική ανάλυση συναφή με το LiDAR DEM (2 μέτρα μέγεθος κελιού). Οι παράμετροι είναι οι εξής: SL(Slope), RR(Relative Relief), A(Aspect), μορφομετρικής φύσεως που προκύπτουν από υψηλής ανάλυσης ψηφιακό μοντέλο εδάφους (2 μέτρων) από Lidar εναέρια δεδομένα ενώ οι δείκτες L(Geo-lithology) και LU(Land use) έχουν εξαχθεί από ράστερ χαρτογραφία και πολυφασματικά δεδομένα δορυφόρων.
Πολυποίκιλη ανάλυση
Για κάθε παράμετρο χρησιμοποιημένη στο LSI , πραγματοποιήθηκε μια ανάλυση για το διαχωρισμό κλάσεων και βαρών. Η επιρροή της παραμέτρου Α στη παραγωγή κατολισθήσεων μπορεί να αλλάξει , ενώ εξαρτάται αρκετά από το δείκτη SL.
Αποτελέσματα
Ο εξαγόμενος χάρτης LSI ανάλυσης 2 μέτρων κατηγοριοποιεί τους δήμους της περιοχής μελέτης σε 5 κλάσεις. Η πολύ χαμηλή κλάση αστάθειας καλύπτει σχεδόν το 80% της ερευνούμενης περιοχής ενώ οι υπόλοιπες 4 το 20%. Οι περιοχές με πολύ υψηλό LSI επηρεάζουν το 6% της ερευνούμενης περιοχής. Για να ελεγχθεί το πόσο μπορούμε να βασιστούμε σε αυτό το χάρτη η ακρίβεια αναλύθηκε μεταξύ των άνω ορίων ιστορικών κατολισθήσεων και υψηλών τιμών LSI. Για τη παροχή μιας ανάλυσης ευαισθησίας επεξεργάστηκαν ASAR και CSK δεδομένα και τοποθετήθηκαν στον LSI χάρτη.
Συμπεράσματα
Οι ASAR και CSK περιοχές εντοπισμένες στο Amalfi και Conca dei Marini κατηγοριοποιήθηκαν ως υψηλά ευαίσθητες. Τα αποτελέσματα εκφράζουν την υψηλή αξιοπιστία του LSI που μπορεί να αποδειχθεί ένα χρήσιμο εργαλείο για την αποτροπή και μείωση του κινδύνου των κατολισθήσεων στη Sorrentina Peninsula.

[[category:Κατολισθήσεις]]

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:18:57Z

Mari77: /* Μελέτη στη Sorrentina Peninsula (Νότιος Ιταλία) */

[[Εικόνα: mk_paper_10_eikona_1.jpg_| thumb | right | Εικόνα 1. Περιοχή μελέτης a) Amalfi, το επάνω τμήμα που βλέπει στο λιμάνι, b) Η παραλία του Conca di Marini, πηγή: https://www.tandfonline.com]]

[[Εικόνα: mk_paper_10_eikona_2.jpg_| thumb | right | Εικόνα 2. Χάρτης αποτελεσμάτων LSI για τις περιοχές Amalfi και Conca di Marini, πηγή: https://www.tandfonline.com]]

== '''Μελέτη στη Sorrentina Peninsula (Νότιος Ιταλία)''' ==

Landslide susceptibility mapping by remote sensing and geomorphological data: case studies on the Sorrentina Peninsula (Southern Italy)

Claudia Spinetti, Marina Bisson, Cristiano Tolomei, Laura Colini, Alesssandro Galvani, Marco Moro, Michele Saroli and Vincenzo Sepe

πηγή: [[https://www.tandfonline.com/doi/full/10.1080/15481603.2019.1587891
]]

Η μελέτη του παρόντος άρθρου συνεισφέρει στην αποτροπή φυσικών καταστροφών όπως κατολισθήσεις μέσω εφαρμογών μεθόδων GIS, με απώτερο σκοπό τη χαρτογράφηση περιοχών περισσότερο επιρρεπών σε φαινόμενα αστάθειας. Εξελίχθηκε ο δείκτης LSI περιλαμβάνοντας πέντε παραμέτρους σε μια πλατφόρμα GIS. Αυτές οι παράμετροι αναγνωρίζονται ως οι κύριες αιτίες πρόκλησης κατολισθήσεων. Το παρών άρθρο συνδυάζει αναλύσεις που πραγματοποιήθηκαν μέσω δεδομένων τηλεπισκόπησης , γεω-λιθολογίας και μορφομετρίας και βασίζεται στα εξής βήματα i) πολυφασματική InSAR τεχνική σε Envisat-ASAR (2003-2010) και COSMO-SKYMed (2013-2015) δεδομένα για τη λήψη χρονοσειρών μετατόπισης εδάφους και τους σχετικούς χάρτες μέσης ταχύτητας εδάφους.

Η περιοχή μελέτης (Peninsula) περιλαμβάνει 21 δήμους 18 στη παραθαλάσσια ζώνη και 3 στην ενδοχώρα , πρόκειται για μια από τις πιο πυκνοκατοικημένες περιοχές στην ευρύτερη περιοχή της Campania και τα τελευταία 1000 χρόνια έχει υποστεί μεγάλες καταστροφές από φαινόμενα πλημμύρας, μετακίνησης εδάφους. Η παρούσα μελέτη ξεκινά από την ανάλυση μεγάλης αλληλουχίας εικόνων συνθετικού ραντάρ SAR για την αναγνώριση περιοχών που υπόκεινται σε αργές παραμορφώσεις (λίγα χιλ./έτος). Προκειμένου να εξερευνηθούν ασταθείς κλίσεις στην Peninsula Sorrentina, αναλύoνται τα C-band Envisat-ASAR και X-band COSMO-Skymed δεδομένα. Η χρήση και των 2 καναλιών SAR μεγιστοποιεί το βαθμό συσχέτισης σε περιοχές βλάστησης και τον αριθμό των μετρούμενων σημείων. Στόχος είναι η χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, μέσω μιας σειράς βημάτων i) χρήση InSAR για την αναγνώριση περιοχών που υπόκεινται σε παραμορφώσεις εδάφους, ii) αυτές οι περιοχές εξερευνώνται μέσω εναέριας φώτο-γεωλογικής ανάλυσης και ελέγχονται επί τόπου προκειμένου να βρεθούν μορφολογικές ιδιαιτερότητες που σχετίζονται με αστάθεια κλίσεων, iii) εφαρμόζεται μια πολυποίκιλη ανάλυση στις παραμέτρους ευπάθειας των περιοχών που έχουν υποστεί παραμόρφωση εδάφους προκειμένου να εξαχθούν οι κλάσεις και τα βάρη κάθε παραμέτρου στον υπολογισμό του δείκτη LSI.

Δεδομένα SAR
Δυο εικόνες SAR έχουν υποστεί επεξεργασία, το C-band ASAR σύνολο δεδομένων περιέχει εικόνες χωρικής ανάλυσης 9 μέτρων για τη περίοδο 2003-2010 με ένα χρονικό κύκλο 35 ημερών. Το X-band CSK σύνολο δεδομένων περιέχει εικόνες χωρικής ανάλυσης 3 μέτρων για τη περίοδο 2013-2015 με ένα χρονικό κύκλο 16 ημερών. Κάθε μια εικόνα καλύπτει τη συνολική περιοχή μελέτης.

InSAR ανάλυση ορατότητας
Σε περιοχές πυκνής μορφολογίας , οι δυνατότητες μιας ραντάρ εικόνας περιορίζονται λόγω γεωμετρίας εδάφους γι’ αυτό πριν την επεξεργασία τους παράγονται InSAR χάρτες ορατότητας για τον υπολογισμό της SAR καλυπτόμενης περιοχής για κάθε δήμο. Αυτοί οι χάρτες λαμβάνονται μέσω αισθητήρων του Envisat- ASAR και COSMO-SkyMed με όψη και γωνίες κλίσης, παράγοντες που επηρεάζουν την ορατότητα της SAR επιφάνειας αλλά στην προκειμένη μελέτη οι παράγοντες προερχόντουσαν από μια αποστολή τοπογραφίας μέσω ραντάρ.
Πολυχρονική InSAR ανάλυση
Η τεχνική που υιοθετήθηκε λέγεται SBAS, περιέχει ένα μεγάλο μέρος ιντερφερογραμμάτων που χαρακτηρίζονται από σύντομες χρονικές και χωρικές διαφορές για το περιορισμό που προκαλούν οι μη συσχετίσεις και τη μεγιστοποίηση του αριθμού των κατανοητών SAR στόχων στο έδαφος. Στη μελέτη η τεχνική SBAS υλοποιήθηκε μέσω του λογισμικού SARScape για δεδομένα CSK , η πλατφόρμα Geohazard για ASAR δεδομένα και παρήχθησαν χάρτες ταχύτητας εδάφους χωρίς χωρικές παρεμβολές με μέγεθος κελιού 40 μέτρα (ASAR) και 20 μέτρα (CSK).
InSAR αποτελέσματα
Η επεξεργασία των ASAR και CSK κομματιών οδήγησε στον εντοπισμό εδαφικών παραμορφώσεων που καλύπτουν το 37% και 24% αντίστοιχα της συνολικής Peninsula. Από τη μελέτη συμπεραίνεται πως η επεξεργασία τους οδηγεί σε χαμηλή ορατότητα λόγω της περίπλοκης γεωμετρίας και τοπογραφίας της περιοχής.
Ερμηνεία εναέριων φωτογραφιών και εργασία εδάφους
Η ερμηνεία αεροφωτογραφιών μπορεί να γίνει με χρήση στερεοσκοπικής μεθόδου η οποία στην προκειμένη μελέτη επέτρεψε το διαχωρισμό γεωμορφολογικών αποδείξεων σχετικών με φαινόμενα αστάθειας κλίσης.
Χαρτογράφηση μέσω δείκτη ευπάθειας κατολισθήσεων
Αναπτύχθηκε η χρήση του δείκτη LSI για τη διεύρυνση της ταυτοποίησης περιοχών επιρρεπών σε μετακίνηση εδαφών. Αυτός ο δείκτης βασίζεται στην ισότητα που συνδυάζει παραμέτρους σε πλατφόρμα GIS και έχει χωρική ανάλυση συναφή με το LiDAR DEM (2 μέτρα μέγεθος κελιού). Οι παράμετροι είναι οι εξής: SL(Slope), RR(Relative Relief), A(Aspect), μορφομετρικής φύσεως που προκύπτουν από υψηλής ανάλυσης ψηφιακό μοντέλο εδάφους (2 μέτρων) από Lidar εναέρια δεδομένα ενώ οι δείκτες L(Geo-lithology) και LU(Land use) έχουν εξαχθεί από ράστερ χαρτογραφία και πολυφασματικά δεδομένα δορυφόρων.
Πολυποίκιλη ανάλυση
Για κάθε παράμετρο χρησιμοποιημένη στο LSI , πραγματοποιήθηκε μια ανάλυση για το διαχωρισμό κλάσεων και βαρών. Η επιρροή της παραμέτρου Α στη παραγωγή κατολισθήσεων μπορεί να αλλάξει , ενώ εξαρτάται αρκετά από το δείκτη SL.
Αποτελέσματα
Ο εξαγόμενος χάρτης LSI ανάλυσης 2 μέτρων κατηγοριοποιεί τους δήμους της περιοχής μελέτης σε 5 κλάσεις. Η πολύ χαμηλή κλάση αστάθειας καλύπτει σχεδόν το 80% της ερευνούμενης περιοχής ενώ οι υπόλοιπες 4 το 20%. Οι περιοχές με πολύ υψηλό LSI επηρεάζουν το 6% της ερευνούμενης περιοχής. Για να ελεγχθεί το πόσο μπορούμε να βασιστούμε σε αυτό το χάρτη η ακρίβεια αναλύθηκε μεταξύ των άνω ορίων ιστορικών κατολισθήσεων και υψηλών τιμών LSI. Για τη παροχή μιας ανάλυσης ευαισθησίας επεξεργάστηκαν ASAR και CSK δεδομένα και τοποθετήθηκαν στον LSI χάρτη.
Συμπεράσματα
Οι ASAR και CSK περιοχές εντοπισμένες στο Amalfi και Conca dei Marini κατηγοριοποιήθηκαν ως υψηλά ευαίσθητες. Τα αποτελέσματα εκφράζουν την υψηλή αξιοπιστία του LSI που μπορεί να αποδειχθεί ένα χρήσιμο εργαλείο για την αποτροπή και μείωση του κινδύνου των κατολισθήσεων στη Sorrentina Peninsula.

[[category:Κατολισθήσεις]]

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:18:11Z

Mari77: /* Μελέτη στη Sorrentina Peninsula (Νότιος Ιταλία) */

[[Εικόνα: mk_paper_10_eikona_1.jpg_| thumb | right | Εικόνα 1. Περιοχή μελέτης a) Amalfi, το επάνω τμήμα που βλέπει στο λιμάνι, b) Η παραλία του Conca di Marini, πηγή: https://www.tandfonline.com]]

[[Εικόνα: mk_paper_10_eikona_2.jpg_| thumb | right | Εικόνα 2. Χάρτης αποτελεσμάτων LSI για τις περιοχές Amalfi και Conca di Marini, πηγή: https://www.tandfonline.com]]

== '''Μελέτη στη Sorrentina Peninsula (Νότιος Ιταλία)''' ==

Landslide susceptibility mapping by remote sensing and geomorphological data: case studies on the Sorrentina Peninsula (Southern Italy)

Claudia Spinetti, Marina Bisson, Cristiano Tolomei, Laura Colini, Alesssandro Galvani, Marco Moro, Michele Saroli and Vincenzo Sepe

Η μελέτη του παρόντος άρθρου συνεισφέρει στην αποτροπή φυσικών καταστροφών όπως κατολισθήσεις μέσω εφαρμογών μεθόδων GIS, με απώτερο σκοπό τη χαρτογράφηση περιοχών περισσότερο επιρρεπών σε φαινόμενα αστάθειας. Εξελίχθηκε ο δείκτης LSI περιλαμβάνοντας πέντε παραμέτρους σε μια πλατφόρμα GIS. Αυτές οι παράμετροι αναγνωρίζονται ως οι κύριες αιτίες πρόκλησης κατολισθήσεων. Το παρών άρθρο συνδυάζει αναλύσεις που πραγματοποιήθηκαν μέσω δεδομένων τηλεπισκόπησης , γεω-λιθολογίας και μορφομετρίας και βασίζεται στα εξής βήματα i) πολυφασματική InSAR τεχνική σε Envisat-ASAR (2003-2010) και COSMO-SKYMed (2013-2015) δεδομένα για τη λήψη χρονοσειρών μετατόπισης εδάφους και τους σχετικούς χάρτες μέσης ταχύτητας εδάφους.

Η περιοχή μελέτης (Peninsula) περιλαμβάνει 21 δήμους 18 στη παραθαλάσσια ζώνη και 3 στην ενδοχώρα , πρόκειται για μια από τις πιο πυκνοκατοικημένες περιοχές στην ευρύτερη περιοχή της Campania και τα τελευταία 1000 χρόνια έχει υποστεί μεγάλες καταστροφές από φαινόμενα πλημμύρας, μετακίνησης εδάφους. Η παρούσα μελέτη ξεκινά από την ανάλυση μεγάλης αλληλουχίας εικόνων συνθετικού ραντάρ SAR για την αναγνώριση περιοχών που υπόκεινται σε αργές παραμορφώσεις (λίγα χιλ./έτος). Προκειμένου να εξερευνηθούν ασταθείς κλίσεις στην Peninsula Sorrentina, αναλύoνται τα C-band Envisat-ASAR και X-band COSMO-Skymed δεδομένα. Η χρήση και των 2 καναλιών SAR μεγιστοποιεί το βαθμό συσχέτισης σε περιοχές βλάστησης και τον αριθμό των μετρούμενων σημείων. Στόχος είναι η χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, μέσω μιας σειράς βημάτων i) χρήση InSAR για την αναγνώριση περιοχών που υπόκεινται σε παραμορφώσεις εδάφους, ii) αυτές οι περιοχές εξερευνώνται μέσω εναέριας φώτο-γεωλογικής ανάλυσης και ελέγχονται επί τόπου προκειμένου να βρεθούν μορφολογικές ιδιαιτερότητες που σχετίζονται με αστάθεια κλίσεων, iii) εφαρμόζεται μια πολυποίκιλη ανάλυση στις παραμέτρους ευπάθειας των περιοχών που έχουν υποστεί παραμόρφωση εδάφους προκειμένου να εξαχθούν οι κλάσεις και τα βάρη κάθε παραμέτρου στον υπολογισμό του δείκτη LSI.

Δεδομένα SAR
Δυο εικόνες SAR έχουν υποστεί επεξεργασία, το C-band ASAR σύνολο δεδομένων περιέχει εικόνες χωρικής ανάλυσης 9 μέτρων για τη περίοδο 2003-2010 με ένα χρονικό κύκλο 35 ημερών. Το X-band CSK σύνολο δεδομένων περιέχει εικόνες χωρικής ανάλυσης 3 μέτρων για τη περίοδο 2013-2015 με ένα χρονικό κύκλο 16 ημερών. Κάθε μια εικόνα καλύπτει τη συνολική περιοχή μελέτης.

InSAR ανάλυση ορατότητας
Σε περιοχές πυκνής μορφολογίας , οι δυνατότητες μιας ραντάρ εικόνας περιορίζονται λόγω γεωμετρίας εδάφους γι’ αυτό πριν την επεξεργασία τους παράγονται InSAR χάρτες ορατότητας για τον υπολογισμό της SAR καλυπτόμενης περιοχής για κάθε δήμο. Αυτοί οι χάρτες λαμβάνονται μέσω αισθητήρων του Envisat- ASAR και COSMO-SkyMed με όψη και γωνίες κλίσης, παράγοντες που επηρεάζουν την ορατότητα της SAR επιφάνειας αλλά στην προκειμένη μελέτη οι παράγοντες προερχόντουσαν από μια αποστολή τοπογραφίας μέσω ραντάρ.
Πολυχρονική InSAR ανάλυση
Η τεχνική που υιοθετήθηκε λέγεται SBAS, περιέχει ένα μεγάλο μέρος ιντερφερογραμμάτων που χαρακτηρίζονται από σύντομες χρονικές και χωρικές διαφορές για το περιορισμό που προκαλούν οι μη συσχετίσεις και τη μεγιστοποίηση του αριθμού των κατανοητών SAR στόχων στο έδαφος. Στη μελέτη η τεχνική SBAS υλοποιήθηκε μέσω του λογισμικού SARScape για δεδομένα CSK , η πλατφόρμα Geohazard για ASAR δεδομένα και παρήχθησαν χάρτες ταχύτητας εδάφους χωρίς χωρικές παρεμβολές με μέγεθος κελιού 40 μέτρα (ASAR) και 20 μέτρα (CSK).
InSAR αποτελέσματα
Η επεξεργασία των ASAR και CSK κομματιών οδήγησε στον εντοπισμό εδαφικών παραμορφώσεων που καλύπτουν το 37% και 24% αντίστοιχα της συνολικής Peninsula. Από τη μελέτη συμπεραίνεται πως η επεξεργασία τους οδηγεί σε χαμηλή ορατότητα λόγω της περίπλοκης γεωμετρίας και τοπογραφίας της περιοχής.
Ερμηνεία εναέριων φωτογραφιών και εργασία εδάφους
Η ερμηνεία αεροφωτογραφιών μπορεί να γίνει με χρήση στερεοσκοπικής μεθόδου η οποία στην προκειμένη μελέτη επέτρεψε το διαχωρισμό γεωμορφολογικών αποδείξεων σχετικών με φαινόμενα αστάθειας κλίσης.
Χαρτογράφηση μέσω δείκτη ευπάθειας κατολισθήσεων
Αναπτύχθηκε η χρήση του δείκτη LSI για τη διεύρυνση της ταυτοποίησης περιοχών επιρρεπών σε μετακίνηση εδαφών. Αυτός ο δείκτης βασίζεται στην ισότητα που συνδυάζει παραμέτρους σε πλατφόρμα GIS και έχει χωρική ανάλυση συναφή με το LiDAR DEM (2 μέτρα μέγεθος κελιού). Οι παράμετροι είναι οι εξής: SL(Slope), RR(Relative Relief), A(Aspect), μορφομετρικής φύσεως που προκύπτουν από υψηλής ανάλυσης ψηφιακό μοντέλο εδάφους (2 μέτρων) από Lidar εναέρια δεδομένα ενώ οι δείκτες L(Geo-lithology) και LU(Land use) έχουν εξαχθεί από ράστερ χαρτογραφία και πολυφασματικά δεδομένα δορυφόρων.
Πολυποίκιλη ανάλυση
Για κάθε παράμετρο χρησιμοποιημένη στο LSI , πραγματοποιήθηκε μια ανάλυση για το διαχωρισμό κλάσεων και βαρών. Η επιρροή της παραμέτρου Α στη παραγωγή κατολισθήσεων μπορεί να αλλάξει , ενώ εξαρτάται αρκετά από το δείκτη SL.
Αποτελέσματα
Ο εξαγόμενος χάρτης LSI ανάλυσης 2 μέτρων κατηγοριοποιεί τους δήμους της περιοχής μελέτης σε 5 κλάσεις. Η πολύ χαμηλή κλάση αστάθειας καλύπτει σχεδόν το 80% της ερευνούμενης περιοχής ενώ οι υπόλοιπες 4 το 20%. Οι περιοχές με πολύ υψηλό LSI επηρεάζουν το 6% της ερευνούμενης περιοχής. Για να ελεγχθεί το πόσο μπορούμε να βασιστούμε σε αυτό το χάρτη η ακρίβεια αναλύθηκε μεταξύ των άνω ορίων ιστορικών κατολισθήσεων και υψηλών τιμών LSI. Για τη παροχή μιας ανάλυσης ευαισθησίας επεξεργάστηκαν ASAR και CSK δεδομένα και τοποθετήθηκαν στον LSI χάρτη.
Συμπεράσματα
Οι ASAR και CSK περιοχές εντοπισμένες στο Amalfi και Conca dei Marini κατηγοριοποιήθηκαν ως υψηλά ευαίσθητες. Τα αποτελέσματα εκφράζουν την υψηλή αξιοπιστία του LSI που μπορεί να αποδειχθεί ένα χρήσιμο εργαλείο για την αποτροπή και μείωση του κινδύνου των κατολισθήσεων στη Sorrentina Peninsula.

[[category:Κατολισθήσεις]]

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:14:29Z

Mari77: /* Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: */

[[Εικόνα: mk_paper_10_eikona_1.jpg_| thumb | right | Εικόνα 1. Περιοχή μελέτης a) Amalfi, το επάνω τμήμα που βλέπει στο λιμάνι, b) Η παραλία του Conca di Marini, πηγή: https://www.tandfonline.com]]

[[Εικόνα: mk_paper_10_eikona_2.jpg_| thumb | right | Εικόνα 2. Χάρτης αποτελεσμάτων LSI για τις περιοχές Amalfi και Conca di Marini, πηγή: https://www.tandfonline.com]]

== '''Μελέτη στη Sorrentina Peninsula (Νότιος Ιταλία)''' ==

Landslide susceptibility mapping by remote sensing and geomorphological data: case studies on the Sorrentina Peninsula (Southern Italy)

Claudia Spinetti, Marina Bisson, Cristiano Tolomei, Laura Colini, Alesssandro Galvani, Marco Moro, Michele Saroli and Vincenzo Sepe

πηγή: [[https://www.tandfonline.com/doi/full/10.1080/15481603.2019.1587891]]

Η μελέτη του παρόντος άρθρου συνεισφέρει στην αποτροπή φυσικών καταστροφών όπως κατολισθήσεις μέσω εφαρμογών μεθόδων GIS, με απώτερο σκοπό τη χαρτογράφηση περιοχών περισσότερο επιρρεπών σε φαινόμενα αστάθειας. Εξελίχθηκε ο δείκτης LSI περιλαμβάνοντας πέντε παραμέτρους σε μια πλατφόρμα GIS. Αυτές οι παράμετροι αναγνωρίζονται ως οι κύριες αιτίες πρόκλησης κατολισθήσεων. Το παρών άρθρο συνδυάζει αναλύσεις που πραγματοποιήθηκαν μέσω δεδομένων τηλεπισκόπησης , γεω-λιθολογίας και μορφομετρίας και βασίζεται στα εξής βήματα i) πολυφασματική InSAR τεχνική σε Envisat-ASAR (2003-2010) και COSMO-SKYMed (2013-2015) δεδομένα για τη λήψη χρονοσειρών μετατόπισης εδάφους και τους σχετικούς χάρτες μέσης ταχύτητας εδάφους.

Η περιοχή μελέτης (Peninsula) περιλαμβάνει 21 δήμους 18 στη παραθαλάσσια ζώνη και 3 στην ενδοχώρα , πρόκειται για μια από τις πιο πυκνοκατοικημένες περιοχές στην ευρύτερη περιοχή της Campania και τα τελευταία 1000 χρόνια έχει υποστεί μεγάλες καταστροφές από φαινόμενα πλημμύρας, μετακίνησης εδάφους. Η παρούσα μελέτη ξεκινά από την ανάλυση μεγάλης αλληλουχίας εικόνων συνθετικού ραντάρ SAR για την αναγνώριση περιοχών που υπόκεινται σε αργές παραμορφώσεις (λίγα χιλ./έτος). Προκειμένου να εξερευνηθούν ασταθείς κλίσεις στην Peninsula Sorrentina, αναλύoνται τα C-band Envisat-ASAR και X-band COSMO-Skymed δεδομένα. Η χρήση και των 2 καναλιών SAR μεγιστοποιεί το βαθμό συσχέτισης σε περιοχές βλάστησης και τον αριθμό των μετρούμενων σημείων. Στόχος είναι η χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, μέσω μιας σειράς βημάτων i) χρήση InSAR για την αναγνώριση περιοχών που υπόκεινται σε παραμορφώσεις εδάφους, ii) αυτές οι περιοχές εξερευνώνται μέσω εναέριας φώτο-γεωλογικής ανάλυσης και ελέγχονται επί τόπου προκειμένου να βρεθούν μορφολογικές ιδιαιτερότητες που σχετίζονται με αστάθεια κλίσεων, iii) εφαρμόζεται μια πολυποίκιλη ανάλυση στις παραμέτρους ευπάθειας των περιοχών που έχουν υποστεί παραμόρφωση εδάφους προκειμένου να εξαχθούν οι κλάσεις και τα βάρη κάθε παραμέτρου στον υπολογισμό του δείκτη LSI.

Δεδομένα SAR
Δυο εικόνες SAR έχουν υποστεί επεξεργασία, το C-band ASAR σύνολο δεδομένων περιέχει εικόνες χωρικής ανάλυσης 9 μέτρων για τη περίοδο 2003-2010 με ένα χρονικό κύκλο 35 ημερών. Το X-band CSK σύνολο δεδομένων περιέχει εικόνες χωρικής ανάλυσης 3 μέτρων για τη περίοδο 2013-2015 με ένα χρονικό κύκλο 16 ημερών. Κάθε μια εικόνα καλύπτει τη συνολική περιοχή μελέτης.
InSAR ανάλυση ορατότητας
Σε περιοχές πυκνής μορφολογίας , οι δυνατότητες μιας ραντάρ εικόνας περιορίζονται λόγω γεωμετρίας εδάφους γι’ αυτό πριν την επεξεργασία τους παράγονται InSAR χάρτες ορατότητας για τον υπολογισμό της SAR καλυπτόμενης περιοχής για κάθε δήμο. Αυτοί οι χάρτες λαμβάνονται μέσω αισθητήρων του Envisat- ASAR και COSMO-SkyMed με όψη και γωνίες κλίσης, παράγοντες που επηρεάζουν την ορατότητα της SAR επιφάνειας αλλά στην προκειμένη μελέτη οι παράγοντες προερχόντουσαν από μια αποστολή τοπογραφίας μέσω ραντάρ.
Πολυχρονική InSAR ανάλυση
Η τεχνική που υιοθετήθηκε λέγεται SBAS, περιέχει ένα μεγάλο μέρος ιντερφερογραμμάτων που χαρακτηρίζονται από σύντομες χρονικές και χωρικές διαφορές για το περιορισμό που προκαλούν οι μη συσχετίσεις και τη μεγιστοποίηση του αριθμού των κατανοητών SAR στόχων στο έδαφος. Στη μελέτη η τεχνική SBAS υλοποιήθηκε μέσω του λογισμικού SARScape για δεδομένα CSK , η πλατφόρμα Geohazard για ASAR δεδομένα και παρήχθησαν χάρτες ταχύτητας εδάφους χωρίς χωρικές παρεμβολές με μέγεθος κελιού 40 μέτρα (ASAR) και 20 μέτρα (CSK).
InSAR αποτελέσματα
Η επεξεργασία των ASAR και CSK κομματιών οδήγησε στον εντοπισμό εδαφικών παραμορφώσεων που καλύπτουν το 37% και 24% αντίστοιχα της συνολικής Peninsula. Από τη μελέτη συμπεραίνεται πως η επεξεργασία τους οδηγεί σε χαμηλή ορατότητα λόγω της περίπλοκης γεωμετρίας και τοπογραφίας της περιοχής.
Ερμηνεία εναέριων φωτογραφιών και εργασία εδάφους
Η ερμηνεία αεροφωτογραφιών μπορεί να γίνει με χρήση στερεοσκοπικής μεθόδου η οποία στην προκειμένη μελέτη επέτρεψε το διαχωρισμό γεωμορφολογικών αποδείξεων σχετικών με φαινόμενα αστάθειας κλίσης.
Χαρτογράφηση μέσω δείκτη ευπάθειας κατολισθήσεων
Αναπτύχθηκε η χρήση του δείκτη LSI για τη διεύρυνση της ταυτοποίησης περιοχών επιρρεπών σε μετακίνηση εδαφών. Αυτός ο δείκτης βασίζεται στην ισότητα που συνδυάζει παραμέτρους σε πλατφόρμα GIS και έχει χωρική ανάλυση συναφή με το LiDAR DEM (2 μέτρα μέγεθος κελιού). Οι παράμετροι είναι οι εξής: SL(Slope), RR(Relative Relief), A(Aspect), μορφομετρικής φύσεως που προκύπτουν από υψηλής ανάλυσης ψηφιακό μοντέλο εδάφους (2 μέτρων) από Lidar εναέρια δεδομένα ενώ οι δείκτες L(Geo-lithology) και LU(Land use) έχουν εξαχθεί από ράστερ χαρτογραφία και πολυφασματικά δεδομένα δορυφόρων.
Πολυποίκιλη ανάλυση
Για κάθε παράμετρο χρησιμοποιημένη στο LSI , πραγματοποιήθηκε μια ανάλυση για το διαχωρισμό κλάσεων και βαρών. Η επιρροή της παραμέτρου Α στη παραγωγή κατολισθήσεων μπορεί να αλλάξει , ενώ εξαρτάται αρκετά από το δείκτη SL.
Αποτελέσματα
Ο εξαγόμενος χάρτης LSI ανάλυσης 2 μέτρων κατηγοριοποιεί τους δήμους της περιοχής μελέτης σε 5 κλάσεις. Η πολύ χαμηλή κλάση αστάθειας καλύπτει σχεδόν το 80% της ερευνούμενης περιοχής ενώ οι υπόλοιπες 4 το 20%. Οι περιοχές με πολύ υψηλό LSI επηρεάζουν το 6% της ερευνούμενης περιοχής. Για να ελεγχθεί το πόσο μπορούμε να βασιστούμε σε αυτό το χάρτη η ακρίβεια αναλύθηκε μεταξύ των άνω ορίων ιστορικών κατολισθήσεων και υψηλών τιμών LSI. Για τη παροχή μιας ανάλυσης ευαισθησίας επεξεργάστηκαν ASAR και CSK δεδομένα και τοποθετήθηκαν στον LSI χάρτη.
Συμπεράσματα
Οι ASAR και CSK περιοχές εντοπισμένες στο Amalfi και Conca dei Marini κατηγοριοποιήθηκαν ως υψηλά ευαίσθητες. Τα αποτελέσματα εκφράζουν την υψηλή αξιοπιστία του LSI που μπορεί να αποδειχθεί ένα χρήσιμο εργαλείο για την αποτροπή και μείωση του κινδύνου των κατολισθήσεων στη Sorrentina Peninsula.

[[category:Κατολισθήσεις]]

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:12:40Z

Mari77:

[[Εικόνα: mk_paper_10_eikona_1.jpg_| thumb | right | Εικόνα 1. Περιοχή μελέτης a) Amalfi, το επάνω τμήμα που βλέπει στο λιμάνι, b) Η παραλία του Conca di Marini, πηγή: https://www.tandfonline.com]]

[[Εικόνα: mk_paper_10_eikona_2.jpg_| thumb | right | Εικόνα 2. Χάρτης αποτελεσμάτων LSI για τις περιοχές Amalfi και Conca di Marini, πηγή: https://www.tandfonline.com]]

== '''Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας:''' ==

== '''Μελέτη στη Sorrentina Peninsula (Νότιος Ιταλία)''' ==

Landslide susceptibility mapping by remote sensing and geomorphological data: case studies on the Sorrentina Peninsula (Southern Italy)

Claudia Spinetti, Marina Bisson, Cristiano Tolomei, Laura Colini, Alesssandro Galvani, Marco Moro, Michele Saroli and Vincenzo Sepe

πηγή: [[https://www.tandfonline.com/doi/full/10.1080/15481603.2019.1587891]]

Η μελέτη του παρόντος άρθρου συνεισφέρει στην αποτροπή φυσικών καταστροφών όπως κατολισθήσεις μέσω εφαρμογών μεθόδων GIS, με απώτερο σκοπό τη χαρτογράφηση περιοχών περισσότερο επιρρεπών σε φαινόμενα αστάθειας. Εξελίχθηκε ο δείκτης LSI περιλαμβάνοντας πέντε παραμέτρους σε μια πλατφόρμα GIS. Αυτές οι παράμετροι αναγνωρίζονται ως οι κύριες αιτίες πρόκλησης κατολισθήσεων. Το παρών άρθρο συνδυάζει αναλύσεις που πραγματοποιήθηκαν μέσω δεδομένων τηλεπισκόπησης , γεω-λιθολογίας και μορφομετρίας και βασίζεται στα εξής βήματα i) πολυφασματική InSAR τεχνική σε Envisat-ASAR (2003-2010) και COSMO-SKYMed (2013-2015) δεδομένα για τη λήψη χρονοσειρών μετατόπισης εδάφους και τους σχετικούς χάρτες μέσης ταχύτητας εδάφους.

Η περιοχή μελέτης (Peninsula) περιλαμβάνει 21 δήμους 18 στη παραθαλάσσια ζώνη και 3 στην ενδοχώρα , πρόκειται για μια από τις πιο πυκνοκατοικημένες περιοχές στην ευρύτερη περιοχή της Campania και τα τελευταία 1000 χρόνια έχει υποστεί μεγάλες καταστροφές από φαινόμενα πλημμύρας, μετακίνησης εδάφους. Η παρούσα μελέτη ξεκινά από την ανάλυση μεγάλης αλληλουχίας εικόνων συνθετικού ραντάρ SAR για την αναγνώριση περιοχών που υπόκεινται σε αργές παραμορφώσεις (λίγα χιλ./έτος). Προκειμένου να εξερευνηθούν ασταθείς κλίσεις στην Peninsula Sorrentina, αναλύoνται τα C-band Envisat-ASAR και X-band COSMO-Skymed δεδομένα. Η χρήση και των 2 καναλιών SAR μεγιστοποιεί το βαθμό συσχέτισης σε περιοχές βλάστησης και τον αριθμό των μετρούμενων σημείων. Στόχος είναι η χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, μέσω μιας σειράς βημάτων i) χρήση InSAR για την αναγνώριση περιοχών που υπόκεινται σε παραμορφώσεις εδάφους, ii) αυτές οι περιοχές εξερευνώνται μέσω εναέριας φώτο-γεωλογικής ανάλυσης και ελέγχονται επί τόπου προκειμένου να βρεθούν μορφολογικές ιδιαιτερότητες που σχετίζονται με αστάθεια κλίσεων, iii) εφαρμόζεται μια πολυποίκιλη ανάλυση στις παραμέτρους ευπάθειας των περιοχών που έχουν υποστεί παραμόρφωση εδάφους προκειμένου να εξαχθούν οι κλάσεις και τα βάρη κάθε παραμέτρου στον υπολογισμό του δείκτη LSI.

Δεδομένα SAR
Δυο εικόνες SAR έχουν υποστεί επεξεργασία, το C-band ASAR σύνολο δεδομένων περιέχει εικόνες χωρικής ανάλυσης 9 μέτρων για τη περίοδο 2003-2010 με ένα χρονικό κύκλο 35 ημερών. Το X-band CSK σύνολο δεδομένων περιέχει εικόνες χωρικής ανάλυσης 3 μέτρων για τη περίοδο 2013-2015 με ένα χρονικό κύκλο 16 ημερών. Κάθε μια εικόνα καλύπτει τη συνολική περιοχή μελέτης.
InSAR ανάλυση ορατότητας
Σε περιοχές πυκνής μορφολογίας , οι δυνατότητες μιας ραντάρ εικόνας περιορίζονται λόγω γεωμετρίας εδάφους γι’ αυτό πριν την επεξεργασία τους παράγονται InSAR χάρτες ορατότητας για τον υπολογισμό της SAR καλυπτόμενης περιοχής για κάθε δήμο. Αυτοί οι χάρτες λαμβάνονται μέσω αισθητήρων του Envisat- ASAR και COSMO-SkyMed με όψη και γωνίες κλίσης, παράγοντες που επηρεάζουν την ορατότητα της SAR επιφάνειας αλλά στην προκειμένη μελέτη οι παράγοντες προερχόντουσαν από μια αποστολή τοπογραφίας μέσω ραντάρ.
Πολυχρονική InSAR ανάλυση
Η τεχνική που υιοθετήθηκε λέγεται SBAS, περιέχει ένα μεγάλο μέρος ιντερφερογραμμάτων που χαρακτηρίζονται από σύντομες χρονικές και χωρικές διαφορές για το περιορισμό που προκαλούν οι μη συσχετίσεις και τη μεγιστοποίηση του αριθμού των κατανοητών SAR στόχων στο έδαφος. Στη μελέτη η τεχνική SBAS υλοποιήθηκε μέσω του λογισμικού SARScape για δεδομένα CSK , η πλατφόρμα Geohazard για ASAR δεδομένα και παρήχθησαν χάρτες ταχύτητας εδάφους χωρίς χωρικές παρεμβολές με μέγεθος κελιού 40 μέτρα (ASAR) και 20 μέτρα (CSK).
InSAR αποτελέσματα
Η επεξεργασία των ASAR και CSK κομματιών οδήγησε στον εντοπισμό εδαφικών παραμορφώσεων που καλύπτουν το 37% και 24% αντίστοιχα της συνολικής Peninsula. Από τη μελέτη συμπεραίνεται πως η επεξεργασία τους οδηγεί σε χαμηλή ορατότητα λόγω της περίπλοκης γεωμετρίας και τοπογραφίας της περιοχής.
Ερμηνεία εναέριων φωτογραφιών και εργασία εδάφους
Η ερμηνεία αεροφωτογραφιών μπορεί να γίνει με χρήση στερεοσκοπικής μεθόδου η οποία στην προκειμένη μελέτη επέτρεψε το διαχωρισμό γεωμορφολογικών αποδείξεων σχετικών με φαινόμενα αστάθειας κλίσης.
Χαρτογράφηση μέσω δείκτη ευπάθειας κατολισθήσεων
Αναπτύχθηκε η χρήση του δείκτη LSI για τη διεύρυνση της ταυτοποίησης περιοχών επιρρεπών σε μετακίνηση εδαφών. Αυτός ο δείκτης βασίζεται στην ισότητα που συνδυάζει παραμέτρους σε πλατφόρμα GIS και έχει χωρική ανάλυση συναφή με το LiDAR DEM (2 μέτρα μέγεθος κελιού). Οι παράμετροι είναι οι εξής: SL(Slope), RR(Relative Relief), A(Aspect), μορφομετρικής φύσεως που προκύπτουν από υψηλής ανάλυσης ψηφιακό μοντέλο εδάφους (2 μέτρων) από Lidar εναέρια δεδομένα ενώ οι δείκτες L(Geo-lithology) και LU(Land use) έχουν εξαχθεί από ράστερ χαρτογραφία και πολυφασματικά δεδομένα δορυφόρων.
Πολυποίκιλη ανάλυση
Για κάθε παράμετρο χρησιμοποιημένη στο LSI , πραγματοποιήθηκε μια ανάλυση για το διαχωρισμό κλάσεων και βαρών. Η επιρροή της παραμέτρου Α στη παραγωγή κατολισθήσεων μπορεί να αλλάξει , ενώ εξαρτάται αρκετά από το δείκτη SL.
Αποτελέσματα
Ο εξαγόμενος χάρτης LSI ανάλυσης 2 μέτρων κατηγοριοποιεί τους δήμους της περιοχής μελέτης σε 5 κλάσεις. Η πολύ χαμηλή κλάση αστάθειας καλύπτει σχεδόν το 80% της ερευνούμενης περιοχής ενώ οι υπόλοιπες 4 το 20%. Οι περιοχές με πολύ υψηλό LSI επηρεάζουν το 6% της ερευνούμενης περιοχής. Για να ελεγχθεί το πόσο μπορούμε να βασιστούμε σε αυτό το χάρτη η ακρίβεια αναλύθηκε μεταξύ των άνω ορίων ιστορικών κατολισθήσεων και υψηλών τιμών LSI. Για τη παροχή μιας ανάλυσης ευαισθησίας επεξεργάστηκαν ASAR και CSK δεδομένα και τοποθετήθηκαν στον LSI χάρτη.
Συμπεράσματα
Οι ASAR και CSK περιοχές εντοπισμένες στο Amalfi και Conca dei Marini κατηγοριοποιήθηκαν ως υψηλά ευαίσθητες. Τα αποτελέσματα εκφράζουν την υψηλή αξιοπιστία του LSI που μπορεί να αποδειχθεί ένα χρήσιμο εργαλείο για την αποτροπή και μείωση του κινδύνου των κατολισθήσεων στη Sorrentina Peninsula.

[[category:Κατολισθήσεις]]

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:10:55Z

Mari77: /* Μελέτη στη Sorrentina Peninsula (Νότιος Ιταλία) */

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:10:30Z

Mari77:

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:09:34Z

Mari77:

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:09:20Z

Mari77:

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:08:52Z

Mari77:

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:08:11Z

Mari77:

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:07:53Z

Mari77:

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:07:06Z

Mari77:

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:06:43Z

Mari77:

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:06:11Z

Mari77:

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:05:20Z

Mari77:

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:04:49Z

Mari77:

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:04:19Z

Mari77:

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T07:02:04Z

Mari77:

Αρχείο:Mk paper 10 eikona 2.jpg

2021-01-27T06:53:09Z

Mari77:

Αρχείο:Mk paper 10 eikona 1.jpg

2021-01-27T06:52:54Z

Mari77:

Χαρτογράφηση των εδαφών που είναι επιρρεπή σε κατολισθήσεις, με τηλεπισκόπηση και δεδομένα γεωμορφολογίας: Μελέτη στη Sorrentina Peninsula

2021-01-27T06:52:32Z

Mari77: Νέα σελίδα με 'Add Your Content Here category:Κατολισθήσεις'

Add Your Content Here

[[category:Κατολισθήσεις]]

Κωνσταντέλλου Μαριάννα

2021-01-26T12:50:07Z

Mari77:

* [[Συνδυαστική προσέγγιση Τηλεπισκόπησης και GIS τεχνικών για παρακολούθηση και αξιολόγηση των ζημιών...]]

* [[Η επίδραση της Τηλεπισκόπησης και τεχνικών GIS στον εντοπισμό γεωλογικών ρηγμάτων στο νησί της Κρήτης, Ελλάδα]]

* [[Μετάβαση από τις Μετρήσεις στη Διαχείριση: Μελέτη εφαρμογής τεχνικών τηλεπισκόπησης για τη διαχείριση καταστροφών από πλημμύρες]]

* [[Εντοπισμός των περιοχών υγειονομικής ταφής με τη χρήση διαχρονικών θερμικών εικόνων LANDSAT]]

* [[Εκτίμηση της περιβαλλοντικής επίπτωσης από τη λειτουργία χώρων ταφής στερεών αποβλήτων μέσω μεθόδων τηλεπισκόπησης]]

* [[Επισκόπηση της συνεισφοράς της μεθόδου της τηλεπισκόπησης στην παραγωγή πρώτων υλών από βιομάζα]]

* [[Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου]]

* [[Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες]]

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

Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες

2021-01-26T12:48:09Z

Mari77:

[[Εικόνα: mk_paper_9_eikona_1.jpg | thumb | right | Εικόνα 1. Τοποθεσία καλυμμένη από δασος (a) εικόνα δορυφόρου και (b) LIDAR DEM, πηγή: https://www.researchgate.net]]

[[Εικόνα: mk_paper_9_eikona_2.jpg | thumb | right | Εικόνα 2. Τυπική δομή επιφάνειας κατολίσθησης, πηγή: https://www.researchgate.net]]

== '''Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες''' ==

Landside mapping with remote sensing: challenges and opportunities

Cheng Zhong, Yue Liu, Peng Gao, Wenlong Chen, Hui Li, Yong Hou, Tuohuti Nuremanguli & Haijian Ma

πηγή: [[ https://www.researchgate.net/publication/336585484_Landslide_mapping_with_remote_sensing_challenges_and_opportunities
]]

Στη παρούσα εργασία επισημαίνονται ορισμένες από τις βασικές δυσκολίες που εμποδίζουν τη βελτίωση της χρήσης μεθόδων τηλεπισκόπησης LMRS στη μελέτη των κατολισθήσεων. Οι δυσκολίες που πρέπει να αντιμετωπιστούν είναι η απουσία φασματικών, χωρικών χαρακτηριστικών, η ποικιλία των χαρακτηριστικών μιας επιφάνειας κατολίσθησης και το γεγονός πως πολλά από αυτά είναι μη αναγνωρίσιμα. Προτείνονται ορισμένες λύσεις με στόχο τη βελτίωση της ακρίβειας των δυνατοτήτων που παρέχονται μέσω της τηλεπισκόπησης.

Οι κατολισθήσεις είναι ένα είδος μεγάλου κινδύνου καταστροφών σε χερσαία περιβάλλοντα για τον άνθρωπο, σε αστικούς οικισμούς, κατά μήκος διαδρόμων μεταφορών και σε χώρους αγροτικής βιομηχανίας. Η χρήση δορυφορικών εικόνων σε συνδυασμό με μεθόδους GIS και επιτόπιων μελετών μπορούν να δημιουργήσουν έναν συσχετισμό μεταξύ των γεωμορφολογικών συνθηκών που διαμορφώνονταν στο παρελθόν με τις συνθήκες που αναμένονται στο μέλλον.

'''Οπτική ερμηνεία εικόνων τηλεπισκόπησης'''

Τα χαρακτηριστικά των κατολισθήσεων μπορούν να αναγνωριστούν με οπτική ερμηνεία των περιοχών μέσω δορυφορικών εικόνων, αεροφωτογραφιών. Είναι σημαντικό να επιλυθούν προβλήματα εσφαλμένης ταξινόμησης που προκαλούνται από μορφολογική σύγκλιση. Συχνά απαιτείται στερεοσκοπική παρατήρηση για την ανάγνωση της τρίτης διάστασης.

'''Αυτόματη ερμηνεία εικόνων τηλεπισκόπησης'''

Η εξαγωγή χαρακτηριστικών ή κανόνων που αντιπροσωπεύουν τα τυπικά σήματα κατολισθήσεων αποτελεί μια δύσκολη εργασία , καθώς δεν υπάρχουν διακριτά φασματικά/χωρικά χαρακτηριστικά και υπάρχουν αρκετά σενάρια και τύποι κατολισθήσεων.

Οι συνήθεις μέθοδοι αυτόματης ερμηνείας είναι η τμηματοποίηση με εφαρμογή κατωφλίου , η εποπτευόμενη και μη εποπτευόμενη ταξινόμηση , όπου στη δεύτερη κάθε pixel αντιπροσωπεύει ένα δεδομένο εκπαίδευσης.

Οι εικόνες τηλεπισκόπησης συχνά επηρεάζονται από ομίχλη, νέφη ενώ οι κατολισθήσεις που καλύπτονται από δέντρα δεν μπορούν να εντοπιστούν σε αυτές.

Τα δεδομένα των περιοχών εκπαίδευσης μπορούν να συνδυαστούν σε 3 επίπεδα για τη χαρτογράφηση κατολισθήσεων. Στο πρώτο η κλίση από το ψηφιακό υψομετρικό μοντέλο χρησιμοποιείται για την αφαίρεση απλών περιοχών ή λόφων, όπου οι κατολισθήσεις είναι σχετικά απίθανο να συμβούν, στο δεύτερο γίνεται συνδυασμός χρήσης δεικτών (π.χ. NDVI) με εξαγωγή χαρακτηριστικών όπως πλαγιά, πτυχή , καμπυλότητα σχεδίου και στο τρίτο χαρακτηριστικά από το έδαφος μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης.

Η μέθοδος στρωματοποιημένης τυχαίας δειγματοληψίας επιτυγχάνει καλύτερη ακρίβεια από τη τυχαία μη στρωματοποιημένη λαμβάνοντας υπόψη τις μεγάλες διαφορές μεταξύ περιοχών κατολίσθησης και περιοχών μη κατολίσθησης. Προτείνεται να γίνεται φιλτράρισμα και μείωση σφαλμάτων πριν τη ταξινόμηση.

'''LIDAR'''

LIDAR είναι ένας αισθητήρας λέιζερ σε αεροπλάνο ή ελικόπτερο που μετρά την απόσταση μεταξύ του οργάνου και των σημείων ενδιαφέροντος, παράγοντας DEM, VHR . Σε δασώδη έκταση το LIDAR μπορεί να ξεπεράσει το θόλο του δέντρου για τη καταγραφή στοιχείων της γης. Η ακρίβεια των δεδομένων που λαμβάνονται εξαρτάται όχι μόνο από την ανάλυση και τη ποιότητα της εικόνας αλλά και τα χαρακτηριστικά των εργαλείων που χρησιμοποιούνται για τη καταγραφή. Η ακρίβεια ενός χάρτη που έχει εξαχθεί μέσω LIDAR εξαρτάται από την ακρίβεια του ψηφιακού μοντέλου εδάφους που έχει εξαχθεί επίσης από αυτό. Η αυτόματη εξαγωγή γεωμορφικών χαρακτηριστικών από DEM υψηλής ανάλυσης προέρχεται από την αερομεταφερόμενη σάρωση λέιζερ (ALS). Αποτελεί περίπλοκη διαδικασία η ταυτοποίηση κατολισθήσεων λόγω των μεγάλων διαστάσεων των διαφόρων χωρικών χαρακτηριστικών.

'''DinSAR'''

Με το DinSAR υπολογίζεται το μοτίβο παρεμβολών που προκαλείται από τη διαφορά φάσης μεταξύ 2 εικόνων ραντάρ που συγκεντρώθηκαν σε ξεχωριστές ώρες. Οι εικόνες SAR επηρεάζονται από το χρονικό και γεωμετρικό αποχρωματισμό λόγω των μη ταυτόχρονων εξαγωγών δεδομένων. Δεδομένα ανάλυσης 30 μέτρων είναι πιο χρήσιμα από μονής ανάλυσης 10 μέτρων. Τα δεδομένα PALSAR χρησιμοποιούνται στη ταξινόμηση της κάλυψης γης και είναι πιο κατάλληλα στην ανίχνευση κατολισθήσεων. Η διαθεσιμότητα μεγάλων αρχείων C-BAND (μέσω ευρωπαϊκού οργανισμού διαστήματος) και L-band (Ιαπωνικά J-ERS,ALOS,PALSAR-1/2) παρέχουν μια παγκόσμια κάλυψη γης σε πολύ μικρότερο χρόνο επανάληψης λήψης κάτι που θα μπορούσε να αξιοποιηθεί για ταχύτερες διαδικασίες εκτίμησης σφαλμάτων.

'''Άλλα Πλεονεκτήματα'''

Η εφαρμογή της πρότυπης ανάλυσης τημάτων (PCA) σε υπερφασματικά δεδομένα που σχετίζονται με αποτελέσματα ανάλυσης του DTM είναι το πιο κατάλληλο σύστημα για τον εντοπισμό της εξάντλησης του φαινομένου των κατολισθήσεων. Η IRT προσέγγιση αποδείχθηκε χρήσιμη για την αξιολόγηση της συνεισφοράς των ανοιχτών ρωγμών, των τάσεων των ασυνεχειών, πληροφορίες που αποτελούν κλειδιά για την εκτίμηση των κινδύνων από βράχους και κατολισθήσεις.

'''Προκλήσεις
'''
Οι βασικές δυσκολίες που εμποδίζουν τη βελτίωση του LMRS είναι οι παρακάτω:

* Η έλλειψη διακριτών φασματικών χωρικών ή χρονικών χαρακτηριστικών

Είναι εξαιρετικά δύσκολη η αναγνώριση κατολισθήσεων με ακρίβεια μέσω των δημοφιλών μεθόδων ταξινόμησης εικόνων και θα πρέπει περισσότερες μελέτες να επικεντρωθούν στον εντοπισμό των χαρακτηριστικών των κατολισθήσεων. Δεν είναι όλες οι κατολισθήσεις σαφείς και εύκολα αναγνωρίσιμες μέσω αεροφωτογραφιών και δορυφορικών εικόνων.

* Τα επιφανειακά χαρακτηριστικά των κατολισθήσεων μπορεί να είναι πολύ διαφορετικά

Εν παραδείγματι, υπάρχουν φαινόμενα τα οποία περιγράφονται με την εξέλιξη μιας καταιγίδας μετά τη κατολίσθηση. Για αυτό λοιπόν η χαρτογράφηση κατολισθήσεων πρέπει να εστιάζει στο τρόπο αναγνώρισης των κατολισθήσεων.

* Οι διαφορές μεταξύ των στοιχείων είναι αβάσιμες

Λαμβάνοντας υπόψη πως τα στοιχεία μιας κατολίσθησης μπορούν να παρατηρηθούν μέσω VHR τηλεπισκόπησης προτείνεται η τμηματική ανίχνευση της αντί της συνολικής ανίχνευσής της μονομιάς. Παρόλα αυτά τέτοιου είδους συστηματικές μελέτες είναι μικρές σε αριθμό.

'''Ευκαιρίες'''

* Στοιχεία κατολισθήσεων και οι χωρικές τους σχέσεις

Πρέπει να εντοπίζονται και να οργανώνονται τα σωστά στοιχεία μιας κατολίσθησης καθώς και η τυπική χωρική σχέση μεταξύ των στοιχείων.

* Μοτίβα κατολισθήσεων και μεγάλα δεδομένα

Προτείνεται να συνοψίζονται τα μοτίβα των επιφανειακών χαρακτηριστικών των κατολισθήσεων, η σχεδίαση ενός συγκεκριμένου αλγορίθμου για τον προσδιορισμό τους που ανήκουν σε ένα συγκεκριμένο μοτίβο καθώς και ο προσδιορισμός παραγόντων που επηρεάζουν τέτοια μοτίβα. Βέβαια είναι δύσκολο να προσδιοριστεί μαθηματική σχέση μεταξύ ενός παράγοντα και χαρακτηριστικού, οι ιδιότητες πετρωμάτων , βροχοπτώσεις, υπόγεια ύδατα και τέλος διάφορα σφάλματα όπως η αβεβαιότητα στη προσομοίωση.

* Εμβάθυνση για τη χαρτογράφηση κατολισθήσεων

Η προσέγγιση μέσω συνελικτικών νευρικών δικτύων DCNN θα μπορούσε να βελτιώσει τη χαρτογράφηση κατολισθήσεων εάν τα αποτελέσματα διαφορετικών τύπων τους μπορούσαν να γίνουν πιο κατανοητά . Η συγκεκριμένου τύπου εμβάθυνση θα μπορούσε να κάνει πιο κατανοητά και τα υπάρχοντα δείγματα κατολισθήσεων.

[[category:Κατολισθήσεις]]

Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες

2021-01-26T12:44:42Z

Mari77:

[[Εικόνα: mk_paper_9_eikona_1.jpg | thumb | right | Εικόνα 1. Τοποθεσία καλυμμένη από δασος (a) εικόνα δορυφόρου και (b) LIDAR DEM, πηγή: https://www.researchgate.net]]

[[Εικόνα: mk_paper_9_eikona_2.jpg | thumb | right | Εικόνα 2. Τυπική δομή επιφάνειας κατολίσθησης, πηγή: https://www.researchgate.net]]

== '''Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες''' ==

Landside mapping with remote sensing: challenges and opportunities

Cheng Zhong, Yue Liu, Peng Gao, Wenlong Chen, Hui Li, Yong Hou, Tuohuti Nuremanguli & Haijian Ma

πηγή: [[ https://www.researchgate.net/publication/336585484_Landslide_mapping_with_remote_sensing_challenges_and_opportunities
]]

Στη παρούσα εργασία επισημαίνονται ορισμένες από τις βασικές δυσκολίες που εμποδίζουν τη βελτίωση της χρήσης μεθόδων τηλεπισκόπησης LMRS στη μελέτη των κατολισθήσεων. Οι δυσκολίες που πρέπει να αντιμετωπιστούν είναι η απουσία φασματικών, χωρικών χαρακτηριστικών, η ποικιλία των χαρακτηριστικών μιας επιφάνειας κατολίσθησης και το γεγονός πως πολλά από αυτά είναι μη αναγνωρίσιμα. Προτείνονται ορισμένες λύσεις με στόχο τη βελτίωση της ακρίβειας των δυνατοτήτων που παρέχονται μέσω της τηλεπισκόπησης.

Οι κατολισθήσεις είναι ένα είδος μεγάλου κινδύνου καταστροφών σε χερσαία περιβάλλοντα για τον άνθρωπο, σε αστικούς οικισμούς, κατά μήκος διαδρόμων μεταφορών και σε χώρους αγροτικής βιομηχανίας. Η χρήση δορυφορικών εικόνων σε συνδυασμό με μεθόδους GIS και επιτόπιων μελετών μπορούν να δημιουργήσουν έναν συσχετισμό μεταξύ των γεωμορφολογικών συνθηκών που διαμορφώνονταν στο παρελθόν με τις συνθήκες που αναμένονται στο μέλλον.

'''Οπτική ερμηνεία εικόνων τηλεπισκόπησης'''

Τα χαρακτηριστικά των κατολισθήσεων μπορούν να αναγνωριστούν με οπτική ερμηνεία των περιοχών μέσω δορυφορικών εικόνων, αεροφωτογραφιών. Είναι σημαντικό να επιλυθούν προβλήματα εσφαλμένης ταξινόμησης που προκαλούνται από μορφολογική σύγκλιση. Συχνά απαιτείται στερεοσκοπική παρατήρηση για την ανάγνωση της τρίτης διάστασης.

'''Αυτόματη ερμηνεία εικόνων τηλεπισκόπησης'''

Η εξαγωγή χαρακτηριστικών ή κανόνων που αντιπροσωπεύουν τα τυπικά σήματα κατολισθήσεων αποτελεί μια δύσκολη εργασία , καθώς δεν υπάρχουν διακριτά φασματικά/χωρικά χαρακτηριστικά και υπάρχουν αρκετά σενάρια και τύποι κατολισθήσεων.

Οι συνήθεις μέθοδοι αυτόματης ερμηνείας είναι η τμηματοποίηση με εφαρμογή κατωφλίου , η εποπτευόμενη και μη εποπτευόμενη ταξινόμηση , όπου στη δεύτερη κάθε pixel αντιπροσωπεύει ένα δεδομένο εκπαίδευσης.

Οι εικόνες τηλεπισκόπησης συχνά επηρεάζονται από ομίχλη, νέφη ενώ οι κατολισθήσεις που καλύπτονται από δέντρα δεν μπορούν να εντοπιστούν σε αυτές.

Τα δεδομένα των περιοχών εκπαίδευσης μπορούν να συνδυαστούν σε 3 επίπεδα για τη χαρτογράφηση κατολισθήσεων. Στο πρώτο η κλίση από το ψηφιακό υψομετρικό μοντέλο χρησιμοποιείται για την αφαίρεση απλών περιοχών ή λόφων, όπου οι κατολισθήσεις είναι σχετικά απίθανο να συμβούν, στο δεύτερο γίνεται συνδυασμός χρήσης δεικτών (π.χ. NDVI) με εξαγωγή χαρακτηριστικών όπως πλαγιά, πτυχή , καμπυλότητα σχεδίου και στο τρίτο χαρακτηριστικά από το έδαφος μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης.

Η μέθοδος στρωματοποιημένης τυχαίας δειγματοληψίας επιτυγχάνει καλύτερη ακρίβεια από τη τυχαία μη στρωματοποιημένη λαμβάνοντας υπόψη τις μεγάλες διαφορές μεταξύ περιοχών κατολίσθησης και περιοχών μη κατολίσθησης. Προτείνεται να γίνεται φιλτράρισμα και μείωση σφαλμάτων πριν τη ταξινόμηση.
LIDAR
LIDAR είναι ένας αισθητήρας λέιζερ σε αεροπλάνο ή ελικόπτερο που μετρά την απόσταση μεταξύ του οργάνου και των σημείων ενδιαφέροντος, παράγοντας DEM, VHR . Σε δασώδη έκταση το LIDAR μπορεί να ξεπεράσει το θόλο του δέντρου για τη καταγραφή στοιχείων της γης. Η ακρίβεια των δεδομένων που λαμβάνονται εξαρτάται όχι μόνο από την ανάλυση και τη ποιότητα της εικόνας αλλά και τα χαρακτηριστικά των εργαλείων που χρησιμοποιούνται για τη καταγραφή. Η ακρίβεια ενός χάρτη που έχει εξαχθεί μέσω LIDAR εξαρτάται από την ακρίβεια του ψηφιακού μοντέλου εδάφους που έχει εξαχθεί επίσης από αυτό. Η αυτόματη εξαγωγή γεωμορφικών χαρακτηριστικών από DEM υψηλής ανάλυσης προέρχεται από την αερομεταφερόμενη σάρωση λέιζερ (ALS). Αποτελεί περίπλοκη διαδικασία η ταυτοποίηση κατολισθήσεων λόγω των μεγάλων διαστάσεων των διαφόρων χωρικών χαρακτηριστικών.
DinSAR
Με το DinSAR υπολογίζεται το μοτίβο παρεμβολών που προκαλείται από τη διαφορά φάσης μεταξύ 2 εικόνων ραντάρ που συγκεντρώθηκαν σε ξεχωριστές ώρες. Οι εικόνες SAR επηρεάζονται από το χρονικό και γεωμετρικό αποχρωματισμό λόγω των μη ταυτόχρονων εξαγωγών δεδομένων. Δεδομένα ανάλυσης 30 μέτρων είναι πιο χρήσιμα από μονής ανάλυσης 10 μέτρων. Τα δεδομένα PALSAR χρησιμοποιούνται στη ταξινόμηση της κάλυψης γης και είναι πιο κατάλληλα στην ανίχνευση κατολισθήσεων. Η διαθεσιμότητα μεγάλων αρχείων C-BAND (μέσω ευρωπαϊκού οργανισμού διαστήματος) και L-band (Ιαπωνικά J-ERS,ALOS,PALSAR-1/2) παρέχουν μια παγκόσμια κάλυψη γης σε πολύ μικρότερο χρόνο επανάληψης λήψης κάτι που θα μπορούσε να αξιοποιηθεί για ταχύτερες διαδικασίες εκτίμησης σφαλμάτων.
Άλλα Πλεονεκτήματα
Η εφαρμογή της πρότυπης ανάλυσης τημάτων (PCA) σε υπερφασματικά δεδομένα που σχετίζονται με αποτελέσματα ανάλυσης του DTM είναι το πιο κατάλληλο σύστημα για τον εντοπισμό της εξάντλησης του φαινομένου των κατολισθήσεων. Η IRT προσέγγιση αποδείχθηκε χρήσιμη για την αξιολόγηση της συνεισφοράς των ανοιχτών ρωγμών, των τάσεων των ασυνεχειών, πληροφορίες που αποτελούν κλειδιά για την εκτίμηση των κινδύνων από βράχους και κατολισθήσεις.
Προκλήσεις
Οι βασικές δυσκολίες που εμποδίζουν τη βελτίωση του LMRS είναι οι παρακάτω:
Η έλλειψη διακριτών φασματικών χωρικών ή χρονικών χαρακτηριστικών
Είναι εξαιρετικά δύσκολη η αναγνώριση κατολισθήσεων με ακρίβεια μέσω των δημοφιλών μεθόδων ταξινόμησης εικόνων και θα πρέπει περισσότερες μελέτες να επικεντρωθούν στον εντοπισμό των χαρακτηριστικών των κατολισθήσεων. Δεν είναι όλες οι κατολισθήσεις σαφείς και εύκολα αναγνωρίσιμες μέσω αεροφωτογραφιών και δορυφορικών εικόνων.
Τα επιφανειακά χαρακτηριστικά των κατολισθήσεων μπορεί να είναι πολύ διαφορετικά
Εν παραδείγματι, υπάρχουν φαινόμενα τα οποία περιγράφονται με την εξέλιξη μιας καταιγίδας μετά τη κατολίσθηση. Για αυτό λοιπόν η χαρτογράφηση κατολισθήσεων πρέπει να εστιάζει στο τρόπο αναγνώρισης των κατολισθήσεων.
Οι διαφορές μεταξύ των στοιχείων είναι αβάσιμες
Λαμβάνοντας υπόψη πως τα στοιχεία μιας κατολίσθησης μπορούν να παρατηρηθούν μέσω VHR τηλεπισκόπησης προτείνεται η τμηματική ανίχνευση της αντί της συνολικής ανίχνευσής της μονομιάς. Παρόλα αυτά τέτοιου είδους συστηματικές μελέτες είναι μικρές σε αριθμό.
Ευκαιρίες
Στοιχεία κατολισθήσεων και οι χωρικές τους σχέσεις
Πρέπει να εντοπίζονται και να οργανώνονται τα σωστά στοιχεία μιας κατολίσθησης καθώς και η τυπική χωρική σχέση μεταξύ των στοιχείων.
Μοτίβα κατολισθήσεων και μεγάλα δεδομένα
Προτείνεται να συνοψίζονται τα μοτίβα των επιφανειακών χαρακτηριστικών των κατολισθήσεων, η σχεδίαση ενός συγκεκριμένου αλγορίθμου για τον προσδιορισμό τους που ανήκουν σε ένα συγκεκριμένο μοτίβο καθώς και ο προσδιορισμός παραγόντων που επηρεάζουν τέτοια μοτίβα. Βέβαια είναι δύσκολο να προσδιοριστεί μαθηματική σχέση μεταξύ ενός παράγοντα και χαρακτηριστικού, οι ιδιότητες πετρωμάτων , βροχοπτώσεις, υπόγεια ύδατα και τέλος διάφορα σφάλματα όπως η αβεβαιότητα στη προσομοίωση.
Εμβάθυνση για τη χαρτογράφηση κατολισθήσεων
Η προσέγγιση μέσω συνελικτικών νευρικών δικτύων DCNN θα μπορούσε να βελτιώσει τη χαρτογράφηση κατολισθήσεων εάν τα αποτελέσματα διαφορετικών τύπων τους μπορούσαν να γίνουν πιο κατανοητά . Η συγκεκριμένου τύπου εμβάθυνση θα μπορούσε να κάνει πιο κατανοητά και τα υπάρχοντα δείγματα κατολισθήσεων.

[[category:Κατολισθήσεις]]

Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες

2021-01-26T12:42:51Z

Mari77:

Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες

2021-01-26T12:42:14Z

Mari77:

Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες

2021-01-26T12:42:00Z

Mari77:

Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες

2021-01-26T12:41:26Z

Mari77:

Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες

2021-01-26T12:40:25Z

Mari77:

Αρχείο:Mk paper 9 eikona 2.jpg

2021-01-26T12:37:37Z

Mari77:

Αρχείο:Mk paper 9 eikona 1.jpg

2021-01-26T12:37:08Z

Mari77:

Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες

2021-01-26T12:36:47Z

Mari77:

[[Εικόνα: mk_paper_9_eikona_1.jpg | thumb | right | Εικόνα 1. Τοποθεσία καλυμμένη από δασος (a) εικόνα δορυφόρου και (b) LIDAR DEM, πηγή: https://www.researchgate.net]]

[[category:Κατολισθήσεις]]

Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες

2021-01-26T12:31:51Z

Mari77: Νέα σελίδα με 'Add Your Content Here category:Κατολισθήσεις'

Add Your Content Here

[[category:Κατολισθήσεις]]

Κωνσταντέλλου Μαριάννα

2021-01-26T09:07:29Z

Mari77:

* [[Συνδυαστική προσέγγιση Τηλεπισκόπησης και GIS τεχνικών για παρακολούθηση και αξιολόγηση των ζημιών...]]

* [[Η επίδραση της Τηλεπισκόπησης και τεχνικών GIS στον εντοπισμό γεωλογικών ρηγμάτων στο νησί της Κρήτης, Ελλάδα]]

* [[Μετάβαση από τις Μετρήσεις στη Διαχείριση: Μελέτη εφαρμογής τεχνικών τηλεπισκόπησης για τη διαχείριση καταστροφών από πλημμύρες]]

* [[Εντοπισμός των περιοχών υγειονομικής ταφής με τη χρήση διαχρονικών θερμικών εικόνων LANDSAT]]

* [[Εκτίμηση της περιβαλλοντικής επίπτωσης από τη λειτουργία χώρων ταφής στερεών αποβλήτων μέσω μεθόδων τηλεπισκόπησης]]

* [[Επισκόπηση της συνεισφοράς της μεθόδου της τηλεπισκόπησης στην παραγωγή πρώτων υλών από βιομάζα]]

* [[Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου]]

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

Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου

2021-01-26T09:06:00Z

Mari77:

[[Εικόνα: mk_paper_8_eikona_1.jpg | thumb | right | Εικόνα 1. Απόδοση δεικτών (Ποσοστό ΙncMSE) του μοντέλου τυχάιων δασών, πηγή: https://www.mdpi.com]]

[[Εικόνα: mk_paper_8_eikona_2.jpg | thumb | right | Εικόνα 2. Απεικόνιση προβλεπόμενων τιμών επιφανειακής βιομάζας βάσει του μοντέλου τυχαίων δασών στον δήμο Παραγουμίνας. Στο δυτικό τμήμα του δήμου (διαγραμμισμένη περιοχή), δεν υπήρξαν διαθέσιμα δεδομένα από Sentinel-1, πηγή: https://www.mdpi.com]]

== '''Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου''' ==

The Potential of Multisource Remote Sensing for Mapping the Biomass of a Degraded Amazonian Forest

Clement Bourgoin, Lilian Blanc, Jean-Stephane Bailly, Guillaume Cornu, Erika Berenguer, Johan Oszwald, Isabelle Tritsch, Froncois Laurent, Ali F. Hasan, Plinio Sist and Valery Gond

πηγή:[[ https://www.mdpi.com/1999-4907/9/6/303]]

Στόχος του παρόντος άρθρου είναι να αξιολογήσει τις δυνατότητες οπτικής (Landsat, MODIS) και ραντάρ (ALOS-1 PALSAR, Sentinel-1) τηλεπισκόπησης στη μοντελοποίηση και χαρτογράφηση της επιφανειακής βιομάζας ως παραμέτρου υποβάθμισης των δασικών εκτάσεων στην Αμαζονία.
Στην παγκόσμια κλίμακα των τροπικών δασών δημοσιεύτηκε ένας χάρτης καταγραφής της επιφανειακής βιομάζας που βασίστηκε στην επί τόπου συλλογή δεδομένων, την τηλεπισκόπηση και σε περιφερειακούς χάρτες βιομάζας.

Σε τοπική κλίμακα το LIDAR ως εργαλείο τηλεπισκόπησης θα μπορούσε να χαρτογραφήσει το δασικό θόλο σε 3 διαστάσεις και να εκτιμήσει με ακρίβεια τη δασική βιομάζα μέσω του ύψους και της δομής του θόλου του δάσους, άλλα ένας αποτρεπτικός παράγοντας ως προς τη χρήση του θα ήταν το κόστος απόκτησης του.
Σε περιφερειακή κλίμακα η χρήση δεδομένων από δορυφόρους μαζί με ένα μοντέλο εκτίμησης κατάστασης, μπορεί να συμβάλει στη βελτίωση της διαχείρισης δασών που έχουν υποβαθμιστεί, καθώς με τα δεδομένα της παγκοσμίου κλίμακας χάρτη τροπικών δασών δεν είναι ορατές οι διάφορες παράνομες ανθρώπινες ενέργειες που οδηγούν στη καταστροφή των δασών.

Η μελέτη πραγματοποιήθηκε στο δήμο Παραγουμίνας, που βρίσκεται στο βορειοανατολικό τμήμα της πολιτείας Para, της Βραζιλίας και καλύπτει έκταση 19.342 km2 με μέγεθος πληθυσμού 108.547 ο οποίος το 2007 ήταν χαρακτηρισμένος από την ομοσπονδιακή κυβέρνηση ως ένας από τους πιο αποψιλωμένους δήμους του Αμαζονίου.

'''Υλικά και Μέθοδοι'''

Χρησιμοποιήθηκαν 38 δείκτες που προέρχονται από οπτική τηλεπισκόπηση (MODIS,Landsat-8) και ραντάρ ((ALOS-1 PALSAR, Sentinel-1) τηλεπισκόπηση. Αυτοί οι δείκτες συσχετίζονται με διάφορες παραμέτρους βλάστησης όπως δομή βλάστησης, δραστηριότητα φωτοσύνθεσης.

'''Δορυφόροι'''

* MODIS

Για την ποσοτικοποίηση και εκτίμηση της υγείας των θόλων των δασών έγινε χρήση του βελτιωμένου δείκτη βλάστησης EVI και εξήχθησαν τρεις δείκτες.

* LANDSAT-8
Αντλήθηκαν δεδομένα από τρεις εικόνες χωρικής ανάλυσης 30μ. κατά τη διάρκεια ξηρασίας του έτους 2014 και δημιουργήθηκαν δεκατρείς δείκτες χρησιμοποιώντας την εργαλειοθήκη Orfeo.

'''RADAR'''

* ALOS-1 PALSAR
Έγινε λήψη επτά εικόνων ALOS-1 PALSAR (L-band) του έτους 2010 από το JAXA. Αυτές οι εικόνες είναι χωρικής ανάλυσης 25μ. και είναι διπλής πόλωσης. Δοκιμάσθηκαν οι δύο δείκτες γάμμα και σίγμα, αναμένοντας μια ισχυρή συσχέτιση μεταξύ των συντελεστών backscatter και της βιομάζας.

* Sentinel-1

Έγινε λήψη μιας εικόνας Sentinel-1 που λήφθηκε τον Μάιο του 2015, χωρικής ανάλυσης 10μ. Εξήχθησαν εννέα δείκτες σημαντικοί για τον ποσοτικό προσδιορισμό της υφής του θόλου των δασών.

'''Αλγόριθμος παλινδρόμησης τυχαίων δασών'''

Χρησιμοποιήθηκε ένας αλγόριθμος παλινδρόμησης τυχαίων δασών με στόχο τη διερεύνηση της απόδοσης διαφορετικών τηλεπισκοπικών δεδομένων και παραγόμενων δεικτών για τη χαρτογράφηση και μοντελοποίηση επιφανειακής βιομάζας. Αυτή η μέθοδος είναι αποτελεσματική για αισθητήρες που δείχνουν άγνωστα μοτίβα πολλαπλών παραλλαγών και μη γραμμικών σχέσεων.

'''Σύγκριση με τα δεδομένα του διαθέσιμου παντροπικό χάρτη βιομάζας (Avitabile Pantropical Biomass Map)'''

Πραγματοποιήθηκε σύγκριση ενός διαθέσιμου παντροπικού χάρτη εκτίμησης βιομάζας Avitabile με έναν χάρτη που προέκυψε με εφαρμογή του αλγορίθμου παλινδρόμησης τυχαίων δασών της περιοχής με σκοπό την σύγκριση της χωρικής κατανομής της επιφανειακής βιομάζας υποβαθμισμένων δασών. Στη λεκάνη του Αμαζονίου ο Avitabile Above Ground Biomass (AGB) χάρτης παρέχει χαμηλότερες τιμές RMSE συνεπώς καλύτερη συσχέτιση στοιχείων, συγκριτικά με παντροπικούς χάρτες Baccini & Saatchi.
Ωστόσο σε τοπική κλίμακα (Δήμος Παραγουμίνας) ο χάρτης Avitabile δύναται να παρουσιάσει μοτίβα σφαλμάτων επειδή τα δεδομένα αναφοράς υψηλά υποβαθμισμένων δασών ήταν χαμηλής ποιότητας και δε μπορούσε να γίνει βαθμονόμηση του μοντέλου.

'''Σύγκριση με μοντέλο τοπολογίας υποβαθμισμένων δασών'''

Κατασκευάστηκε ένα μοντέλο τοπολογίας υποβαθμισμένων δασών μέσω της παρακολούθησης 140 δασικών περιοχών το Μάιο του 2015. Κάθε παρατήρηση συσχετίζεται με ένα σημείο GPS. Η τοπολογία αυτή είναι ένας συνδυασμός των επί τόπου ποιοτικής φύσεως δεικτών υποβάθμισης του δάσους και ημιποσοτικών παρατηρήσεων της δομής του. Για να προκύψει μια αντιπροσωπευτική τυπολογία της ποικιλομορφίας των υποβαθμιμένων δασών, διασφαλίσθηκε ότι η δειγματοληψία θα κάλυπτε τα διαφορετικά δασικά τοπία καθώς και την βασική ζώνη της Παραγουμίνας.

'''Αποτελέσματα'''

Έξι δείκτες (από τους 76) συμβάλλουν περισσότερο στα μοντέλα υποβάθμισης και παρουσιάζουν τις υψηλότερες και πιο σταθερές τιμές IncMSE. Οι τρεις προκύπτουν από τον MODIS και οι άλλοι τρεις από τον Landsat. Μέσω ενός εμπειρικού βαριογραφήματος επικυρώνεται η απουσία της χωρικής κατανομής των υπολειμμάτων βιομάζας που εμφανίζονται στον αλγόριθμο των τυχαίων δασών. Η κατανομή των υπολειμμάτων οδηγεί σε υπερεκτίμηση και πρέπει να λαμβάνεται υπόψη όταν γίνεται πρόβλεψη για την επιφανειακή βιομάζα στην Παραγουμίνα. Τα δάση που βρίσκονται βαθιά ανατολικά και δυτικά του δήμου περιέχουν τις υψηλότερες τιμές εμφάνισης βιομάζας, ενώ αυτά που βρίσκονται σε ακτίνα 80 χιλιομέτρων περιέχουν τις χαμηλότερες αποσπασμένες τιμές.

Όσον αφορά τη σύγκριση Avitabile και δασικού χάρτη που προέκυψε με εφαρμογή αλγορίθμου τυχαίων δασών, παρά το γεγονός πως ο δεύτερος εμφανίζει γενικώς καλύτερη συσχέτιση , το σύνολο δεδομένων του Avitabile παρέχει μια πιο ισχυρή δυνατότητα να καταγραφεί η μεγάλη ποικιλία της βιομάζας. Το σύνολο δεδομένων από τον χάρτη που προέκυψε με εφαρμογή αλγορίθμου τυχαίων δασών, είναι λιγότερο κατανεμημένο από ένα χάρτη Avitabile αλλά παρέχει μια χαμηλότερη απόκλιση μεταξύ εκτιμούμενης και καταγεγραμμένης βιομάζας. Ο χάρτης Avitabile είναι γενικώς λιγότερο λεπτομερής ενώ και οι δύο παρέχουν παρόμοιες τιμές εκτίμησης βιομάζας. Ο Avitabile χάρτης οδηγεί σε υπερεκτίμηση της βιομάζας στις περιοχές με έντονη υποβάθμιση. Ο χάρτης που προέκυψε με εφαρμογή αλγορίθμου τυχαίων δασών καταγράφει πιο εύκολα μικρής κλίμακας διαφοροποιήσεις όπως δρόμους, μονοπάτια, κενά θόλων ενώ εμφανίζει χαμηλές τιμές βιομάζας γύρω από περιοχές στις οποίες παρουσιάζεται αποσπασματική υποβάθμιση.

Η τυπολογία του υποβαθμισμένου δάσους επιτρέπει την εκτίμηση του συσχετισμού των τοπικών χαρτών απεικόνισης επιφανειακής βιομάζας σε σταθερή κλίμακα.

'''Συμπεράσματα'''

Στο παρόν άρθρο, προτείνονται νέες προσεγγίσεις για τη μοντελοποίηση και τη χαρτογράφηση της βιομάζας δασών που έχουν υποβαθμιστεί, σε τοπική κλίμακα, η οποία παρέχει πιο λεπτομερείς και ακριβείς πληροφορίες από σύνολα δεδομένων παγκόσμιας κλίμακας.

Από τις διάφορες μελέτες και συγκρίσεις που πραγματοποιήθηκαν εκτιμήθηκε πως λόγω της φασματικής απόκρισης των δεικτών του αισθητήρα LANDSAT και του MODIS (μέσω του ειδικού δείκτη EVI) από το έτος 2001 έως το 2014, οι αισθητήρες αυτοί αποδείχθηκαν οι καταλληλότεροι για τη μοντελοποίηση βιομάζας δασών καθώς επίσης βασίζονται σε περιορισένη εισαγωγή δεδομένων.

Η χρήση του δείκτη LandSAT μεταφράζει καλύτερα την αναλογία του γυμνού εδάφους για εικονοστοιχεία (pixel) 30 x 30 μέτρων.

Αξίζει να αναφερθεί πως παρά το ότι μοντέλο εκτίμησης βιομάζας το οποίο είναι «στιβαρό», καθώς έχει δοκιμαστεί τουλάχιστον 10 φορές και σε τυχαία επιλεγμένα σύνολα δεδομένων, φέρει τρεις πιθανές πηγές σφαλμάτων.

Πρώτον, υφίστανται περιορισμοί που μπορούν να συνδεθούν με τη μεγάλη ποικιλία υποβαθμισμένων τύπων δασών τα οποία είναι μοντελοποιημένα και τον περιορισμένο αριθμό αξιόπιστων δεδομένων εδάφους.

Δεύτερον, υπάρχει ένα χρονικό κενό μεταξύ της συλλογής στοιχείων βιομάζας και αυτό οφείλεται στη ποιότητα και διαθεσιμότητα των δεδομένων τηλεπισκόπησης (όπου στη περίπτωση του δορυφόρου Sentinel-1 ξεπερνά τα 5 χρόνια).

Τρίτον, μια πιθανή δειγματοληψία δεδομένων σε υψηλότερη ανάλυση ακόμα και των 20 μέτρων ενδέχεται να οδηγήσει σε εσφαλμένη εκτίμηση καταστάσεων.

Τέτοιου είδους προβλήματα μπορούν να αντιμετωπιστούν εάν εναρμονιστεί η συλλογή δεδομένων τηλεπισκόπησης με τα ισχύοντα πρωτόκολλα.
Πραγματοποιήθηκε σύγκριση μεταξύ μοντέλων με τοπικά δεδομένα επιφανειακής βιομάζας και Avitabile και διαπιστώθηκε πως τα τοπικά δεδομένα επιφανειακής βιομάζας παρέχουν καλύτερη στατιστική ακρίβεια και οι ζώνες μετάβασης π.χ. από δασικές σε μη δασικές περιοχές περιγράφονται καλύτερα από αυτά τα μοντέλα όπου χαρτογραφούνται δρόμοι, υποβαθμισμένες δασικές περιοχές.

Τέλος, Η σωστή εκτίμηση και κατανόηση της κατάστασης στην οποία βρίσκονται τα δάση είναι απαραίτητοι οδηγοί για τη βελτίωση και σωστή διαχείριση του τοπίου τους.

[[category:Χαρτογραφία]]

Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου

2021-01-26T09:04:15Z

Mari77:

[[Εικόνα: mk_paper_8_eikona_1.jpg | thumb | right | Εικόνα 1. Απόδοση δεικτών (Ποσοστό ΙncMSE) του μοντέλου τυχάιων δασών, πηγή: https://www.mdpi.com]]

[[Εικόνα: mk_paper_8_eikona_2.jpg | thumb | right | Εικόνα 2. Απεικόνιση προβλεπόμενων τιμών επιφανειακής βιομάζας βάσει του μοντέλου τυχαίων δασών στον δήμο Παραγουμίνας. Στο δυτικό τμήμα του δήμου (διαγραμμισμένη περιοχή), δεν υπήρξαν διαθέσιμα δεδομένα από Sentinel-1, πηγή: https://www.mdpi.com]]

== '''Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου''' ==

The Potential of Multisource Remote Sensing for Mapping the Biomass of a Degraded Amazonian Forest

Clement Bourgoin, Lilian Blanc, Jean-Stephane Bailly, Guillaume Cornu, Erika Berenguer, Johan Oszwald, Isabelle Tritsch, Froncois Laurent, Ali F. Hasan, Plinio Sist and Valery Gond

πηγή:[[ https://www.mdpi.com/1999-4907/9/6/303]]

Στόχος του παρόντος άρθρου είναι να αξιολογήσει τις δυνατότητες οπτικής (Landsat, MODIS) και ραντάρ (ALOS-1 PALSAR, Sentinel-1) τηλεπισκόπησης στη μοντελοποίηση και χαρτογράφηση της επιφανειακής βιομάζας ως παραμέτρου υποβάθμισης των δασικών εκτάσεων στην Αμαζονία.
Στην παγκόσμια κλίμακα των τροπικών δασών δημοσιεύτηκε ένας χάρτης καταγραφής της επιφανειακής βιομάζας που βασίστηκε στην επί τόπου συλλογή δεδομένων, την τηλεπισκόπηση και σε περιφερειακούς χάρτες βιομάζας.

Σε τοπική κλίμακα το LIDAR ως εργαλείο τηλεπισκόπησης θα μπορούσε να χαρτογραφήσει το δασικό θόλο σε 3 διαστάσεις και να εκτιμήσει με ακρίβεια τη δασική βιομάζα μέσω του ύψους και της δομής του θόλου του δάσους, άλλα ένας αποτρεπτικός παράγοντας ως προς τη χρήση του θα ήταν το κόστος απόκτησης του.
Σε περιφερειακή κλίμακα η χρήση δεδομένων από δορυφόρους μαζί με ένα μοντέλο εκτίμησης κατάστασης, μπορεί να συμβάλει στη βελτίωση της διαχείρισης δασών που έχουν υποβαθμιστεί, καθώς με τα δεδομένα της παγκοσμίου κλίμακας χάρτη τροπικών δασών δεν είναι ορατές οι διάφορες παράνομες ανθρώπινες ενέργειες που οδηγούν στη καταστροφή των δασών.

Η μελέτη πραγματοποιήθηκε στο δήμο Παραγουμίνας, που βρίσκεται στο βορειοανατολικό τμήμα της πολιτείας Para, της Βραζιλίας και καλύπτει έκταση 19.342 km2 με μέγεθος πληθυσμού 108.547 ο οποίος το 2007 ήταν χαρακτηρισμένος από την ομοσπονδιακή κυβέρνηση ως ένας από τους πιο αποψιλωμένους δήμους του Αμαζονίου.

'''Υλικά και Μέθοδοι'''

Χρησιμοποιήθηκαν 38 δείκτες που προέρχονται από οπτική τηλεπισκόπηση (MODIS,Landsat-8) και ραντάρ ((ALOS-1 PALSAR, Sentinel-1) τηλεπισκόπηση. Αυτοί οι δείκτες συσχετίζονται με διάφορες παραμέτρους βλάστησης όπως δομή βλάστησης, δραστηριότητα φωτοσύνθεσης.

'''Δορυφόροι'''

* MODIS

Για την ποσοτικοποίηση και εκτίμηση της υγείας των θόλων των δασών έγινε χρήση του βελτιωμένου δείκτη βλάστησης EVI και εξήχθησαν τρεις δείκτες.

* LANDSAT-8
Αντλήθηκαν δεδομένα από τρεις εικόνες χωρικής ανάλυσης 30μ. κατά τη διάρκεια ξηρασίας του έτους 2014 και δημιουργήθηκαν δεκατρείς δείκτες χρησιμοποιώντας την εργαλειοθήκη Orfeo.

'''RADAR'''

* ALOS-1 PALSAR
Έγινε λήψη επτά εικόνων ALOS-1 PALSAR (L-band) του έτους 2010 από το JAXA. Αυτές οι εικόνες είναι χωρικής ανάλυσης 25μ. και είναι διπλής πόλωσης. Δοκιμάσθηκαν οι δύο δείκτες γάμμα και σίγμα, αναμένοντας μια ισχυρή συσχέτιση μεταξύ των συντελεστών backscatter και της βιομάζας.

* Sentinel-1

Έγινε λήψη μιας εικόνας Sentinel-1 που λήφθηκε τον Μάιο του 2015, χωρικής ανάλυσης 10μ. Εξήχθησαν εννέα δείκτες σημαντικοί για τον ποσοτικό προσδιορισμό της υφής του θόλου των δασών.

'''Αλγόριθμος παλινδρόμησης τυχαίων δασών'''

Χρησιμοποιήθηκε ένας αλγόριθμος παλινδρόμησης τυχαίων δασών με στόχο τη διερεύνηση της απόδοσης διαφορετικών τηλεπισκοπικών δεδομένων και παραγόμενων δεικτών για τη χαρτογράφηση και μοντελοποίηση επιφανειακής βιομάζας. Αυτή η μέθοδος είναι αποτελεσματική για αισθητήρες που δείχνουν άγνωστα μοτίβα πολλαπλών παραλλαγών και μη γραμμικών σχέσεων.

'''Σύγκριση με τα δεδομένα του διαθέσιμου παντροπικό χάρτη βιομάζας (Avitabile Pantropical Biomass Map)'''

Πραγματοποιήθηκε σύγκριση ενός διαθέσιμου παντροπικού χάρτη εκτίμησης βιομάζας Avitabile με έναν χάρτη που προέκυψε με εφαρμογή του αλγορίθμου παλινδρόμησης τυχαίων δασών της περιοχής με σκοπό την σύγκριση της χωρικής κατανομής της επιφανειακής βιομάζας υποβαθμισμένων δασών. Στη λεκάνη του Αμαζονίου ο Avitabile Above Ground Biomass (AGB) χάρτης παρέχει χαμηλότερες τιμές RMSE συνεπώς καλύτερη συσχέτιση στοιχείων, συγκριτικά με παντροπικούς χάρτες Baccini & Saatchi.
Ωστόσο σε τοπική κλίμακα (Δήμος Παραγουμίνας) ο χάρτης Avitabile δύναται να παρουσιάσει μοτίβα σφαλμάτων επειδή τα δεδομένα αναφοράς υψηλά υποβαθμισμένων δασών ήταν χαμηλής ποιότητας και δε μπορούσε να γίνει βαθμονόμηση του μοντέλου.

'''Σύγκριση με μοντέλο τοπολογίας υποβαθμισμένων δασών'''

Κατασκευάστηκε ένα μοντέλο τοπολογίας υποβαθμισμένων δασών μέσω της παρακολούθησης 140 δασικών περιοχών το Μάιο του 2015. Κάθε παρατήρηση συσχετίζεται με ένα σημείο GPS. Η τοπολογία αυτή είναι ένας συνδυασμός των επί τόπου ποιοτικής φύσεως δεικτών υποβάθμισης του δάσους και ημιποσοτικών παρατηρήσεων της δομής του. Για να προκύψει μια αντιπροσωπευτική τυπολογία της ποικιλομορφίας των υποβαθμιμένων δασών, διασφαλίσθηκε ότι η δειγματοληψία θα κάλυπτε τα διαφορετικά δασικά τοπία καθώς και την βασική ζώνη της Παραγουμίνας.

'''Αποτελέσματα'''

Έξι δείκτες (από τους 76) συμβάλλουν περισσότερο στα μοντέλα υποβάθμισης και παρουσιάζουν τις υψηλότερες και πιο σταθερές τιμές IncMSE. Οι τρεις προκύπτουν από τον MODIS και οι άλλοι τρεις από τον Landsat. Μέσω ενός εμπειρικού βαριογραφήματος επικυρώνεται η απουσία της χωρικής κατανομής των υπολειμμάτων βιομάζας που εμφανίζονται στον αλγόριθμο των τυχαίων δασών. Η κατανομή των υπολειμμάτων οδηγεί σε υπερεκτίμηση και πρέπει να λαμβάνεται υπόψη όταν γίνεται πρόβλεψη για την επιφανειακή βιομάζα στην Παραγουμίνα. Τα δάση που βρίσκονται βαθιά ανατολικά και δυτικά του δήμου περιέχουν τις υψηλότερες τιμές εμφάνισης βιομάζας, ενώ αυτά που βρίσκονται σε ακτίνα 80 χιλιομέτρων περιέχουν τις χαμηλότερες αποσπασμένες τιμές.
Όσον αφορά τη σύγκριση Avitabile και δασικού χάρτη που προέκυψε με εφαρμογή αλγορίθμου τυχαίων δασών, παρά το γεγονός πως ο δεύτερος εμφανίζει γενικώς καλύτερη συσχέτιση , το σύνολο δεδομένων του Avitabile παρέχει μια πιο ισχυρή δυνατότητα να καταγραφεί η μεγάλη ποικιλία της βιομάζας. Το σύνολο δεδομένων από τον χάρτη που προέκυψε με εφαρμογή αλγορίθμου τυχαίων δασών, είναι λιγότερο κατανεμημένο από ένα χάρτη Avitabile αλλά παρέχει μια χαμηλότερη απόκλιση μεταξύ εκτιμούμενης και καταγεγραμμένης βιομάζας. Ο χάρτης Avitabile είναι γενικώς λιγότερο λεπτομερής ενώ και οι δύο παρέχουν παρόμοιες τιμές εκτίμησης βιομάζας. Ο Avitabile χάρτης οδηγεί σε υπερεκτίμηση της βιομάζας στις περιοχές με έντονη υποβάθμιση. Ο χάρτης που προέκυψε με εφαρμογή αλγορίθμου τυχαίων δασών καταγράφει πιο εύκολα μικρής κλίμακας διαφοροποιήσεις όπως δρόμους, μονοπάτια, κενά θόλων ενώ εμφανίζει χαμηλές τιμές βιομάζας γύρω από περιοχές στις οποίες παρουσιάζεται αποσπασματική υποβάθμιση.
Η τυπολογία του υποβαθμισμένου δάσους επιτρέπει την εκτίμηση του συσχετισμού των τοπικών χαρτών απεικόνισης επιφανειακής βιομάζας σε σταθερή κλίμακα.
Συμπεράσματα
Στο παρόν άρθρο, προτείνονται νέες προσεγγίσεις για τη μοντελοποίηση και τη χαρτογράφηση της βιομάζας δασών που έχουν υποβαθμιστεί, σε τοπική κλίμακα, η οποία παρέχει πιο λεπτομερείς και ακριβείς πληροφορίες από σύνολα δεδομένων παγκόσμιας κλίμακας.
Από τις διάφορες μελέτες και συγκρίσεις που πραγματοποιήθηκαν εκτιμήθηκε πως λόγω της φασματικής απόκρισης των δεικτών του αισθητήρα LANDSAT και του MODIS (μέσω του ειδικού δείκτη EVI) από το έτος 2001 έως το 2014, οι αισθητήρες αυτοί αποδείχθηκαν οι καταλληλότεροι για τη μοντελοποίηση βιομάζας δασών καθώς επίσης βασίζονται σε περιορισένη εισαγωγή δεδομένων.
Η χρήση του δείκτη LandSAT μεταφράζει καλύτερα την αναλογία του γυμνού εδάφους για εικονοστοιχεία (pixel) 30 x 30 μέτρων.
Αξίζει να αναφερθεί πως παρά το ότι μοντέλο εκτίμησης βιομάζας το οποίο είναι «στιβαρό», καθώς έχει δοκιμαστεί τουλάχιστον 10 φορές και σε τυχαία επιλεγμένα σύνολα δεδομένων, φέρει τρεις πιθανές πηγές σφαλμάτων.
Πρώτον, υφίστανται περιορισμοί που μπορούν να συνδεθούν με τη μεγάλη ποικιλία υποβαθμισμένων τύπων δασών τα οποία είναι μοντελοποιημένα και τον περιορισμένο αριθμό αξιόπιστων δεδομένων εδάφους.
Δεύτερον, υπάρχει ένα χρονικό κενό μεταξύ της συλλογής στοιχείων βιομάζας και αυτό οφείλεται στη ποιότητα και διαθεσιμότητα των δεδομένων τηλεπισκόπησης (όπου στη περίπτωση του δορυφόρου Sentinel-1 ξεπερνά τα 5 χρόνια).
Τρίτον, μια πιθανή δειγματοληψία δεδομένων σε υψηλότερη ανάλυση ακόμα και των 20 μέτρων ενδέχεται να οδηγήσει σε εσφαλμένη εκτίμηση καταστάσεων.
Τέτοιου είδους προβλήματα μπορούν να αντιμετωπιστούν εάν εναρμονιστεί η συλλογή δεδομένων τηλεπισκόπησης με τα ισχύοντα πρωτόκολλα.
Πραγματοποιήθηκε σύγκριση μεταξύ μοντέλων με τοπικά δεδομένα επιφανειακής βιομάζας και Avitabile και διαπιστώθηκε πως τα τοπικά δεδομένα επιφανειακής βιομάζας παρέχουν καλύτερη στατιστική ακρίβεια και οι ζώνες μετάβασης π.χ. από δασικές σε μη δασικές περιοχές περιγράφονται καλύτερα από αυτά τα μοντέλα όπου χαρτογραφούνται δρόμοι, υποβαθμισμένες δασικές περιοχές.
Τέλος, Η σωστή εκτίμηση και κατανόηση της κατάστασης στην οποία βρίσκονται τα δάση είναι απαραίτητοι οδηγοί για τη βελτίωση και σωστή διαχείριση του τοπίου τους.

[[category:Χαρτογραφία]]

Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου

2021-01-26T09:01:27Z

Mari77:

[[Εικόνα: mk_paper_8_eikona_1.jpg | thumb | right | Εικόνα 1. Απόδοση δεικτών (Ποσοστό ΙncMSE) του μοντέλου τυχάιων δασών, πηγή: https://www.mdpi.com]]

[[Εικόνα: mk_paper_8_eikona_2.jpg | thumb | right | Εικόνα 2. Απεικόνιση προβλεπόμενων τιμών επιφανειακής βιομάζας βάσει του μοντέλου τυχαίων δασών στον δήμο Παραγουμίνας. Στο δυτικό τμήμα του δήμου (διαγραμμισμένη περιοχή), δεν υπήρξαν διαθέσιμα δεδομένα από Sentinel-1, πηγή: https://www.mdpi.com]]

== '''Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου''' ==

The Potential of Multisource Remote Sensing for Mapping the Biomass of a Degraded Amazonian Forest

Clement Bourgoin, Lilian Blanc, Jean-Stephane Bailly, Guillaume Cornu, Erika Berenguer, Johan Oszwald, Isabelle Tritsch, Froncois Laurent, Ali F. Hasan, Plinio Sist and Valery Gond

πηγή:[[ https://www.mdpi.com/1999-4907/9/6/303]]

Στόχος του παρόντος άρθρου είναι να αξιολογήσει τις δυνατότητες οπτικής (Landsat, MODIS) και ραντάρ (ALOS-1 PALSAR, Sentinel-1) τηλεπισκόπησης στη μοντελοποίηση και χαρτογράφηση της επιφανειακής βιομάζας ως παραμέτρου υποβάθμισης των δασικών εκτάσεων στην Αμαζονία.
Στην παγκόσμια κλίμακα των τροπικών δασών δημοσιεύτηκε ένας χάρτης καταγραφής της επιφανειακής βιομάζας που βασίστηκε στην επί τόπου συλλογή δεδομένων, την τηλεπισκόπηση και σε περιφερειακούς χάρτες βιομάζας.

Σε τοπική κλίμακα το LIDAR ως εργαλείο τηλεπισκόπησης θα μπορούσε να χαρτογραφήσει το δασικό θόλο σε 3 διαστάσεις και να εκτιμήσει με ακρίβεια τη δασική βιομάζα μέσω του ύψους και της δομής του θόλου του δάσους, άλλα ένας αποτρεπτικός παράγοντας ως προς τη χρήση του θα ήταν το κόστος απόκτησης του.
Σε περιφερειακή κλίμακα η χρήση δεδομένων από δορυφόρους μαζί με ένα μοντέλο εκτίμησης κατάστασης, μπορεί να συμβάλει στη βελτίωση της διαχείρισης δασών που έχουν υποβαθμιστεί, καθώς με τα δεδομένα της παγκοσμίου κλίμακας χάρτη τροπικών δασών δεν είναι ορατές οι διάφορες παράνομες ανθρώπινες ενέργειες που οδηγούν στη καταστροφή των δασών.

Η μελέτη πραγματοποιήθηκε στο δήμο Παραγουμίνας, που βρίσκεται στο βορειοανατολικό τμήμα της πολιτείας Para, της Βραζιλίας και καλύπτει έκταση 19.342 km2 με μέγεθος πληθυσμού 108.547 ο οποίος το 2007 ήταν χαρακτηρισμένος από την ομοσπονδιακή κυβέρνηση ως ένας από τους πιο αποψιλωμένους δήμους του Αμαζονίου.

Υλικά και Μέθοδοι
Χρησιμοποιήθηκαν 38 δείκτες που προέρχονται από οπτική τηλεπισκόπηση (MODIS,Landsat-8) και ραντάρ ((ALOS-1 PALSAR, Sentinel-1) τηλεπισκόπηση. Αυτοί οι δείκτες συσχετίζονται με διάφορες παραμέτρους βλάστησης όπως δομή βλάστησης, δραστηριότητα φωτοσύνθεσης.
Δορυφόροι
• MODIS
Για την ποσοτικοποίηση και εκτίμηση της υγείας των θόλων των δασών έγινε χρήση του βελτιωμένου δείκτη βλάστησης EVI και εξήχθησαν τρεις δείκτες.
• LANDSAT-8
Αντλήθηκαν δεδομένα από τρεις εικόνες χωρικής ανάλυσης 30μ. κατά τη διάρκεια ξηρασίας του έτους 2014 και δημιουργήθηκαν δεκατρείς δείκτες χρησιμοποιώντας την εργαλειοθήκη Orfeo.
RADAR
• ALOS-1 PALSAR
Έγινε λήψη επτά εικόνων ALOS-1 PALSAR (L-band) του έτους 2010 από το JAXA. Αυτές οι εικόνες είναι χωρικής ανάλυσης 25μ. και είναι διπλής πόλωσης. Δοκιμάσθηκαν οι δύο δείκτες γάμμα και σίγμα, αναμένοντας μια ισχυρή συσχέτιση μεταξύ των συντελεστών backscatter και της βιομάζας.
• Sentinel-1
Έγινε λήψη μιας εικόνας Sentinel-1 που λήφθηκε τον Μάιο του 2015, χωρικής ανάλυσης 10μ. Εξήχθησαν εννέα δείκτες σημαντικοί για τον ποσοτικό προσδιορισμό της υφής του θόλου των δασών.
Αλγόριθμος παλινδρόμησης τυχαίων δασών
Χρησιμοποιήθηκε ένας αλγόριθμος παλινδρόμησης τυχαίων δασών με στόχο τη διερεύνηση της απόδοσης διαφορετικών τηλεπισκοπικών δεδομένων και παραγόμενων δεικτών για τη χαρτογράφηση και μοντελοποίηση επιφανειακής βιομάζας. Αυτή η μέθοδος είναι αποτελεσματική για αισθητήρες που δείχνουν άγνωστα μοτίβα πολλαπλών παραλλαγών και μη γραμμικών σχέσεων.
Σύγκριση με τα δεδομένα του διαθέσιμου παντροπικό χάρτη βιομάζας (Avitabile Pantropical Biomass Map)
Πραγματοποιήθηκε σύγκριση ενός διαθέσιμου παντροπικού χάρτη εκτίμησης βιομάζας Avitabile με έναν χάρτη που προέκυψε με εφαρμογή του αλγορίθμου παλινδρόμησης τυχαίων δασών της περιοχής με σκοπό την σύγκριση της χωρικής κατανομής της επιφανειακής βιομάζας υποβαθμισμένων δασών. Στη λεκάνη του Αμαζονίου ο Avitabile Above Ground Biomass (AGB) χάρτης παρέχει χαμηλότερες τιμές RMSE συνεπώς καλύτερη συσχέτιση στοιχείων, συγκριτικά με παντροπικούς χάρτες Baccini & Saatchi.
Ωστόσο σε τοπική κλίμακα (Δήμος Παραγουμίνας) ο χάρτης Avitabile δύναται να παρουσιάσει μοτίβα σφαλμάτων επειδή τα δεδομένα αναφοράς υψηλά υποβαθμισμένων δασών ήταν χαμηλής ποιότητας και δε μπορούσε να γίνει βαθμονόμηση του μοντέλου.
Σύγκριση με μοντέλο τοπολογίας υποβαθμισμένων δασών
Κατασκευάστηκε ένα μοντέλο τοπολογίας υποβαθμισμένων δασών μέσω της παρακολούθησης 140 δασικών περιοχών το Μάιο του 2015. Κάθε παρατήρηση συσχετίζεται με ένα σημείο GPS. Η τοπολογία αυτή είναι ένας συνδυασμός των επί τόπου ποιοτικής φύσεως δεικτών υποβάθμισης του δάσους και ημιποσοτικών παρατηρήσεων της δομής του. Για να προκύψει μια αντιπροσωπευτική τυπολογία της ποικιλομορφίας των υποβαθμιμένων δασών, διασφαλίσθηκε ότι η δειγματοληψία θα κάλυπτε τα διαφορετικά δασικά τοπία καθώς και την βασική ζώνη της Παραγουμίνας.
Αποτελέσματα
Έξι δείκτες (από τους 76) συμβάλλουν περισσότερο στα μοντέλα υποβάθμισης και παρουσιάζουν τις υψηλότερες και πιο σταθερές τιμές IncMSE. Οι τρεις προκύπτουν από τον MODIS και οι άλλοι τρεις από τον Landsat. Μέσω ενός εμπειρικού βαριογραφήματος επικυρώνεται η απουσία της χωρικής κατανομής των υπολειμμάτων βιομάζας που εμφανίζονται στον αλγόριθμο των τυχαίων δασών. Η κατανομή των υπολειμμάτων οδηγεί σε υπερεκτίμηση και πρέπει να λαμβάνεται υπόψη όταν γίνεται πρόβλεψη για την επιφανειακή βιομάζα στην Παραγουμίνα. Τα δάση που βρίσκονται βαθιά ανατολικά και δυτικά του δήμου περιέχουν τις υψηλότερες τιμές εμφάνισης βιομάζας, ενώ αυτά που βρίσκονται σε ακτίνα 80 χιλιομέτρων περιέχουν τις χαμηλότερες αποσπασμένες τιμές.
Όσον αφορά τη σύγκριση Avitabile και δασικού χάρτη που προέκυψε με εφαρμογή αλγορίθμου τυχαίων δασών, παρά το γεγονός πως ο δεύτερος εμφανίζει γενικώς καλύτερη συσχέτιση , το σύνολο δεδομένων του Avitabile παρέχει μια πιο ισχυρή δυνατότητα να καταγραφεί η μεγάλη ποικιλία της βιομάζας. Το σύνολο δεδομένων από τον χάρτη που προέκυψε με εφαρμογή αλγορίθμου τυχαίων δασών, είναι λιγότερο κατανεμημένο από ένα χάρτη Avitabile αλλά παρέχει μια χαμηλότερη απόκλιση μεταξύ εκτιμούμενης και καταγεγραμμένης βιομάζας. Ο χάρτης Avitabile είναι γενικώς λιγότερο λεπτομερής ενώ και οι δύο παρέχουν παρόμοιες τιμές εκτίμησης βιομάζας. Ο Avitabile χάρτης οδηγεί σε υπερεκτίμηση της βιομάζας στις περιοχές με έντονη υποβάθμιση. Ο χάρτης που προέκυψε με εφαρμογή αλγορίθμου τυχαίων δασών καταγράφει πιο εύκολα μικρής κλίμακας διαφοροποιήσεις όπως δρόμους, μονοπάτια, κενά θόλων ενώ εμφανίζει χαμηλές τιμές βιομάζας γύρω από περιοχές στις οποίες παρουσιάζεται αποσπασματική υποβάθμιση.
Η τυπολογία του υποβαθμισμένου δάσους επιτρέπει την εκτίμηση του συσχετισμού των τοπικών χαρτών απεικόνισης επιφανειακής βιομάζας σε σταθερή κλίμακα.
Συμπεράσματα
Στο παρόν άρθρο, προτείνονται νέες προσεγγίσεις για τη μοντελοποίηση και τη χαρτογράφηση της βιομάζας δασών που έχουν υποβαθμιστεί, σε τοπική κλίμακα, η οποία παρέχει πιο λεπτομερείς και ακριβείς πληροφορίες από σύνολα δεδομένων παγκόσμιας κλίμακας.
Από τις διάφορες μελέτες και συγκρίσεις που πραγματοποιήθηκαν εκτιμήθηκε πως λόγω της φασματικής απόκρισης των δεικτών του αισθητήρα LANDSAT και του MODIS (μέσω του ειδικού δείκτη EVI) από το έτος 2001 έως το 2014, οι αισθητήρες αυτοί αποδείχθηκαν οι καταλληλότεροι για τη μοντελοποίηση βιομάζας δασών καθώς επίσης βασίζονται σε περιορισένη εισαγωγή δεδομένων.
Η χρήση του δείκτη LandSAT μεταφράζει καλύτερα την αναλογία του γυμνού εδάφους για εικονοστοιχεία (pixel) 30 x 30 μέτρων.
Αξίζει να αναφερθεί πως παρά το ότι μοντέλο εκτίμησης βιομάζας το οποίο είναι «στιβαρό», καθώς έχει δοκιμαστεί τουλάχιστον 10 φορές και σε τυχαία επιλεγμένα σύνολα δεδομένων, φέρει τρεις πιθανές πηγές σφαλμάτων.
Πρώτον, υφίστανται περιορισμοί που μπορούν να συνδεθούν με τη μεγάλη ποικιλία υποβαθμισμένων τύπων δασών τα οποία είναι μοντελοποιημένα και τον περιορισμένο αριθμό αξιόπιστων δεδομένων εδάφους.
Δεύτερον, υπάρχει ένα χρονικό κενό μεταξύ της συλλογής στοιχείων βιομάζας και αυτό οφείλεται στη ποιότητα και διαθεσιμότητα των δεδομένων τηλεπισκόπησης (όπου στη περίπτωση του δορυφόρου Sentinel-1 ξεπερνά τα 5 χρόνια).
Τρίτον, μια πιθανή δειγματοληψία δεδομένων σε υψηλότερη ανάλυση ακόμα και των 20 μέτρων ενδέχεται να οδηγήσει σε εσφαλμένη εκτίμηση καταστάσεων.
Τέτοιου είδους προβλήματα μπορούν να αντιμετωπιστούν εάν εναρμονιστεί η συλλογή δεδομένων τηλεπισκόπησης με τα ισχύοντα πρωτόκολλα.
Πραγματοποιήθηκε σύγκριση μεταξύ μοντέλων με τοπικά δεδομένα επιφανειακής βιομάζας και Avitabile και διαπιστώθηκε πως τα τοπικά δεδομένα επιφανειακής βιομάζας παρέχουν καλύτερη στατιστική ακρίβεια και οι ζώνες μετάβασης π.χ. από δασικές σε μη δασικές περιοχές περιγράφονται καλύτερα από αυτά τα μοντέλα όπου χαρτογραφούνται δρόμοι, υποβαθμισμένες δασικές περιοχές.
Τέλος, Η σωστή εκτίμηση και κατανόηση της κατάστασης στην οποία βρίσκονται τα δάση είναι απαραίτητοι οδηγοί για τη βελτίωση και σωστή διαχείριση του τοπίου τους.

[[category:Χαρτογραφία]]

Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου

2021-01-26T08:59:24Z

Mari77:

Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου

2021-01-26T08:58:57Z

Mari77:

Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου

2021-01-26T08:58:07Z

Mari77:

Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου

2021-01-26T08:57:30Z

Mari77:

Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου

2021-01-26T08:52:22Z

Mari77:

[[Εικόνα: mk_paper_8_eikona_1.jpg | thumb | right | Εικόνα 1. Απόδοση δεικτών (Ποσοστό ΙncMSE) του μοντέλου τυχάιων δασών, πηγή: https://www.mdpi.com]]

[[category:Χαρτογραφία]]

Οι δυνατότητες της πολυφασματικής τηλεπισκόπησης στην χαρτογράφηση της βιομάζας ενός υποβαθμισμένου Δάσους του Αμαζονίου

2021-01-26T08:48:58Z

Mari77: Νέα σελίδα με 'Add Your Content Here category:Χαρτογραφία'

Add Your Content Here

[[category:Χαρτογραφία]]

Αρχείο:Mk paper 8 eikona 2.jpg

2021-01-26T08:46:35Z

Mari77:

Αρχείο:Mk paper 8 eikona 1.jpg

2021-01-26T08:46:22Z

Mari77:

Κωνσταντέλλου Μαριάννα

2021-01-26T08:10:32Z

Mari77: