http://147.102.106.44/rs/wiki/index.php?feed=atom&target=PANAGIS_PANAGIOTIS&title=%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C%3A%CE%A3%CF%85%CE%BD%CE%B5%CE%B9%CF%83%CF%86%CE%BF%CF%81%CE%AD%CF%82%2FPANAGIS_PANAGIOTIS 2026-04-03T23:15:49Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_1.0.PNG 2026-02-01T16:23:16Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%88%CF%81%CE%B5%CF%85%CE%BD%CE%B1_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CF%84%CE%BF%CF%85_%CE%B8%CE%B5%CF%81%CE%BC%CE%B9%CE%BA%CE%BF%CF%8D_%CF%80%CE%B5%CF%81%CE%B9%CE%B2%CE%AC%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%BF%CF%82_%CF%86%CF%89%CF%84%CE%BF%CE%B2%CE%BF%CE%BB%CF%84%CE%B1%CF%8A%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%B1%CF%83%CF%84%CE%AC%CF%83%CE%B5%CF%89%CE%BD_%CE%B2%CE%AC%CF%83%CE%B5%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD 2026-02-01T16:22:31Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>''' Έρευνα ανάλυσης του θερμικού περιβάλλοντος φωτοβολταϊκών εγκαταστάσεων βάσει τηλεπισκοπικών εικόνων '''<br /> <br /> ''' Research on thermal environment analysis of photovoltaic power plants based on remote sensing images ''' <br /> <br /> Συγγραφείς: HongLiang Cheng, He Huang, Junxing Yang, Ran Pang, JunYang Bian<br /> <br /> Έτος δημοσίευσης: 2023<br /> <br /> Πηγή: [ https://isprs-archives.copernicus.org/articles/XLVIII-1-W2-2023/1343/2023/ ]<br /> <br /> <br /> '''Αντικείμενο'''<br /> <br /> Το άρθρο εξετάζει συστηματικά τις θερμικές επιπτώσεις μεγάλων φωτοβολταϊκών σταθμών στο φυσικό περιβάλλον, αξιοποιώντας συνδυασμό δορυφορικών δεδομένων τηλεπισκόπησης από τον κινεζικό δορυφόρο Gaofen-1 (GF-1) και τον αμερικανικό Landsat-8. Βασικός στόχος της μελέτης είναι να διερευνηθεί κατά πόσο η εγκατάσταση φωτοβολταϊκών πάρκων προκαλεί μετρήσιμες αυξήσεις της θερμοκρασίας επιφάνειας εδάφους (Land Surface Temperature – LST) και πώς αυτές σχετίζονται με αλλαγές στη χρήση/κάλυψη γης. <br /> <br /> Η εργασία λαμβάνει ως περιοχή έρευνας την περιοχή όπου βρίσκονται φωτοβολταϊκές εγκαταστάσεις στην κομητεία Quyang, στην επαρχία Hebei της Κίνας, καθώς και τα γύρω βουνά, σε μια περίοδο 8 ετών από το 2013 έως το 2020, πριν και μετά την κατασκευή τους. <br /> <br /> Η περιοχή μελέτης περιλαμβάνει πεδινές ημιάνυδρες αλλά και ορεινές εκτάσεις, στις οποίες αναπτύχθηκαν μεγάλης κλίμακας φωτοβολταϊκοί σταθμοί. Οι περιοχές αυτές χαρακτηρίζονται από σχετικά αραιή φυσική βλάστηση, γεωργικές εκτάσεις, έντονη ηλιακή ακτινοβολία και σημαντικές μεταβολές χρήσης γης κατά την περίοδο ανάπτυξης των φωτοβολταϊκών έργων. <br /> <br /> Το χρονικό εύρος της μελέτης είναι κρίσιμο, καθώς μειώνει την επίδραση της διακύμανσης του καιρού και επιτρέπει την απομόνωση της επίδρασης των φωτοβολταϊκών εγκαταστάσεων από τις φυσικές κλιματικές τάσεις.<br /> <br /> [[Εικόνα: PPANAGIS_1.0.PNG|thumb|right|Η περιοχή μελέτης]]<br /> <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Όσον αφορά τα δορυφορικά δεδομένα, η μελέτη βασίζεται σε συνδυασμό δεδομένων διαφορετικής χωρικής και φασματικής ανάλυσης. Από τον Gaofen-1 (GF-1) εκμεταλλεύεται την υψηλή χωρική ανάλυση (έως ~2m στα παγχρωματικά κανάλια), ώστε να χαρτογραφηθούν οι χρήσεις/καλύψεις γης, να οριοθετηθούν τα φωτοβολταϊκά πάρκα και να ανιχνευθούν οι αλλαγές στη βλάστηση και το έδαφος. Από τον Landsat-8, αξιοποιεί τα οπτικά και θερμικά κανάλια ώστε να υπολογιστούν οι δείκτες βλάστησης (NVDI) και οι διακυμάνσεις της θερμοκρασίας επιφάνειας εδάφους (LST). <br /> <br /> Η LST υπολογίζεται από τα θερμικά κανάλια του Landsat-8 μέσω αλγορίθμων τηλεπισκόπησης, οι οποίοι περιλαμβάνουν μετατροπή της ψηφιακής τιμής (DN) σε ακτινοβολία, υπολογισμό θερμοκρασίας φωτεινότητας (brightness temperature) και διόρθωση της εκπομπής (emissivity correction) βάσει των δεικτών βλάστησης (NDVI), λαμβάνοντας υπόψη τον τύπο χρήσης/κάλυψης γης.<br /> Oι ερευνητές λαμβάνουν υπόψιν την έκταση των φωτοβολταϊκών πάρκων, τις περιμετρικές ζώνες γύρω από αυτά και κάποιες ευρύτερες περιοχές αναφοράς φυσικού ενδιαφέροντος, συναρτήσει του χρονικού εύρους της μελέτης. Χρησιμοποιούν αναλυτικά στατιστικά μεγέθη (μέσες τιμές, διαφορές, χωρική κατανομή) για την ποσοτικοποίηση των αλλαγών της LST και τη συσχέτισή τους με την αλλαγή χρήσης/κάλυψης γης.<br /> <br /> [[Εικόνα: PPANAGIS_1.2.PNG|thumb|right|Αποτελέσματα κατηγοριοποίησης καλύψεων γης]]<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα δείχνουν ότι, μετά την εγκατάσταση των φωτοβολταϊκών πάρκων, η μέση θερμοκρασία εδάφους (LST) εντός των πάρκων αυξήθηκε αισθητά σε σύγκριση με την προγενέστερη κατάσταση, καθώς και ότι η LST είναι υψηλότερη εντός των φωτοβολταϊκών εκτάσεων σε σχέση με τις γύρω περιοχές. Οι αυξήσεις της LST αποδίδονται κυρίως στην αντικατάσταση της φυσικής βλάστησης από τεχνητές επιφάνειες λόγω της μειωμένης ανακλαστικότητας που παρουσιάζουν τα ηλιακά πάνελ σε σχέση με τη βλάστηση, καθώς και στη μειωμένη εξατμισοδιαπνοή λόγω απώλειας βλάστησης. <br /> <br /> Η αύξηση της LST δεν είναι ομοιόμορφη, εμφανίζει σαφή χωρική αύξηση εντός των ορίων των πάρκων και μειώνεται σταδιακά με την απόσταση από τις εγκαταστάσεις. Αυτό υποδηλώνει ότι το θερμικό αποτύπωμα των φωτοβολταϊκών είναι κυρίως τοπικό, αλλά με σαφή ανιχνεύσιμη ένταση από δορυφορικά δεδομένα. <br /> <br /> Η ανάλυση των χρήσεων γης δείχνει ότι οι περιοχές όπου αφαιρέθηκε φυσική βλάστηση και εγκαταστάθηκαν πάνελ παρουσιάζουν τη μεγαλύτερη αύξηση LST, ενώ οι περιοχές με μερική διατήρηση βλάστησης εμφανίζουν μικρότερες μεταβολές. Αυτό ενισχύει το συμπέρασμα ότι η αλλαγή χρήσης/κάλυψης γης αποτελεί τον βασικό μηχανισμό αύξησης της θερμοκρασίας.<br /> <br /> [[Εικόνα: PPANAGIS_1.3.PNG|thumb|right|Αποτελέσματα συσχέτισης της αναλογίας φωτοβολταϊκών σταθμών και μέσης θερμοκρασίας επιφάνειας εδάφους]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Τα αποτελέσματα δείχνουν ότι υπάρχει σημαντική θετική συσχέτιση μεταξύ της εγκατάστασης φωτοβολταϊκών σταθμών και της αύξησης της μέσης θερμοκρασίας της επιφάνειας του εδάφους (LST) υπό συγκεκριμένες γεωγραφικές και χρονικές συνθήκες. Οι φωτοβολταϊκοί σταθμοί αναγνωρίζονται ως ένας από τους παράγοντες που συμβάλλουν στην αύξηση της θερμοκρασίας, ειδικά σε ορεινές περιοχές, παρουσιάζοντας χαρακτηριστικά κλασσικού φαινομένου θερμικής νησίδας. Οι ερευνητές τονίζουν ότι η τηλεπισκόπηση επιτρέπει αντικειμενική, διηνεκή και χωρικά εκτενή αξιολόγηση των χωρικών και θερμικών δεδομένων, είναι ιδιαίτερα κατάλληλη για μεγάλες και δυσπρόσιτες περιοχές, καθώς και συμπληρώνει τις επιτόπιες μετρήσεις του εκάστοτε μικροκλίματος. Ακόμη και μέτριες αυξήσεις της LST μπορούν να ανιχνευθούν αξιόπιστα από δορυφόρους, εφόσον χρησιμοποιούνται πολυχρονικά δεδομένα και κατάλληλες τεχνικές. Τέλος, προτείνονται ενδεικτικά μέτρα πρόληψης αύξησης της LST στην περιοχή μιας φωτοβολταϊκής εγκατάστασης, όπως η αύξηση της απόστασης μεταξύ των επιμέρους φωτοβολταϊκών πάνελς, ώστε να αυξηθεί η ανακλαστικότητα της ηλιακής ακτινοβολίας στην περιοχή της εγκατάστασης, αλλά και η μείωση της απόστασης της φωτοβολταϊκής εγκατάστασης από την πέριξ φυσική βλάστηση ή την αρτοτραία γη, ώστε να αντισταθμιστεί η αυξημένη LST του σταθμού με την μειωμένη LST της περιοχής με βλάστηση.<br /> <br /> <br /> [[category:Ενέργεια]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%AE%CF%82_%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%B9%CF%8E%CF%84%CE%B7%CF%82 2026-02-01T16:19:57Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>[[Έρευνα ανάλυσης του θερμικού περιβάλλοντος φωτοβολταϊκών εγκαταστάσεων βάσει τηλεπισκοπικών εικόνων]]<br /> <br /> [[Παρατήρηση της γης και γεωχωρική ανάλυση για εκτίμηση κινδύνου πυρκαγιάς: η περίπτωση της Αττικής]]<br /> <br /> [[Παρακολούθηση και ανάλυση της μετεγκατάστασης και αποκατάστασης κατοικημένων περιοχών με βάση πολλαπλούς δείκτες τηλεπισκόπησης]]<br /> <br /> [[Αξιολόγηση του ρόλου της επιστήμης των πολιτών στην επικύρωση των ταξινομήσεων οικοτόπων με τηλεπισκόπηση]]<br /> <br /> [[Πρόβλεψη και παρακολούθηση κινδύνου χιονοστιβάδας με βάση μετεωρολογικά δεδομένα και τεχνολογίες τηλεπισκόπησης]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%AE%CF%82_%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%B9%CF%8E%CF%84%CE%B7%CF%82 2026-02-01T16:19:20Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>[[Έρευνα ανάλυσης του θερμικού περιβάλλοντος φωτοβολταϊκών εγκαταστάσεων βάσει τηλεπισκοπικών εικόνων]]<br /> <br /> [[Παρατήρηση της γης και γεωχωρική ανάλυση για εκτίμηση κινδύνου πυρκαγιάς: η περίπτωση της Αττικής]]<br /> <br /> [[Παρακολούθηση και ανάλυση της μετεγκατάστασης και αποκατάστασης κατοικημένων περιοχών με βάση πολλαπλούς δείκτες τηλεπισκόπησης]]<br /> <br /> [[Αξιολόγηση του ρόλου της επιστήμης των πολιτών στην επικύρωση των ταξινομήσεων οικοτόπων με τηλεπισκόπηση]]<br /> <br /> [[Πρόβλεψη και παρακολούθηση κινδύνου χιονοστιβάδας με βάση μετεωρολογικά δεδομένα και τεχνολογίες τηλεπισκόπησης]]<br /> <br /> [[category:ΔΠΜΣ: &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%AE%CF%82_%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%B9%CF%8E%CF%84%CE%B7%CF%82 2026-02-01T16:18:34Z

<p>PANAGIS PANAGIOTIS: Νέα σελίδα με '[[Έρευνα ανάλυσης του θερμικού περιβάλλοντος φωτοβολταϊκών εγκαταστάσεων βάσει τηλεπισκοπι...'</p> <hr /> <div>[[Έρευνα ανάλυσης του θερμικού περιβάλλοντος φωτοβολταϊκών εγκαταστάσεων βάσει τηλεπισκοπικών εικόνων]]<br /> [[Παρατήρηση της γης και γεωχωρική ανάλυση για εκτίμηση κινδύνου πυρκαγιάς: η περίπτωση της Αττικής]]<br /> [[Παρακολούθηση και ανάλυση της μετεγκατάστασης και αποκατάστασης κατοικημένων περιοχών με βάση πολλαπλούς δείκτες τηλεπισκόπησης]]<br /> [[Αξιολόγηση του ρόλου της επιστήμης των πολιτών στην επικύρωση των ταξινομήσεων οικοτόπων με τηλεπισκόπηση]]<br /> [[Πρόβλεψη και παρακολούθηση κινδύνου χιονοστιβάδας με βάση μετεωρολογικά δεδομένα και τεχνολογίες τηλεπισκόπησης]]<br /> <br /> [[category:ΔΠΜΣ: &quot;Περιβάλλον και Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_1.1.png 2026-02-01T16:15:45Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>[[category: Αμμοδοχείο]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_1.1_.PNG 2026-02-01T16:04:42Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%88%CF%81%CE%B5%CF%85%CE%BD%CE%B1_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CF%84%CE%BF%CF%85_%CE%B8%CE%B5%CF%81%CE%BC%CE%B9%CE%BA%CE%BF%CF%8D_%CF%80%CE%B5%CF%81%CE%B9%CE%B2%CE%AC%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%BF%CF%82_%CF%86%CF%89%CF%84%CE%BF%CE%B2%CE%BF%CE%BB%CF%84%CE%B1%CF%8A%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%B1%CF%83%CF%84%CE%AC%CF%83%CE%B5%CF%89%CE%BD_%CE%B2%CE%AC%CF%83%CE%B5%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD 2026-02-01T16:01:06Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>''' Έρευνα ανάλυσης του θερμικού περιβάλλοντος φωτοβολταϊκών εγκαταστάσεων βάσει τηλεπισκοπικών εικόνων '''<br /> <br /> ''' Research on thermal environment analysis of photovoltaic power plants based on remote sensing images ''' <br /> <br /> Συγγραφείς: HongLiang Cheng, He Huang, Junxing Yang, Ran Pang, JunYang Bian<br /> <br /> Έτος δημοσίευσης: 2023<br /> <br /> Πηγή: [ https://isprs-archives.copernicus.org/articles/XLVIII-1-W2-2023/1343/2023/ ]<br /> <br /> <br /> '''Αντικείμενο'''<br /> <br /> Το άρθρο εξετάζει συστηματικά τις θερμικές επιπτώσεις μεγάλων φωτοβολταϊκών σταθμών στο φυσικό περιβάλλον, αξιοποιώντας συνδυασμό δορυφορικών δεδομένων τηλεπισκόπησης από τον κινεζικό δορυφόρο Gaofen-1 (GF-1) και τον αμερικανικό Landsat-8. Βασικός στόχος της μελέτης είναι να διερευνηθεί κατά πόσο η εγκατάσταση φωτοβολταϊκών πάρκων προκαλεί μετρήσιμες αυξήσεις της θερμοκρασίας επιφάνειας εδάφους (Land Surface Temperature – LST) και πώς αυτές σχετίζονται με αλλαγές στη χρήση/κάλυψη γης. <br /> <br /> Η εργασία λαμβάνει ως περιοχή έρευνας την περιοχή όπου βρίσκονται φωτοβολταϊκές εγκαταστάσεις στην κομητεία Quyang, στην επαρχία Hebei της Κίνας, καθώς και τα γύρω βουνά, σε μια περίοδο 8 ετών από το 2013 έως το 2020, πριν και μετά την κατασκευή τους. <br /> <br /> Η περιοχή μελέτης περιλαμβάνει πεδινές ημιάνυδρες αλλά και ορεινές εκτάσεις, στις οποίες αναπτύχθηκαν μεγάλης κλίμακας φωτοβολταϊκοί σταθμοί. Οι περιοχές αυτές χαρακτηρίζονται από σχετικά αραιή φυσική βλάστηση, γεωργικές εκτάσεις, έντονη ηλιακή ακτινοβολία και σημαντικές μεταβολές χρήσης γης κατά την περίοδο ανάπτυξης των φωτοβολταϊκών έργων. <br /> <br /> Το χρονικό εύρος της μελέτης είναι κρίσιμο, καθώς μειώνει την επίδραση της διακύμανσης του καιρού και επιτρέπει την απομόνωση της επίδρασης των φωτοβολταϊκών εγκαταστάσεων από τις φυσικές κλιματικές τάσεις.<br /> <br /> [[Εικόνα: PPANAGIS_1.1_.PNG|thumb|right|Η περιοχή μελέτης]]<br /> <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Όσον αφορά τα δορυφορικά δεδομένα, η μελέτη βασίζεται σε συνδυασμό δεδομένων διαφορετικής χωρικής και φασματικής ανάλυσης. Από τον Gaofen-1 (GF-1) εκμεταλλεύεται την υψηλή χωρική ανάλυση (έως ~2m στα παγχρωματικά κανάλια), ώστε να χαρτογραφηθούν οι χρήσεις/καλύψεις γης, να οριοθετηθούν τα φωτοβολταϊκά πάρκα και να ανιχνευθούν οι αλλαγές στη βλάστηση και το έδαφος. Από τον Landsat-8, αξιοποιεί τα οπτικά και θερμικά κανάλια ώστε να υπολογιστούν οι δείκτες βλάστησης (NVDI) και οι διακυμάνσεις της θερμοκρασίας επιφάνειας εδάφους (LST). <br /> <br /> Η LST υπολογίζεται από τα θερμικά κανάλια του Landsat-8 μέσω αλγορίθμων τηλεπισκόπησης, οι οποίοι περιλαμβάνουν μετατροπή της ψηφιακής τιμής (DN) σε ακτινοβολία, υπολογισμό θερμοκρασίας φωτεινότητας (brightness temperature) και διόρθωση της εκπομπής (emissivity correction) βάσει των δεικτών βλάστησης (NDVI), λαμβάνοντας υπόψη τον τύπο χρήσης/κάλυψης γης.<br /> Oι ερευνητές λαμβάνουν υπόψιν την έκταση των φωτοβολταϊκών πάρκων, τις περιμετρικές ζώνες γύρω από αυτά και κάποιες ευρύτερες περιοχές αναφοράς φυσικού ενδιαφέροντος, συναρτήσει του χρονικού εύρους της μελέτης. Χρησιμοποιούν αναλυτικά στατιστικά μεγέθη (μέσες τιμές, διαφορές, χωρική κατανομή) για την ποσοτικοποίηση των αλλαγών της LST και τη συσχέτισή τους με την αλλαγή χρήσης/κάλυψης γης.<br /> <br /> [[Εικόνα: PPANAGIS_1.2.PNG|thumb|right|Αποτελέσματα κατηγοριοποίησης καλύψεων γης]]<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα δείχνουν ότι, μετά την εγκατάσταση των φωτοβολταϊκών πάρκων, η μέση θερμοκρασία εδάφους (LST) εντός των πάρκων αυξήθηκε αισθητά σε σύγκριση με την προγενέστερη κατάσταση, καθώς και ότι η LST είναι υψηλότερη εντός των φωτοβολταϊκών εκτάσεων σε σχέση με τις γύρω περιοχές. Οι αυξήσεις της LST αποδίδονται κυρίως στην αντικατάσταση της φυσικής βλάστησης από τεχνητές επιφάνειες λόγω της μειωμένης ανακλαστικότητας που παρουσιάζουν τα ηλιακά πάνελ σε σχέση με τη βλάστηση, καθώς και στη μειωμένη εξατμισοδιαπνοή λόγω απώλειας βλάστησης. <br /> <br /> Η αύξηση της LST δεν είναι ομοιόμορφη, εμφανίζει σαφή χωρική αύξηση εντός των ορίων των πάρκων και μειώνεται σταδιακά με την απόσταση από τις εγκαταστάσεις. Αυτό υποδηλώνει ότι το θερμικό αποτύπωμα των φωτοβολταϊκών είναι κυρίως τοπικό, αλλά με σαφή ανιχνεύσιμη ένταση από δορυφορικά δεδομένα. <br /> <br /> Η ανάλυση των χρήσεων γης δείχνει ότι οι περιοχές όπου αφαιρέθηκε φυσική βλάστηση και εγκαταστάθηκαν πάνελ παρουσιάζουν τη μεγαλύτερη αύξηση LST, ενώ οι περιοχές με μερική διατήρηση βλάστησης εμφανίζουν μικρότερες μεταβολές. Αυτό ενισχύει το συμπέρασμα ότι η αλλαγή χρήσης/κάλυψης γης αποτελεί τον βασικό μηχανισμό αύξησης της θερμοκρασίας.<br /> <br /> [[Εικόνα: PPANAGIS_1.3.PNG|thumb|right|Αποτελέσματα συσχέτισης της αναλογίας φωτοβολταϊκών σταθμών και μέσης θερμοκρασίας επιφάνειας εδάφους]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Τα αποτελέσματα δείχνουν ότι υπάρχει σημαντική θετική συσχέτιση μεταξύ της εγκατάστασης φωτοβολταϊκών σταθμών και της αύξησης της μέσης θερμοκρασίας της επιφάνειας του εδάφους (LST) υπό συγκεκριμένες γεωγραφικές και χρονικές συνθήκες. Οι φωτοβολταϊκοί σταθμοί αναγνωρίζονται ως ένας από τους παράγοντες που συμβάλλουν στην αύξηση της θερμοκρασίας, ειδικά σε ορεινές περιοχές, παρουσιάζοντας χαρακτηριστικά κλασσικού φαινομένου θερμικής νησίδας. Οι ερευνητές τονίζουν ότι η τηλεπισκόπηση επιτρέπει αντικειμενική, διηνεκή και χωρικά εκτενή αξιολόγηση των χωρικών και θερμικών δεδομένων, είναι ιδιαίτερα κατάλληλη για μεγάλες και δυσπρόσιτες περιοχές, καθώς και συμπληρώνει τις επιτόπιες μετρήσεις του εκάστοτε μικροκλίματος. Ακόμη και μέτριες αυξήσεις της LST μπορούν να ανιχνευθούν αξιόπιστα από δορυφόρους, εφόσον χρησιμοποιούνται πολυχρονικά δεδομένα και κατάλληλες τεχνικές. Τέλος, προτείνονται ενδεικτικά μέτρα πρόληψης αύξησης της LST στην περιοχή μιας φωτοβολταϊκής εγκατάστασης, όπως η αύξηση της απόστασης μεταξύ των επιμέρους φωτοβολταϊκών πάνελς, ώστε να αυξηθεί η ανακλαστικότητα της ηλιακής ακτινοβολίας στην περιοχή της εγκατάστασης, αλλά και η μείωση της απόστασης της φωτοβολταϊκής εγκατάστασης από την πέριξ φυσική βλάστηση ή την αρτοτραία γη, ώστε να αντισταθμιστεί η αυξημένη LST του σταθμού με την μειωμένη LST της περιοχής με βλάστηση.<br /> <br /> <br /> [[category:Ενέργεια]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%AE%CF%81%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B3%CE%B5%CF%89%CF%87%CF%89%CF%81%CE%B9%CE%BA%CE%AE_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CE%B5%CE%BA%CF%84%CE%AF%CE%BC%CE%B7%CF%83%CE%B7_%CE%BA%CE%B9%CE%BD%CE%B4%CF%8D%CE%BD%CE%BF%CF%85_%CF%80%CF%85%CF%81%CE%BA%CE%B1%CE%B3%CE%B9%CE%AC%CF%82:_%CE%B7_%CF%80%CE%B5%CF%81%CE%AF%CF%80%CF%84%CF%89%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%91%CF%84%CF%84%CE%B9%CE%BA%CE%AE%CF%82 2026-02-01T15:42:07Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>Πρωτότυπος τίτλος: '''Earth Observation and Geospatial Analysis for Fire Risk Assessment in Wildland–Urban Interfaces: The Case of the Highly Dense Urban Area of Attica, Greece'''<br /> <br /> Μετάφραση πλήρη τίτλου: '''Παρατήρηση της Γης και Γεωχωρική Ανάλυση για την εκτίμηση του κινδύνου πυρκαγιάς σε περιοχές όπου η άγρια φύση συναντά τις αστικές περιοχές: Η περίπτωση της πυκνοκατοικημένης αστικής περιοχής της Αττικής, Ελλάδα'''<br /> <br /> Συγγραφείς: Antonia Oikonomou, Marilou Avramidou, Emmanouil Psomiadis<br /> <br /> Έτος δημοσίευσης: 2025<br /> <br /> Πηγή: [ https://www.mdpi.com/2072-4292/17/24/4052 ]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η διεπαφή άγριας φύσης – αστικής περιοχής (Wildland–Urban Interface, WUI) αποτελεί έναν από τους πιο κρίσιμους χώρους εκδήλωσης και εξάπλωσης δασικών πυρκαγιών στη Μεσόγειο, καθώς συνδυάζει υψηλή καύσιμη ύλη με έντονη ανθρώπινη παρουσία. Στην Ελλάδα, και ειδικότερα στην Περιφέρεια Αττικής, η πυκνή αστική ανάπτυξη σε άμεση γειτνίαση με δασικές και ημιδασικές εκτάσεις έχει αυξήσει σημαντικά την επικινδυνότητα πυρκαγιών και τις πιθανές επιπτώσεις τους στον ανθρώπινο πληθυσμό. <br /> <br /> Το άρθρο επικεντρώνεται στην ανάπτυξη ενός ολοκληρωμένου γεωχωρικού πλαισίου εκτίμησης κινδύνου πυρκαγιάς για την περιοχή της Αττικής, αξιοποιώντας δεδομένα τηλεπισκόπησης (Earth Observation) και Γεωγραφικών Συστημάτων Πληροφοριών (GIS). Σε αντίθεση με γενικευμένες προσεγγίσεις εκτίμησης κινδύνου σε φυσικά τοπία, η μελέτη εστιάζει στη χωρική πολυπλοκότητα των WUI περιοχών, όπου η κατανομή της βλάστησης, η μορφολογία του εδάφους και η αστική δομή αλληλεπιδρούν άμεσα. <br /> <br /> Στόχος της έρευνας είναι η χαρτογραφική αποτύπωση και ποσοτική εκτίμηση του κινδύνου πυρκαγιάς, μέσω της ολοκληρωμένης ανάλυσης δορυφορικών δεδομένων, χωρικών δεικτών βλάστησης και ανθρωπογενών παραμέτρων, με έμφαση στη λειτουργική αξιοποίηση της τηλεπισκόπησης για εφαρμογές πολιτικής προστασίας.<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται σε μια πολυκριτηριακή γεωχωρική ανάλυση, όπου τα δεδομένα τηλεπισκόπησης αποτελούν τη βασική πηγή πληροφορίας για τη χωρική αποτύπωση των παραγόντων κινδύνου. Χρησιμοποιούνται δορυφορικά δεδομένα από προγράμματα παρατήρησης της Γης, κυρίως από το σύστημα Copernicus (Sentinel-2), τα οποία προσφέρουν πολυφασματικές εικόνες μέσης χωρικής ανάλυσης, κατάλληλες για ανάλυση βλάστησης και κάλυψης γης. <br /> <br /> [[ Αρχείο:PPANAGIS_2.1.png|thumb|right|Χαρτογραφική απεικόνιση συχνότητας πυρκαγιάς στην Αττική (1983-2023) ]]<br /> <br /> Από τις δορυφορικές εικόνες εξάγονται φασματικοί δείκτες τηλεπισκόπησης, με κυριότερο τον NDVI (Normalized Difference Vegetation Index), ο οποίος χρησιμοποιείται για την ποσοτικοποίηση της πυκνότητας και της υγείας της βλάστησης. Ο NDVI λειτουργεί έμμεσα ως δείκτης διαθεσιμότητας καύσιμης ύλης, κρίσιμος για την εκτίμηση της πιθανής έντασης και εξάπλωσης πυρκαγιάς. Παράλληλα, εφαρμόζεται ταξινόμηση κάλυψης γης (land cover classification), ώστε να διακριθούν οι δασικές, οι θαμνώδεις, οι αγροτικές και αστικές εκτάσεις. <br /> <br /> [[ Αρχείο:PPANAGIS_2.2.png|thumb|right| Wildland Urban Interface (WUI) κατηγοριοποίηση της Αττικής]]<br /> <br /> Σημαντικό μέρος της μεθοδολογίας αφορά την ανάλυση μορφολογικών παραμέτρων, όπως το υψόμετρο, η κλίση και ο προσανατολισμός των πρανών, οι οποίες εξάγονται από ψηφιακά μοντέλα εδάφους (DEM). Οι παράμετροι αυτές επηρεάζουν τη συμπεριφορά της φωτιάς και ενσωματώνονται στο μοντέλο κινδύνου. <br /> <br /> Επιπλέον, η μελέτη λαμβάνει υπόψη ανθρωπογενείς παράγοντες, όπως η εγγύτητα σε οδικό δίκτυο, οικισμούς και αστικές περιοχές, δεδομένου ότι η ανθρώπινη δραστηριότητα αποτελεί σημαντικό παράγοντα έναρξης πυρκαγιών στις WUI περιοχές. Όλα τα παραπάνω δεδομένα συνδυάζονται σε περιβάλλον GIS μέσω σταθμισμένης πολυκριτηριακής ανάλυσης, όπου κάθε παράγοντας κινδύνου λαμβάνει βάρος ανάλογα με τη σημασία που του αποδίδεται. <br /> <br /> Έτσι, δημιουργείται ένας σύνθετος δείκτης κινδύνου πυρκαγιάς, ο οποίος αποτυπώνεται χωρικά σε χάρτες επικινδυνότητας υψηλής ανάλυσης.<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα της μελέτης αποτυπώνουν με σαφήνεια τη χωρική διαφοροποίηση του κινδύνου πυρκαγιάς στην Αττική, αναδεικνύοντας περιοχές όπου η συνύπαρξη πυκνής βλάστησης και αστικής ανάπτυξης δημιουργεί συνθήκες αυξημένης επικινδυνότητας. Οι χάρτες κινδύνου δείχνουν ότι οι υψηλότερες τιμές εντοπίζονται κυρίως σε περιαστικές ζώνες και σε περιοχές με συνεχόμενη θαμνώδη ή δασική κάλυψη, σε άμεση γειτνίαση με κατοικημένες περιοχές. <br /> <br /> Η ανάλυση των δορυφορικών δεικτών αποδεικνύει ότι ο NDVI αποτελεί αξιόπιστο εργαλείο για τη διάκριση περιοχών με αυξημένη καύσιμη ύλη, ακόμη και εντός ενός έντονα κατακερματισμένου αστικού τοπίου. Η συνδυαστική χρήση φασματικών και μορφολογικών δεδομένων επιτρέπει την ακριβέστερη χωρική στόχευση περιοχών υψηλού κινδύνου σε σύγκριση με μονοδιάστατες προσεγγίσεις. <br /> <br /> [[ Αρχείο:PPANAGIS_2.3.png|thumb|right| Χάρτης εκτίμησης κινδύνου πυρκαγιάς στην Αττική]]<br /> <br /> Ιδιαίτερης σημασίας είναι το εύρημα ότι οι ανθρωπογενείς παράμετροι, όταν συνδυάζονται με δεδομένα τηλεπισκόπησης, ενισχύουν την προβλεπτική ικανότητα του μοντέλου, επιτρέποντας την αποτύπωση πραγματικών συνθηκών κινδύνου στις WUI περιοχές. Τα αποτελέσματα υποδεικνύουν ότι η γεωχωρική ανάλυση μπορεί να χρησιμοποιηθεί επιχειρησιακά για την ιεράρχηση περιοχών παρέμβασης από τους αρμόδιους φορείς.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη καταδεικνύει ότι η τηλεπισκόπηση αποτελεί βασικό εργαλείο για την εκτίμηση κινδύνου πυρκαγιάς σε πολύπλοκα αστικά και περιαστικά περιβάλλοντα. Η χρήση δορυφορικών δεδομένων επιτρέπει τη συστηματική και επαναλαμβανόμενη παρακολούθηση της βλάστησης και της κάλυψης γης, στοιχεία κρίσιμα για την κατανόηση της χωρικής κατανομής του κινδύνου. <br /> <br /> Το προτεινόμενο γεωχωρικό πλαίσιο προσφέρει μία λειτουργική και επαναλήψιμη μεθοδολογία, η οποία μπορεί να υποστηρίξει τον σχεδιασμό μέτρων πρόληψης και διαχείρισης πυρκαγιών σε περιοχές WUI. Η μελέτη αναδεικνύει τη δυνατότητα ενσωμάτωσης δεδομένων τηλεπισκόπησης στα διάφορα πολιτειακά συστήματα λήψης αποφάσεων, ιδιαίτερα σε περιοχές με υψηλή πληθυσμιακή πυκνότητα όπως η Αττική.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Δασικές Πυρκαγιές]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_2.3.png 2026-02-01T15:40:39Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_2.2.png 2026-02-01T15:40:18Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_2.1.png 2026-02-01T15:40:00Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%AE%CF%81%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B3%CE%B5%CF%89%CF%87%CF%89%CF%81%CE%B9%CE%BA%CE%AE_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CE%B5%CE%BA%CF%84%CE%AF%CE%BC%CE%B7%CF%83%CE%B7_%CE%BA%CE%B9%CE%BD%CE%B4%CF%8D%CE%BD%CE%BF%CF%85_%CF%80%CF%85%CF%81%CE%BA%CE%B1%CE%B3%CE%B9%CE%AC%CF%82:_%CE%B7_%CF%80%CE%B5%CF%81%CE%AF%CF%80%CF%84%CF%89%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%91%CF%84%CF%84%CE%B9%CE%BA%CE%AE%CF%82 2026-02-01T15:39:43Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>Πρωτότυπος τίτλος: '''Earth Observation and Geospatial Analysis for Fire Risk Assessment in Wildland–Urban Interfaces: The Case of the Highly Dense Urban Area of Attica, Greece'''<br /> <br /> Μετάφραση πλήρη τίτλου: '''Παρατήρηση της Γης και Γεωχωρική Ανάλυση για την εκτίμηση του κινδύνου πυρκαγιάς σε περιοχές όπου η άγρια φύση συναντά τις αστικές περιοχές: Η περίπτωση της πυκνοκατοικημένης αστικής περιοχής της Αττικής, Ελλάδα'''<br /> <br /> Συγγραφείς: Antonia Oikonomou, Marilou Avramidou, Emmanouil Psomiadis<br /> <br /> Έτος δημοσίευσης: 2025<br /> <br /> Πηγή: [ https://www.mdpi.com/2072-4292/17/24/4052 ]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η διεπαφή άγριας φύσης – αστικής περιοχής (Wildland–Urban Interface, WUI) αποτελεί έναν από τους πιο κρίσιμους χώρους εκδήλωσης και εξάπλωσης δασικών πυρκαγιών στη Μεσόγειο, καθώς συνδυάζει υψηλή καύσιμη ύλη με έντονη ανθρώπινη παρουσία. Στην Ελλάδα, και ειδικότερα στην Περιφέρεια Αττικής, η πυκνή αστική ανάπτυξη σε άμεση γειτνίαση με δασικές και ημιδασικές εκτάσεις έχει αυξήσει σημαντικά την επικινδυνότητα πυρκαγιών και τις πιθανές επιπτώσεις τους στον ανθρώπινο πληθυσμό. <br /> <br /> Το άρθρο επικεντρώνεται στην ανάπτυξη ενός ολοκληρωμένου γεωχωρικού πλαισίου εκτίμησης κινδύνου πυρκαγιάς για την περιοχή της Αττικής, αξιοποιώντας δεδομένα τηλεπισκόπησης (Earth Observation) και Γεωγραφικών Συστημάτων Πληροφοριών (GIS). Σε αντίθεση με γενικευμένες προσεγγίσεις εκτίμησης κινδύνου σε φυσικά τοπία, η μελέτη εστιάζει στη χωρική πολυπλοκότητα των WUI περιοχών, όπου η κατανομή της βλάστησης, η μορφολογία του εδάφους και η αστική δομή αλληλεπιδρούν άμεσα. <br /> <br /> Στόχος της έρευνας είναι η χαρτογραφική αποτύπωση και ποσοτική εκτίμηση του κινδύνου πυρκαγιάς, μέσω της ολοκληρωμένης ανάλυσης δορυφορικών δεδομένων, χωρικών δεικτών βλάστησης και ανθρωπογενών παραμέτρων, με έμφαση στη λειτουργική αξιοποίηση της τηλεπισκόπησης για εφαρμογές πολιτικής προστασίας.<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται σε μια πολυκριτηριακή γεωχωρική ανάλυση, όπου τα δεδομένα τηλεπισκόπησης αποτελούν τη βασική πηγή πληροφορίας για τη χωρική αποτύπωση των παραγόντων κινδύνου. Χρησιμοποιούνται δορυφορικά δεδομένα από προγράμματα παρατήρησης της Γης, κυρίως από το σύστημα Copernicus (Sentinel-2), τα οποία προσφέρουν πολυφασματικές εικόνες μέσης χωρικής ανάλυσης, κατάλληλες για ανάλυση βλάστησης και κάλυψης γης. <br /> <br /> [[ Αρχείο:PPANAGIS_2.1.png|thumb|right|Συχνότητα πυρκαγιάς στην Αττική (1983-2023) ]]<br /> <br /> Από τις δορυφορικές εικόνες εξάγονται φασματικοί δείκτες τηλεπισκόπησης, με κυριότερο τον NDVI (Normalized Difference Vegetation Index), ο οποίος χρησιμοποιείται για την ποσοτικοποίηση της πυκνότητας και της υγείας της βλάστησης. Ο NDVI λειτουργεί έμμεσα ως δείκτης διαθεσιμότητας καύσιμης ύλης, κρίσιμος για την εκτίμηση της πιθανής έντασης και εξάπλωσης πυρκαγιάς. Παράλληλα, εφαρμόζεται ταξινόμηση κάλυψης γης (land cover classification), ώστε να διακριθούν οι δασικές, οι θαμνώδεις, οι αγροτικές και αστικές εκτάσεις. <br /> <br /> [[ Αρχείο:PPANAGIS_2.2.png|thumb|right| Wildland Urban Interface (WUI) κατηγοριοποίηση της Αττικής]]<br /> <br /> Σημαντικό μέρος της μεθοδολογίας αφορά την ανάλυση μορφολογικών παραμέτρων, όπως το υψόμετρο, η κλίση και ο προσανατολισμός των πρανών, οι οποίες εξάγονται από ψηφιακά μοντέλα εδάφους (DEM). Οι παράμετροι αυτές επηρεάζουν τη συμπεριφορά της φωτιάς και ενσωματώνονται στο μοντέλο κινδύνου. <br /> <br /> Επιπλέον, η μελέτη λαμβάνει υπόψη ανθρωπογενείς παράγοντες, όπως η εγγύτητα σε οδικό δίκτυο, οικισμούς και αστικές περιοχές, δεδομένου ότι η ανθρώπινη δραστηριότητα αποτελεί σημαντικό παράγοντα έναρξης πυρκαγιών στις WUI περιοχές. Όλα τα παραπάνω δεδομένα συνδυάζονται σε περιβάλλον GIS μέσω σταθμισμένης πολυκριτηριακής ανάλυσης, όπου κάθε παράγοντας κινδύνου λαμβάνει βάρος ανάλογα με τη σημασία που του αποδίδεται. <br /> <br /> Έτσι, δημιουργείται ένας σύνθετος δείκτης κινδύνου πυρκαγιάς, ο οποίος αποτυπώνεται χωρικά σε χάρτες επικινδυνότητας υψηλής ανάλυσης.<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα της μελέτης αποτυπώνουν με σαφήνεια τη χωρική διαφοροποίηση του κινδύνου πυρκαγιάς στην Αττική, αναδεικνύοντας περιοχές όπου η συνύπαρξη πυκνής βλάστησης και αστικής ανάπτυξης δημιουργεί συνθήκες αυξημένης επικινδυνότητας. Οι χάρτες κινδύνου δείχνουν ότι οι υψηλότερες τιμές εντοπίζονται κυρίως σε περιαστικές ζώνες και σε περιοχές με συνεχόμενη θαμνώδη ή δασική κάλυψη, σε άμεση γειτνίαση με κατοικημένες περιοχές. <br /> <br /> Η ανάλυση των δορυφορικών δεικτών αποδεικνύει ότι ο NDVI αποτελεί αξιόπιστο εργαλείο για τη διάκριση περιοχών με αυξημένη καύσιμη ύλη, ακόμη και εντός ενός έντονα κατακερματισμένου αστικού τοπίου. Η συνδυαστική χρήση φασματικών και μορφολογικών δεδομένων επιτρέπει την ακριβέστερη χωρική στόχευση περιοχών υψηλού κινδύνου σε σύγκριση με μονοδιάστατες προσεγγίσεις. <br /> <br /> [[ Αρχείο:PPANAGIS_2.3.png|thumb|right| Χάρτης εκτίμησης κινδύνου στην Αττική]]<br /> <br /> Ιδιαίτερης σημασίας είναι το εύρημα ότι οι ανθρωπογενείς παράμετροι, όταν συνδυάζονται με δεδομένα τηλεπισκόπησης, ενισχύουν την προβλεπτική ικανότητα του μοντέλου, επιτρέποντας την αποτύπωση πραγματικών συνθηκών κινδύνου στις WUI περιοχές. Τα αποτελέσματα υποδεικνύουν ότι η γεωχωρική ανάλυση μπορεί να χρησιμοποιηθεί επιχειρησιακά για την ιεράρχηση περιοχών παρέμβασης από τους αρμόδιους φορείς.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη καταδεικνύει ότι η τηλεπισκόπηση αποτελεί βασικό εργαλείο για την εκτίμηση κινδύνου πυρκαγιάς σε πολύπλοκα αστικά και περιαστικά περιβάλλοντα. Η χρήση δορυφορικών δεδομένων επιτρέπει τη συστηματική και επαναλαμβανόμενη παρακολούθηση της βλάστησης και της κάλυψης γης, στοιχεία κρίσιμα για την κατανόηση της χωρικής κατανομής του κινδύνου. <br /> <br /> Το προτεινόμενο γεωχωρικό πλαίσιο προσφέρει μία λειτουργική και επαναλήψιμη μεθοδολογία, η οποία μπορεί να υποστηρίξει τον σχεδιασμό μέτρων πρόληψης και διαχείρισης πυρκαγιών σε περιοχές WUI. Η μελέτη αναδεικνύει τη δυνατότητα ενσωμάτωσης δεδομένων τηλεπισκόπησης στα διάφορα πολιτειακά συστήματα λήψης αποφάσεων, ιδιαίτερα σε περιοχές με υψηλή πληθυσμιακή πυκνότητα όπως η Αττική.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Δασικές Πυρκαγιές]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%AE%CF%81%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B3%CE%B5%CF%89%CF%87%CF%89%CF%81%CE%B9%CE%BA%CE%AE_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CE%B5%CE%BA%CF%84%CE%AF%CE%BC%CE%B7%CF%83%CE%B7_%CE%BA%CE%B9%CE%BD%CE%B4%CF%8D%CE%BD%CE%BF%CF%85_%CF%80%CF%85%CF%81%CE%BA%CE%B1%CE%B3%CE%B9%CE%AC%CF%82:_%CE%B7_%CF%80%CE%B5%CF%81%CE%AF%CF%80%CF%84%CF%89%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%91%CF%84%CF%84%CE%B9%CE%BA%CE%AE%CF%82 2026-02-01T15:39:22Z

<p>PANAGIS PANAGIOTIS: Νέα σελίδα με 'Πρωτότυπος τίτλος: '''Earth Observation and Geospatial Analysis for Fire Risk Assessment in Wildland–Urban Interfaces: The Case of the Highly Dense Urban...'</p> <hr /> <div>Πρωτότυπος τίτλος: '''Earth Observation and Geospatial Analysis for Fire Risk Assessment in Wildland–Urban Interfaces: The Case of the Highly Dense Urban Area of Attica, Greece'''<br /> Μετάφραση πλήρη τίτλου: '''Παρατήρηση της Γης και Γεωχωρική Ανάλυση για την εκτίμηση του κινδύνου πυρκαγιάς σε περιοχές όπου η άγρια φύση συναντά τις αστικές περιοχές: Η περίπτωση της πυκνοκατοικημένης αστικής περιοχής της Αττικής, Ελλάδα'''<br /> <br /> Συγγραφείς: Antonia Oikonomou, Marilou Avramidou, Emmanouil Psomiadis<br /> <br /> Έτος δημοσίευσης: 2025<br /> <br /> Πηγή: [ https://www.mdpi.com/2072-4292/17/24/4052 ]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η διεπαφή άγριας φύσης – αστικής περιοχής (Wildland–Urban Interface, WUI) αποτελεί έναν από τους πιο κρίσιμους χώρους εκδήλωσης και εξάπλωσης δασικών πυρκαγιών στη Μεσόγειο, καθώς συνδυάζει υψηλή καύσιμη ύλη με έντονη ανθρώπινη παρουσία. Στην Ελλάδα, και ειδικότερα στην Περιφέρεια Αττικής, η πυκνή αστική ανάπτυξη σε άμεση γειτνίαση με δασικές και ημιδασικές εκτάσεις έχει αυξήσει σημαντικά την επικινδυνότητα πυρκαγιών και τις πιθανές επιπτώσεις τους στον ανθρώπινο πληθυσμό. <br /> <br /> Το άρθρο επικεντρώνεται στην ανάπτυξη ενός ολοκληρωμένου γεωχωρικού πλαισίου εκτίμησης κινδύνου πυρκαγιάς για την περιοχή της Αττικής, αξιοποιώντας δεδομένα τηλεπισκόπησης (Earth Observation) και Γεωγραφικών Συστημάτων Πληροφοριών (GIS). Σε αντίθεση με γενικευμένες προσεγγίσεις εκτίμησης κινδύνου σε φυσικά τοπία, η μελέτη εστιάζει στη χωρική πολυπλοκότητα των WUI περιοχών, όπου η κατανομή της βλάστησης, η μορφολογία του εδάφους και η αστική δομή αλληλεπιδρούν άμεσα. <br /> <br /> Στόχος της έρευνας είναι η χαρτογραφική αποτύπωση και ποσοτική εκτίμηση του κινδύνου πυρκαγιάς, μέσω της ολοκληρωμένης ανάλυσης δορυφορικών δεδομένων, χωρικών δεικτών βλάστησης και ανθρωπογενών παραμέτρων, με έμφαση στη λειτουργική αξιοποίηση της τηλεπισκόπησης για εφαρμογές πολιτικής προστασίας.<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται σε μια πολυκριτηριακή γεωχωρική ανάλυση, όπου τα δεδομένα τηλεπισκόπησης αποτελούν τη βασική πηγή πληροφορίας για τη χωρική αποτύπωση των παραγόντων κινδύνου. Χρησιμοποιούνται δορυφορικά δεδομένα από προγράμματα παρατήρησης της Γης, κυρίως από το σύστημα Copernicus (Sentinel-2), τα οποία προσφέρουν πολυφασματικές εικόνες μέσης χωρικής ανάλυσης, κατάλληλες για ανάλυση βλάστησης και κάλυψης γης. <br /> <br /> [[ Αρχείο:PPANAGIS_2.1.png|thumb|right|Συχνότητα πυρκαγιάς στην Αττική (1983-2023) ]]<br /> <br /> Από τις δορυφορικές εικόνες εξάγονται φασματικοί δείκτες τηλεπισκόπησης, με κυριότερο τον NDVI (Normalized Difference Vegetation Index), ο οποίος χρησιμοποιείται για την ποσοτικοποίηση της πυκνότητας και της υγείας της βλάστησης. Ο NDVI λειτουργεί έμμεσα ως δείκτης διαθεσιμότητας καύσιμης ύλης, κρίσιμος για την εκτίμηση της πιθανής έντασης και εξάπλωσης πυρκαγιάς. Παράλληλα, εφαρμόζεται ταξινόμηση κάλυψης γης (land cover classification), ώστε να διακριθούν οι δασικές, οι θαμνώδεις, οι αγροτικές και αστικές εκτάσεις. <br /> <br /> [[ Αρχείο:PPANAGIS_2.2.png|thumb|right| Wildland Urban Interface (WUI) κατηγοριοποίηση της Αττικής]]<br /> <br /> Σημαντικό μέρος της μεθοδολογίας αφορά την ανάλυση μορφολογικών παραμέτρων, όπως το υψόμετρο, η κλίση και ο προσανατολισμός των πρανών, οι οποίες εξάγονται από ψηφιακά μοντέλα εδάφους (DEM). Οι παράμετροι αυτές επηρεάζουν τη συμπεριφορά της φωτιάς και ενσωματώνονται στο μοντέλο κινδύνου. <br /> <br /> Επιπλέον, η μελέτη λαμβάνει υπόψη ανθρωπογενείς παράγοντες, όπως η εγγύτητα σε οδικό δίκτυο, οικισμούς και αστικές περιοχές, δεδομένου ότι η ανθρώπινη δραστηριότητα αποτελεί σημαντικό παράγοντα έναρξης πυρκαγιών στις WUI περιοχές. Όλα τα παραπάνω δεδομένα συνδυάζονται σε περιβάλλον GIS μέσω σταθμισμένης πολυκριτηριακής ανάλυσης, όπου κάθε παράγοντας κινδύνου λαμβάνει βάρος ανάλογα με τη σημασία που του αποδίδεται. <br /> <br /> Έτσι, δημιουργείται ένας σύνθετος δείκτης κινδύνου πυρκαγιάς, ο οποίος αποτυπώνεται χωρικά σε χάρτες επικινδυνότητας υψηλής ανάλυσης.<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα της μελέτης αποτυπώνουν με σαφήνεια τη χωρική διαφοροποίηση του κινδύνου πυρκαγιάς στην Αττική, αναδεικνύοντας περιοχές όπου η συνύπαρξη πυκνής βλάστησης και αστικής ανάπτυξης δημιουργεί συνθήκες αυξημένης επικινδυνότητας. Οι χάρτες κινδύνου δείχνουν ότι οι υψηλότερες τιμές εντοπίζονται κυρίως σε περιαστικές ζώνες και σε περιοχές με συνεχόμενη θαμνώδη ή δασική κάλυψη, σε άμεση γειτνίαση με κατοικημένες περιοχές. <br /> <br /> Η ανάλυση των δορυφορικών δεικτών αποδεικνύει ότι ο NDVI αποτελεί αξιόπιστο εργαλείο για τη διάκριση περιοχών με αυξημένη καύσιμη ύλη, ακόμη και εντός ενός έντονα κατακερματισμένου αστικού τοπίου. Η συνδυαστική χρήση φασματικών και μορφολογικών δεδομένων επιτρέπει την ακριβέστερη χωρική στόχευση περιοχών υψηλού κινδύνου σε σύγκριση με μονοδιάστατες προσεγγίσεις. <br /> <br /> [[ Αρχείο:PPANAGIS_2.3.png|thumb|right| Χάρτης εκτίμησης κινδύνου στην Αττική]]<br /> <br /> Ιδιαίτερης σημασίας είναι το εύρημα ότι οι ανθρωπογενείς παράμετροι, όταν συνδυάζονται με δεδομένα τηλεπισκόπησης, ενισχύουν την προβλεπτική ικανότητα του μοντέλου, επιτρέποντας την αποτύπωση πραγματικών συνθηκών κινδύνου στις WUI περιοχές. Τα αποτελέσματα υποδεικνύουν ότι η γεωχωρική ανάλυση μπορεί να χρησιμοποιηθεί επιχειρησιακά για την ιεράρχηση περιοχών παρέμβασης από τους αρμόδιους φορείς.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη καταδεικνύει ότι η τηλεπισκόπηση αποτελεί βασικό εργαλείο για την εκτίμηση κινδύνου πυρκαγιάς σε πολύπλοκα αστικά και περιαστικά περιβάλλοντα. Η χρήση δορυφορικών δεδομένων επιτρέπει τη συστηματική και επαναλαμβανόμενη παρακολούθηση της βλάστησης και της κάλυψης γης, στοιχεία κρίσιμα για την κατανόηση της χωρικής κατανομής του κινδύνου. <br /> <br /> Το προτεινόμενο γεωχωρικό πλαίσιο προσφέρει μία λειτουργική και επαναλήψιμη μεθοδολογία, η οποία μπορεί να υποστηρίξει τον σχεδιασμό μέτρων πρόληψης και διαχείρισης πυρκαγιών σε περιοχές WUI. Η μελέτη αναδεικνύει τη δυνατότητα ενσωμάτωσης δεδομένων τηλεπισκόπησης στα διάφορα πολιτειακά συστήματα λήψης αποφάσεων, ιδιαίτερα σε περιοχές με υψηλή πληθυσμιακή πυκνότητα όπως η Αττική.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Δασικές Πυρκαγιές]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%88%CF%81%CE%B5%CF%85%CE%BD%CE%B1_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CF%84%CE%BF%CF%85_%CE%B8%CE%B5%CF%81%CE%BC%CE%B9%CE%BA%CE%BF%CF%8D_%CF%80%CE%B5%CF%81%CE%B9%CE%B2%CE%AC%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%BF%CF%82_%CF%86%CF%89%CF%84%CE%BF%CE%B2%CE%BF%CE%BB%CF%84%CE%B1%CF%8A%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%B1%CF%83%CF%84%CE%AC%CF%83%CE%B5%CF%89%CE%BD_%CE%B2%CE%AC%CF%83%CE%B5%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD 2026-01-30T17:20:12Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>''' Έρευνα ανάλυσης του θερμικού περιβάλλοντος φωτοβολταϊκών εγκαταστάσεων βάσει τηλεπισκοπικών εικόνων '''<br /> <br /> ''' Research on thermal environment analysis of photovoltaic power plants based on remote sensing images ''' <br /> <br /> Συγγραφείς: HongLiang Cheng, He Huang, Junxing Yang, Ran Pang, JunYang Bian<br /> <br /> Έτος δημοσίευσης: 2023<br /> <br /> Πηγή: [ https://isprs-archives.copernicus.org/articles/XLVIII-1-W2-2023/1343/2023/ ]<br /> <br /> <br /> '''Αντικείμενο'''<br /> <br /> Το άρθρο εξετάζει συστηματικά τις θερμικές επιπτώσεις μεγάλων φωτοβολταϊκών σταθμών στο φυσικό περιβάλλον, αξιοποιώντας συνδυασμό δορυφορικών δεδομένων τηλεπισκόπησης από τον κινεζικό δορυφόρο Gaofen-1 (GF-1) και τον αμερικανικό Landsat-8. Βασικός στόχος της μελέτης είναι να διερευνηθεί κατά πόσο η εγκατάσταση φωτοβολταϊκών πάρκων προκαλεί μετρήσιμες αυξήσεις της θερμοκρασίας επιφάνειας εδάφους (Land Surface Temperature – LST) και πώς αυτές σχετίζονται με αλλαγές στη χρήση/κάλυψη γης. <br /> <br /> Η εργασία λαμβάνει ως περιοχή έρευνας την περιοχή όπου βρίσκονται φωτοβολταϊκές εγκαταστάσεις στην κομητεία Quyang, στην επαρχία Hebei της Κίνας, καθώς και τα γύρω βουνά, σε μια περίοδο 8 ετών από το 2013 έως το 2020, πριν και μετά την κατασκευή τους. <br /> <br /> Η περιοχή μελέτης περιλαμβάνει πεδινές ημιάνυδρες αλλά και ορεινές εκτάσεις, στις οποίες αναπτύχθηκαν μεγάλης κλίμακας φωτοβολταϊκοί σταθμοί. Οι περιοχές αυτές χαρακτηρίζονται από σχετικά αραιή φυσική βλάστηση, γεωργικές εκτάσεις, έντονη ηλιακή ακτινοβολία και σημαντικές μεταβολές χρήσης γης κατά την περίοδο ανάπτυξης των φωτοβολταϊκών έργων. <br /> <br /> Το χρονικό εύρος της μελέτης είναι κρίσιμο, καθώς μειώνει την επίδραση της διακύμανσης του καιρού και επιτρέπει την απομόνωση της επίδρασης των φωτοβολταϊκών εγκαταστάσεων από τις φυσικές κλιματικές τάσεις.<br /> <br /> [[Εικόνα: PPANAGIS_1.1.PNG|thumb|right|Η περιοχή μελέτης]]<br /> <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Όσον αφορά τα δορυφορικά δεδομένα, η μελέτη βασίζεται σε συνδυασμό δεδομένων διαφορετικής χωρικής και φασματικής ανάλυσης. Από τον Gaofen-1 (GF-1) εκμεταλλεύεται την υψηλή χωρική ανάλυση (έως ~2m στα παγχρωματικά κανάλια), ώστε να χαρτογραφηθούν οι χρήσεις/καλύψεις γης, να οριοθετηθούν τα φωτοβολταϊκά πάρκα και να ανιχνευθούν οι αλλαγές στη βλάστηση και το έδαφος. Από τον Landsat-8, αξιοποιεί τα οπτικά και θερμικά κανάλια ώστε να υπολογιστούν οι δείκτες βλάστησης (NVDI) και οι διακυμάνσεις της θερμοκρασίας επιφάνειας εδάφους (LST). <br /> <br /> Η LST υπολογίζεται από τα θερμικά κανάλια του Landsat-8 μέσω αλγορίθμων τηλεπισκόπησης, οι οποίοι περιλαμβάνουν μετατροπή της ψηφιακής τιμής (DN) σε ακτινοβολία, υπολογισμό θερμοκρασίας φωτεινότητας (brightness temperature) και διόρθωση της εκπομπής (emissivity correction) βάσει των δεικτών βλάστησης (NDVI), λαμβάνοντας υπόψη τον τύπο χρήσης/κάλυψης γης.<br /> Oι ερευνητές λαμβάνουν υπόψιν την έκταση των φωτοβολταϊκών πάρκων, τις περιμετρικές ζώνες γύρω από αυτά και κάποιες ευρύτερες περιοχές αναφοράς φυσικού ενδιαφέροντος, συναρτήσει του χρονικού εύρους της μελέτης. Χρησιμοποιούν αναλυτικά στατιστικά μεγέθη (μέσες τιμές, διαφορές, χωρική κατανομή) για την ποσοτικοποίηση των αλλαγών της LST και τη συσχέτισή τους με την αλλαγή χρήσης/κάλυψης γης.<br /> <br /> [[Εικόνα: PPANAGIS_1.2.PNG|thumb|right|Αποτελέσματα κατηγοριοποίησης καλύψεων γης]]<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα δείχνουν ότι, μετά την εγκατάσταση των φωτοβολταϊκών πάρκων, η μέση θερμοκρασία εδάφους (LST) εντός των πάρκων αυξήθηκε αισθητά σε σύγκριση με την προγενέστερη κατάσταση, καθώς και ότι η LST είναι υψηλότερη εντός των φωτοβολταϊκών εκτάσεων σε σχέση με τις γύρω περιοχές. Οι αυξήσεις της LST αποδίδονται κυρίως στην αντικατάσταση της φυσικής βλάστησης από τεχνητές επιφάνειες λόγω της μειωμένης ανακλαστικότητας που παρουσιάζουν τα ηλιακά πάνελ σε σχέση με τη βλάστηση, καθώς και στη μειωμένη εξατμισοδιαπνοή λόγω απώλειας βλάστησης. <br /> <br /> Η αύξηση της LST δεν είναι ομοιόμορφη, εμφανίζει σαφή χωρική αύξηση εντός των ορίων των πάρκων και μειώνεται σταδιακά με την απόσταση από τις εγκαταστάσεις. Αυτό υποδηλώνει ότι το θερμικό αποτύπωμα των φωτοβολταϊκών είναι κυρίως τοπικό, αλλά με σαφή ανιχνεύσιμη ένταση από δορυφορικά δεδομένα. <br /> <br /> Η ανάλυση των χρήσεων γης δείχνει ότι οι περιοχές όπου αφαιρέθηκε φυσική βλάστηση και εγκαταστάθηκαν πάνελ παρουσιάζουν τη μεγαλύτερη αύξηση LST, ενώ οι περιοχές με μερική διατήρηση βλάστησης εμφανίζουν μικρότερες μεταβολές. Αυτό ενισχύει το συμπέρασμα ότι η αλλαγή χρήσης/κάλυψης γης αποτελεί τον βασικό μηχανισμό αύξησης της θερμοκρασίας.<br /> <br /> [[Εικόνα: PPANAGIS_1.3.PNG|thumb|right|Αποτελέσματα συσχέτισης της αναλογίας φωτοβολταϊκών σταθμών και μέσης θερμοκρασίας επιφάνειας εδάφους]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Τα αποτελέσματα δείχνουν ότι υπάρχει σημαντική θετική συσχέτιση μεταξύ της εγκατάστασης φωτοβολταϊκών σταθμών και της αύξησης της μέσης θερμοκρασίας της επιφάνειας του εδάφους (LST) υπό συγκεκριμένες γεωγραφικές και χρονικές συνθήκες. Οι φωτοβολταϊκοί σταθμοί αναγνωρίζονται ως ένας από τους παράγοντες που συμβάλλουν στην αύξηση της θερμοκρασίας, ειδικά σε ορεινές περιοχές, παρουσιάζοντας χαρακτηριστικά κλασσικού φαινομένου θερμικής νησίδας. Οι ερευνητές τονίζουν ότι η τηλεπισκόπηση επιτρέπει αντικειμενική, διηνεκή και χωρικά εκτενή αξιολόγηση των χωρικών και θερμικών δεδομένων, είναι ιδιαίτερα κατάλληλη για μεγάλες και δυσπρόσιτες περιοχές, καθώς και συμπληρώνει τις επιτόπιες μετρήσεις του εκάστοτε μικροκλίματος. Ακόμη και μέτριες αυξήσεις της LST μπορούν να ανιχνευθούν αξιόπιστα από δορυφόρους, εφόσον χρησιμοποιούνται πολυχρονικά δεδομένα και κατάλληλες τεχνικές. Τέλος, προτείνονται ενδεικτικά μέτρα πρόληψης αύξησης της LST στην περιοχή μιας φωτοβολταϊκής εγκατάστασης, όπως η αύξηση της απόστασης μεταξύ των επιμέρους φωτοβολταϊκών πάνελς, ώστε να αυξηθεί η ανακλαστικότητα της ηλιακής ακτινοβολίας στην περιοχή της εγκατάστασης, αλλά και η μείωση της απόστασης της φωτοβολταϊκής εγκατάστασης από την πέριξ φυσική βλάστηση ή την αρτοτραία γη, ώστε να αντισταθμιστεί η αυξημένη LST του σταθμού με την μειωμένη LST της περιοχής με βλάστηση.<br /> <br /> <br /> [[category:Ενέργεια]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%88%CF%81%CE%B5%CF%85%CE%BD%CE%B1_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CF%84%CE%BF%CF%85_%CE%B8%CE%B5%CF%81%CE%BC%CE%B9%CE%BA%CE%BF%CF%8D_%CF%80%CE%B5%CF%81%CE%B9%CE%B2%CE%AC%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%BF%CF%82_%CF%86%CF%89%CF%84%CE%BF%CE%B2%CE%BF%CE%BB%CF%84%CE%B1%CF%8A%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%B1%CF%83%CF%84%CE%AC%CF%83%CE%B5%CF%89%CE%BD_%CE%B2%CE%AC%CF%83%CE%B5%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD 2026-01-30T17:17:29Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>''' Έρευνα ανάλυσης του θερμικού περιβάλλοντος φωτοβολταϊκών εγκαταστάσεων βάσει τηλεπισκοπικών εικόνων '''<br /> <br /> ''' Research on thermal environment analysis of photovoltaic power plants based on remote sensing images ''' <br /> <br /> Συγγραφείς: HongLiang Cheng, He Huang, Junxing Yang, Ran Pang, JunYang Bian<br /> <br /> Έτος δημοσίευσης: 2023<br /> <br /> Πηγή: [ https://isprs-archives.copernicus.org/articles/XLVIII-1-W2-2023/1343/2023/ ]<br /> <br /> <br /> '''Αντικείμενο'''<br /> <br /> Το άρθρο εξετάζει συστηματικά τις θερμικές επιπτώσεις μεγάλων φωτοβολταϊκών σταθμών στο φυσικό περιβάλλον, αξιοποιώντας συνδυασμό δορυφορικών δεδομένων τηλεπισκόπησης από τον κινεζικό δορυφόρο Gaofen-1 (GF-1) και τον αμερικανικό Landsat-8. Βασικός στόχος της μελέτης είναι να διερευνηθεί κατά πόσο η εγκατάσταση φωτοβολταϊκών πάρκων προκαλεί μετρήσιμες αυξήσεις της θερμοκρασίας επιφάνειας εδάφους (Land Surface Temperature – LST) και πώς αυτές σχετίζονται με αλλαγές στη χρήση/κάλυψη γης. <br /> <br /> Η εργασία λαμβάνει ως περιοχή έρευνας την περιοχή όπου βρίσκονται φωτοβολταϊκές εγκαταστάσεις στην κομητεία Quyang, στην επαρχία Hebei της Κίνας, καθώς και τα γύρω βουνά, σε μια περίοδο 8 ετών από το 2013 έως το 2020, πριν και μετά την κατασκευή τους. <br /> <br /> Η περιοχή μελέτης περιλαμβάνει πεδινές ημιάνυδρες αλλά και ορεινές εκτάσεις, στις οποίες αναπτύχθηκαν μεγάλης κλίμακας φωτοβολταϊκοί σταθμοί. Οι περιοχές αυτές χαρακτηρίζονται από σχετικά αραιή φυσική βλάστηση, γεωργικές εκτάσεις, έντονη ηλιακή ακτινοβολία και σημαντικές μεταβολές χρήσης γης κατά την περίοδο ανάπτυξης των φωτοβολταϊκών έργων. <br /> <br /> Το χρονικό εύρος της μελέτης είναι κρίσιμο, καθώς μειώνει την επίδραση της διακύμανσης του καιρού και επιτρέπει την απομόνωση της επίδρασης των φωτοβολταϊκών εγκαταστάσεων από τις φυσικές κλιματικές τάσεις.<br /> <br /> [[Εικόνα:PPANAGIS_1.1.PNG|thumb|right|Η περιοχή μελέτης]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Όσον αφορά τα δορυφορικά δεδομένα, η μελέτη βασίζεται σε συνδυασμό δεδομένων διαφορετικής χωρικής και φασματικής ανάλυσης. Από τον Gaofen-1 (GF-1) εκμεταλλεύεται την υψηλή χωρική ανάλυση (έως ~2m στα παγχρωματικά κανάλια), ώστε να χαρτογραφηθούν οι χρήσεις/καλύψεις γης, να οριοθετηθούν τα φωτοβολταϊκά πάρκα και να ανιχνευθούν οι αλλαγές στη βλάστηση και το έδαφος. Από τον Landsat-8, αξιοποιεί τα οπτικά και θερμικά κανάλια ώστε να υπολογιστούν οι δείκτες βλάστησης (NVDI) και οι διακυμάνσεις της θερμοκρασίας επιφάνειας εδάφους (LST). <br /> <br /> Η LST υπολογίζεται από τα θερμικά κανάλια του Landsat-8 μέσω αλγορίθμων τηλεπισκόπησης, οι οποίοι περιλαμβάνουν μετατροπή της ψηφιακής τιμής (DN) σε ακτινοβολία, υπολογισμό θερμοκρασίας φωτεινότητας (brightness temperature) και διόρθωση της εκπομπής (emissivity correction) βάσει των δεικτών βλάστησης (NDVI), λαμβάνοντας υπόψη τον τύπο χρήσης/κάλυψης γης.<br /> Oι ερευνητές λαμβάνουν υπόψιν την έκταση των φωτοβολταϊκών πάρκων, τις περιμετρικές ζώνες γύρω από αυτά και κάποιες ευρύτερες περιοχές αναφοράς φυσικού ενδιαφέροντος, συναρτήσει του χρονικού εύρους της μελέτης. Χρησιμοποιούν αναλυτικά στατιστικά μεγέθη (μέσες τιμές, διαφορές, χωρική κατανομή) για την ποσοτικοποίηση των αλλαγών της LST και τη συσχέτισή τους με την αλλαγή χρήσης/κάλυψης γης.<br /> <br /> [[Εικόνα: PPANAGIS_1.2.PNG|thumb|right|Αποτελέσματα κατηγοριοποίησης καλύψεων γης]]<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα δείχνουν ότι, μετά την εγκατάσταση των φωτοβολταϊκών πάρκων, η μέση θερμοκρασία εδάφους (LST) εντός των πάρκων αυξήθηκε αισθητά σε σύγκριση με την προγενέστερη κατάσταση, καθώς και ότι η LST είναι υψηλότερη εντός των φωτοβολταϊκών εκτάσεων σε σχέση με τις γύρω περιοχές. Οι αυξήσεις της LST αποδίδονται κυρίως στην αντικατάσταση της φυσικής βλάστησης από τεχνητές επιφάνειες λόγω της μειωμένης ανακλαστικότητας που παρουσιάζουν τα ηλιακά πάνελ σε σχέση με τη βλάστηση, καθώς και στη μειωμένη εξατμισοδιαπνοή λόγω απώλειας βλάστησης. <br /> <br /> Η αύξηση της LST δεν είναι ομοιόμορφη, εμφανίζει σαφή χωρική αύξηση εντός των ορίων των πάρκων και μειώνεται σταδιακά με την απόσταση από τις εγκαταστάσεις. Αυτό υποδηλώνει ότι το θερμικό αποτύπωμα των φωτοβολταϊκών είναι κυρίως τοπικό, αλλά με σαφή ανιχνεύσιμη ένταση από δορυφορικά δεδομένα. <br /> <br /> Η ανάλυση των χρήσεων γης δείχνει ότι οι περιοχές όπου αφαιρέθηκε φυσική βλάστηση και εγκαταστάθηκαν πάνελ παρουσιάζουν τη μεγαλύτερη αύξηση LST, ενώ οι περιοχές με μερική διατήρηση βλάστησης εμφανίζουν μικρότερες μεταβολές. Αυτό ενισχύει το συμπέρασμα ότι η αλλαγή χρήσης/κάλυψης γης αποτελεί τον βασικό μηχανισμό αύξησης της θερμοκρασίας.<br /> <br /> [[Εικόνα: PPANAGIS_1.3.PNG|thumb|right|Αποτελέσματα συσχέτισης της αναλογίας φωτοβολταϊκών σταθμών και μέσης θερμοκρασίας επιφάνειας εδάφους]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Τα αποτελέσματα δείχνουν ότι υπάρχει σημαντική θετική συσχέτιση μεταξύ της εγκατάστασης φωτοβολταϊκών σταθμών και της αύξησης της μέσης θερμοκρασίας της επιφάνειας του εδάφους (LST) υπό συγκεκριμένες γεωγραφικές και χρονικές συνθήκες. Οι φωτοβολταϊκοί σταθμοί αναγνωρίζονται ως ένας από τους παράγοντες που συμβάλλουν στην αύξηση της θερμοκρασίας, ειδικά σε ορεινές περιοχές, παρουσιάζοντας χαρακτηριστικά κλασσικού φαινομένου θερμικής νησίδας. Οι ερευνητές τονίζουν ότι η τηλεπισκόπηση επιτρέπει αντικειμενική, διηνεκή και χωρικά εκτενή αξιολόγηση των χωρικών και θερμικών δεδομένων, είναι ιδιαίτερα κατάλληλη για μεγάλες και δυσπρόσιτες περιοχές, καθώς και συμπληρώνει τις επιτόπιες μετρήσεις του εκάστοτε μικροκλίματος. Ακόμη και μέτριες αυξήσεις της LST μπορούν να ανιχνευθούν αξιόπιστα από δορυφόρους, εφόσον χρησιμοποιούνται πολυχρονικά δεδομένα και κατάλληλες τεχνικές. Τέλος, προτείνονται ενδεικτικά μέτρα πρόληψης αύξησης της LST στην περιοχή μιας φωτοβολταϊκής εγκατάστασης, όπως η αύξηση της απόστασης μεταξύ των επιμέρους φωτοβολταϊκών πάνελς, ώστε να αυξηθεί η ανακλαστικότητα της ηλιακής ακτινοβολίας στην περιοχή της εγκατάστασης, αλλά και η μείωση της απόστασης της φωτοβολταϊκής εγκατάστασης από την πέριξ φυσική βλάστηση ή την αρτοτραία γη, ώστε να αντισταθμιστεί η αυξημένη LST του σταθμού με την μειωμένη LST της περιοχής με βλάστηση.<br /> <br /> <br /> [[category:Ενέργεια]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_1.1.png 2026-01-30T17:13:56Z

<p>PANAGIS PANAGIOTIS: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:PPANAGIS 1.1.png&amp;quot;: Αναστράφηκε στην εκδοχή της 11:39, 30 Ιανουαρίου 2026</p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_1.1.png 2026-01-30T16:46:31Z

<p>PANAGIS PANAGIOTIS: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:PPANAGIS 1.1.png&amp;quot;</p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%BF%CF%85_%CF%81%CF%8C%CE%BB%CE%BF%CF%85_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7%CF%82_%CF%84%CF%89%CE%BD_%CF%80%CE%BF%CE%BB%CE%B9%CF%84%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CE%BA%CF%8D%CF%81%CF%89%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%84%CE%B1%CE%BE%CE%B9%CE%BD%CE%BF%CE%BC%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%BF%CE%B9%CE%BA%CE%BF%CF%84%CF%8C%CF%80%CF%89%CE%BD_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2026-01-30T16:43:53Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>'''Αξιολόγηση του ρόλου της επιστήμης των πολιτών στην επικύρωση των ταξινομήσεων οικοτόπων με τηλεπισκόπηση'''<br /> <br /> '''Assessing the role of citizen science in the validation of remote sensing habitat classifications'''<br /> <br /> Συγγραφείς: Samantha Suter, Brian Barrett, Natalie Welden<br /> <br /> Έτος δημοσίευσης: 2025<br /> <br /> Πηγή: [ https://besjournals.onlinelibrary.wiley.com/doi/full/10.1002/2688-8319.70131 ]<br /> <br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση αποτελεί σήμερα έναν από τους πλέον καθοριστικούς πυλώνες της περιβαλλοντικής και οικολογικής έρευνας, επιτρέποντας τη συστηματική παρακολούθηση οικοτόπων, μεταβολών χρήσεων γης και περιβαλλοντικών πιέσεων σε μεγάλα χωρικά και χρονικά εύρη. Μέσω δορυφορικών δεδομένων υψηλής ανάλυσης, οι επιστήμονες μπορούν να ανιχνεύουν φαινόμενα όπως η υποβάθμιση οικοσυστημάτων, η απώλεια βιοποικιλότητας και οι επιπτώσεις φυσικών καταστροφών. Ωστόσο, η αξιοπιστία των χαρτογραφήσεων που προκύπτουν από την τηλεπισκόπηση εξαρτάται ουσιαστικά από την ύπαρξη αξιόπιστων δεδομένων αναφοράς εδάφους, τα οποία χρησιμοποιούνται τόσο για την εκπαίδευση όσο και για την επικύρωση των αλγορίθμων ταξινόμησης. <br /> <br /> Στο πλαίσιο αυτό, η επιστήμη των πολιτών (citizen science - CS), δηλαδή η συμμετοχή πολιτών και περιβαλλοντικών ομάδων στη συλλογή επιστημονικών δεδομένων, έχει αναδειχθεί τα τελευταία χρόνια ως μια πολλά υποσχόμενη προσέγγιση. Το άρθρο εξετάζει τον βαθμό στον οποίο τα δεδομένα που συλλέγονται από μη ειδικούς μπορούν να συνεισφέρουν ουσιαστικά στη διαδικασία επικύρωσης ταξινομήσεων οικοτόπων που βασίζονται σε τηλεπισκοπικά δεδομένα. Κεντρικός στόχος του άρθρου είναι να αξιολογηθεί αν και πώς η συμμετοχική επιστήμη μπορεί να συμπληρώσει τα δεδομένα που προέρχονται από επαγγελματίες επιστήμονες, ενισχύοντας την ακρίβεια και τη χωρική κάλυψη των χαρτογραφήσεων.<br /> <br /> Σημειώνεται ότι η μελέτη βασίζεται σε σύνολα δεδομένων (datasets) που προέρχονται από υφιστάμενα προγράμματα citizen science και οικολογικής χαρτογράφησης στην Ευρώπη, τα οποία χρησιμοποιούνται για την επικύρωση τηλεπισκοπικών ταξινομήσεων οικοτόπων. Οι συγγραφείς δεν οργανώνουν την ανάλυσή τους γύρω από μία συγκεκριμένη γεωγραφική περιοχή, αλλά γύρω από τύπους οικοτόπων και μεθοδολογικά σενάρια έρευνας. <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται στον συνδυασμό δορυφορικών δεδομένων τηλεπισκόπησης και δεδομένων πεδίου που προέρχονται τόσο από ειδικούς επιστήμονες όσο και από συμμετέχοντες σε προγράμματα citizen science. Για την τηλεπισκοπική ανάλυση χρησιμοποιήθηκαν κυρίως πολυφασματικά δεδομένα Sentinel-2 του προγράμματος Copernicus, τα οποία προσφέρουν υψηλή χωρική και φασματική ανάλυση, κατάλληλη για τη χαρτογράφηση διαφορετικών τύπων οικοτόπων. Τα δεδομένα αυτά υποβλήθηκαν σε διαδικασίες ατμοσφαιρικής διόρθωσης, γεωμετρικής ευθυγράμμισης και αρχικής επεξεργασίας, ώστε να διασφαλιστεί η συγκρισιμότητά τους με τα δεδομένα πεδίου. <br /> <br /> [[Εικόνα: PPANAGIS_4.1.png|thumb|right|(a)Χάρτης πρόβλεψης οικοτόπων που προέκυψε από το μοντέλο ταξινόμησης Random Forest με τηλεπισκόπηση και (b) αντίστοιχες αεροφωτογραφίες, που δόθηκαν σε ομάδα πολιτών (Ecosystem Explorers), για την επικύρωση των προβλέψεων του μοντέλου σε πλούσια χορτολιβαδική περιοχή ]]<br /> <br /> Από τα δορυφορικά δεδομένα εξήχθησαν φασματικά χαρακτηριστικά και δείκτες βλάστησης, όπως ο NDVI και άλλοι συναφείς δείκτες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα εισαγωγής σε αλγορίθμους μηχανικής μάθησης για την ταξινόμηση οικοτόπων. Οι συγγραφείς εφάρμοσαν και συνέκριναν διαφορετικές τεχνικές ταξινόμησης, δίνοντας έμφαση στη δυνατότητα των αλγορίθμων να αξιοποιούν ετερογενή δεδομένα αναφοράς. <br /> <br /> [[Εικόνα: PPANAGIS_4.2.png|thumb|right|(α) Χάρτης random forest ταξινόμησης ενός πλούσιου χορτολιβαδικά οικοτόπου και (β) Σχετικές αεροφωτογραφίες, που απεικονίζουν λεπτομερώς τις επιπτώσεις των ορίων του οικοτόπου από τις κοντινές δασικές εκτάσεις και υδάτινες περιοχές, με αποτέλεσμα μια λανθασμένη επικάλυψη των ταξινομήσεων των καλύψεων γης]]<br /> <br /> Τα δεδομένα της citizen science συλλέχθηκαν υπό μορφή γεωαναφερμένων παρατηρήσεων, φωτογραφιών και περιγραφών οικοτόπων από εθελοντές και τοπικές περιβαλλοντικές ομάδες/κινήματα, οι οποίοι συμμετείχαν σε οργανωμένα προγράμματα καταγραφής περιβάλλοντος. Για να αντιμετωπιστούν ζητήματα ποιότητας, εφαρμόστηκαν διαδικασίες φιλτραρίσματος, όπως έλεγχοι χωρικής ακρίβειας, στατιστική ανίχνευση/ερμηνεία των ακραίων τιμών και διασταύρωση των συμμετοχικών δεδομένων με δεδομένα ειδικών επιστημόνων. <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα της μελέτης δείχνουν ότι τα δεδομένα της citizen science μπορούν να συμβάλουν ουσιαστικά στη διαδικασία επικύρωσης των τηλεπισκοπικών ταξινομήσεων, ιδίως ως προς τη χωρική κάλυψη των δεδομένων αναφοράς. Σε περιοχές όπου τα δεδομένα πεδίου από ειδικούς ήταν περιορισμένα ή αποσπασματικά, οι συμμετοχικές καταγραφές παρείχαν κρίσιμες πληροφορίες που βελτίωσαν την απόδοση των αλγορίθμων ταξινόμησης. <br /> <br /> Παράλληλα, η ανάλυση αποκάλυψε ότι η ποιότητα των citizen science δεδομένων παρουσιάζει μεγαλύτερη μεταβλητότητα σε σύγκριση με τα δεδομένα των ειδικών, ιδιαίτερα σε σύνθετους ή μεταβατικούς οικοτόπους. Ωστόσο, όταν τα συμμετοχικά δεδομένα υποβάλλονταν σε αυστηρό ποιοτικό έλεγχο και συνδυάζονταν με δορυφορικές χρονοσειρές, η ακρίβεια των χαρτογραφήσεων βελτιωνόταν σημαντικά. Ιδιαίτερα σημαντικός αποδείχθηκε ο ρόλος των πολυφασματικών καναλιών και των δεικτών βλάστησης, καθώς και η χρήση πολυχρονικών δεδομένων Sentinel-2, τα οποία επέτρεψαν τη διάκριση των εποχικών διαφορών μεταξύ των οικοτόπων. <br /> <br /> Ο συνδυασμός δεδομένων ειδικών και citizen science παρήγαγε τα καλύτερα αποτελέσματα, μειώνοντας τα σφάλματα ταξινόμησης και ενισχύοντας την ικανότητα ανίχνευσης μικρότερων ή πιο ιδιάζοντων οικοτόπων. Τα ευρήματα καταδεικνύουν ότι η συμμετοχική επιστήμη μπορεί να λειτουργήσει ως κρίσιμο συμπλήρωμα της τηλεπισκόπησης, ιδιαίτερα όταν ενσωματώνεται σε υβριδικά και εξειδικευμένα συστήματα ανάλυσης. <br /> <br /> [[Εικόνα: PPANAGIS_4.3.png|thumb|right|Επίπεδο συμφωνίας (%) μεταξύ των παρατηρήσεων που έγιναν από επιστήμονες (NatureScot) και από ομάδες πολιτών (Ecosystem Exlporers και Plantlife), για πλούσια χορτολιβαδική περιοχή]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Συνολικά, η μελέτη καταλήγει στο συμπέρασμα ότι η citizen science έχει τη δυνατότητα να ενισχύσει ουσιαστικά την αξιοπιστία και την αποτελεσματικότητα της τηλεπισκόπησης στην περιβαλλοντική χαρτογράφηση. Παρότι τα συμμετοχικά δεδομένα παρουσιάζουν εγγενείς περιορισμούς, όπως χωρική και θεματική μεροληψία, οι συγγραφείς δείχνουν ότι αυτοί μπορούν να αντιμετωπιστούν μέσω κατάλληλων μεθόδων ποιοτικού ελέγχου, στατιστικής διόρθωσης και συνδυασμού με δορυφορικά δεδομένα υψηλής ανάλυσης. <br /> <br /> Η έρευνα υπογραμμίζει ότι η συμμετοχική επιστήμη δεν θα πρέπει να θεωρείται υποκατάστατο της επιστημονικής έρευνας πεδίου, αλλά ένα συμπληρωματικό εργαλείο που, όταν ενσωματώνεται σωστά, μπορεί να βελτιώσει τη χαρτογράφηση και την παρακολούθηση των οικοτόπων. Επιπλέον, η συνεργασία των επιστημόνων με περιβαλλοντικές οργανώσεις, κινήματα και μεμονομένους πολίτες, ενισχύει τη διάχυση της επιστημονικής γνώσης και δημιουργεί νέες δυνατότητες για την παρακολούθηση περιβαλλοντικών καταστροφών και αλλαγών, μέσω τηλεπισκόπησης. Το άρθρο προτείνει δηλαδή ένα συμμετοχικό και διεπιστημονικό μοντέλο «επικύρωσης από το έδαφος προς τον δορυφόρο», το οποίο μπορεί να αποτελέσει πρότυπο για μελλοντικές εφαρμογές στη διαχείριση και προστασία του περιβάλλοντος.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%88%CF%81%CE%B5%CF%85%CE%BD%CE%B1_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CF%84%CE%BF%CF%85_%CE%B8%CE%B5%CF%81%CE%BC%CE%B9%CE%BA%CE%BF%CF%8D_%CF%80%CE%B5%CF%81%CE%B9%CE%B2%CE%AC%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%BF%CF%82_%CF%86%CF%89%CF%84%CE%BF%CE%B2%CE%BF%CE%BB%CF%84%CE%B1%CF%8A%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%B1%CF%83%CF%84%CE%AC%CF%83%CE%B5%CF%89%CE%BD_%CE%B2%CE%AC%CF%83%CE%B5%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD 2026-01-30T16:39:21Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>''' Έρευνα ανάλυσης του θερμικού περιβάλλοντος φωτοβολταϊκών εγκαταστάσεων βάσει τηλεπισκοπικών εικόνων '''<br /> <br /> ''' Research on thermal environment analysis of photovoltaic power plants based on remote sensing images ''' <br /> <br /> Συγγραφείς: HongLiang Cheng, He Huang, Junxing Yang, Ran Pang, JunYang Bian<br /> <br /> Έτος δημοσίευσης: 2023<br /> <br /> Πηγή: [ https://isprs-archives.copernicus.org/articles/XLVIII-1-W2-2023/1343/2023/ ]<br /> <br /> <br /> '''Αντικείμενο'''<br /> <br /> Το άρθρο εξετάζει συστηματικά τις θερμικές επιπτώσεις μεγάλων φωτοβολταϊκών σταθμών στο φυσικό περιβάλλον, αξιοποιώντας συνδυασμό δορυφορικών δεδομένων τηλεπισκόπησης από τον κινεζικό δορυφόρο Gaofen-1 (GF-1) και τον αμερικανικό Landsat-8. Βασικός στόχος της μελέτης είναι να διερευνηθεί κατά πόσο η εγκατάσταση φωτοβολταϊκών πάρκων προκαλεί μετρήσιμες αυξήσεις της θερμοκρασίας επιφάνειας εδάφους (Land Surface Temperature – LST) και πώς αυτές σχετίζονται με αλλαγές στη χρήση/κάλυψη γης. <br /> <br /> Η εργασία λαμβάνει ως περιοχή έρευνας την περιοχή όπου βρίσκονται φωτοβολταϊκές εγκαταστάσεις στην κομητεία Quyang, στην επαρχία Hebei της Κίνας, καθώς και τα γύρω βουνά, σε μια περίοδο 8 ετών από το 2013 έως το 2020, πριν και μετά την κατασκευή τους. <br /> <br /> Η περιοχή μελέτης περιλαμβάνει πεδινές ημιάνυδρες αλλά και ορεινές εκτάσεις, στις οποίες αναπτύχθηκαν μεγάλης κλίμακας φωτοβολταϊκοί σταθμοί. Οι περιοχές αυτές χαρακτηρίζονται από σχετικά αραιή φυσική βλάστηση, γεωργικές εκτάσεις, έντονη ηλιακή ακτινοβολία και σημαντικές μεταβολές χρήσης γης κατά την περίοδο ανάπτυξης των φωτοβολταϊκών έργων. <br /> <br /> Το χρονικό εύρος της μελέτης είναι κρίσιμο, καθώς μειώνει την επίδραση της διακύμανσης του καιρού και επιτρέπει την απομόνωση της επίδρασης των φωτοβολταϊκών εγκαταστάσεων από τις φυσικές κλιματικές τάσεις.<br /> <br /> [[Εικόνα: PPANAGIS_1.1.PNG|thumb|right|Η περιοχή μελέτης]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Όσον αφορά τα δορυφορικά δεδομένα, η μελέτη βασίζεται σε συνδυασμό δεδομένων διαφορετικής χωρικής και φασματικής ανάλυσης. Από τον Gaofen-1 (GF-1) εκμεταλλεύεται την υψηλή χωρική ανάλυση (έως ~2m στα παγχρωματικά κανάλια), ώστε να χαρτογραφηθούν οι χρήσεις/καλύψεις γης, να οριοθετηθούν τα φωτοβολταϊκά πάρκα και να ανιχνευθούν οι αλλαγές στη βλάστηση και το έδαφος. Από τον Landsat-8, αξιοποιεί τα οπτικά και θερμικά κανάλια ώστε να υπολογιστούν οι δείκτες βλάστησης (NVDI) και οι διακυμάνσεις της θερμοκρασίας επιφάνειας εδάφους (LST). <br /> <br /> Η LST υπολογίζεται από τα θερμικά κανάλια του Landsat-8 μέσω αλγορίθμων τηλεπισκόπησης, οι οποίοι περιλαμβάνουν μετατροπή της ψηφιακής τιμής (DN) σε ακτινοβολία, υπολογισμό θερμοκρασίας φωτεινότητας (brightness temperature) και διόρθωση της εκπομπής (emissivity correction) βάσει των δεικτών βλάστησης (NDVI), λαμβάνοντας υπόψη τον τύπο χρήσης/κάλυψης γης.<br /> Oι ερευνητές λαμβάνουν υπόψιν την έκταση των φωτοβολταϊκών πάρκων, τις περιμετρικές ζώνες γύρω από αυτά και κάποιες ευρύτερες περιοχές αναφοράς φυσικού ενδιαφέροντος, συναρτήσει του χρονικού εύρους της μελέτης. Χρησιμοποιούν αναλυτικά στατιστικά μεγέθη (μέσες τιμές, διαφορές, χωρική κατανομή) για την ποσοτικοποίηση των αλλαγών της LST και τη συσχέτισή τους με την αλλαγή χρήσης/κάλυψης γης.<br /> <br /> [[Εικόνα: PPANAGIS_1.2.PNG|thumb|right|Αποτελέσματα κατηγοριοποίησης καλύψεων γης]]<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα δείχνουν ότι, μετά την εγκατάσταση των φωτοβολταϊκών πάρκων, η μέση θερμοκρασία εδάφους (LST) εντός των πάρκων αυξήθηκε αισθητά σε σύγκριση με την προγενέστερη κατάσταση, καθώς και ότι η LST είναι υψηλότερη εντός των φωτοβολταϊκών εκτάσεων σε σχέση με τις γύρω περιοχές. Οι αυξήσεις της LST αποδίδονται κυρίως στην αντικατάσταση της φυσικής βλάστησης από τεχνητές επιφάνειες λόγω της μειωμένης ανακλαστικότητας που παρουσιάζουν τα ηλιακά πάνελ σε σχέση με τη βλάστηση, καθώς και στη μειωμένη εξατμισοδιαπνοή λόγω απώλειας βλάστησης. <br /> <br /> Η αύξηση της LST δεν είναι ομοιόμορφη, εμφανίζει σαφή χωρική αύξηση εντός των ορίων των πάρκων και μειώνεται σταδιακά με την απόσταση από τις εγκαταστάσεις. Αυτό υποδηλώνει ότι το θερμικό αποτύπωμα των φωτοβολταϊκών είναι κυρίως τοπικό, αλλά με σαφή ανιχνεύσιμη ένταση από δορυφορικά δεδομένα. <br /> <br /> Η ανάλυση των χρήσεων γης δείχνει ότι οι περιοχές όπου αφαιρέθηκε φυσική βλάστηση και εγκαταστάθηκαν πάνελ παρουσιάζουν τη μεγαλύτερη αύξηση LST, ενώ οι περιοχές με μερική διατήρηση βλάστησης εμφανίζουν μικρότερες μεταβολές. Αυτό ενισχύει το συμπέρασμα ότι η αλλαγή χρήσης/κάλυψης γης αποτελεί τον βασικό μηχανισμό αύξησης της θερμοκρασίας.<br /> <br /> [[Εικόνα: PPANAGIS_1.3.PNG|thumb|right|Αποτελέσματα συσχέτισης της αναλογίας φωτοβολταϊκών σταθμών και μέσης θερμοκρασίας επιφάνειας εδάφους]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Τα αποτελέσματα δείχνουν ότι υπάρχει σημαντική θετική συσχέτιση μεταξύ της εγκατάστασης φωτοβολταϊκών σταθμών και της αύξησης της μέσης θερμοκρασίας της επιφάνειας του εδάφους (LST) υπό συγκεκριμένες γεωγραφικές και χρονικές συνθήκες. Οι φωτοβολταϊκοί σταθμοί αναγνωρίζονται ως ένας από τους παράγοντες που συμβάλλουν στην αύξηση της θερμοκρασίας, ειδικά σε ορεινές περιοχές, παρουσιάζοντας χαρακτηριστικά κλασσικού φαινομένου θερμικής νησίδας. Οι ερευνητές τονίζουν ότι η τηλεπισκόπηση επιτρέπει αντικειμενική, διηνεκή και χωρικά εκτενή αξιολόγηση των χωρικών και θερμικών δεδομένων, είναι ιδιαίτερα κατάλληλη για μεγάλες και δυσπρόσιτες περιοχές, καθώς και συμπληρώνει τις επιτόπιες μετρήσεις του εκάστοτε μικροκλίματος. Ακόμη και μέτριες αυξήσεις της LST μπορούν να ανιχνευθούν αξιόπιστα από δορυφόρους, εφόσον χρησιμοποιούνται πολυχρονικά δεδομένα και κατάλληλες τεχνικές. Τέλος, προτείνονται ενδεικτικά μέτρα πρόληψης αύξησης της LST στην περιοχή μιας φωτοβολταϊκής εγκατάστασης, όπως η αύξηση της απόστασης μεταξύ των επιμέρους φωτοβολταϊκών πάνελς, ώστε να αυξηθεί η ανακλαστικότητα της ηλιακής ακτινοβολίας στην περιοχή της εγκατάστασης, αλλά και η μείωση της απόστασης της φωτοβολταϊκής εγκατάστασης από την πέριξ φυσική βλάστηση ή την αρτοτραία γη, ώστε να αντισταθμιστεί η αυξημένη LST του σταθμού με την μειωμένη LST της περιοχής με βλάστηση.<br /> <br /> <br /> [[category:Ενέργεια]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_5.4.jpg 2026-01-30T16:09:47Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_5.3.jpg 2026-01-30T16:09:14Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_5.2.jpg 2026-01-30T16:08:50Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_5.1.jpg 2026-01-30T16:08:26Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%BA%CE%B9%CE%BD%CE%B4%CF%8D%CE%BD%CE%BF%CF%85_%CF%87%CE%B9%CE%BF%CE%BD%CE%BF%CF%83%CF%84%CE%B9%CE%B2%CE%AC%CE%B4%CE%B1%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CE%BC%CE%B5%CF%84%CE%B5%CF%89%CF%81%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CE%AC_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B5%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-01-30T16:07:42Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>πλήρης τίτλος: '''Πρόβλεψη και παρακολούθηση κινδύνου χιονοστιβάδας με βάση μετεωρολογικά δεδομένα και τεχνολογίες τηλεπισκόπησης χρησιμοποιώντας την πλατφόρμα Google Earth Engine'''<br /> <br /> '''Avalanche Hazard Forecasting and Monitoring based on Meteorological Data and Remote Sensing Technologies using Google Earth Engine Platform'''<br /> <br /> Συγγραφείς: Marzhan Rakhymberdina, Natalya Denissova, Yerkebulan Bekishev, Gulzhan Daumova, Roman Shults, Zhanna Assylkhanova and Azamat Kapasov<br /> <br /> Έτος δημοσίευσης: 2025<br /> <br /> Πηγή: [ https://www.espublisher.com/journals/articledetails/1739/ ]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Το άρθρο πραγματεύεται ένα ιδιαίτερα επίκαιρο και κρίσιμο ζήτημα της ορεινής γεωδυναμικής και της διαχείρισης φυσικών κινδύνων: την πρόβλεψη και παρακολούθηση χιονοστιβάδων μέσω της ολοκληρωμένης αξιοποίησης δεδομένων τηλεπισκόπησης και μετεωρολογικών αναλύσεων. Οι χιονοστιβάδες αποτελούν έναν από τους πλέον επικίνδυνους φυσικούς κινδύνους σε ορεινές περιοχές, με σημαντικές επιπτώσεις σε ανθρώπινες ζωές, υποδομές και οικονομικές δραστηριότητες, ιδίως σε περιοχές με αυξημένη χειμερινή τουριστική ή μεταφορική δραστηριότητα. Η παραδοσιακή πρόβλεψη βασίζεται κυρίως σε επιτόπιες μετρήσεις και εμπειρικά μοντέλα, τα οποία συχνά είναι χωρικά περιορισμένα και αδυνατούν να καλύψουν μεγάλες ή δυσπρόσιτες περιοχές. Στο πλαίσιο αυτό, η τηλεπισκόπηση και τα σύγχρονα υπολογιστικά περιβάλλοντα, όπως το Google Earth Engine (GEE), προσφέρουν νέες δυνατότητες για χωρικά εκτεταμένη, επαναλαμβανόμενη και σχεδόν σε πραγματικό χρόνο παρακολούθηση των παραμέτρων που σχετίζονται με τον κίνδυνο χιονοστιβάδων. Στόχος της μελέτης είναι η ανάπτυξη και αξιολόγηση ενός λειτουργικού πλαισίου πρόβλεψης κινδύνου χιονοστιβάδων, το οποίο συνδυάζει δορυφορικά δεδομένα, μετεωρολογικές μεταβλητές και μορφολογικά χαρακτηριστικά του εδάφους, ώστε να παραχθούν δυναμικοί χάρτες επικινδυνότητας σε περιφερειακή κλίμακα. Το πεδίο έρευνας της μελέτης είναι οι ανατολικοί ορεινοί όγκοι του Καζακστάν.<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται σε μια πολυπαραμετρική προσέγγιση, όπου δεδομένα τηλεπισκόπησης και αναλύσεις κλίματος ενσωματώνονται σε ένα ενιαίο υπολογιστικό περιβάλλον. Κεντρικό ρόλο διαδραματίζει το Google Earth Engine, το οποίο επιλέγεται λόγω της δυνατότητάς του να επεξεργάζεται μεγάλους όγκους δεδομένων σε cloud, χωρίς την ανάγκη τοπικής υποδομής. Ως βασικά δεδομένα τηλεπισκόπησης χρησιμοποιούνται προϊόντα του προγράμματος Copernicus, κυρίως οπτικά δεδομένα Sentinel-2 για την εκτίμηση της χιονοκάλυψης και των χωρικών μεταβολών της, καθώς και ψηφιακά μοντέλα εδάφους για την εξαγωγή παραμέτρων κλίσης, προσανατολισμού και υψομέτρου, οι οποίες είναι κρίσιμες για τη γένεση χιονοστιβάδων. Παράλληλα, ενσωματώνονται μετεωρολογικά δεδομένα από το ERA5-Land, όπως ύψος και ένταση χιονόπτωσης, θερμοκρασία αέρα, μεταβολές θερμοκρασίας και ύψος χιονοκάλυψης, τα οποία παρέχουν συνεχή χρονική κάλυψη και επαρκή χωρική ανάλυση για περιφερειακές εφαρμογές.<br /> <br /> [[Εικόνα: PPANAGIS_5.1.jpg|thumb|right|Στάδια σύνθεσης μετωρολογικών δεδομένων και παραγωγής μασκών]]<br /> <br /> [[Εικόνα: PPANAGIS_5.2.jpg|thumb|right|Οι περιοχές του ανατολικού Καζακστάν με κλίσεις εδάφους μεγαλύτερες των 30 μοιρών]]<br /> <br /> <br /> Η επεξεργασία των δεδομένων περιλαμβάνει αρχικά τη χωρoχρονική εναρμόνιση των επιμέρους πηγών, ώστε όλες οι μεταβλητές να αναφέρονται στο ίδιο χωρικό πεδίο και χρονικό βήμα. Στη συνέχεια, εφαρμόζεται ανάλυση κατωφλίων (threshold-based approach), όπου συγκεκριμένες τιμές ή συνδυασμοί τιμών μεταβλητών, όπως απότομη αύξηση του ύψους χιονόπτωσης σε συνδυασμό με απότομες κλίσεις, χρησιμοποιούνται ως δείκτες αυξημένης πιθανότητας εκδήλωσης χιονοστιβάδας. Η επιλογή των κατωφλίων βασίζεται τόσο στη διεθνή βιβλιογραφία όσο και σε εμπειρικές παρατηρήσεις από καταγεγραμμένα συμβάντα, ανά περιοχή αλλά και διεθνώς. Η τηλεπισκόπηση συμβάλλει καθοριστικά στη χωρική αποτύπωση της χιονοκάλυψης και στην παρακολούθηση των μεταβολών της, επιτρέποντας την αναγνώριση περιοχών με φρέσκο ή ασταθές χιόνι, χρησιμοποιώντας συνδυασμούς bands για αποτύπωση συγκέντρωσης και μεταβολής υγρασίας-νερού-πάγου κλπ, το οποίο αποτελεί βασικό παράγοντα κινδύνου. <br /> <br /> [[Εικόνα: PPANAGIS_5.3.jpg|thumb|right|Χιονοκάλυψη στο ανατολικό Καζακστάν τις χειμερινές περιόδους των ετών 2019 - 2024]]<br /> <br /> <br /> Το τελικό στάδιο της μεθοδολογίας αφορά τη σύνθεση των επιμέρους δεικτών σε έναν ολοκληρωμένο δείκτη κινδύνου χιονοστιβάδας και την παραγωγή χαρτών επικινδυνότητας. Οι χάρτες αυτοί παράγονται δυναμικά για διαφορετικές χρονικές περιόδους και μπορούν να ενημερώνονται αυτόματα με την είσοδο νέων δορυφορικών και μετεωρολογικών δεδομένων. Η αξιολόγηση του συστήματος πραγματοποιείται μέσω σύγκρισης των προβλέψεων με ιστορικά καταγεγραμμένα γεγονότα χιονοστιβάδων, προκειμένου να εκτιμηθεί η ακρίβεια και η αξιοπιστία της προσέγγισης.<br /> <br /> <br /> '''Αποτελέσματα'''<br /> Τα αποτελέσματα της μελέτης καταδεικνύουν ότι ο συνδυασμός δεδομένων τηλεπισκόπησης και μετεωρολογικών αναλύσεων σε περιβάλλον GEE μπορεί να αποδώσει ικανοποιητικά αποτελέσματα στην πρόβλεψη και παρακολούθηση κινδύνου χιονοστιβάδων. Οι χάρτες επικινδυνότητας που παρήχθησαν, παρουσιάζουν καλή χωρική συμφωνία με τις περιοχές όπου έχουν καταγραφεί ήδη πραγματικά συμβάντα, ιδιαίτερα σε ζώνες με μεγάλες κλίσεις και αυξημένη χιονόπτωση. Τα οπτικά δορυφορικά δεδομένα αποδείχθηκαν ιδιαίτερα χρήσιμα για την αποτύπωση της χιονοκάλυψης και την ανίχνευση πρόσφατων μεταβολών, ενώ τα μετεωρολογικά δεδομένα συνέβαλαν καθοριστικά στην κατανόηση της χρονικής δυναμικής του κινδύνου. Επιπλέον, αναδείχθηκε η σημασία της συνεχούς ενημέρωσης των δεδομένων, καθώς μικρές μεταβολές στις καιρικές συνθήκες μπορούν να οδηγήσουν σε σημαντικές αλλαγές στο επίπεδο επικινδυνότητας. Παρότι η προσέγγιση βασίζεται σε σχετικά απλά κατώφλια και όχι σε πολύπλοκα μοντέλα μηχανικής μάθησης, τα αποτελέσματα δείχνουν ότι μπορεί να αποτελέσει ένα πολύ αξιόπιστο εργαλείο προειδοποίησης, στα χέρια της εκάστοτε τοπικής αυτοδιοίκησης και των τοπικών φορέων.<br /> <br /> [[Εικόνα: PPANAGIS_5.4.jpg|thumb|right|Τελικός χάρτης πρόβλεψης κινδύνου χιονοστιβάδας στις ορεινές περιοχές του ανατολικού Καζακστάν]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Συμπερασματικά, το άρθρο αναδεικνύει τη δυναμική της τηλεπισκόπησης ως βασικού πυλώνα σύγχρονων συστημάτων πρόβλεψης χιονοστιβάδων. Η αξιοποίηση δορυφορικών δεδομένων Copernicus σε συνδυασμό με αναλύσεις ERA5-Land και η επεξεργασία τους σε πλατφόρμα cloud, όπως το Google Earth Engine, επιτρέπουν την ανάπτυξη λειτουργικών, επαναλήψιμων και χωρικά εκτεταμένων εργαλείων εκτίμησης κινδύνου. Η μελέτη δείχνει ότι ακόμη και σχετικά απλές μεθοδολογικές προσεγγίσεις, όταν υποστηρίζονται από υψηλής ποιότητας δεδομένα τηλεπισκόπησης, μπορούν να προσφέρουν αξιόπιστες πληροφορίες για τη διαχείριση φυσικών κινδύνων. Παράλληλα, αναγνωρίζονται περιορισμοί που σχετίζονται με τη χωρική ανάλυση των δεδομένων και την ανάγκη τοπικής διαβάθμισης των κατωφλίων, γεγονός που υποδεικνύει κατευθύνσεις για μελλοντική έρευνα, εστιασμένες πιθανά στην κλίμακα του τοπικού. Συνολικά, το άρθρο συμβάλλει ουσιαστικά στη διασύνδεση της επιστήμης της τηλεπισκόπησης με την επιχειρησιακή πρόβλεψη χιονοστιβάδων, παρέχοντας ένα πλαίσιο που μπορεί να προσαρμοστεί και σε άλλες ορεινές περιοχές, συμπεριλαμβανομένων περιοχών με περιορισμένα επίγεια δεδομένα, όπως η Νοτιοανατολική Ευρώπη και τα Βαλκάνια.<br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Χιονοστιβάδες]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%BA%CE%B9%CE%BD%CE%B4%CF%8D%CE%BD%CE%BF%CF%85_%CF%87%CE%B9%CE%BF%CE%BD%CE%BF%CF%83%CF%84%CE%B9%CE%B2%CE%AC%CE%B4%CE%B1%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CE%BC%CE%B5%CF%84%CE%B5%CF%89%CF%81%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CE%AC_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B5%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-01-30T16:06:58Z

<p>PANAGIS PANAGIOTIS: Νέα σελίδα με 'πλήρης τίτλος: '''Πρόβλεψη και παρακολούθηση κινδύνου χιονοστιβάδας με βάση μετεωρολογικά δε...'</p> <hr /> <div>πλήρης τίτλος: '''Πρόβλεψη και παρακολούθηση κινδύνου χιονοστιβάδας με βάση μετεωρολογικά δεδομένα και τεχνολογίες τηλεπισκόπησης χρησιμοποιώντας την πλατφόρμα Google Earth Engine'''<br /> <br /> '''Avalanche Hazard Forecasting and Monitoring based on Meteorological Data and Remote Sensing Technologies using Google Earth Engine Platform'''<br /> <br /> Συγγραφείς: Marzhan Rakhymberdina, Natalya Denissova, Yerkebulan Bekishev, Gulzhan Daumova, Roman Shults, Zhanna Assylkhanova and Azamat Kapasov<br /> <br /> Έτος δημοσίευσης: 2025<br /> <br /> Πηγή: [https://www.espublisher.com/journals/articledetails/1739/]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Το άρθρο πραγματεύεται ένα ιδιαίτερα επίκαιρο και κρίσιμο ζήτημα της ορεινής γεωδυναμικής και της διαχείρισης φυσικών κινδύνων: την πρόβλεψη και παρακολούθηση χιονοστιβάδων μέσω της ολοκληρωμένης αξιοποίησης δεδομένων τηλεπισκόπησης και μετεωρολογικών αναλύσεων. Οι χιονοστιβάδες αποτελούν έναν από τους πλέον επικίνδυνους φυσικούς κινδύνους σε ορεινές περιοχές, με σημαντικές επιπτώσεις σε ανθρώπινες ζωές, υποδομές και οικονομικές δραστηριότητες, ιδίως σε περιοχές με αυξημένη χειμερινή τουριστική ή μεταφορική δραστηριότητα. Η παραδοσιακή πρόβλεψη βασίζεται κυρίως σε επιτόπιες μετρήσεις και εμπειρικά μοντέλα, τα οποία συχνά είναι χωρικά περιορισμένα και αδυνατούν να καλύψουν μεγάλες ή δυσπρόσιτες περιοχές. Στο πλαίσιο αυτό, η τηλεπισκόπηση και τα σύγχρονα υπολογιστικά περιβάλλοντα, όπως το Google Earth Engine (GEE), προσφέρουν νέες δυνατότητες για χωρικά εκτεταμένη, επαναλαμβανόμενη και σχεδόν σε πραγματικό χρόνο παρακολούθηση των παραμέτρων που σχετίζονται με τον κίνδυνο χιονοστιβάδων. Στόχος της μελέτης είναι η ανάπτυξη και αξιολόγηση ενός λειτουργικού πλαισίου πρόβλεψης κινδύνου χιονοστιβάδων, το οποίο συνδυάζει δορυφορικά δεδομένα, μετεωρολογικές μεταβλητές και μορφολογικά χαρακτηριστικά του εδάφους, ώστε να παραχθούν δυναμικοί χάρτες επικινδυνότητας σε περιφερειακή κλίμακα. Το πεδίο έρευνας της μελέτης είναι οι ανατολικοί ορεινοί όγκοι του Καζακστάν.<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται σε μια πολυπαραμετρική προσέγγιση, όπου δεδομένα τηλεπισκόπησης και αναλύσεις κλίματος ενσωματώνονται σε ένα ενιαίο υπολογιστικό περιβάλλον. Κεντρικό ρόλο διαδραματίζει το Google Earth Engine, το οποίο επιλέγεται λόγω της δυνατότητάς του να επεξεργάζεται μεγάλους όγκους δεδομένων σε cloud, χωρίς την ανάγκη τοπικής υποδομής. Ως βασικά δεδομένα τηλεπισκόπησης χρησιμοποιούνται προϊόντα του προγράμματος Copernicus, κυρίως οπτικά δεδομένα Sentinel-2 για την εκτίμηση της χιονοκάλυψης και των χωρικών μεταβολών της, καθώς και ψηφιακά μοντέλα εδάφους για την εξαγωγή παραμέτρων κλίσης, προσανατολισμού και υψομέτρου, οι οποίες είναι κρίσιμες για τη γένεση χιονοστιβάδων. Παράλληλα, ενσωματώνονται μετεωρολογικά δεδομένα από το ERA5-Land, όπως ύψος και ένταση χιονόπτωσης, θερμοκρασία αέρα, μεταβολές θερμοκρασίας και ύψος χιονοκάλυψης, τα οποία παρέχουν συνεχή χρονική κάλυψη και επαρκή χωρική ανάλυση για περιφερειακές εφαρμογές.<br /> <br /> [[Εικόνα: PPANAGIS_5.1.jpg|thumb|right|Στάδια σύνθεσης μετωρολογικών δεδομένων και παραγωγής μασκών]]<br /> <br /> [[Εικόνα: PPANAGIS_5.2.jpg|thumb|right|Οι περιοχές του ανατολικού Καζακστάν με κλίσεις εδάφους μεγαλύτερες των 30 μοιρών]]<br /> <br /> <br /> Η επεξεργασία των δεδομένων περιλαμβάνει αρχικά τη χωρoχρονική εναρμόνιση των επιμέρους πηγών, ώστε όλες οι μεταβλητές να αναφέρονται στο ίδιο χωρικό πεδίο και χρονικό βήμα. Στη συνέχεια, εφαρμόζεται ανάλυση κατωφλίων (threshold-based approach), όπου συγκεκριμένες τιμές ή συνδυασμοί τιμών μεταβλητών, όπως απότομη αύξηση του ύψους χιονόπτωσης σε συνδυασμό με απότομες κλίσεις, χρησιμοποιούνται ως δείκτες αυξημένης πιθανότητας εκδήλωσης χιονοστιβάδας. Η επιλογή των κατωφλίων βασίζεται τόσο στη διεθνή βιβλιογραφία όσο και σε εμπειρικές παρατηρήσεις από καταγεγραμμένα συμβάντα, ανά περιοχή αλλά και διεθνώς. Η τηλεπισκόπηση συμβάλλει καθοριστικά στη χωρική αποτύπωση της χιονοκάλυψης και στην παρακολούθηση των μεταβολών της, επιτρέποντας την αναγνώριση περιοχών με φρέσκο ή ασταθές χιόνι, χρησιμοποιώντας συνδυασμούς bands για αποτύπωση συγκέντρωσης και μεταβολής υγρασίας-νερού-πάγου κλπ, το οποίο αποτελεί βασικό παράγοντα κινδύνου. <br /> <br /> [[Εικόνα: PPANAGIS_5.3.jpg|thumb|right|Χιονοκάλυψη στο ανατολικό Καζακστάν τις χειμερινές περιόδους των ετών 2019 - 2024]]<br /> <br /> <br /> Το τελικό στάδιο της μεθοδολογίας αφορά τη σύνθεση των επιμέρους δεικτών σε έναν ολοκληρωμένο δείκτη κινδύνου χιονοστιβάδας και την παραγωγή χαρτών επικινδυνότητας. Οι χάρτες αυτοί παράγονται δυναμικά για διαφορετικές χρονικές περιόδους και μπορούν να ενημερώνονται αυτόματα με την είσοδο νέων δορυφορικών και μετεωρολογικών δεδομένων. Η αξιολόγηση του συστήματος πραγματοποιείται μέσω σύγκρισης των προβλέψεων με ιστορικά καταγεγραμμένα γεγονότα χιονοστιβάδων, προκειμένου να εκτιμηθεί η ακρίβεια και η αξιοπιστία της προσέγγισης.<br /> <br /> <br /> '''Αποτελέσματα'''<br /> Τα αποτελέσματα της μελέτης καταδεικνύουν ότι ο συνδυασμός δεδομένων τηλεπισκόπησης και μετεωρολογικών αναλύσεων σε περιβάλλον GEE μπορεί να αποδώσει ικανοποιητικά αποτελέσματα στην πρόβλεψη και παρακολούθηση κινδύνου χιονοστιβάδων. Οι χάρτες επικινδυνότητας που παρήχθησαν, παρουσιάζουν καλή χωρική συμφωνία με τις περιοχές όπου έχουν καταγραφεί ήδη πραγματικά συμβάντα, ιδιαίτερα σε ζώνες με μεγάλες κλίσεις και αυξημένη χιονόπτωση. Τα οπτικά δορυφορικά δεδομένα αποδείχθηκαν ιδιαίτερα χρήσιμα για την αποτύπωση της χιονοκάλυψης και την ανίχνευση πρόσφατων μεταβολών, ενώ τα μετεωρολογικά δεδομένα συνέβαλαν καθοριστικά στην κατανόηση της χρονικής δυναμικής του κινδύνου. Επιπλέον, αναδείχθηκε η σημασία της συνεχούς ενημέρωσης των δεδομένων, καθώς μικρές μεταβολές στις καιρικές συνθήκες μπορούν να οδηγήσουν σε σημαντικές αλλαγές στο επίπεδο επικινδυνότητας. Παρότι η προσέγγιση βασίζεται σε σχετικά απλά κατώφλια και όχι σε πολύπλοκα μοντέλα μηχανικής μάθησης, τα αποτελέσματα δείχνουν ότι μπορεί να αποτελέσει ένα πολύ αξιόπιστο εργαλείο προειδοποίησης, στα χέρια της εκάστοτε τοπικής αυτοδιοίκησης και των τοπικών φορέων.<br /> <br /> [[Εικόνα: PPANAGIS_5.4.jpg|thumb|right|Τελικός χάρτης πρόβλεψης κινδύνου χιονοστιβάδας στις ορεινές περιοχές του ανατολικού Καζακστάν]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Συμπερασματικά, το άρθρο αναδεικνύει τη δυναμική της τηλεπισκόπησης ως βασικού πυλώνα σύγχρονων συστημάτων πρόβλεψης χιονοστιβάδων. Η αξιοποίηση δορυφορικών δεδομένων Copernicus σε συνδυασμό με αναλύσεις ERA5-Land και η επεξεργασία τους σε πλατφόρμα cloud, όπως το Google Earth Engine, επιτρέπουν την ανάπτυξη λειτουργικών, επαναλήψιμων και χωρικά εκτεταμένων εργαλείων εκτίμησης κινδύνου. Η μελέτη δείχνει ότι ακόμη και σχετικά απλές μεθοδολογικές προσεγγίσεις, όταν υποστηρίζονται από υψηλής ποιότητας δεδομένα τηλεπισκόπησης, μπορούν να προσφέρουν αξιόπιστες πληροφορίες για τη διαχείριση φυσικών κινδύνων. Παράλληλα, αναγνωρίζονται περιορισμοί που σχετίζονται με τη χωρική ανάλυση των δεδομένων και την ανάγκη τοπικής διαβάθμισης των κατωφλίων, γεγονός που υποδεικνύει κατευθύνσεις για μελλοντική έρευνα, εστιασμένες πιθανά στην κλίμακα του τοπικού. Συνολικά, το άρθρο συμβάλλει ουσιαστικά στη διασύνδεση της επιστήμης της τηλεπισκόπησης με την επιχειρησιακή πρόβλεψη χιονοστιβάδων, παρέχοντας ένα πλαίσιο που μπορεί να προσαρμοστεί και σε άλλες ορεινές περιοχές, συμπεριλαμβανομένων περιοχών με περιορισμένα επίγεια δεδομένα, όπως η Νοτιοανατολική Ευρώπη και τα Βαλκάνια.<br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Χιονοστιβάδες]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_1.1.png 2026-01-30T15:50:19Z

<p>PANAGIS PANAGIOTIS: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:PPANAGIS 1.1.png&amp;quot;</p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%BC%CE%B5%CF%84%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B1%CF%80%CE%BF%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CF%84%CE%BF%CE%B9%CE%BA%CE%B7%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CE%BF%CF%8D%CF%82_%CE%B4%CE%B5%CE%AF%CE%BA%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-01-30T15:11:58Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>'''Παρακολούθηση και ανάλυση της μετεγκατάστασης και αποκατάστασης κατοικημένων περιοχών με βάση πολλαπλούς δείκτες τηλεπισκόπησης'''<br /> <br /> '''Monitoring and Analysis of Relocation and Reclamation of Residential Areas Based on Multiple Remote Sensing Indices'''<br /> <br /> Συγγραφείς: Huiping Huang, Yingqi Wang, Chao Yuan, Wenlu Zhu, Yichen Tian<br /> <br /> Έτος δημοσίευσης: 2025<br /> <br /> Πηγή: [ https://www.mdpi.com/2073-445X/14/2/401 ]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Το άρθρο παρουσιάζει μια καινοτόμο προσέγγιση μέσω τηλεπισκόπησης, για την παρακολούθηση της προόδου σε έργα αλλαγής χρήσης γης. Η μελέτη επικεντρώνεται στην περιοχή της πεδιάδας του Κίτρινου Ποταμού στην επαρχία Χενάν της Κίνας, ένα εκτεταμένο αγροτικό/οικιστικό περιβάλλον που απειλείται από πλημμύρες και όπου η πολιτεία υλοποίησε προγράμματα μετεγκατάστασης κατοίκων από περιοχές υψηλού κινδύνου πλημμυρών σε ασφαλέστερες θέσεις. Η μετεγκατάσταση και ο εξής επακόλουθος στόχος — η επανάκτηση της γης των κατεδαφισμένων οικισμών για γεωργική χρήση — παρουσιάζουν σημαντικές προκλήσεις στην εφαρμογή και αξιολόγησή τους. Ουσιαστικά, η μετατροπή της πρώην οικιστικής γης σε αγροτική γη μεταφράζεται σε φυτική κάλυψη που πρέπει να διακριθεί από άλλες μορφές χρήσης γης στο χάρτη. Ως εκ τούτου, το άρθρο επιχειρεί να προσφέρει μια αξιόπιστη μέθοδο με remote sensing που να μπορεί να παρακολουθεί σε λεπτομερές επίπεδο την πρόοδο αυτών των αλλαγών — τόσο την κατεδάφιση/μετεγκατάσταση όσο και την καλύτερη επανάκτηση/γεωργική επανάχρηση — με υψηλή ακρίβεια. Η κεντρική υπόθεση είναι ότι οι αλλαγές στην κάλυψη εδάφους — από δομημένη οικιστική χρήση σε γυμνό χώμα και τελικά σε καλλιεργήσιμη γη — μπορούν να εντοπιστούν και να ποσοτικοποιηθούν μέσω πολλαπλών δεικτών τηλεπισκόπησης, δεδομένων υψηλής ανάλυσης και στατιστικών μοντέλων.<br /> <br /> [[ Αρχείο:PPANAGIS_3.1.PNG|thumb|right|Δορυφορικές και UAV εικόνες των διάφορων σταδίων της μετεγκατάστασης και αποκατάστασης των οικισμών ]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Το πεδίο εφαρμογής αφορά μια έκταση περίπου 2.116 km² με μεγάλο πληθυσμό και αγροτικές εκτάσεις, όπου πραγματοποιήθηκαν προγράμματα μετεγκατάστασης κατοίκων και επανάκτησης γης από το 2015 έως το 2023. Η μελέτη χρησιμοποίησε σειρές δορυφορικών εικόνων μέσα στα χρόνια αυτά, από τον Landsat-8 OLI με ανάλυση 30 m για βασικούς δείκτες, και τον GaoFen-2 (GF-2) με ανάλυση 4 m για λεπτομερή ανάλυση κάλυψης γης. Επιπλέον, χρησιμοποιήθηκαν δεδομένα Human Settlement Footprint (WSF) για τον εντοπισμό των φυσικών ορίων των οικισμών του 2015 και πολυγωνικά στοιχεία “Points of Interest” (POI) για τη συσχέτιση των οικισμών με ονόματα και τοποθεσίες. <br /> <br /> Ένα βασικό τεχνικό πρόβλημα ήταν ότι οι εικόνες GF-2 δεν περιέχουν ζώνες βραχείας υπέρυθρης ακτινοβολίας (SWIR), απαραίτητες για αρκετούς δείκτες κάλυψης γης. Για να αντιμετωπιστεί αυτό, οι ερευνητές χρησιμοποίησαν ένα Random Forest μοντέλο για να προβλέψουν και να δημιουργήσουν υψηλής ανάλυσης SWIR bands από δεδομένα Landsat-8, εισάγοντας έτσι εύρος φάσματος και υψηλή χωρική λεπτομέρεια στους δείκτες της μελέτης. <br /> <br /> Για την ταξινόμηση της κάλυψης γης εφαρμόστηκαν πολλαπλοί δείκτες όπως ο Enhanced Artificial Surface Index (EASI: ένας νέος δείκτης που ενσωματώνει προηγούμενους δείκτες Επιφανειακής Τεχνητής Κάλυψης και πρόσθετους παράγοντες για την καλύτερη διάκριση μεταξύ αγρού, γης και κατασκευής), και ο Κernel Normalized Difference Vegetation Index (kNDVI: μια βελτιωμένη μορφή του NDVI που αντιμετωπίζει την κορεσμό των φυτικών δεικτών σε υψηλής κάλυψης περιοχές. Οι δείκτες αυτοί εφαρμόστηκαν σε χάρτες υψηλής ανάλυσης, και με βάση διάφορα κατώφλια (thresholds) των δεικτών πραγματοποιήθηκε η ταξινόμηση των 246 οικισμών που μελετήθηκαν σε τρεις κατηγορίες: (α) 56 μη μετεγκατασταθέντες (κυριαρχία κτισμένου περιβάλλοντος), (β) 134 μετεγκατασταθέντες αλλά μη επανακτηθέντες από γεωργική χρήση (κυριαρχία γυμνού εδάφους ή σποραδικής βλάστησης) και (γ) 56 μετεγκατασταθέντες και επανακτηθέντες από γεωργική χρήση ή/και φυσική βλάστηση (υψηλή φυτική κάλυψη).<br /> <br /> [[ Αρχείο:PPANAGIS_3.2.PNG|thumb|right|Βέλτιστα κατώφλια για την εξαγωγή κτισμένων εκτάσεων και βλάστησης με χρήση EASI και kNDVI ]]<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η εφαρμογή του Random Forest για downscaling των SWIR bands, επιβεβαίωσε ότι η διαδικασία διατήρησε το προηγούμενο πληροφοριακό περιεχόμενο, αυξάνοντας τη χωρική λεπτομέρειά του. Η συνολική ακρίβεια της αναγνώρισης της κατάστασης των περιοχών μελέτης μέσω EASI και kNDVI έφτασε στο 93,5%, ελέγχοντας αποτελέσματα με υψηλής ανάλυσης εικόνες και επιτόπιες μετρήσεις, επιβεβαιώνοντας υψηλή ταυτοποίηση κτισμένου περιβάλλοντος, κενής γης και γεωργικών εκτάσεων. <br /> <br /> Δεδομένου του αριθμού των οικισμών που δεν μετεγκαταστάθηκαν, ή μετεγκαταστάθηκαν και δεν επανακτήθηκαν ή μετεγκαταστάθηκαν και η γη που καταλάμβαναν επανακτήθηκε ως γεωργική πια, φάνηκε ότι η κατεδάφιση και μετεγκατάσταση είχε ένα γενικό ποσοστό ολοκλήρωσης 77%, αλλά η μετατροπή σε γεωργική χρήση ήταν μόλις 23%, πολύ μικρότερη από τους στόχους των πολιτικών σχεδίων. Επιπλέον, οι επιτόπιες παρατηρήσεις έδειξαν ότι η ταξινόμηση κάποιων περιοχών ως «αποκατεστημένες» μπορεί να είναι σχετικά παραπλανητική λόγω της σποραδικής βλάστησης ή των φυτεύσεων από κατοίκους, γεγονός που μειώνει ελαφρώς την ακρίβεια στη μελέτη της επανάκτησης της γης.<br /> <br /> [[ Αρχείο:PPANAGIS_3.3.PNG|thumb|right|Σχηματικό διάγραμμα των επιπτώσεων της υλοποίησης έργων μετεγκατάστασης και αποκατάστασης με βάση τα EASI και kNDVI ]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι η ενσωμάτωση πολλών τηλεπισκοπικών δεικτών, η χρήση στατιστικών μοντέλων downscaling και η ταξινόμηση σε επίπεδο οικισμού, δημιουργούν μια αποτελεσματική μεθοδολογία για την παρακολούθηση της αλλαγής χρήσης της. <br /> <br /> Συνοπτικά, ο συνδυασμός EASI και kNDVI απέδωσε υψηλή διακριτική ικανότητα μεταξύ των διάφορων νέων καλύψεων γης, ενώ η αξιολόγηση της υλοποίησης των πολιτικών μετεγκατάστασης και επανάκτησης αποκάλυψε σημαντική καθυστέρηση στις φάσεις ανάκτησης. Επίσης, η προτεινόμενη μεθοδολογία, ιδίως η δημιουργία υψηλής ανάλυσης SWIR bands μέσω μηχανικής μάθησης, έχει μεγάλη εφαρμοστική δυνατότητα και σε άλλες περιπτώσεις παρακολούθησης αλλαγών χρήσης γης, πέρα από την παρούσα περίπτωση. Τέλος, προτείνεται ότι κάθε μελλοντική έρευνα θα πρέπει να ενσωματώνει σειρές εικόνων σε βάθος χρόνου και τεχνικές βαθιάς μάθησης για περαιτέρω βελτίωση της απόδοσης των remote sensing δεικτών. <br /> <br /> <br /> <br /> [[category:Ποιότητα τοπίου]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%BC%CE%B5%CF%84%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B1%CF%80%CE%BF%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CF%84%CE%BF%CE%B9%CE%BA%CE%B7%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CE%BF%CF%8D%CF%82_%CE%B4%CE%B5%CE%AF%CE%BA%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-01-30T15:11:29Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>'''Παρακολούθηση και ανάλυση της μετεγκατάστασης και αποκατάστασης κατοικημένων περιοχών με βάση πολλαπλούς δείκτες τηλεπισκόπησης'''<br /> <br /> '''Monitoring and Analysis of Relocation and Reclamation of Residential Areas Based on Multiple Remote Sensing Indices'''<br /> <br /> Συγγραφείς: Huiping Huang, Yingqi Wang, Chao Yuan, Wenlu Zhu, Yichen Tian<br /> <br /> Έτος δημοσίευσης: 2025<br /> <br /> Πηγή: [https://www.mdpi.com/2073-445X/14/2/401]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Το άρθρο παρουσιάζει μια καινοτόμο προσέγγιση μέσω τηλεπισκόπησης, για την παρακολούθηση της προόδου σε έργα αλλαγής χρήσης γης. Η μελέτη επικεντρώνεται στην περιοχή της πεδιάδας του Κίτρινου Ποταμού στην επαρχία Χενάν της Κίνας, ένα εκτεταμένο αγροτικό/οικιστικό περιβάλλον που απειλείται από πλημμύρες και όπου η πολιτεία υλοποίησε προγράμματα μετεγκατάστασης κατοίκων από περιοχές υψηλού κινδύνου πλημμυρών σε ασφαλέστερες θέσεις. Η μετεγκατάσταση και ο εξής επακόλουθος στόχος — η επανάκτηση της γης των κατεδαφισμένων οικισμών για γεωργική χρήση — παρουσιάζουν σημαντικές προκλήσεις στην εφαρμογή και αξιολόγησή τους. Ουσιαστικά, η μετατροπή της πρώην οικιστικής γης σε αγροτική γη μεταφράζεται σε φυτική κάλυψη που πρέπει να διακριθεί από άλλες μορφές χρήσης γης στο χάρτη. Ως εκ τούτου, το άρθρο επιχειρεί να προσφέρει μια αξιόπιστη μέθοδο με remote sensing που να μπορεί να παρακολουθεί σε λεπτομερές επίπεδο την πρόοδο αυτών των αλλαγών — τόσο την κατεδάφιση/μετεγκατάσταση όσο και την καλύτερη επανάκτηση/γεωργική επανάχρηση — με υψηλή ακρίβεια. Η κεντρική υπόθεση είναι ότι οι αλλαγές στην κάλυψη εδάφους — από δομημένη οικιστική χρήση σε γυμνό χώμα και τελικά σε καλλιεργήσιμη γη — μπορούν να εντοπιστούν και να ποσοτικοποιηθούν μέσω πολλαπλών δεικτών τηλεπισκόπησης, δεδομένων υψηλής ανάλυσης και στατιστικών μοντέλων.<br /> <br /> [[ Αρχείο:PPANAGIS_3.1.PNG|thumb|right|Δορυφορικές και UAV εικόνες των διάφορων σταδίων της μετεγκατάστασης και αποκατάστασης των οικισμών ]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Το πεδίο εφαρμογής αφορά μια έκταση περίπου 2.116 km² με μεγάλο πληθυσμό και αγροτικές εκτάσεις, όπου πραγματοποιήθηκαν προγράμματα μετεγκατάστασης κατοίκων και επανάκτησης γης από το 2015 έως το 2023. Η μελέτη χρησιμοποίησε σειρές δορυφορικών εικόνων μέσα στα χρόνια αυτά, από τον Landsat-8 OLI με ανάλυση 30 m για βασικούς δείκτες, και τον GaoFen-2 (GF-2) με ανάλυση 4 m για λεπτομερή ανάλυση κάλυψης γης. Επιπλέον, χρησιμοποιήθηκαν δεδομένα Human Settlement Footprint (WSF) για τον εντοπισμό των φυσικών ορίων των οικισμών του 2015 και πολυγωνικά στοιχεία “Points of Interest” (POI) για τη συσχέτιση των οικισμών με ονόματα και τοποθεσίες. <br /> <br /> Ένα βασικό τεχνικό πρόβλημα ήταν ότι οι εικόνες GF-2 δεν περιέχουν ζώνες βραχείας υπέρυθρης ακτινοβολίας (SWIR), απαραίτητες για αρκετούς δείκτες κάλυψης γης. Για να αντιμετωπιστεί αυτό, οι ερευνητές χρησιμοποίησαν ένα Random Forest μοντέλο για να προβλέψουν και να δημιουργήσουν υψηλής ανάλυσης SWIR bands από δεδομένα Landsat-8, εισάγοντας έτσι εύρος φάσματος και υψηλή χωρική λεπτομέρεια στους δείκτες της μελέτης. <br /> <br /> Για την ταξινόμηση της κάλυψης γης εφαρμόστηκαν πολλαπλοί δείκτες όπως ο Enhanced Artificial Surface Index (EASI: ένας νέος δείκτης που ενσωματώνει προηγούμενους δείκτες Επιφανειακής Τεχνητής Κάλυψης και πρόσθετους παράγοντες για την καλύτερη διάκριση μεταξύ αγρού, γης και κατασκευής), και ο Κernel Normalized Difference Vegetation Index (kNDVI: μια βελτιωμένη μορφή του NDVI που αντιμετωπίζει την κορεσμό των φυτικών δεικτών σε υψηλής κάλυψης περιοχές. Οι δείκτες αυτοί εφαρμόστηκαν σε χάρτες υψηλής ανάλυσης, και με βάση διάφορα κατώφλια (thresholds) των δεικτών πραγματοποιήθηκε η ταξινόμηση των 246 οικισμών που μελετήθηκαν σε τρεις κατηγορίες: (α) 56 μη μετεγκατασταθέντες (κυριαρχία κτισμένου περιβάλλοντος), (β) 134 μετεγκατασταθέντες αλλά μη επανακτηθέντες από γεωργική χρήση (κυριαρχία γυμνού εδάφους ή σποραδικής βλάστησης) και (γ) 56 μετεγκατασταθέντες και επανακτηθέντες από γεωργική χρήση ή/και φυσική βλάστηση (υψηλή φυτική κάλυψη).<br /> <br /> [[ Αρχείο:PPANAGIS_3.2.PNG|thumb|right|Βέλτιστα κατώφλια για την εξαγωγή κτισμένων εκτάσεων και βλάστησης με χρήση EASI και kNDVI ]]<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η εφαρμογή του Random Forest για downscaling των SWIR bands, επιβεβαίωσε ότι η διαδικασία διατήρησε το προηγούμενο πληροφοριακό περιεχόμενο, αυξάνοντας τη χωρική λεπτομέρειά του. Η συνολική ακρίβεια της αναγνώρισης της κατάστασης των περιοχών μελέτης μέσω EASI και kNDVI έφτασε στο 93,5%, ελέγχοντας αποτελέσματα με υψηλής ανάλυσης εικόνες και επιτόπιες μετρήσεις, επιβεβαιώνοντας υψηλή ταυτοποίηση κτισμένου περιβάλλοντος, κενής γης και γεωργικών εκτάσεων. <br /> <br /> Δεδομένου του αριθμού των οικισμών που δεν μετεγκαταστάθηκαν, ή μετεγκαταστάθηκαν και δεν επανακτήθηκαν ή μετεγκαταστάθηκαν και η γη που καταλάμβαναν επανακτήθηκε ως γεωργική πια, φάνηκε ότι η κατεδάφιση και μετεγκατάσταση είχε ένα γενικό ποσοστό ολοκλήρωσης 77%, αλλά η μετατροπή σε γεωργική χρήση ήταν μόλις 23%, πολύ μικρότερη από τους στόχους των πολιτικών σχεδίων. Επιπλέον, οι επιτόπιες παρατηρήσεις έδειξαν ότι η ταξινόμηση κάποιων περιοχών ως «αποκατεστημένες» μπορεί να είναι σχετικά παραπλανητική λόγω της σποραδικής βλάστησης ή των φυτεύσεων από κατοίκους, γεγονός που μειώνει ελαφρώς την ακρίβεια στη μελέτη της επανάκτησης της γης.<br /> <br /> [[ Αρχείο:PPANAGIS_3.3.PNG|thumb|right|Σχηματικό διάγραμμα των επιπτώσεων της υλοποίησης έργων μετεγκατάστασης και αποκατάστασης με βάση τα EASI και kNDVI ]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι η ενσωμάτωση πολλών τηλεπισκοπικών δεικτών, η χρήση στατιστικών μοντέλων downscaling και η ταξινόμηση σε επίπεδο οικισμού, δημιουργούν μια αποτελεσματική μεθοδολογία για την παρακολούθηση της αλλαγής χρήσης της. <br /> <br /> Συνοπτικά, ο συνδυασμός EASI και kNDVI απέδωσε υψηλή διακριτική ικανότητα μεταξύ των διάφορων νέων καλύψεων γης, ενώ η αξιολόγηση της υλοποίησης των πολιτικών μετεγκατάστασης και επανάκτησης αποκάλυψε σημαντική καθυστέρηση στις φάσεις ανάκτησης. Επίσης, η προτεινόμενη μεθοδολογία, ιδίως η δημιουργία υψηλής ανάλυσης SWIR bands μέσω μηχανικής μάθησης, έχει μεγάλη εφαρμοστική δυνατότητα και σε άλλες περιπτώσεις παρακολούθησης αλλαγών χρήσης γης, πέρα από την παρούσα περίπτωση. Τέλος, προτείνεται ότι κάθε μελλοντική έρευνα θα πρέπει να ενσωματώνει σειρές εικόνων σε βάθος χρόνου και τεχνικές βαθιάς μάθησης για περαιτέρω βελτίωση της απόδοσης των remote sensing δεικτών. <br /> <br /> <br /> <br /> [[category:Ποιότητα τοπίου]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_1.3.PNG 2026-01-30T15:09:54Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_1.2.PNG 2026-01-30T15:09:15Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%88%CF%81%CE%B5%CF%85%CE%BD%CE%B1_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CF%84%CE%BF%CF%85_%CE%B8%CE%B5%CF%81%CE%BC%CE%B9%CE%BA%CE%BF%CF%8D_%CF%80%CE%B5%CF%81%CE%B9%CE%B2%CE%AC%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%BF%CF%82_%CF%86%CF%89%CF%84%CE%BF%CE%B2%CE%BF%CE%BB%CF%84%CE%B1%CF%8A%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%B1%CF%83%CF%84%CE%AC%CF%83%CE%B5%CF%89%CE%BD_%CE%B2%CE%AC%CF%83%CE%B5%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD 2026-01-30T15:08:34Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>''' Έρευνα ανάλυσης του θερμικού περιβάλλοντος φωτοβολταϊκών εγκαταστάσεων βάσει τηλεπισκοπικών εικόνων '''<br /> <br /> ''' RESEARCH ON THERMAL ENVIRONMENT ANALYSIS OF PHOTOVOLTAICPOWER PLANTS BASED ON REMOTE SENSING IMAGES ''' <br /> <br /> Συγγραφείς: HongLiang Cheng, He Huang, Junxing Yang, Ran Pang, JunYang Bian<br /> <br /> Έτος δημοσίευσης: 2023<br /> <br /> Πηγή: [ https://isprs-archives.copernicus.org/articles/XLVIII-1-W2-2023/1343/2023/ ]<br /> <br /> <br /> '''Αντικείμενο'''<br /> <br /> Το άρθρο εξετάζει συστηματικά τις θερμικές επιπτώσεις μεγάλων φωτοβολταϊκών σταθμών στο φυσικό περιβάλλον, αξιοποιώντας συνδυασμό δορυφορικών δεδομένων τηλεπισκόπησης από τον κινεζικό δορυφόρο Gaofen-1 (GF-1) και τον αμερικανικό Landsat-8. Βασικός στόχος της μελέτης είναι να διερευνηθεί κατά πόσο η εγκατάσταση φωτοβολταϊκών πάρκων προκαλεί μετρήσιμες αυξήσεις της θερμοκρασίας επιφάνειας εδάφους (Land Surface Temperature – LST) και πώς αυτές σχετίζονται με αλλαγές στη χρήση/κάλυψη γης. <br /> <br /> Η εργασία λαμβάνει ως περιοχή έρευνας την περιοχή όπου βρίσκονται φωτοβολταϊκές εγκαταστάσεις στην κομητεία Quyang, στην επαρχία Hebei της Κίνας, καθώς και τα γύρω βουνά, σε μια περίοδο 8 ετών από το 2013 έως το 2020, πριν και μετά την κατασκευή τους. <br /> <br /> Η περιοχή μελέτης περιλαμβάνει πεδινές ημιάνυδρες αλλά και ορεινές εκτάσεις, στις οποίες αναπτύχθηκαν μεγάλης κλίμακας φωτοβολταϊκοί σταθμοί. Οι περιοχές αυτές χαρακτηρίζονται από σχετικά αραιή φυσική βλάστηση, γεωργικές εκτάσεις, έντονη ηλιακή ακτινοβολία και σημαντικές μεταβολές χρήσης γης κατά την περίοδο ανάπτυξης των φωτοβολταϊκών έργων. <br /> <br /> Το χρονικό εύρος της μελέτης είναι κρίσιμο, καθώς μειώνει την επίδραση της διακύμανσης του καιρού και επιτρέπει την απομόνωση της επίδρασης των φωτοβολταϊκών εγκαταστάσεων από τις φυσικές κλιματικές τάσεις.<br /> <br /> [[Εικόνα: PPANAGIS_1.1.PNG|thumb|right|Η περιοχή μελέτης]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Όσον αφορά τα δορυφορικά δεδομένα, η μελέτη βασίζεται σε συνδυασμό δεδομένων διαφορετικής χωρικής και φασματικής ανάλυσης. Από τον Gaofen-1 (GF-1) εκμεταλλεύεται την υψηλή χωρική ανάλυση (έως ~2m στα παγχρωματικά κανάλια), ώστε να χαρτογραφηθούν οι χρήσεις/καλύψεις γης, να οριοθετηθούν τα φωτοβολταϊκά πάρκα και να ανιχνευθούν οι αλλαγές στη βλάστηση και το έδαφος. Από τον Landsat-8, αξιοποιεί τα οπτικά και θερμικά κανάλια ώστε να υπολογιστούν οι δείκτες βλάστησης (NVDI) και οι διακυμάνσεις της θερμοκρασίας επιφάνειας εδάφους (LST). <br /> <br /> Η LST υπολογίζεται από τα θερμικά κανάλια του Landsat-8 μέσω αλγορίθμων τηλεπισκόπησης, οι οποίοι περιλαμβάνουν μετατροπή της ψηφιακής τιμής (DN) σε ακτινοβολία, υπολογισμό θερμοκρασίας φωτεινότητας (brightness temperature) και διόρθωση της εκπομπής (emissivity correction) βάσει των δεικτών βλάστησης (NDVI), λαμβάνοντας υπόψη τον τύπο χρήσης/κάλυψης γης.<br /> Oι ερευνητές λαμβάνουν υπόψιν την έκταση των φωτοβολταϊκών πάρκων, τις περιμετρικές ζώνες γύρω από αυτά και κάποιες ευρύτερες περιοχές αναφοράς φυσικού ενδιαφέροντος, συναρτήσει του χρονικού εύρους της μελέτης. Χρησιμοποιούν αναλυτικά στατιστικά μεγέθη (μέσες τιμές, διαφορές, χωρική κατανομή) για την ποσοτικοποίηση των αλλαγών της LST και τη συσχέτισή τους με την αλλαγή χρήσης/κάλυψης γης.<br /> <br /> [[Εικόνα: PPANAGIS_1.2.PNG|thumb|right|Αποτελέσματα κατηγοριοποίησης καλύψεων γης]]<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα δείχνουν ότι, μετά την εγκατάσταση των φωτοβολταϊκών πάρκων, η μέση θερμοκρασία εδάφους (LST) εντός των πάρκων αυξήθηκε αισθητά σε σύγκριση με την προγενέστερη κατάσταση, καθώς και ότι η LST είναι υψηλότερη εντός των φωτοβολταϊκών εκτάσεων σε σχέση με τις γύρω περιοχές. Οι αυξήσεις της LST αποδίδονται κυρίως στην αντικατάσταση της φυσικής βλάστησης από τεχνητές επιφάνειες λόγω της μειωμένης ανακλαστικότητας που παρουσιάζουν τα ηλιακά πάνελ σε σχέση με τη βλάστηση, καθώς και στη μειωμένη εξατμισοδιαπνοή λόγω απώλειας βλάστησης. <br /> <br /> Η αύξηση της LST δεν είναι ομοιόμορφη, εμφανίζει σαφή χωρική αύξηση εντός των ορίων των πάρκων και μειώνεται σταδιακά με την απόσταση από τις εγκαταστάσεις. Αυτό υποδηλώνει ότι το θερμικό αποτύπωμα των φωτοβολταϊκών είναι κυρίως τοπικό, αλλά με σαφή ανιχνεύσιμη ένταση από δορυφορικά δεδομένα. <br /> <br /> Η ανάλυση των χρήσεων γης δείχνει ότι οι περιοχές όπου αφαιρέθηκε φυσική βλάστηση και εγκαταστάθηκαν πάνελ παρουσιάζουν τη μεγαλύτερη αύξηση LST, ενώ οι περιοχές με μερική διατήρηση βλάστησης εμφανίζουν μικρότερες μεταβολές. Αυτό ενισχύει το συμπέρασμα ότι η αλλαγή χρήσης/κάλυψης γης αποτελεί τον βασικό μηχανισμό αύξησης της θερμοκρασίας.<br /> <br /> [[Εικόνα: PPANAGIS_1.3.PNG|thumb|right|Αποτελέσματα προσαρμογής της αναλογίας φωτοβολταϊκού σταθμού και μέσης θερμοκρασίας επιφάνειας εδάφους]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Τα αποτελέσματα δείχνουν ότι υπάρχει σημαντική θετική συσχέτιση μεταξύ της εγκατάστασης φωτοβολταϊκών σταθμών και της αύξησης της μέσης θερμοκρασίας της επιφάνειας του εδάφους (LST) υπό συγκεκριμένες γεωγραφικές και χρονικές συνθήκες. Οι φωτοβολταϊκοί σταθμοί αναγνωρίζονται ως ένας από τους παράγοντες που συμβάλλουν στην αύξηση της θερμοκρασίας, ειδικά σε ορεινές περιοχές, παρουσιάζοντας χαρακτηριστικά κλασσικού φαινομένου θερμικής νησίδας. Οι ερευνητές τονίζουν ότι η τηλεπισκόπηση επιτρέπει αντικειμενική, διηνεκή και χωρικά εκτενή αξιολόγηση των χωρικών και θερμικών δεδομένων, είναι ιδιαίτερα κατάλληλη για μεγάλες και δυσπρόσιτες περιοχές, καθώς και συμπληρώνει τις επιτόπιες μετρήσεις του εκάστοτε μικροκλίματος. Ακόμη και μέτριες αυξήσεις της LST μπορούν να ανιχνευθούν αξιόπιστα από δορυφόρους, εφόσον χρησιμοποιούνται πολυχρονικά δεδομένα και κατάλληλες τεχνικές. Τέλος, προτείνονται ενδεικτικά μέτρα πρόληψης αύξησης της LST στην περιοχή μιας φωτοβολταϊκής εγκατάστασης, όπως η αύξηση της απόστασης μεταξύ των επιμέρους φωτοβολταϊκών πάνελς, ώστε να αυξηθεί η ανακλαστικότητα της ηλιακής ακτινοβολίας στην περιοχή της εγκατάστασης, αλλά και η μείωση της απόστασης της φωτοβολταϊκής εγκατάστασης από την πέριξ φυσική βλάστηση ή την αρτοτραία γη, ώστε να αντισταθμιστεί η αυξημένη LST του σταθμού με την μειωμένη LST της περιοχής με βλάστηση.<br /> <br /> <br /> [[category:Ενέργεια]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_4.3.png 2026-01-30T15:08:03Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_4.2.png 2026-01-30T15:07:30Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_4.1.png 2026-01-30T15:06:50Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%BF%CF%85_%CF%81%CF%8C%CE%BB%CE%BF%CF%85_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7%CF%82_%CF%84%CF%89%CE%BD_%CF%80%CE%BF%CE%BB%CE%B9%CF%84%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CE%BA%CF%8D%CF%81%CF%89%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%84%CE%B1%CE%BE%CE%B9%CE%BD%CE%BF%CE%BC%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%BF%CE%B9%CE%BA%CE%BF%CF%84%CF%8C%CF%80%CF%89%CE%BD_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2026-01-30T15:06:16Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>'''Αξιολόγηση του ρόλου της επιστήμης των πολιτών στην επικύρωση των ταξινομήσεων οικοτόπων με τηλεπισκόπηση'''<br /> <br /> '''Assessing the role of citizen science in the validation of remote sensing habitat classifications'''<br /> <br /> Συγγραφείς: Samantha Suter, Brian Barrett, Natalie Welden<br /> <br /> Έτος δημοσίευσης: 2025<br /> <br /> Πηγή: [ https://besjournals.onlinelibrary.wiley.com/doi/full/10.1002/2688-8319.70131 ]<br /> <br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση αποτελεί σήμερα έναν από τους πλέον καθοριστικούς πυλώνες της περιβαλλοντικής και οικολογικής έρευνας, επιτρέποντας τη συστηματική παρακολούθηση οικοτόπων, μεταβολών χρήσεων γης και περιβαλλοντικών πιέσεων σε μεγάλα χωρικά και χρονικά εύρη. Μέσω δορυφορικών δεδομένων υψηλής ανάλυσης, οι επιστήμονες μπορούν να ανιχνεύουν φαινόμενα όπως η υποβάθμιση οικοσυστημάτων, η απώλεια βιοποικιλότητας και οι επιπτώσεις φυσικών καταστροφών. Ωστόσο, η αξιοπιστία των χαρτογραφήσεων που προκύπτουν από την τηλεπισκόπηση εξαρτάται ουσιαστικά από την ύπαρξη αξιόπιστων δεδομένων αναφοράς εδάφους, τα οποία χρησιμοποιούνται τόσο για την εκπαίδευση όσο και για την επικύρωση των αλγορίθμων ταξινόμησης. <br /> <br /> Στο πλαίσιο αυτό, η επιστήμη των πολιτών (citizen science - CS), δηλαδή η συμμετοχή πολιτών και περιβαλλοντικών ομάδων στη συλλογή επιστημονικών δεδομένων, έχει αναδειχθεί τα τελευταία χρόνια ως μια πολλά υποσχόμενη προσέγγιση. Το άρθρο εξετάζει τον βαθμό στον οποίο τα δεδομένα που συλλέγονται από μη ειδικούς μπορούν να συνεισφέρουν ουσιαστικά στη διαδικασία επικύρωσης ταξινομήσεων οικοτόπων που βασίζονται σε τηλεπισκοπικά δεδομένα. Κεντρικός στόχος του άρθρου είναι να αξιολογηθεί αν και πώς η συμμετοχική επιστήμη μπορεί να συμπληρώσει τα δεδομένα που προέρχονται από επαγγελματίες επιστήμονες, ενισχύοντας την ακρίβεια και τη χωρική κάλυψη των χαρτογραφήσεων.<br /> <br /> Σημειώνεται ότι η μελέτη βασίζεται σε σύνολα δεδομένων (datasets) που προέρχονται από υφιστάμενα προγράμματα citizen science και οικολογικής χαρτογράφησης στην Ευρώπη, τα οποία χρησιμοποιούνται για την επικύρωση τηλεπισκοπικών ταξινομήσεων οικοτόπων. Οι συγγραφείς δεν οργανώνουν την ανάλυσή τους γύρω από μία συγκεκριμένη γεωγραφική περιοχή, αλλά γύρω από τύπους οικοτόπων και μεθοδολογικά σενάρια έρευνας. <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται στον συνδυασμό δορυφορικών δεδομένων τηλεπισκόπησης και δεδομένων πεδίου που προέρχονται τόσο από ειδικούς επιστήμονες όσο και από συμμετέχοντες σε προγράμματα citizen science. Για την τηλεπισκοπική ανάλυση χρησιμοποιήθηκαν κυρίως πολυφασματικά δεδομένα Sentinel-2 του προγράμματος Copernicus, τα οποία προσφέρουν υψηλή χωρική και φασματική ανάλυση, κατάλληλη για τη χαρτογράφηση διαφορετικών τύπων οικοτόπων. Τα δεδομένα αυτά υποβλήθηκαν σε διαδικασίες ατμοσφαιρικής διόρθωσης, γεωμετρικής ευθυγράμμισης και αρχικής επεξεργασίας, ώστε να διασφαλιστεί η συγκρισιμότητά τους με τα δεδομένα πεδίου. <br /> <br /> [[Εικόνα: PPANAGIS_4.1.png|thumb|right|(a)Χάρτης πρόβλεψης οικοτόπων που προέκυψε από το μοντέλο ταξινόμησης Random Forest με τηλεπισκόπηση και (b) αντίστοιχες αεροφωτογραφίες, που δόθηκε στους συμμετέχοντες στην έρευνα Ecosystem Explorers Citizen Science, για την επικύρωση των προβλέψεων του μοντέλου σε πλούσια χορτολιβαδική περιοχή ]]<br /> <br /> Από τα δορυφορικά δεδομένα εξήχθησαν φασματικά χαρακτηριστικά και δείκτες βλάστησης, όπως ο NDVI και άλλοι συναφείς δείκτες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα εισαγωγής σε αλγορίθμους μηχανικής μάθησης για την ταξινόμηση οικοτόπων. Οι συγγραφείς εφάρμοσαν και συνέκριναν διαφορετικές τεχνικές ταξινόμησης, δίνοντας έμφαση στη δυνατότητα των αλγορίθμων να αξιοποιούν ετερογενή δεδομένα αναφοράς. <br /> <br /> [[Εικόνα: PPANAGIS_4.2.png|thumb|right|(α) Χάρτης random forest ταξινόμησης ενός πλούσιου χορτολιβαδικά οικοτόπου και (β) Σχετικές αεροφωτογραφίες, που απεικονίζουν λεπτομερώς τις επιπτώσεις των ορίων του οικοτόπου από τις κοντινές δασικές εκτάσεις και υδάτινες περιοχές, με αποτέλεσμα την λανθασμένη επικάλυψη των ταξινομήσεων των καλύψεων γης]]<br /> <br /> Τα δεδομένα της citizen science συλλέχθηκαν υπό μορφή γεωαναφερμένων παρατηρήσεων, φωτογραφιών και περιγραφών οικοτόπων από εθελοντές και τοπικές περιβαλλοντικές ομάδες/κινήματα, οι οποίοι συμμετείχαν σε οργανωμένα προγράμματα καταγραφής περιβάλλοντος. Για να αντιμετωπιστούν ζητήματα ποιότητας, εφαρμόστηκαν διαδικασίες φιλτραρίσματος, όπως έλεγχοι χωρικής ακρίβειας, στατιστική ανίχνευση/ερμηνεία των ακραίων τιμών και διασταύρωση των συμμετοχικών δεδομένων με δεδομένα ειδικών επιστημόνων. <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα της μελέτης δείχνουν ότι τα δεδομένα της citizen science μπορούν να συμβάλουν ουσιαστικά στη διαδικασία επικύρωσης των τηλεπισκοπικών ταξινομήσεων, ιδίως ως προς τη χωρική κάλυψη των δεδομένων αναφοράς. Σε περιοχές όπου τα δεδομένα πεδίου από ειδικούς ήταν περιορισμένα ή αποσπασματικά, οι συμμετοχικές καταγραφές παρείχαν κρίσιμες πληροφορίες που βελτίωσαν την απόδοση των αλγορίθμων ταξινόμησης. <br /> <br /> Παράλληλα, η ανάλυση αποκάλυψε ότι η ποιότητα των citizen science δεδομένων παρουσιάζει μεγαλύτερη μεταβλητότητα σε σύγκριση με τα δεδομένα των ειδικών, ιδιαίτερα σε σύνθετους ή μεταβατικούς οικοτόπους. Ωστόσο, όταν τα συμμετοχικά δεδομένα υποβάλλονταν σε αυστηρό ποιοτικό έλεγχο και συνδυάζονταν με δορυφορικές χρονοσειρές, η ακρίβεια των χαρτογραφήσεων βελτιωνόταν σημαντικά. Ιδιαίτερα σημαντικός αποδείχθηκε ο ρόλος των πολυφασματικών καναλιών και των δεικτών βλάστησης, καθώς και η χρήση πολυχρονικών δεδομένων Sentinel-2, τα οποία επέτρεψαν τη διάκριση των εποχικών διαφορών μεταξύ των οικοτόπων. <br /> <br /> Ο συνδυασμός δεδομένων ειδικών και citizen science παρήγαγε τα καλύτερα αποτελέσματα, μειώνοντας τα σφάλματα ταξινόμησης και ενισχύοντας την ικανότητα ανίχνευσης μικρότερων ή πιο ιδιάζοντων οικοτόπων. Τα ευρήματα καταδεικνύουν ότι η συμμετοχική επιστήμη μπορεί να λειτουργήσει ως κρίσιμο συμπλήρωμα της τηλεπισκόπησης, ιδιαίτερα όταν ενσωματώνεται σε υβριδικά και εξειδικευμένα συστήματα ανάλυσης. <br /> <br /> [[Εικόνα: PPANAGIS_4.3.png|thumb|right|Επίπεδο συμφωνίας (%) μεταξύ των παρατηρήσεων που έγιναν από επιστήμονες (NatureScot) και από ομάδες πολιτών (Ecosystem Exlporers και Plantlife), για πλούσια χορτολιβαδική περιοχή]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Συνολικά, η μελέτη καταλήγει στο συμπέρασμα ότι η citizen science έχει τη δυνατότητα να ενισχύσει ουσιαστικά την αξιοπιστία και την αποτελεσματικότητα της τηλεπισκόπησης στην περιβαλλοντική χαρτογράφηση. Παρότι τα συμμετοχικά δεδομένα παρουσιάζουν εγγενείς περιορισμούς, όπως χωρική και θεματική μεροληψία, οι συγγραφείς δείχνουν ότι αυτοί μπορούν να αντιμετωπιστούν μέσω κατάλληλων μεθόδων ποιοτικού ελέγχου, στατιστικής διόρθωσης και συνδυασμού με δορυφορικά δεδομένα υψηλής ανάλυσης. <br /> <br /> Η έρευνα υπογραμμίζει ότι η συμμετοχική επιστήμη δεν θα πρέπει να θεωρείται υποκατάστατο της επιστημονικής έρευνας πεδίου, αλλά ένα συμπληρωματικό εργαλείο που, όταν ενσωματώνεται σωστά, μπορεί να βελτιώσει τη χαρτογράφηση και την παρακολούθηση των οικοτόπων. Επιπλέον, η συνεργασία των επιστημόνων με περιβαλλοντικές οργανώσεις, κινήματα και μεμονομένους πολίτες, ενισχύει τη διάχυση της επιστημονικής γνώσης και δημιουργεί νέες δυνατότητες για την παρακολούθηση περιβαλλοντικών καταστροφών και αλλαγών, μέσω τηλεπισκόπησης. Το άρθρο προτείνει δηλαδή ένα συμμετοχικό και διεπιστημονικό μοντέλο «επικύρωσης από το έδαφος προς τον δορυφόρο», το οποίο μπορεί να αποτελέσει πρότυπο για μελλοντικές εφαρμογές στη διαχείριση και προστασία του περιβάλλοντος.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%BF%CF%85_%CF%81%CF%8C%CE%BB%CE%BF%CF%85_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7%CF%82_%CF%84%CF%89%CE%BD_%CF%80%CE%BF%CE%BB%CE%B9%CF%84%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CE%BA%CF%8D%CF%81%CF%89%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%84%CE%B1%CE%BE%CE%B9%CE%BD%CE%BF%CE%BC%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%BF%CE%B9%CE%BA%CE%BF%CF%84%CF%8C%CF%80%CF%89%CE%BD_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2026-01-30T14:42:10Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>'''Αξιολόγηση του ρόλου της επιστήμης των πολιτών στην επικύρωση των ταξινομήσεων οικοτόπων με τηλεπισκόπηση'''<br /> <br /> '''Assessing the role of citizen science in the validation of remote sensing habitat classifications'''<br /> <br /> Συγγραφείς: Samantha Suter, Brian Barrett, Natalie Welden<br /> <br /> Έτος δημοσίευσης: 2025<br /> <br /> Πηγή: [ https://besjournals.onlinelibrary.wiley.com/doi/full/10.1002/2688-8319.70131 ]<br /> <br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση αποτελεί σήμερα έναν από τους πλέον καθοριστικούς πυλώνες της περιβαλλοντικής και οικολογικής έρευνας, επιτρέποντας τη συστηματική παρακολούθηση οικοτόπων, μεταβολών χρήσεων γης και περιβαλλοντικών πιέσεων σε μεγάλα χωρικά και χρονικά εύρη. Μέσω δορυφορικών δεδομένων υψηλής ανάλυσης, οι επιστήμονες μπορούν να ανιχνεύουν φαινόμενα όπως η υποβάθμιση οικοσυστημάτων, η απώλεια βιοποικιλότητας και οι επιπτώσεις φυσικών καταστροφών. Ωστόσο, η αξιοπιστία των χαρτογραφήσεων που προκύπτουν από την τηλεπισκόπηση εξαρτάται ουσιαστικά από την ύπαρξη αξιόπιστων δεδομένων αναφοράς εδάφους, τα οποία χρησιμοποιούνται τόσο για την εκπαίδευση όσο και για την επικύρωση των αλγορίθμων ταξινόμησης. <br /> <br /> Στο πλαίσιο αυτό, η επιστήμη των πολιτών (citizen science - CS), δηλαδή η συμμετοχή πολιτών και περιβαλλοντικών ομάδων στη συλλογή επιστημονικών δεδομένων, έχει αναδειχθεί τα τελευταία χρόνια ως μια πολλά υποσχόμενη προσέγγιση. Το άρθρο εξετάζει τον βαθμό στον οποίο τα δεδομένα που συλλέγονται από μη ειδικούς μπορούν να συνεισφέρουν ουσιαστικά στη διαδικασία επικύρωσης ταξινομήσεων οικοτόπων που βασίζονται σε τηλεπισκοπικά δεδομένα. Κεντρικός στόχος του άρθρου είναι να αξιολογηθεί αν και πώς η συμμετοχική επιστήμη μπορεί να συμπληρώσει τα δεδομένα που προέρχονται από επαγγελματίες επιστήμονες, ενισχύοντας την ακρίβεια και τη χωρική κάλυψη των χαρτογραφήσεων. <br /> <br /> Σημειώνεται ότι η μελέτη βασίζεται σε σύνολα δεδομένων (datasets) που προέρχονται από υφιστάμενα προγράμματα citizen science και οικολογικής χαρτογράφησης στην Ευρώπη, τα οποία χρησιμοποιούνται για την επικύρωση τηλεπισκοπικών ταξινομήσεων οικοτόπων. Οι συγγραφείς δεν οργανώνουν την ανάλυσή τους γύρω από μία συγκεκριμένη γεωγραφική περιοχή, αλλά γύρω από τύπους οικοτόπων και μεθοδολογικά σενάρια έρευνας. <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται στον συνδυασμό δορυφορικών δεδομένων τηλεπισκόπησης και δεδομένων πεδίου που προέρχονται τόσο από ειδικούς επιστήμονες όσο και από συμμετέχοντες σε προγράμματα citizen science. Για την τηλεπισκοπική ανάλυση χρησιμοποιήθηκαν κυρίως πολυφασματικά δεδομένα Sentinel-2 του προγράμματος Copernicus, τα οποία προσφέρουν υψηλή χωρική και φασματική ανάλυση, κατάλληλη για τη χαρτογράφηση διαφορετικών τύπων οικοτόπων. Τα δεδομένα αυτά υποβλήθηκαν σε διαδικασίες ατμοσφαιρικής διόρθωσης, γεωμετρικής ευθυγράμμισης και αρχικής επεξεργασίας, ώστε να διασφαλιστεί η συγκρισιμότητά τους με τα δεδομένα πεδίου. <br /> <br /> Από τα δορυφορικά δεδομένα εξήχθησαν φασματικά χαρακτηριστικά και δείκτες βλάστησης, όπως ο NDVI και άλλοι συναφείς δείκτες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα εισαγωγής σε αλγορίθμους μηχανικής μάθησης για την ταξινόμηση οικοτόπων. Οι συγγραφείς εφάρμοσαν και συνέκριναν διαφορετικές τεχνικές ταξινόμησης, δίνοντας έμφαση στη δυνατότητα των αλγορίθμων να αξιοποιούν ετερογενή δεδομένα αναφοράς. <br /> <br /> Τα δεδομένα της citizen science συλλέχθηκαν υπό μορφή γεωαναφερμένων παρατηρήσεων, φωτογραφιών και περιγραφών οικοτόπων από εθελοντές και τοπικές περιβαλλοντικές ομάδες/κινήματα, οι οποίοι συμμετείχαν σε οργανωμένα προγράμματα καταγραφής περιβάλλοντος. Για να αντιμετωπιστούν ζητήματα ποιότητας, εφαρμόστηκαν διαδικασίες φιλτραρίσματος, όπως έλεγχοι χωρικής ακρίβειας, στατιστική ανίχνευση/ερμηνεία των ακραίων τιμών και διασταύρωση των συμμετοχικών δεδομένων με δεδομένα ειδικών επιστημόνων. <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα της μελέτης δείχνουν ότι τα δεδομένα της citizen science μπορούν να συμβάλουν ουσιαστικά στη διαδικασία επικύρωσης των τηλεπισκοπικών ταξινομήσεων, ιδίως ως προς τη χωρική κάλυψη των δεδομένων αναφοράς. Σε περιοχές όπου τα δεδομένα πεδίου από ειδικούς ήταν περιορισμένα ή αποσπασματικά, οι συμμετοχικές καταγραφές παρείχαν κρίσιμες πληροφορίες που βελτίωσαν την απόδοση των αλγορίθμων ταξινόμησης. <br /> <br /> Παράλληλα, η ανάλυση αποκάλυψε ότι η ποιότητα των citizen science δεδομένων παρουσιάζει μεγαλύτερη μεταβλητότητα σε σύγκριση με τα δεδομένα των ειδικών, ιδιαίτερα σε σύνθετους ή μεταβατικούς οικοτόπους. Ωστόσο, όταν τα συμμετοχικά δεδομένα υποβάλλονταν σε αυστηρό ποιοτικό έλεγχο και συνδυάζονταν με δορυφορικές χρονοσειρές, η ακρίβεια των χαρτογραφήσεων βελτιωνόταν σημαντικά. Ιδιαίτερα σημαντικός αποδείχθηκε ο ρόλος των πολυφασματικών καναλιών και των δεικτών βλάστησης, καθώς και η χρήση πολυχρονικών δεδομένων Sentinel-2, τα οποία επέτρεψαν τη διάκριση των εποχικών διαφορών μεταξύ των οικοτόπων. <br /> <br /> Ο συνδυασμός δεδομένων ειδικών και citizen science παρήγαγε τα καλύτερα αποτελέσματα, μειώνοντας τα σφάλματα ταξινόμησης και ενισχύοντας την ικανότητα ανίχνευσης μικρότερων ή πιο ιδιάζοντων οικοτόπων. Τα ευρήματα καταδεικνύουν ότι η συμμετοχική επιστήμη μπορεί να λειτουργήσει ως κρίσιμο συμπλήρωμα της τηλεπισκόπησης, ιδιαίτερα όταν ενσωματώνεται σε υβριδικά και εξειδικευμένα συστήματα ανάλυσης. <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Συνολικά, η μελέτη καταλήγει στο συμπέρασμα ότι η citizen science έχει τη δυνατότητα να ενισχύσει ουσιαστικά την αξιοπιστία και την αποτελεσματικότητα της τηλεπισκόπησης στην περιβαλλοντική χαρτογράφηση. Παρότι τα συμμετοχικά δεδομένα παρουσιάζουν εγγενείς περιορισμούς, όπως χωρική και θεματική μεροληψία, οι συγγραφείς δείχνουν ότι αυτοί μπορούν να αντιμετωπιστούν μέσω κατάλληλων μεθόδων ποιοτικού ελέγχου, στατιστικής διόρθωσης και συνδυασμού με δορυφορικά δεδομένα υψηλής ανάλυσης. <br /> <br /> Η έρευνα υπογραμμίζει ότι η συμμετοχική επιστήμη δεν θα πρέπει να θεωρείται υποκατάστατο της επιστημονικής έρευνας πεδίου, αλλά ένα συμπληρωματικό εργαλείο που, όταν ενσωματώνεται σωστά, μπορεί να βελτιώσει τη χαρτογράφηση και την παρακολούθηση των οικοτόπων. Επιπλέον, η συνεργασία των επιστημόνων με περιβαλλοντικές οργανώσεις, κινήματα και μεμονομένους πολίτες, ενισχύει τη διάχυση της επιστημονικής γνώσης και δημιουργεί νέες δυνατότητες για την παρακολούθηση περιβαλλοντικών καταστροφών και αλλαγών, μέσω τηλεπισκόπησης. Το άρθρο προτείνει δηλαδή ένα συμμετοχικό και διεπιστημονικό μοντέλο «επικύρωσης από το έδαφος προς τον δορυφόρο», το οποίο μπορεί να αποτελέσει πρότυπο για μελλοντικές εφαρμογές στη διαχείριση και προστασία του περιβάλλοντος.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%BF%CF%85_%CF%81%CF%8C%CE%BB%CE%BF%CF%85_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7%CF%82_%CF%84%CF%89%CE%BD_%CF%80%CE%BF%CE%BB%CE%B9%CF%84%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CE%BA%CF%8D%CF%81%CF%89%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%84%CE%B1%CE%BE%CE%B9%CE%BD%CE%BF%CE%BC%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%BF%CE%B9%CE%BA%CE%BF%CF%84%CF%8C%CF%80%CF%89%CE%BD_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2026-01-30T14:41:49Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>'''Αξιολόγηση του ρόλου της επιστήμης των πολιτών στην επικύρωση των ταξινομήσεων οικοτόπων με τηλεπισκόπηση'''<br /> <br /> '''Assessing the role of citizen science in the validation of remote sensing habitat classifications'''<br /> <br /> Συγγραφείς: Samantha Suter, Brian Barrett, Natalie Welden<br /> Έτος δημοσίευσης: 2025<br /> <br /> Πηγή: [ https://besjournals.onlinelibrary.wiley.com/doi/full/10.1002/2688-8319.70131 ]<br /> <br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση αποτελεί σήμερα έναν από τους πλέον καθοριστικούς πυλώνες της περιβαλλοντικής και οικολογικής έρευνας, επιτρέποντας τη συστηματική παρακολούθηση οικοτόπων, μεταβολών χρήσεων γης και περιβαλλοντικών πιέσεων σε μεγάλα χωρικά και χρονικά εύρη. Μέσω δορυφορικών δεδομένων υψηλής ανάλυσης, οι επιστήμονες μπορούν να ανιχνεύουν φαινόμενα όπως η υποβάθμιση οικοσυστημάτων, η απώλεια βιοποικιλότητας και οι επιπτώσεις φυσικών καταστροφών. Ωστόσο, η αξιοπιστία των χαρτογραφήσεων που προκύπτουν από την τηλεπισκόπηση εξαρτάται ουσιαστικά από την ύπαρξη αξιόπιστων δεδομένων αναφοράς εδάφους, τα οποία χρησιμοποιούνται τόσο για την εκπαίδευση όσο και για την επικύρωση των αλγορίθμων ταξινόμησης. <br /> <br /> Στο πλαίσιο αυτό, η επιστήμη των πολιτών (citizen science - CS), δηλαδή η συμμετοχή πολιτών και περιβαλλοντικών ομάδων στη συλλογή επιστημονικών δεδομένων, έχει αναδειχθεί τα τελευταία χρόνια ως μια πολλά υποσχόμενη προσέγγιση. Το άρθρο εξετάζει τον βαθμό στον οποίο τα δεδομένα που συλλέγονται από μη ειδικούς μπορούν να συνεισφέρουν ουσιαστικά στη διαδικασία επικύρωσης ταξινομήσεων οικοτόπων που βασίζονται σε τηλεπισκοπικά δεδομένα. Κεντρικός στόχος του άρθρου είναι να αξιολογηθεί αν και πώς η συμμετοχική επιστήμη μπορεί να συμπληρώσει τα δεδομένα που προέρχονται από επαγγελματίες επιστήμονες, ενισχύοντας την ακρίβεια και τη χωρική κάλυψη των χαρτογραφήσεων. <br /> <br /> Σημειώνεται ότι η μελέτη βασίζεται σε σύνολα δεδομένων (datasets) που προέρχονται από υφιστάμενα προγράμματα citizen science και οικολογικής χαρτογράφησης στην Ευρώπη, τα οποία χρησιμοποιούνται για την επικύρωση τηλεπισκοπικών ταξινομήσεων οικοτόπων. Οι συγγραφείς δεν οργανώνουν την ανάλυσή τους γύρω από μία συγκεκριμένη γεωγραφική περιοχή, αλλά γύρω από τύπους οικοτόπων και μεθοδολογικά σενάρια έρευνας. <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται στον συνδυασμό δορυφορικών δεδομένων τηλεπισκόπησης και δεδομένων πεδίου που προέρχονται τόσο από ειδικούς επιστήμονες όσο και από συμμετέχοντες σε προγράμματα citizen science. Για την τηλεπισκοπική ανάλυση χρησιμοποιήθηκαν κυρίως πολυφασματικά δεδομένα Sentinel-2 του προγράμματος Copernicus, τα οποία προσφέρουν υψηλή χωρική και φασματική ανάλυση, κατάλληλη για τη χαρτογράφηση διαφορετικών τύπων οικοτόπων. Τα δεδομένα αυτά υποβλήθηκαν σε διαδικασίες ατμοσφαιρικής διόρθωσης, γεωμετρικής ευθυγράμμισης και αρχικής επεξεργασίας, ώστε να διασφαλιστεί η συγκρισιμότητά τους με τα δεδομένα πεδίου. <br /> <br /> Από τα δορυφορικά δεδομένα εξήχθησαν φασματικά χαρακτηριστικά και δείκτες βλάστησης, όπως ο NDVI και άλλοι συναφείς δείκτες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα εισαγωγής σε αλγορίθμους μηχανικής μάθησης για την ταξινόμηση οικοτόπων. Οι συγγραφείς εφάρμοσαν και συνέκριναν διαφορετικές τεχνικές ταξινόμησης, δίνοντας έμφαση στη δυνατότητα των αλγορίθμων να αξιοποιούν ετερογενή δεδομένα αναφοράς. <br /> <br /> Τα δεδομένα της citizen science συλλέχθηκαν υπό μορφή γεωαναφερμένων παρατηρήσεων, φωτογραφιών και περιγραφών οικοτόπων από εθελοντές και τοπικές περιβαλλοντικές ομάδες/κινήματα, οι οποίοι συμμετείχαν σε οργανωμένα προγράμματα καταγραφής περιβάλλοντος. Για να αντιμετωπιστούν ζητήματα ποιότητας, εφαρμόστηκαν διαδικασίες φιλτραρίσματος, όπως έλεγχοι χωρικής ακρίβειας, στατιστική ανίχνευση/ερμηνεία των ακραίων τιμών και διασταύρωση των συμμετοχικών δεδομένων με δεδομένα ειδικών επιστημόνων. <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα της μελέτης δείχνουν ότι τα δεδομένα της citizen science μπορούν να συμβάλουν ουσιαστικά στη διαδικασία επικύρωσης των τηλεπισκοπικών ταξινομήσεων, ιδίως ως προς τη χωρική κάλυψη των δεδομένων αναφοράς. Σε περιοχές όπου τα δεδομένα πεδίου από ειδικούς ήταν περιορισμένα ή αποσπασματικά, οι συμμετοχικές καταγραφές παρείχαν κρίσιμες πληροφορίες που βελτίωσαν την απόδοση των αλγορίθμων ταξινόμησης. <br /> <br /> Παράλληλα, η ανάλυση αποκάλυψε ότι η ποιότητα των citizen science δεδομένων παρουσιάζει μεγαλύτερη μεταβλητότητα σε σύγκριση με τα δεδομένα των ειδικών, ιδιαίτερα σε σύνθετους ή μεταβατικούς οικοτόπους. Ωστόσο, όταν τα συμμετοχικά δεδομένα υποβάλλονταν σε αυστηρό ποιοτικό έλεγχο και συνδυάζονταν με δορυφορικές χρονοσειρές, η ακρίβεια των χαρτογραφήσεων βελτιωνόταν σημαντικά. Ιδιαίτερα σημαντικός αποδείχθηκε ο ρόλος των πολυφασματικών καναλιών και των δεικτών βλάστησης, καθώς και η χρήση πολυχρονικών δεδομένων Sentinel-2, τα οποία επέτρεψαν τη διάκριση των εποχικών διαφορών μεταξύ των οικοτόπων. <br /> <br /> Ο συνδυασμός δεδομένων ειδικών και citizen science παρήγαγε τα καλύτερα αποτελέσματα, μειώνοντας τα σφάλματα ταξινόμησης και ενισχύοντας την ικανότητα ανίχνευσης μικρότερων ή πιο ιδιάζοντων οικοτόπων. Τα ευρήματα καταδεικνύουν ότι η συμμετοχική επιστήμη μπορεί να λειτουργήσει ως κρίσιμο συμπλήρωμα της τηλεπισκόπησης, ιδιαίτερα όταν ενσωματώνεται σε υβριδικά και εξειδικευμένα συστήματα ανάλυσης. <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Συνολικά, η μελέτη καταλήγει στο συμπέρασμα ότι η citizen science έχει τη δυνατότητα να ενισχύσει ουσιαστικά την αξιοπιστία και την αποτελεσματικότητα της τηλεπισκόπησης στην περιβαλλοντική χαρτογράφηση. Παρότι τα συμμετοχικά δεδομένα παρουσιάζουν εγγενείς περιορισμούς, όπως χωρική και θεματική μεροληψία, οι συγγραφείς δείχνουν ότι αυτοί μπορούν να αντιμετωπιστούν μέσω κατάλληλων μεθόδων ποιοτικού ελέγχου, στατιστικής διόρθωσης και συνδυασμού με δορυφορικά δεδομένα υψηλής ανάλυσης. <br /> <br /> Η έρευνα υπογραμμίζει ότι η συμμετοχική επιστήμη δεν θα πρέπει να θεωρείται υποκατάστατο της επιστημονικής έρευνας πεδίου, αλλά ένα συμπληρωματικό εργαλείο που, όταν ενσωματώνεται σωστά, μπορεί να βελτιώσει τη χαρτογράφηση και την παρακολούθηση των οικοτόπων. Επιπλέον, η συνεργασία των επιστημόνων με περιβαλλοντικές οργανώσεις, κινήματα και μεμονομένους πολίτες, ενισχύει τη διάχυση της επιστημονικής γνώσης και δημιουργεί νέες δυνατότητες για την παρακολούθηση περιβαλλοντικών καταστροφών και αλλαγών, μέσω τηλεπισκόπησης. Το άρθρο προτείνει δηλαδή ένα συμμετοχικό και διεπιστημονικό μοντέλο «επικύρωσης από το έδαφος προς τον δορυφόρο», το οποίο μπορεί να αποτελέσει πρότυπο για μελλοντικές εφαρμογές στη διαχείριση και προστασία του περιβάλλοντος.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%BF%CF%85_%CF%81%CF%8C%CE%BB%CE%BF%CF%85_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7%CF%82_%CF%84%CF%89%CE%BD_%CF%80%CE%BF%CE%BB%CE%B9%CF%84%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CE%BA%CF%8D%CF%81%CF%89%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%84%CE%B1%CE%BE%CE%B9%CE%BD%CE%BF%CE%BC%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%BF%CE%B9%CE%BA%CE%BF%CF%84%CF%8C%CF%80%CF%89%CE%BD_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2026-01-30T14:41:12Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>'''Αξιολόγηση του ρόλου της επιστήμης των πολιτών στην επικύρωση των ταξινομήσεων οικοτόπων με τηλεπισκόπηση'''<br /> <br /> '''Assessing the role of citizen science in the validation of remote sensing habitat classifications'''<br /> <br /> Συγγραφείς: Samantha Suter, Brian Barrett, Natalie Welden<br /> 2025<br /> <br /> Πηγή: [ https://besjournals.onlinelibrary.wiley.com/doi/full/10.1002/2688-8319.70131 ]<br /> <br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση αποτελεί σήμερα έναν από τους πλέον καθοριστικούς πυλώνες της περιβαλλοντικής και οικολογικής έρευνας, επιτρέποντας τη συστηματική παρακολούθηση οικοτόπων, μεταβολών χρήσεων γης και περιβαλλοντικών πιέσεων σε μεγάλα χωρικά και χρονικά εύρη. Μέσω δορυφορικών δεδομένων υψηλής ανάλυσης, οι επιστήμονες μπορούν να ανιχνεύουν φαινόμενα όπως η υποβάθμιση οικοσυστημάτων, η απώλεια βιοποικιλότητας και οι επιπτώσεις φυσικών καταστροφών. Ωστόσο, η αξιοπιστία των χαρτογραφήσεων που προκύπτουν από την τηλεπισκόπηση εξαρτάται ουσιαστικά από την ύπαρξη αξιόπιστων δεδομένων αναφοράς εδάφους, τα οποία χρησιμοποιούνται τόσο για την εκπαίδευση όσο και για την επικύρωση των αλγορίθμων ταξινόμησης. <br /> <br /> Στο πλαίσιο αυτό, η επιστήμη των πολιτών (citizen science - CS), δηλαδή η συμμετοχή πολιτών και περιβαλλοντικών ομάδων στη συλλογή επιστημονικών δεδομένων, έχει αναδειχθεί τα τελευταία χρόνια ως μια πολλά υποσχόμενη προσέγγιση. Το άρθρο εξετάζει τον βαθμό στον οποίο τα δεδομένα που συλλέγονται από μη ειδικούς μπορούν να συνεισφέρουν ουσιαστικά στη διαδικασία επικύρωσης ταξινομήσεων οικοτόπων που βασίζονται σε τηλεπισκοπικά δεδομένα. Κεντρικός στόχος του άρθρου είναι να αξιολογηθεί αν και πώς η συμμετοχική επιστήμη μπορεί να συμπληρώσει τα δεδομένα που προέρχονται από επαγγελματίες επιστήμονες, ενισχύοντας την ακρίβεια και τη χωρική κάλυψη των χαρτογραφήσεων. <br /> <br /> Σημειώνεται ότι η μελέτη βασίζεται σε σύνολα δεδομένων (datasets) που προέρχονται από υφιστάμενα προγράμματα citizen science και οικολογικής χαρτογράφησης στην Ευρώπη, τα οποία χρησιμοποιούνται για την επικύρωση τηλεπισκοπικών ταξινομήσεων οικοτόπων. Οι συγγραφείς δεν οργανώνουν την ανάλυσή τους γύρω από μία συγκεκριμένη γεωγραφική περιοχή, αλλά γύρω από τύπους οικοτόπων και μεθοδολογικά σενάρια έρευνας. <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται στον συνδυασμό δορυφορικών δεδομένων τηλεπισκόπησης και δεδομένων πεδίου που προέρχονται τόσο από ειδικούς επιστήμονες όσο και από συμμετέχοντες σε προγράμματα citizen science. Για την τηλεπισκοπική ανάλυση χρησιμοποιήθηκαν κυρίως πολυφασματικά δεδομένα Sentinel-2 του προγράμματος Copernicus, τα οποία προσφέρουν υψηλή χωρική και φασματική ανάλυση, κατάλληλη για τη χαρτογράφηση διαφορετικών τύπων οικοτόπων. Τα δεδομένα αυτά υποβλήθηκαν σε διαδικασίες ατμοσφαιρικής διόρθωσης, γεωμετρικής ευθυγράμμισης και αρχικής επεξεργασίας, ώστε να διασφαλιστεί η συγκρισιμότητά τους με τα δεδομένα πεδίου. <br /> <br /> Από τα δορυφορικά δεδομένα εξήχθησαν φασματικά χαρακτηριστικά και δείκτες βλάστησης, όπως ο NDVI και άλλοι συναφείς δείκτες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα εισαγωγής σε αλγορίθμους μηχανικής μάθησης για την ταξινόμηση οικοτόπων. Οι συγγραφείς εφάρμοσαν και συνέκριναν διαφορετικές τεχνικές ταξινόμησης, δίνοντας έμφαση στη δυνατότητα των αλγορίθμων να αξιοποιούν ετερογενή δεδομένα αναφοράς. <br /> <br /> Τα δεδομένα της citizen science συλλέχθηκαν υπό μορφή γεωαναφερμένων παρατηρήσεων, φωτογραφιών και περιγραφών οικοτόπων από εθελοντές και τοπικές περιβαλλοντικές ομάδες/κινήματα, οι οποίοι συμμετείχαν σε οργανωμένα προγράμματα καταγραφής περιβάλλοντος. Για να αντιμετωπιστούν ζητήματα ποιότητας, εφαρμόστηκαν διαδικασίες φιλτραρίσματος, όπως έλεγχοι χωρικής ακρίβειας, στατιστική ανίχνευση/ερμηνεία των ακραίων τιμών και διασταύρωση των συμμετοχικών δεδομένων με δεδομένα ειδικών επιστημόνων. <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα της μελέτης δείχνουν ότι τα δεδομένα της citizen science μπορούν να συμβάλουν ουσιαστικά στη διαδικασία επικύρωσης των τηλεπισκοπικών ταξινομήσεων, ιδίως ως προς τη χωρική κάλυψη των δεδομένων αναφοράς. Σε περιοχές όπου τα δεδομένα πεδίου από ειδικούς ήταν περιορισμένα ή αποσπασματικά, οι συμμετοχικές καταγραφές παρείχαν κρίσιμες πληροφορίες που βελτίωσαν την απόδοση των αλγορίθμων ταξινόμησης. <br /> <br /> Παράλληλα, η ανάλυση αποκάλυψε ότι η ποιότητα των citizen science δεδομένων παρουσιάζει μεγαλύτερη μεταβλητότητα σε σύγκριση με τα δεδομένα των ειδικών, ιδιαίτερα σε σύνθετους ή μεταβατικούς οικοτόπους. Ωστόσο, όταν τα συμμετοχικά δεδομένα υποβάλλονταν σε αυστηρό ποιοτικό έλεγχο και συνδυάζονταν με δορυφορικές χρονοσειρές, η ακρίβεια των χαρτογραφήσεων βελτιωνόταν σημαντικά. Ιδιαίτερα σημαντικός αποδείχθηκε ο ρόλος των πολυφασματικών καναλιών και των δεικτών βλάστησης, καθώς και η χρήση πολυχρονικών δεδομένων Sentinel-2, τα οποία επέτρεψαν τη διάκριση των εποχικών διαφορών μεταξύ των οικοτόπων. <br /> <br /> Ο συνδυασμός δεδομένων ειδικών και citizen science παρήγαγε τα καλύτερα αποτελέσματα, μειώνοντας τα σφάλματα ταξινόμησης και ενισχύοντας την ικανότητα ανίχνευσης μικρότερων ή πιο ιδιάζοντων οικοτόπων. Τα ευρήματα καταδεικνύουν ότι η συμμετοχική επιστήμη μπορεί να λειτουργήσει ως κρίσιμο συμπλήρωμα της τηλεπισκόπησης, ιδιαίτερα όταν ενσωματώνεται σε υβριδικά και εξειδικευμένα συστήματα ανάλυσης. <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Συνολικά, η μελέτη καταλήγει στο συμπέρασμα ότι η citizen science έχει τη δυνατότητα να ενισχύσει ουσιαστικά την αξιοπιστία και την αποτελεσματικότητα της τηλεπισκόπησης στην περιβαλλοντική χαρτογράφηση. Παρότι τα συμμετοχικά δεδομένα παρουσιάζουν εγγενείς περιορισμούς, όπως χωρική και θεματική μεροληψία, οι συγγραφείς δείχνουν ότι αυτοί μπορούν να αντιμετωπιστούν μέσω κατάλληλων μεθόδων ποιοτικού ελέγχου, στατιστικής διόρθωσης και συνδυασμού με δορυφορικά δεδομένα υψηλής ανάλυσης. <br /> <br /> Η έρευνα υπογραμμίζει ότι η συμμετοχική επιστήμη δεν θα πρέπει να θεωρείται υποκατάστατο της επιστημονικής έρευνας πεδίου, αλλά ένα συμπληρωματικό εργαλείο που, όταν ενσωματώνεται σωστά, μπορεί να βελτιώσει τη χαρτογράφηση και την παρακολούθηση των οικοτόπων. Επιπλέον, η συνεργασία των επιστημόνων με περιβαλλοντικές οργανώσεις, κινήματα και μεμονομένους πολίτες, ενισχύει τη διάχυση της επιστημονικής γνώσης και δημιουργεί νέες δυνατότητες για την παρακολούθηση περιβαλλοντικών καταστροφών και αλλαγών, μέσω τηλεπισκόπησης. Το άρθρο προτείνει δηλαδή ένα συμμετοχικό και διεπιστημονικό μοντέλο «επικύρωσης από το έδαφος προς τον δορυφόρο», το οποίο μπορεί να αποτελέσει πρότυπο για μελλοντικές εφαρμογές στη διαχείριση και προστασία του περιβάλλοντος.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%BF%CF%85_%CF%81%CF%8C%CE%BB%CE%BF%CF%85_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7%CF%82_%CF%84%CF%89%CE%BD_%CF%80%CE%BF%CE%BB%CE%B9%CF%84%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CE%BA%CF%8D%CF%81%CF%89%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%84%CE%B1%CE%BE%CE%B9%CE%BD%CE%BF%CE%BC%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%BF%CE%B9%CE%BA%CE%BF%CF%84%CF%8C%CF%80%CF%89%CE%BD_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2026-01-30T14:40:32Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>'''Αξιολόγηση του ρόλου της επιστήμης των πολιτών στην επικύρωση των ταξινομήσεων οικοτόπων με τηλεπισκόπηση'''<br /> <br /> '''Assessing the role of citizen science in the validation of remote sensing habitat classifications'''<br /> <br /> Συγγραφείς: Samantha Suter, Brian Barrett, Natalie Welden<br /> <br /> Πηγή: [ https://besjournals.onlinelibrary.wiley.com/doi/full/10.1002/2688-8319.70131 ]<br /> <br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση αποτελεί σήμερα έναν από τους πλέον καθοριστικούς πυλώνες της περιβαλλοντικής και οικολογικής έρευνας, επιτρέποντας τη συστηματική παρακολούθηση οικοτόπων, μεταβολών χρήσεων γης και περιβαλλοντικών πιέσεων σε μεγάλα χωρικά και χρονικά εύρη. Μέσω δορυφορικών δεδομένων υψηλής ανάλυσης, οι επιστήμονες μπορούν να ανιχνεύουν φαινόμενα όπως η υποβάθμιση οικοσυστημάτων, η απώλεια βιοποικιλότητας και οι επιπτώσεις φυσικών καταστροφών. Ωστόσο, η αξιοπιστία των χαρτογραφήσεων που προκύπτουν από την τηλεπισκόπηση εξαρτάται ουσιαστικά από την ύπαρξη αξιόπιστων δεδομένων αναφοράς εδάφους, τα οποία χρησιμοποιούνται τόσο για την εκπαίδευση όσο και για την επικύρωση των αλγορίθμων ταξινόμησης. <br /> <br /> Στο πλαίσιο αυτό, η επιστήμη των πολιτών (citizen science - CS), δηλαδή η συμμετοχή πολιτών και περιβαλλοντικών ομάδων στη συλλογή επιστημονικών δεδομένων, έχει αναδειχθεί τα τελευταία χρόνια ως μια πολλά υποσχόμενη προσέγγιση. Το άρθρο εξετάζει τον βαθμό στον οποίο τα δεδομένα που συλλέγονται από μη ειδικούς μπορούν να συνεισφέρουν ουσιαστικά στη διαδικασία επικύρωσης ταξινομήσεων οικοτόπων που βασίζονται σε τηλεπισκοπικά δεδομένα. Κεντρικός στόχος του άρθρου είναι να αξιολογηθεί αν και πώς η συμμετοχική επιστήμη μπορεί να συμπληρώσει τα δεδομένα που προέρχονται από επαγγελματίες επιστήμονες, ενισχύοντας την ακρίβεια και τη χωρική κάλυψη των χαρτογραφήσεων. <br /> <br /> Σημειώνεται ότι η μελέτη βασίζεται σε σύνολα δεδομένων (datasets) που προέρχονται από υφιστάμενα προγράμματα citizen science και οικολογικής χαρτογράφησης στην Ευρώπη, τα οποία χρησιμοποιούνται για την επικύρωση τηλεπισκοπικών ταξινομήσεων οικοτόπων. Οι συγγραφείς δεν οργανώνουν την ανάλυσή τους γύρω από μία συγκεκριμένη γεωγραφική περιοχή, αλλά γύρω από τύπους οικοτόπων και μεθοδολογικά σενάρια έρευνας. <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται στον συνδυασμό δορυφορικών δεδομένων τηλεπισκόπησης και δεδομένων πεδίου που προέρχονται τόσο από ειδικούς επιστήμονες όσο και από συμμετέχοντες σε προγράμματα citizen science. Για την τηλεπισκοπική ανάλυση χρησιμοποιήθηκαν κυρίως πολυφασματικά δεδομένα Sentinel-2 του προγράμματος Copernicus, τα οποία προσφέρουν υψηλή χωρική και φασματική ανάλυση, κατάλληλη για τη χαρτογράφηση διαφορετικών τύπων οικοτόπων. Τα δεδομένα αυτά υποβλήθηκαν σε διαδικασίες ατμοσφαιρικής διόρθωσης, γεωμετρικής ευθυγράμμισης και αρχικής επεξεργασίας, ώστε να διασφαλιστεί η συγκρισιμότητά τους με τα δεδομένα πεδίου. <br /> <br /> Από τα δορυφορικά δεδομένα εξήχθησαν φασματικά χαρακτηριστικά και δείκτες βλάστησης, όπως ο NDVI και άλλοι συναφείς δείκτες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα εισαγωγής σε αλγορίθμους μηχανικής μάθησης για την ταξινόμηση οικοτόπων. Οι συγγραφείς εφάρμοσαν και συνέκριναν διαφορετικές τεχνικές ταξινόμησης, δίνοντας έμφαση στη δυνατότητα των αλγορίθμων να αξιοποιούν ετερογενή δεδομένα αναφοράς. <br /> <br /> Τα δεδομένα της citizen science συλλέχθηκαν υπό μορφή γεωαναφερμένων παρατηρήσεων, φωτογραφιών και περιγραφών οικοτόπων από εθελοντές και τοπικές περιβαλλοντικές ομάδες/κινήματα, οι οποίοι συμμετείχαν σε οργανωμένα προγράμματα καταγραφής περιβάλλοντος. Για να αντιμετωπιστούν ζητήματα ποιότητας, εφαρμόστηκαν διαδικασίες φιλτραρίσματος, όπως έλεγχοι χωρικής ακρίβειας, στατιστική ανίχνευση/ερμηνεία των ακραίων τιμών και διασταύρωση των συμμετοχικών δεδομένων με δεδομένα ειδικών επιστημόνων. <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα της μελέτης δείχνουν ότι τα δεδομένα της citizen science μπορούν να συμβάλουν ουσιαστικά στη διαδικασία επικύρωσης των τηλεπισκοπικών ταξινομήσεων, ιδίως ως προς τη χωρική κάλυψη των δεδομένων αναφοράς. Σε περιοχές όπου τα δεδομένα πεδίου από ειδικούς ήταν περιορισμένα ή αποσπασματικά, οι συμμετοχικές καταγραφές παρείχαν κρίσιμες πληροφορίες που βελτίωσαν την απόδοση των αλγορίθμων ταξινόμησης. <br /> <br /> Παράλληλα, η ανάλυση αποκάλυψε ότι η ποιότητα των citizen science δεδομένων παρουσιάζει μεγαλύτερη μεταβλητότητα σε σύγκριση με τα δεδομένα των ειδικών, ιδιαίτερα σε σύνθετους ή μεταβατικούς οικοτόπους. Ωστόσο, όταν τα συμμετοχικά δεδομένα υποβάλλονταν σε αυστηρό ποιοτικό έλεγχο και συνδυάζονταν με δορυφορικές χρονοσειρές, η ακρίβεια των χαρτογραφήσεων βελτιωνόταν σημαντικά. Ιδιαίτερα σημαντικός αποδείχθηκε ο ρόλος των πολυφασματικών καναλιών και των δεικτών βλάστησης, καθώς και η χρήση πολυχρονικών δεδομένων Sentinel-2, τα οποία επέτρεψαν τη διάκριση των εποχικών διαφορών μεταξύ των οικοτόπων. <br /> <br /> Ο συνδυασμός δεδομένων ειδικών και citizen science παρήγαγε τα καλύτερα αποτελέσματα, μειώνοντας τα σφάλματα ταξινόμησης και ενισχύοντας την ικανότητα ανίχνευσης μικρότερων ή πιο ιδιάζοντων οικοτόπων. Τα ευρήματα καταδεικνύουν ότι η συμμετοχική επιστήμη μπορεί να λειτουργήσει ως κρίσιμο συμπλήρωμα της τηλεπισκόπησης, ιδιαίτερα όταν ενσωματώνεται σε υβριδικά και εξειδικευμένα συστήματα ανάλυσης. <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Συνολικά, η μελέτη καταλήγει στο συμπέρασμα ότι η citizen science έχει τη δυνατότητα να ενισχύσει ουσιαστικά την αξιοπιστία και την αποτελεσματικότητα της τηλεπισκόπησης στην περιβαλλοντική χαρτογράφηση. Παρότι τα συμμετοχικά δεδομένα παρουσιάζουν εγγενείς περιορισμούς, όπως χωρική και θεματική μεροληψία, οι συγγραφείς δείχνουν ότι αυτοί μπορούν να αντιμετωπιστούν μέσω κατάλληλων μεθόδων ποιοτικού ελέγχου, στατιστικής διόρθωσης και συνδυασμού με δορυφορικά δεδομένα υψηλής ανάλυσης. <br /> <br /> Η έρευνα υπογραμμίζει ότι η συμμετοχική επιστήμη δεν θα πρέπει να θεωρείται υποκατάστατο της επιστημονικής έρευνας πεδίου, αλλά ένα συμπληρωματικό εργαλείο που, όταν ενσωματώνεται σωστά, μπορεί να βελτιώσει τη χαρτογράφηση και την παρακολούθηση των οικοτόπων. Επιπλέον, η συνεργασία των επιστημόνων με περιβαλλοντικές οργανώσεις, κινήματα και μεμονομένους πολίτες, ενισχύει τη διάχυση της επιστημονικής γνώσης και δημιουργεί νέες δυνατότητες για την παρακολούθηση περιβαλλοντικών καταστροφών και αλλαγών, μέσω τηλεπισκόπησης. Το άρθρο προτείνει δηλαδή ένα συμμετοχικό και διεπιστημονικό μοντέλο «επικύρωσης από το έδαφος προς τον δορυφόρο», το οποίο μπορεί να αποτελέσει πρότυπο για μελλοντικές εφαρμογές στη διαχείριση και προστασία του περιβάλλοντος.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%BF%CF%85_%CF%81%CF%8C%CE%BB%CE%BF%CF%85_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7%CF%82_%CF%84%CF%89%CE%BD_%CF%80%CE%BF%CE%BB%CE%B9%CF%84%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CE%BA%CF%8D%CF%81%CF%89%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%84%CE%B1%CE%BE%CE%B9%CE%BD%CE%BF%CE%BC%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%BF%CE%B9%CE%BA%CE%BF%CF%84%CF%8C%CF%80%CF%89%CE%BD_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2026-01-30T14:37:35Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>'''Αξιολόγηση του ρόλου της επιστήμης των πολιτών στην επικύρωση των ταξινομήσεων οικοτόπων με τηλεπισκόπηση'''<br /> <br /> '''Assessing the role of citizen science in the validation of remote sensing habitat classifications'''<br /> <br /> Συγγραφείς: Samantha Suter, Brian Barrett, Natalie Welden<br /> <br /> Πηγή: [[ https://besjournals.onlinelibrary.wiley.com/doi/full/10.1002/2688-8319.70131 ]]<br /> <br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση αποτελεί σήμερα έναν από τους πλέον καθοριστικούς πυλώνες της περιβαλλοντικής και οικολογικής έρευνας, επιτρέποντας τη συστηματική παρακολούθηση οικοτόπων, μεταβολών χρήσεων γης και περιβαλλοντικών πιέσεων σε μεγάλα χωρικά και χρονικά εύρη. Μέσω δορυφορικών δεδομένων υψηλής ανάλυσης, οι επιστήμονες μπορούν να ανιχνεύουν φαινόμενα όπως η υποβάθμιση οικοσυστημάτων, η απώλεια βιοποικιλότητας και οι επιπτώσεις φυσικών καταστροφών. Ωστόσο, η αξιοπιστία των χαρτογραφήσεων που προκύπτουν από την τηλεπισκόπηση εξαρτάται ουσιαστικά από την ύπαρξη αξιόπιστων δεδομένων αναφοράς εδάφους, τα οποία χρησιμοποιούνται τόσο για την εκπαίδευση όσο και για την επικύρωση των αλγορίθμων ταξινόμησης. <br /> <br /> Στο πλαίσιο αυτό, η επιστήμη των πολιτών (citizen science - CS), δηλαδή η συμμετοχή πολιτών και περιβαλλοντικών ομάδων στη συλλογή επιστημονικών δεδομένων, έχει αναδειχθεί τα τελευταία χρόνια ως μια πολλά υποσχόμενη προσέγγιση. Το άρθρο εξετάζει τον βαθμό στον οποίο τα δεδομένα που συλλέγονται από μη ειδικούς μπορούν να συνεισφέρουν ουσιαστικά στη διαδικασία επικύρωσης ταξινομήσεων οικοτόπων που βασίζονται σε τηλεπισκοπικά δεδομένα. Κεντρικός στόχος του άρθρου είναι να αξιολογηθεί αν και πώς η συμμετοχική επιστήμη μπορεί να συμπληρώσει τα δεδομένα που προέρχονται από επαγγελματίες επιστήμονες, ενισχύοντας την ακρίβεια και τη χωρική κάλυψη των χαρτογραφήσεων. <br /> <br /> Σημειώνεται ότι η μελέτη βασίζεται σε σύνολα δεδομένων (datasets) που προέρχονται από υφιστάμενα προγράμματα citizen science και οικολογικής χαρτογράφησης στην Ευρώπη, τα οποία χρησιμοποιούνται για την επικύρωση τηλεπισκοπικών ταξινομήσεων οικοτόπων. Οι συγγραφείς δεν οργανώνουν την ανάλυσή τους γύρω από μία συγκεκριμένη γεωγραφική περιοχή, αλλά γύρω από τύπους οικοτόπων και μεθοδολογικά σενάρια έρευνας. <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται στον συνδυασμό δορυφορικών δεδομένων τηλεπισκόπησης και δεδομένων πεδίου που προέρχονται τόσο από ειδικούς επιστήμονες όσο και από συμμετέχοντες σε προγράμματα citizen science. Για την τηλεπισκοπική ανάλυση χρησιμοποιήθηκαν κυρίως πολυφασματικά δεδομένα Sentinel-2 του προγράμματος Copernicus, τα οποία προσφέρουν υψηλή χωρική και φασματική ανάλυση, κατάλληλη για τη χαρτογράφηση διαφορετικών τύπων οικοτόπων. Τα δεδομένα αυτά υποβλήθηκαν σε διαδικασίες ατμοσφαιρικής διόρθωσης, γεωμετρικής ευθυγράμμισης και αρχικής επεξεργασίας, ώστε να διασφαλιστεί η συγκρισιμότητά τους με τα δεδομένα πεδίου. <br /> <br /> Από τα δορυφορικά δεδομένα εξήχθησαν φασματικά χαρακτηριστικά και δείκτες βλάστησης, όπως ο NDVI και άλλοι συναφείς δείκτες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα εισαγωγής σε αλγορίθμους μηχανικής μάθησης για την ταξινόμηση οικοτόπων. Οι συγγραφείς εφάρμοσαν και συνέκριναν διαφορετικές τεχνικές ταξινόμησης, δίνοντας έμφαση στη δυνατότητα των αλγορίθμων να αξιοποιούν ετερογενή δεδομένα αναφοράς. <br /> <br /> Τα δεδομένα της citizen science συλλέχθηκαν υπό μορφή γεωαναφερμένων παρατηρήσεων, φωτογραφιών και περιγραφών οικοτόπων από εθελοντές και τοπικές περιβαλλοντικές ομάδες/κινήματα, οι οποίοι συμμετείχαν σε οργανωμένα προγράμματα καταγραφής περιβάλλοντος. Για να αντιμετωπιστούν ζητήματα ποιότητας, εφαρμόστηκαν διαδικασίες φιλτραρίσματος, όπως έλεγχοι χωρικής ακρίβειας, στατιστική ανίχνευση/ερμηνεία των ακραίων τιμών και διασταύρωση των συμμετοχικών δεδομένων με δεδομένα ειδικών επιστημόνων. <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα της μελέτης δείχνουν ότι τα δεδομένα της citizen science μπορούν να συμβάλουν ουσιαστικά στη διαδικασία επικύρωσης των τηλεπισκοπικών ταξινομήσεων, ιδίως ως προς τη χωρική κάλυψη των δεδομένων αναφοράς. Σε περιοχές όπου τα δεδομένα πεδίου από ειδικούς ήταν περιορισμένα ή αποσπασματικά, οι συμμετοχικές καταγραφές παρείχαν κρίσιμες πληροφορίες που βελτίωσαν την απόδοση των αλγορίθμων ταξινόμησης. <br /> <br /> Παράλληλα, η ανάλυση αποκάλυψε ότι η ποιότητα των citizen science δεδομένων παρουσιάζει μεγαλύτερη μεταβλητότητα σε σύγκριση με τα δεδομένα των ειδικών, ιδιαίτερα σε σύνθετους ή μεταβατικούς οικοτόπους. Ωστόσο, όταν τα συμμετοχικά δεδομένα υποβάλλονταν σε αυστηρό ποιοτικό έλεγχο και συνδυάζονταν με δορυφορικές χρονοσειρές, η ακρίβεια των χαρτογραφήσεων βελτιωνόταν σημαντικά. Ιδιαίτερα σημαντικός αποδείχθηκε ο ρόλος των πολυφασματικών καναλιών και των δεικτών βλάστησης, καθώς και η χρήση πολυχρονικών δεδομένων Sentinel-2, τα οποία επέτρεψαν τη διάκριση των εποχικών διαφορών μεταξύ των οικοτόπων. <br /> <br /> Ο συνδυασμός δεδομένων ειδικών και citizen science παρήγαγε τα καλύτερα αποτελέσματα, μειώνοντας τα σφάλματα ταξινόμησης και ενισχύοντας την ικανότητα ανίχνευσης μικρότερων ή πιο ιδιάζοντων οικοτόπων. Τα ευρήματα καταδεικνύουν ότι η συμμετοχική επιστήμη μπορεί να λειτουργήσει ως κρίσιμο συμπλήρωμα της τηλεπισκόπησης, ιδιαίτερα όταν ενσωματώνεται σε υβριδικά και εξειδικευμένα συστήματα ανάλυσης. <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Συνολικά, η μελέτη καταλήγει στο συμπέρασμα ότι η citizen science έχει τη δυνατότητα να ενισχύσει ουσιαστικά την αξιοπιστία και την αποτελεσματικότητα της τηλεπισκόπησης στην περιβαλλοντική χαρτογράφηση. Παρότι τα συμμετοχικά δεδομένα παρουσιάζουν εγγενείς περιορισμούς, όπως χωρική και θεματική μεροληψία, οι συγγραφείς δείχνουν ότι αυτοί μπορούν να αντιμετωπιστούν μέσω κατάλληλων μεθόδων ποιοτικού ελέγχου, στατιστικής διόρθωσης και συνδυασμού με δορυφορικά δεδομένα υψηλής ανάλυσης. <br /> <br /> Η έρευνα υπογραμμίζει ότι η συμμετοχική επιστήμη δεν θα πρέπει να θεωρείται υποκατάστατο της επιστημονικής έρευνας πεδίου, αλλά ένα συμπληρωματικό εργαλείο που, όταν ενσωματώνεται σωστά, μπορεί να βελτιώσει τη χαρτογράφηση και την παρακολούθηση των οικοτόπων. Επιπλέον, η συνεργασία των επιστημόνων με περιβαλλοντικές οργανώσεις, κινήματα και μεμονομένους πολίτες, ενισχύει τη διάχυση της επιστημονικής γνώσης και δημιουργεί νέες δυνατότητες για την παρακολούθηση περιβαλλοντικών καταστροφών και αλλαγών, μέσω τηλεπισκόπησης. Το άρθρο προτείνει δηλαδή ένα συμμετοχικό και διεπιστημονικό μοντέλο «επικύρωσης από το έδαφος προς τον δορυφόρο», το οποίο μπορεί να αποτελέσει πρότυπο για μελλοντικές εφαρμογές στη διαχείριση και προστασία του περιβάλλοντος.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%BF%CF%85_%CF%81%CF%8C%CE%BB%CE%BF%CF%85_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%B9%CF%83%CF%84%CE%AE%CE%BC%CE%B7%CF%82_%CF%84%CF%89%CE%BD_%CF%80%CE%BF%CE%BB%CE%B9%CF%84%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%B5%CF%80%CE%B9%CE%BA%CF%8D%CF%81%CF%89%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%84%CE%B1%CE%BE%CE%B9%CE%BD%CE%BF%CE%BC%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CE%BF%CE%B9%CE%BA%CE%BF%CF%84%CF%8C%CF%80%CF%89%CE%BD_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2026-01-30T14:37:15Z

<p>PANAGIS PANAGIOTIS: Νέα σελίδα με ''''Αξιολόγηση του ρόλου της επιστήμης των πολιτών στην επικύρωση των ταξινομήσεων οικοτόπων μ...'</p> <hr /> <div>'''Αξιολόγηση του ρόλου της επιστήμης των πολιτών στην επικύρωση των ταξινομήσεων οικοτόπων με τηλεπισκόπηση'''<br /> <br /> '''Assessing the role of citizen science in the validation of remote sensing habitat classifications'''<br /> <br /> Συγγραφείς: Samantha Suter, Brian Barrett, Natalie Welden<br /> <br /> Πηγή: [[https://besjournals.onlinelibrary.wiley.com/doi/full/10.1002/2688-8319.70131]]<br /> <br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η τηλεπισκόπηση αποτελεί σήμερα έναν από τους πλέον καθοριστικούς πυλώνες της περιβαλλοντικής και οικολογικής έρευνας, επιτρέποντας τη συστηματική παρακολούθηση οικοτόπων, μεταβολών χρήσεων γης και περιβαλλοντικών πιέσεων σε μεγάλα χωρικά και χρονικά εύρη. Μέσω δορυφορικών δεδομένων υψηλής ανάλυσης, οι επιστήμονες μπορούν να ανιχνεύουν φαινόμενα όπως η υποβάθμιση οικοσυστημάτων, η απώλεια βιοποικιλότητας και οι επιπτώσεις φυσικών καταστροφών. Ωστόσο, η αξιοπιστία των χαρτογραφήσεων που προκύπτουν από την τηλεπισκόπηση εξαρτάται ουσιαστικά από την ύπαρξη αξιόπιστων δεδομένων αναφοράς εδάφους, τα οποία χρησιμοποιούνται τόσο για την εκπαίδευση όσο και για την επικύρωση των αλγορίθμων ταξινόμησης. <br /> <br /> Στο πλαίσιο αυτό, η επιστήμη των πολιτών (citizen science - CS), δηλαδή η συμμετοχή πολιτών και περιβαλλοντικών ομάδων στη συλλογή επιστημονικών δεδομένων, έχει αναδειχθεί τα τελευταία χρόνια ως μια πολλά υποσχόμενη προσέγγιση. Το άρθρο εξετάζει τον βαθμό στον οποίο τα δεδομένα που συλλέγονται από μη ειδικούς μπορούν να συνεισφέρουν ουσιαστικά στη διαδικασία επικύρωσης ταξινομήσεων οικοτόπων που βασίζονται σε τηλεπισκοπικά δεδομένα. Κεντρικός στόχος του άρθρου είναι να αξιολογηθεί αν και πώς η συμμετοχική επιστήμη μπορεί να συμπληρώσει τα δεδομένα που προέρχονται από επαγγελματίες επιστήμονες, ενισχύοντας την ακρίβεια και τη χωρική κάλυψη των χαρτογραφήσεων. <br /> <br /> Σημειώνεται ότι η μελέτη βασίζεται σε σύνολα δεδομένων (datasets) που προέρχονται από υφιστάμενα προγράμματα citizen science και οικολογικής χαρτογράφησης στην Ευρώπη, τα οποία χρησιμοποιούνται για την επικύρωση τηλεπισκοπικών ταξινομήσεων οικοτόπων. Οι συγγραφείς δεν οργανώνουν την ανάλυσή τους γύρω από μία συγκεκριμένη γεωγραφική περιοχή, αλλά γύρω από τύπους οικοτόπων και μεθοδολογικά σενάρια έρευνας. <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται στον συνδυασμό δορυφορικών δεδομένων τηλεπισκόπησης και δεδομένων πεδίου που προέρχονται τόσο από ειδικούς επιστήμονες όσο και από συμμετέχοντες σε προγράμματα citizen science. Για την τηλεπισκοπική ανάλυση χρησιμοποιήθηκαν κυρίως πολυφασματικά δεδομένα Sentinel-2 του προγράμματος Copernicus, τα οποία προσφέρουν υψηλή χωρική και φασματική ανάλυση, κατάλληλη για τη χαρτογράφηση διαφορετικών τύπων οικοτόπων. Τα δεδομένα αυτά υποβλήθηκαν σε διαδικασίες ατμοσφαιρικής διόρθωσης, γεωμετρικής ευθυγράμμισης και αρχικής επεξεργασίας, ώστε να διασφαλιστεί η συγκρισιμότητά τους με τα δεδομένα πεδίου. <br /> <br /> Από τα δορυφορικά δεδομένα εξήχθησαν φασματικά χαρακτηριστικά και δείκτες βλάστησης, όπως ο NDVI και άλλοι συναφείς δείκτες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα εισαγωγής σε αλγορίθμους μηχανικής μάθησης για την ταξινόμηση οικοτόπων. Οι συγγραφείς εφάρμοσαν και συνέκριναν διαφορετικές τεχνικές ταξινόμησης, δίνοντας έμφαση στη δυνατότητα των αλγορίθμων να αξιοποιούν ετερογενή δεδομένα αναφοράς. <br /> <br /> Τα δεδομένα της citizen science συλλέχθηκαν υπό μορφή γεωαναφερμένων παρατηρήσεων, φωτογραφιών και περιγραφών οικοτόπων από εθελοντές και τοπικές περιβαλλοντικές ομάδες/κινήματα, οι οποίοι συμμετείχαν σε οργανωμένα προγράμματα καταγραφής περιβάλλοντος. Για να αντιμετωπιστούν ζητήματα ποιότητας, εφαρμόστηκαν διαδικασίες φιλτραρίσματος, όπως έλεγχοι χωρικής ακρίβειας, στατιστική ανίχνευση/ερμηνεία των ακραίων τιμών και διασταύρωση των συμμετοχικών δεδομένων με δεδομένα ειδικών επιστημόνων. <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα της μελέτης δείχνουν ότι τα δεδομένα της citizen science μπορούν να συμβάλουν ουσιαστικά στη διαδικασία επικύρωσης των τηλεπισκοπικών ταξινομήσεων, ιδίως ως προς τη χωρική κάλυψη των δεδομένων αναφοράς. Σε περιοχές όπου τα δεδομένα πεδίου από ειδικούς ήταν περιορισμένα ή αποσπασματικά, οι συμμετοχικές καταγραφές παρείχαν κρίσιμες πληροφορίες που βελτίωσαν την απόδοση των αλγορίθμων ταξινόμησης. <br /> <br /> Παράλληλα, η ανάλυση αποκάλυψε ότι η ποιότητα των citizen science δεδομένων παρουσιάζει μεγαλύτερη μεταβλητότητα σε σύγκριση με τα δεδομένα των ειδικών, ιδιαίτερα σε σύνθετους ή μεταβατικούς οικοτόπους. Ωστόσο, όταν τα συμμετοχικά δεδομένα υποβάλλονταν σε αυστηρό ποιοτικό έλεγχο και συνδυάζονταν με δορυφορικές χρονοσειρές, η ακρίβεια των χαρτογραφήσεων βελτιωνόταν σημαντικά. Ιδιαίτερα σημαντικός αποδείχθηκε ο ρόλος των πολυφασματικών καναλιών και των δεικτών βλάστησης, καθώς και η χρήση πολυχρονικών δεδομένων Sentinel-2, τα οποία επέτρεψαν τη διάκριση των εποχικών διαφορών μεταξύ των οικοτόπων. <br /> <br /> Ο συνδυασμός δεδομένων ειδικών και citizen science παρήγαγε τα καλύτερα αποτελέσματα, μειώνοντας τα σφάλματα ταξινόμησης και ενισχύοντας την ικανότητα ανίχνευσης μικρότερων ή πιο ιδιάζοντων οικοτόπων. Τα ευρήματα καταδεικνύουν ότι η συμμετοχική επιστήμη μπορεί να λειτουργήσει ως κρίσιμο συμπλήρωμα της τηλεπισκόπησης, ιδιαίτερα όταν ενσωματώνεται σε υβριδικά και εξειδικευμένα συστήματα ανάλυσης. <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Συνολικά, η μελέτη καταλήγει στο συμπέρασμα ότι η citizen science έχει τη δυνατότητα να ενισχύσει ουσιαστικά την αξιοπιστία και την αποτελεσματικότητα της τηλεπισκόπησης στην περιβαλλοντική χαρτογράφηση. Παρότι τα συμμετοχικά δεδομένα παρουσιάζουν εγγενείς περιορισμούς, όπως χωρική και θεματική μεροληψία, οι συγγραφείς δείχνουν ότι αυτοί μπορούν να αντιμετωπιστούν μέσω κατάλληλων μεθόδων ποιοτικού ελέγχου, στατιστικής διόρθωσης και συνδυασμού με δορυφορικά δεδομένα υψηλής ανάλυσης. <br /> <br /> Η έρευνα υπογραμμίζει ότι η συμμετοχική επιστήμη δεν θα πρέπει να θεωρείται υποκατάστατο της επιστημονικής έρευνας πεδίου, αλλά ένα συμπληρωματικό εργαλείο που, όταν ενσωματώνεται σωστά, μπορεί να βελτιώσει τη χαρτογράφηση και την παρακολούθηση των οικοτόπων. Επιπλέον, η συνεργασία των επιστημόνων με περιβαλλοντικές οργανώσεις, κινήματα και μεμονομένους πολίτες, ενισχύει τη διάχυση της επιστημονικής γνώσης και δημιουργεί νέες δυνατότητες για την παρακολούθηση περιβαλλοντικών καταστροφών και αλλαγών, μέσω τηλεπισκόπησης. Το άρθρο προτείνει δηλαδή ένα συμμετοχικό και διεπιστημονικό μοντέλο «επικύρωσης από το έδαφος προς τον δορυφόρο», το οποίο μπορεί να αποτελέσει πρότυπο για μελλοντικές εφαρμογές στη διαχείριση και προστασία του περιβάλλοντος.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_3.3.PNG 2026-01-30T14:29:56Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_3.2.PNG 2026-01-30T14:29:34Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_3.1.PNG 2026-01-30T14:28:33Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:PPANAGIS_1.1.png 2026-01-30T14:25:54Z

<p>PANAGIS PANAGIOTIS: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:PPANAGIS 1.1.png&amp;quot;</p> <hr /> <div></div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%BC%CE%B5%CF%84%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B1%CF%80%CE%BF%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CF%84%CE%BF%CE%B9%CE%BA%CE%B7%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CE%BF%CF%8D%CF%82_%CE%B4%CE%B5%CE%AF%CE%BA%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-01-30T13:18:31Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>'''Παρακολούθηση και ανάλυση της μετεγκατάστασης και αποκατάστασης κατοικημένων περιοχών με βάση πολλαπλούς δείκτες τηλεπισκόπησης'''<br /> <br /> '''Monitoring and Analysis of Relocation and Reclamation of Residential Areas Based on Multiple Remote Sensing Indices'''<br /> <br /> Συγγραφείς: Huiping Huang, Yingqi Wang, Chao Yuan, Wenlu Zhu, Yichen Tian<br /> <br /> Πηγή: [[https://www.mdpi.com/2073-445X/14/2/401]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Το άρθρο παρουσιάζει μια καινοτόμο προσέγγιση μέσω τηλεπισκόπησης, για την παρακολούθηση της προόδου σε έργα αλλαγής χρήσης γης. Η μελέτη επικεντρώνεται στην περιοχή της πεδιάδας του Κίτρινου Ποταμού στην επαρχία Χενάν της Κίνας, ένα εκτεταμένο αγροτικό/οικιστικό περιβάλλον που απειλείται από πλημμύρες και όπου η πολιτεία υλοποίησε προγράμματα μετεγκατάστασης κατοίκων από περιοχές υψηλού κινδύνου πλημμυρών σε ασφαλέστερες θέσεις. Η μετεγκατάσταση και ο εξής επακόλουθος στόχος — η επανάκτηση της γης των κατεδαφισμένων οικισμών για γεωργική χρήση — παρουσιάζουν σημαντικές προκλήσεις στην εφαρμογή και αξιολόγησή τους. Ουσιαστικά, η μετατροπή της πρώην οικιστικής γης σε αγροτική γη μεταφράζεται σε φυτική κάλυψη που πρέπει να διακριθεί από άλλες μορφές χρήσης γης στο χάρτη. Ως εκ τούτου, το άρθρο επιχειρεί να προσφέρει μια αξιόπιστη μέθοδο με remote sensing που να μπορεί να παρακολουθεί σε λεπτομερές επίπεδο την πρόοδο αυτών των αλλαγών — τόσο την κατεδάφιση/μετεγκατάσταση όσο και την καλύτερη επανάκτηση/γεωργική επανάχρηση — με υψηλή ακρίβεια. Η κεντρική υπόθεση είναι ότι οι αλλαγές στην κάλυψη εδάφους — από δομημένη οικιστική χρήση σε γυμνό χώμα και τελικά σε καλλιεργήσιμη γη — μπορούν να εντοπιστούν και να ποσοτικοποιηθούν μέσω πολλαπλών δεικτών τηλεπισκόπησης, δεδομένων υψηλής ανάλυσης και στατιστικών μοντέλων.<br /> <br /> [[ Αρχείο:PPANAGIS_3.1.PNG|thumb|right|Δορυφορικές και UAV εικόνες των διάφορων σταδίων της μετεγκατάστασης και αποκατάστασης των οικισμών ]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Το πεδίο εφαρμογής αφορά μια έκταση περίπου 2.116 km² με μεγάλο πληθυσμό και αγροτικές εκτάσεις, όπου πραγματοποιήθηκαν προγράμματα μετεγκατάστασης κατοίκων και επανάκτησης γης από το 2015 έως το 2023. Η μελέτη χρησιμοποίησε σειρές δορυφορικών εικόνων μέσα στα χρόνια αυτά, από τον Landsat-8 OLI με ανάλυση 30 m για βασικούς δείκτες, και τον GaoFen-2 (GF-2) με ανάλυση 4 m για λεπτομερή ανάλυση κάλυψης γης. Επιπλέον, χρησιμοποιήθηκαν δεδομένα Human Settlement Footprint (WSF) για τον εντοπισμό των φυσικών ορίων των οικισμών του 2015 και πολυγωνικά στοιχεία “Points of Interest” (POI) για τη συσχέτιση των οικισμών με ονόματα και τοποθεσίες. <br /> <br /> Ένα βασικό τεχνικό πρόβλημα ήταν ότι οι εικόνες GF-2 δεν περιέχουν ζώνες βραχείας υπέρυθρης ακτινοβολίας (SWIR), απαραίτητες για αρκετούς δείκτες κάλυψης γης. Για να αντιμετωπιστεί αυτό, οι ερευνητές χρησιμοποίησαν ένα Random Forest μοντέλο για να προβλέψουν και να δημιουργήσουν υψηλής ανάλυσης SWIR bands από δεδομένα Landsat-8, εισάγοντας έτσι εύρος φάσματος και υψηλή χωρική λεπτομέρεια στους δείκτες της μελέτης. <br /> <br /> Για την ταξινόμηση της κάλυψης γης εφαρμόστηκαν πολλαπλοί δείκτες όπως ο Enhanced Artificial Surface Index (EASI: ένας νέος δείκτης που ενσωματώνει προηγούμενους δείκτες Επιφανειακής Τεχνητής Κάλυψης και πρόσθετους παράγοντες για την καλύτερη διάκριση μεταξύ αγρού, γης και κατασκευής), και ο Κernel Normalized Difference Vegetation Index (kNDVI: μια βελτιωμένη μορφή του NDVI που αντιμετωπίζει την κορεσμό των φυτικών δεικτών σε υψηλής κάλυψης περιοχές. Οι δείκτες αυτοί εφαρμόστηκαν σε χάρτες υψηλής ανάλυσης, και με βάση διάφορα κατώφλια (thresholds) των δεικτών πραγματοποιήθηκε η ταξινόμηση των 246 οικισμών που μελετήθηκαν σε τρεις κατηγορίες: (α) 56 μη μετεγκατασταθέντες (κυριαρχία κτισμένου περιβάλλοντος), (β) 134 μετεγκατασταθέντες αλλά μη επανακτηθέντες από γεωργική χρήση (κυριαρχία γυμνού εδάφους ή σποραδικής βλάστησης) και (γ) 56 μετεγκατασταθέντες και επανακτηθέντες από γεωργική χρήση ή/και φυσική βλάστηση (υψηλή φυτική κάλυψη).<br /> <br /> [[ Αρχείο:PPANAGIS_3.2.PNG|thumb|right|Βέλτιστα κατώφλια για την εξαγωγή κτισμένων εκτάσεων και βλάστησης με χρήση EASI και kNDVI ]]<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η εφαρμογή του Random Forest για downscaling των SWIR bands, επιβεβαίωσε ότι η διαδικασία διατήρησε το προηγούμενο πληροφοριακό περιεχόμενο, αυξάνοντας τη χωρική λεπτομέρειά του. Η συνολική ακρίβεια της αναγνώρισης της κατάστασης των περιοχών μελέτης μέσω EASI και kNDVI έφτασε στο 93,5%, ελέγχοντας αποτελέσματα με υψηλής ανάλυσης εικόνες και επιτόπιες μετρήσεις, επιβεβαιώνοντας υψηλή ταυτοποίηση κτισμένου περιβάλλοντος, κενής γης και γεωργικών εκτάσεων. <br /> <br /> Δεδομένου του αριθμού των οικισμών που δεν μετεγκαταστάθηκαν, ή μετεγκαταστάθηκαν και δεν επανακτήθηκαν ή μετεγκαταστάθηκαν και η γη που καταλάμβαναν επανακτήθηκε ως γεωργική πια, φάνηκε ότι η κατεδάφιση και μετεγκατάσταση είχε ένα γενικό ποσοστό ολοκλήρωσης 77%, αλλά η μετατροπή σε γεωργική χρήση ήταν μόλις 23%, πολύ μικρότερη από τους στόχους των πολιτικών σχεδίων. Επιπλέον, οι επιτόπιες παρατηρήσεις έδειξαν ότι η ταξινόμηση κάποιων περιοχών ως «αποκατεστημένες» μπορεί να είναι σχετικά παραπλανητική λόγω της σποραδικής βλάστησης ή των φυτεύσεων από κατοίκους, γεγονός που μειώνει ελαφρώς την ακρίβεια στη μελέτη της επανάκτησης της γης.<br /> <br /> [[ Αρχείο:PPANAGIS_3.3.PNG|thumb|right|Σχηματικό διάγραμμα των επιπτώσεων της υλοποίησης έργων μετεγκατάστασης και αποκατάστασης με βάση τα EASI και kNDVI ]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι η ενσωμάτωση πολλών τηλεπισκοπικών δεικτών, η χρήση στατιστικών μοντέλων downscaling και η ταξινόμηση σε επίπεδο οικισμού, δημιουργούν μια αποτελεσματική μεθοδολογία για την παρακολούθηση της αλλαγής χρήσης της. <br /> <br /> Συνοπτικά, ο συνδυασμός EASI και kNDVI απέδωσε υψηλή διακριτική ικανότητα μεταξύ των διάφορων νέων καλύψεων γης, ενώ η αξιολόγηση της υλοποίησης των πολιτικών μετεγκατάστασης και επανάκτησης αποκάλυψε σημαντική καθυστέρηση στις φάσεις ανάκτησης. Επίσης, η προτεινόμενη μεθοδολογία, ιδίως η δημιουργία υψηλής ανάλυσης SWIR bands μέσω μηχανικής μάθησης, έχει μεγάλη εφαρμοστική δυνατότητα και σε άλλες περιπτώσεις παρακολούθησης αλλαγών χρήσης γης, πέρα από την παρούσα περίπτωση. Τέλος, προτείνεται ότι κάθε μελλοντική έρευνα θα πρέπει να ενσωματώνει σειρές εικόνων σε βάθος χρόνου και τεχνικές βαθιάς μάθησης για περαιτέρω βελτίωση της απόδοσης των remote sensing δεικτών. <br /> <br /> <br /> <br /> [[category:Ποιότητα τοπίου]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%BC%CE%B5%CF%84%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B1%CF%80%CE%BF%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CF%84%CE%BF%CE%B9%CE%BA%CE%B7%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CE%BF%CF%8D%CF%82_%CE%B4%CE%B5%CE%AF%CE%BA%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-01-30T13:16:56Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>'''Παρακολούθηση και ανάλυση της μετεγκατάστασης και αποκατάστασης κατοικημένων περιοχών με βάση πολλαπλούς δείκτες τηλεπισκόπησης'''<br /> <br /> '''Monitoring and Analysis of Relocation and Reclamation of Residential Areas Based on Multiple Remote Sensing Indices'''<br /> <br /> Συγγραφείς: Huiping Huang, Yingqi Wang, Chao Yuan, Wenlu Zhu, Yichen Tian<br /> <br /> Πηγή: [[https://www.mdpi.com/2073-445X/14/2/401]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Το άρθρο παρουσιάζει μια καινοτόμο προσέγγιση μέσω τηλεπισκόπησης, για την παρακολούθηση της προόδου σε έργα αλλαγής χρήσης γης. Η μελέτη επικεντρώνεται στην περιοχή της πεδιάδας του Κίτρινου Ποταμού στην επαρχία Χενάν της Κίνας, ένα εκτεταμένο αγροτικό/οικιστικό περιβάλλον που απειλείται από πλημμύρες και όπου η πολιτεία υλοποίησε προγράμματα μετεγκατάστασης κατοίκων από περιοχές υψηλού κινδύνου πλημμυρών σε ασφαλέστερες θέσεις. Η μετεγκατάσταση και ο εξής επακόλουθος στόχος — η επανάκτηση της γης των κατεδαφισμένων οικισμών για γεωργική χρήση — παρουσιάζουν σημαντικές προκλήσεις στην εφαρμογή και αξιολόγησή τους. Ουσιαστικά, η μετατροπή της πρώην οικιστικής γης σε αγροτική γη μεταφράζεται σε φυτική κάλυψη που πρέπει να διακριθεί από άλλες μορφές χρήσης γης στο χάρτη. Ως εκ τούτου, το άρθρο επιχειρεί να προσφέρει μια αξιόπιστη μέθοδο με remote sensing που να μπορεί να παρακολουθεί σε λεπτομερές επίπεδο την πρόοδο αυτών των αλλαγών — τόσο την κατεδάφιση/μετεγκατάσταση όσο και την καλύτερη επανάκτηση/γεωργική επανάχρηση — με υψηλή ακρίβεια. Η κεντρική υπόθεση είναι ότι οι αλλαγές στην κάλυψη εδάφους — από δομημένη οικιστική χρήση σε γυμνό χώμα και τελικά σε καλλιεργήσιμη γη — μπορούν να εντοπιστούν και να ποσοτικοποιηθούν μέσω πολλαπλών δεικτών τηλεπισκόπησης, δεδομένων υψηλής ανάλυσης και στατιστικών μοντέλων.<br /> <br /> [[Αρχείο:PPANAGIS_3.1.PNG|thumb|right|Δορυφορικές και UAV εικόνες των διάφορων σταδίων της μετεγκατάστασης και αποκατάστασης των οικισμών]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Το πεδίο εφαρμογής αφορά μια έκταση περίπου 2.116 km² με μεγάλο πληθυσμό και αγροτικές εκτάσεις, όπου πραγματοποιήθηκαν προγράμματα μετεγκατάστασης κατοίκων και επανάκτησης γης από το 2015 έως το 2023. Η μελέτη χρησιμοποίησε σειρές δορυφορικών εικόνων μέσα στα χρόνια αυτά, από τον Landsat-8 OLI με ανάλυση 30 m για βασικούς δείκτες, και τον GaoFen-2 (GF-2) με ανάλυση 4 m για λεπτομερή ανάλυση κάλυψης γης. Επιπλέον, χρησιμοποιήθηκαν δεδομένα Human Settlement Footprint (WSF) για τον εντοπισμό των φυσικών ορίων των οικισμών του 2015 και πολυγωνικά στοιχεία “Points of Interest” (POI) για τη συσχέτιση των οικισμών με ονόματα και τοποθεσίες. <br /> <br /> Ένα βασικό τεχνικό πρόβλημα ήταν ότι οι εικόνες GF-2 δεν περιέχουν ζώνες βραχείας υπέρυθρης ακτινοβολίας (SWIR), απαραίτητες για αρκετούς δείκτες κάλυψης γης. Για να αντιμετωπιστεί αυτό, οι ερευνητές χρησιμοποίησαν ένα Random Forest μοντέλο για να προβλέψουν και να δημιουργήσουν υψηλής ανάλυσης SWIR bands από δεδομένα Landsat-8, εισάγοντας έτσι εύρος φάσματος και υψηλή χωρική λεπτομέρεια στους δείκτες της μελέτης. <br /> <br /> Για την ταξινόμηση της κάλυψης γης εφαρμόστηκαν πολλαπλοί δείκτες όπως ο Enhanced Artificial Surface Index (EASI: ένας νέος δείκτης που ενσωματώνει προηγούμενους δείκτες Επιφανειακής Τεχνητής Κάλυψης και πρόσθετους παράγοντες για την καλύτερη διάκριση μεταξύ αγρού, γης και κατασκευής), και ο Κernel Normalized Difference Vegetation Index (kNDVI: μια βελτιωμένη μορφή του NDVI που αντιμετωπίζει την κορεσμό των φυτικών δεικτών σε υψηλής κάλυψης περιοχές. Οι δείκτες αυτοί εφαρμόστηκαν σε χάρτες υψηλής ανάλυσης, και με βάση διάφορα κατώφλια (thresholds) των δεικτών πραγματοποιήθηκε η ταξινόμηση των 246 οικισμών που μελετήθηκαν σε τρεις κατηγορίες: (α) 56 μη μετεγκατασταθέντες (κυριαρχία κτισμένου περιβάλλοντος), (β) 134 μετεγκατασταθέντες αλλά μη επανακτηθέντες από γεωργική χρήση (κυριαρχία γυμνού εδάφους ή σποραδικής βλάστησης) και (γ) 56 μετεγκατασταθέντες και επανακτηθέντες από γεωργική χρήση ή/και φυσική βλάστηση (υψηλή φυτική κάλυψη).<br /> <br /> [[Αρχείο:PPANAGIS_3.2.PNG|thumb|right|Βέλτιστα κατώφλια για την εξαγωγή κτισμένων εκτάσεων και βλάστησης με χρήση EASI και kNDVI]]<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η εφαρμογή του Random Forest για downscaling των SWIR bands, επιβεβαίωσε ότι η διαδικασία διατήρησε το προηγούμενο πληροφοριακό περιεχόμενο, αυξάνοντας τη χωρική λεπτομέρειά του. Η συνολική ακρίβεια της αναγνώρισης της κατάστασης των περιοχών μελέτης μέσω EASI και kNDVI έφτασε στο 93,5%, ελέγχοντας αποτελέσματα με υψηλής ανάλυσης εικόνες και επιτόπιες μετρήσεις, επιβεβαιώνοντας υψηλή ταυτοποίηση κτισμένου περιβάλλοντος, κενής γης και γεωργικών εκτάσεων. <br /> <br /> Δεδομένου του αριθμού των οικισμών που δεν μετεγκαταστάθηκαν, ή μετεγκαταστάθηκαν και δεν επανακτήθηκαν ή μετεγκαταστάθηκαν και η γη που καταλάμβαναν επανακτήθηκε ως γεωργική πια, φάνηκε ότι η κατεδάφιση και μετεγκατάσταση είχε ένα γενικό ποσοστό ολοκλήρωσης 77%, αλλά η μετατροπή σε γεωργική χρήση ήταν μόλις 23%, πολύ μικρότερη από τους στόχους των πολιτικών σχεδίων. Επιπλέον, οι επιτόπιες παρατηρήσεις έδειξαν ότι η ταξινόμηση κάποιων περιοχών ως «αποκατεστημένες» μπορεί να είναι σχετικά παραπλανητική λόγω της σποραδικής βλάστησης ή των φυτεύσεων από κατοίκους, γεγονός που μειώνει ελαφρώς την ακρίβεια στη μελέτη της επανάκτησης της γης.<br /> <br /> [[Αρχείο:PPANAGIS_3.3.PNG|thumb|right|Σχηματικό διάγραμμα των επιπτώσεων της υλοποίησης έργων μετεγκατάστασης και αποκατάστασης με βάση τα EASI και kNDVI]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι η ενσωμάτωση πολλών τηλεπισκοπικών δεικτών, η χρήση στατιστικών μοντέλων downscaling και η ταξινόμηση σε επίπεδο οικισμού, δημιουργούν μια αποτελεσματική μεθοδολογία για την παρακολούθηση της αλλαγής χρήσης της. <br /> <br /> Συνοπτικά, ο συνδυασμός EASI και kNDVI απέδωσε υψηλή διακριτική ικανότητα μεταξύ των διάφορων νέων καλύψεων γης, ενώ η αξιολόγηση της υλοποίησης των πολιτικών μετεγκατάστασης και επανάκτησης αποκάλυψε σημαντική καθυστέρηση στις φάσεις ανάκτησης. Επίσης, η προτεινόμενη μεθοδολογία, ιδίως η δημιουργία υψηλής ανάλυσης SWIR bands μέσω μηχανικής μάθησης, έχει μεγάλη εφαρμοστική δυνατότητα και σε άλλες περιπτώσεις παρακολούθησης αλλαγών χρήσης γης, πέρα από την παρούσα περίπτωση. Τέλος, προτείνεται ότι κάθε μελλοντική έρευνα θα πρέπει να ενσωματώνει σειρές εικόνων σε βάθος χρόνου και τεχνικές βαθιάς μάθησης για περαιτέρω βελτίωση της απόδοσης των remote sensing δεικτών. <br /> <br /> <br /> <br /> [[category:Ποιότητα τοπίου]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%BC%CE%B5%CF%84%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B1%CF%80%CE%BF%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CF%84%CE%BF%CE%B9%CE%BA%CE%B7%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CE%BF%CF%8D%CF%82_%CE%B4%CE%B5%CE%AF%CE%BA%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-01-30T13:15:38Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>'''Παρακολούθηση και ανάλυση της μετεγκατάστασης και αποκατάστασης κατοικημένων περιοχών με βάση πολλαπλούς δείκτες τηλεπισκόπησης'''<br /> <br /> '''Monitoring and Analysis of Relocation and Reclamation of Residential Areas Based on Multiple Remote Sensing Indices'''<br /> <br /> Συγγραφείς: Huiping Huang, Yingqi Wang, Chao Yuan, Wenlu Zhu, Yichen Tian<br /> <br /> Πηγή: [[https://www.mdpi.com/2073-445X/14/2/401]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Το άρθρο παρουσιάζει μια καινοτόμο προσέγγιση μέσω τηλεπισκόπησης, για την παρακολούθηση της προόδου σε έργα αλλαγής χρήσης γης. Η μελέτη επικεντρώνεται στην περιοχή της πεδιάδας του Κίτρινου Ποταμού στην επαρχία Χενάν της Κίνας, ένα εκτεταμένο αγροτικό/οικιστικό περιβάλλον που απειλείται από πλημμύρες και όπου η πολιτεία υλοποίησε προγράμματα μετεγκατάστασης κατοίκων από περιοχές υψηλού κινδύνου πλημμυρών σε ασφαλέστερες θέσεις. Η μετεγκατάσταση και ο εξής επακόλουθος στόχος — η επανάκτηση της γης των κατεδαφισμένων οικισμών για γεωργική χρήση — παρουσιάζουν σημαντικές προκλήσεις στην εφαρμογή και αξιολόγησή τους. Ουσιαστικά, η μετατροπή της πρώην οικιστικής γης σε αγροτική γη μεταφράζεται σε φυτική κάλυψη που πρέπει να διακριθεί από άλλες μορφές χρήσης γης στο χάρτη. Ως εκ τούτου, το άρθρο επιχειρεί να προσφέρει μια αξιόπιστη μέθοδο με remote sensing που να μπορεί να παρακολουθεί σε λεπτομερές επίπεδο την πρόοδο αυτών των αλλαγών — τόσο την κατεδάφιση/μετεγκατάσταση όσο και την καλύτερη επανάκτηση/γεωργική επανάχρηση — με υψηλή ακρίβεια. Η κεντρική υπόθεση είναι ότι οι αλλαγές στην κάλυψη εδάφους — από δομημένη οικιστική χρήση σε γυμνό χώμα και τελικά σε καλλιεργήσιμη γη — μπορούν να εντοπιστούν και να ποσοτικοποιηθούν μέσω πολλαπλών δεικτών τηλεπισκόπησης, δεδομένων υψηλής ανάλυσης και στατιστικών μοντέλων.<br /> <br /> [[ Αρχείο:PPANAGIS_3.1.PNG | thumb | right | Δορυφορικές και UAV εικόνες των διάφορων σταδίων της μετεγκατάστασης και αποκατάστασης των οικισμών ]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Το πεδίο εφαρμογής αφορά μια έκταση περίπου 2.116 km² με μεγάλο πληθυσμό και αγροτικές εκτάσεις, όπου πραγματοποιήθηκαν προγράμματα μετεγκατάστασης κατοίκων και επανάκτησης γης από το 2015 έως το 2023. Η μελέτη χρησιμοποίησε σειρές δορυφορικών εικόνων μέσα στα χρόνια αυτά, από τον Landsat-8 OLI με ανάλυση 30 m για βασικούς δείκτες, και τον GaoFen-2 (GF-2) με ανάλυση 4 m για λεπτομερή ανάλυση κάλυψης γης. Επιπλέον, χρησιμοποιήθηκαν δεδομένα Human Settlement Footprint (WSF) για τον εντοπισμό των φυσικών ορίων των οικισμών του 2015 και πολυγωνικά στοιχεία “Points of Interest” (POI) για τη συσχέτιση των οικισμών με ονόματα και τοποθεσίες. <br /> <br /> Ένα βασικό τεχνικό πρόβλημα ήταν ότι οι εικόνες GF-2 δεν περιέχουν ζώνες βραχείας υπέρυθρης ακτινοβολίας (SWIR), απαραίτητες για αρκετούς δείκτες κάλυψης γης. Για να αντιμετωπιστεί αυτό, οι ερευνητές χρησιμοποίησαν ένα Random Forest μοντέλο για να προβλέψουν και να δημιουργήσουν υψηλής ανάλυσης SWIR bands από δεδομένα Landsat-8, εισάγοντας έτσι εύρος φάσματος και υψηλή χωρική λεπτομέρεια στους δείκτες της μελέτης. <br /> <br /> Για την ταξινόμηση της κάλυψης γης εφαρμόστηκαν πολλαπλοί δείκτες όπως ο Enhanced Artificial Surface Index (EASI: ένας νέος δείκτης που ενσωματώνει προηγούμενους δείκτες Επιφανειακής Τεχνητής Κάλυψης και πρόσθετους παράγοντες για την καλύτερη διάκριση μεταξύ αγρού, γης και κατασκευής), και ο Κernel Normalized Difference Vegetation Index (kNDVI: μια βελτιωμένη μορφή του NDVI που αντιμετωπίζει την κορεσμό των φυτικών δεικτών σε υψηλής κάλυψης περιοχές. Οι δείκτες αυτοί εφαρμόστηκαν σε χάρτες υψηλής ανάλυσης, και με βάση διάφορα κατώφλια (thresholds) των δεικτών πραγματοποιήθηκε η ταξινόμηση των 246 οικισμών που μελετήθηκαν σε τρεις κατηγορίες: (α) 56 μη μετεγκατασταθέντες (κυριαρχία κτισμένου περιβάλλοντος), (β) 134 μετεγκατασταθέντες αλλά μη επανακτηθέντες από γεωργική χρήση (κυριαρχία γυμνού εδάφους ή σποραδικής βλάστησης) και (γ) 56 μετεγκατασταθέντες και επανακτηθέντες από γεωργική χρήση ή/και φυσική βλάστηση (υψηλή φυτική κάλυψη).<br /> <br /> [[ Αρχείο:PPANAGIS_3.2.PNG | thumb | right | Βέλτιστα κατώφλια για την εξαγωγή κτισμένων εκτάσεων και βλάστησης με χρήση EASI και kNDVI ]]<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η εφαρμογή του Random Forest για downscaling των SWIR bands, επιβεβαίωσε ότι η διαδικασία διατήρησε το προηγούμενο πληροφοριακό περιεχόμενο, αυξάνοντας τη χωρική λεπτομέρειά του. Η συνολική ακρίβεια της αναγνώρισης της κατάστασης των περιοχών μελέτης μέσω EASI και kNDVI έφτασε στο 93,5%, ελέγχοντας αποτελέσματα με υψηλής ανάλυσης εικόνες και επιτόπιες μετρήσεις, επιβεβαιώνοντας υψηλή ταυτοποίηση κτισμένου περιβάλλοντος, κενής γης και γεωργικών εκτάσεων. <br /> <br /> Δεδομένου του αριθμού των οικισμών που δεν μετεγκαταστάθηκαν, ή μετεγκαταστάθηκαν και δεν επανακτήθηκαν ή μετεγκαταστάθηκαν και η γη που καταλάμβαναν επανακτήθηκε ως γεωργική πια, φάνηκε ότι η κατεδάφιση και μετεγκατάσταση είχε ένα γενικό ποσοστό ολοκλήρωσης 77%, αλλά η μετατροπή σε γεωργική χρήση ήταν μόλις 23%, πολύ μικρότερη από τους στόχους των πολιτικών σχεδίων. Επιπλέον, οι επιτόπιες παρατηρήσεις έδειξαν ότι η ταξινόμηση κάποιων περιοχών ως «αποκατεστημένες» μπορεί να είναι σχετικά παραπλανητική λόγω της σποραδικής βλάστησης ή των φυτεύσεων από κατοίκους, γεγονός που μειώνει ελαφρώς την ακρίβεια στη μελέτη της επανάκτησης της γης.<br /> <br /> [[ Αρχείο:PPANAGIS_3.3.PNG | thumb | right | Σχηματικό διάγραμμα των επιπτώσεων της υλοποίησης έργων μετεγκατάστασης και αποκατάστασης με βάση τα EASI και kNDVI ]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι η ενσωμάτωση πολλών τηλεπισκοπικών δεικτών, η χρήση στατιστικών μοντέλων downscaling και η ταξινόμηση σε επίπεδο οικισμού, δημιουργούν μια αποτελεσματική μεθοδολογία για την παρακολούθηση της αλλαγής χρήσης της. <br /> <br /> Συνοπτικά, ο συνδυασμός EASI και kNDVI απέδωσε υψηλή διακριτική ικανότητα μεταξύ των διάφορων νέων καλύψεων γης, ενώ η αξιολόγηση της υλοποίησης των πολιτικών μετεγκατάστασης και επανάκτησης αποκάλυψε σημαντική καθυστέρηση στις φάσεις ανάκτησης. Επίσης, η προτεινόμενη μεθοδολογία, ιδίως η δημιουργία υψηλής ανάλυσης SWIR bands μέσω μηχανικής μάθησης, έχει μεγάλη εφαρμοστική δυνατότητα και σε άλλες περιπτώσεις παρακολούθησης αλλαγών χρήσης γης, πέρα από την παρούσα περίπτωση. Τέλος, προτείνεται ότι κάθε μελλοντική έρευνα θα πρέπει να ενσωματώνει σειρές εικόνων σε βάθος χρόνου και τεχνικές βαθιάς μάθησης για περαιτέρω βελτίωση της απόδοσης των remote sensing δεικτών. <br /> <br /> <br /> <br /> [[category:Ποιότητα τοπίου]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%BC%CE%B5%CF%84%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B1%CF%80%CE%BF%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CF%84%CE%BF%CE%B9%CE%BA%CE%B7%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CE%BF%CF%8D%CF%82_%CE%B4%CE%B5%CE%AF%CE%BA%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-01-30T13:14:58Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>'''Παρακολούθηση και ανάλυση της μετεγκατάστασης και αποκατάστασης κατοικημένων περιοχών με βάση πολλαπλούς δείκτες τηλεπισκόπησης'''<br /> <br /> '''Monitoring and Analysis of Relocation and Reclamation of Residential Areas Based on Multiple Remote Sensing Indices'''<br /> <br /> Συγγραφείς: Huiping Huang, Yingqi Wang, Chao Yuan, Wenlu Zhu, Yichen Tian<br /> <br /> Πηγή: [[https://www.mdpi.com/2073-445X/14/2/401]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Το άρθρο παρουσιάζει μια καινοτόμο προσέγγιση μέσω τηλεπισκόπησης, για την παρακολούθηση της προόδου σε έργα αλλαγής χρήσης γης. Η μελέτη επικεντρώνεται στην περιοχή της πεδιάδας του Κίτρινου Ποταμού στην επαρχία Χενάν της Κίνας, ένα εκτεταμένο αγροτικό/οικιστικό περιβάλλον που απειλείται από πλημμύρες και όπου η πολιτεία υλοποίησε προγράμματα μετεγκατάστασης κατοίκων από περιοχές υψηλού κινδύνου πλημμυρών σε ασφαλέστερες θέσεις. Η μετεγκατάσταση και ο εξής επακόλουθος στόχος — η επανάκτηση της γης των κατεδαφισμένων οικισμών για γεωργική χρήση — παρουσιάζουν σημαντικές προκλήσεις στην εφαρμογή και αξιολόγησή τους. Ουσιαστικά, η μετατροπή της πρώην οικιστικής γης σε αγροτική γη μεταφράζεται σε φυτική κάλυψη που πρέπει να διακριθεί από άλλες μορφές χρήσης γης στο χάρτη. Ως εκ τούτου, το άρθρο επιχειρεί να προσφέρει μια αξιόπιστη μέθοδο με remote sensing που να μπορεί να παρακολουθεί σε λεπτομερές επίπεδο την πρόοδο αυτών των αλλαγών — τόσο την κατεδάφιση/μετεγκατάσταση όσο και την καλύτερη επανάκτηση/γεωργική επανάχρηση — με υψηλή ακρίβεια. Η κεντρική υπόθεση είναι ότι οι αλλαγές στην κάλυψη εδάφους — από δομημένη οικιστική χρήση σε γυμνό χώμα και τελικά σε καλλιεργήσιμη γη — μπορούν να εντοπιστούν και να ποσοτικοποιηθούν μέσω πολλαπλών δεικτών τηλεπισκόπησης, δεδομένων υψηλής ανάλυσης και στατιστικών μοντέλων.<br /> <br /> [[ Αρχείο:PPANAGIS_3.1.PNG | thumb | right | Δορυφορικές και UAV εικόνες των διάφορων σταδίων της μετεγκατάστασης και αποκατάστασης των οικισμών ]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Το πεδίο εφαρμογής αφορά μια έκταση περίπου 2.116 km² με μεγάλο πληθυσμό και αγροτικές εκτάσεις, όπου πραγματοποιήθηκαν προγράμματα μετεγκατάστασης κατοίκων και επανάκτησης γης από το 2015 έως το 2023. Η μελέτη χρησιμοποίησε σειρές δορυφορικών εικόνων μέσα στα χρόνια αυτά, από τον Landsat-8 OLI με ανάλυση 30 m για βασικούς δείκτες, και τον GaoFen-2 (GF-2) με ανάλυση 4 m για λεπτομερή ανάλυση κάλυψης γης. Επιπλέον, χρησιμοποιήθηκαν δεδομένα Human Settlement Footprint (WSF) για τον εντοπισμό των φυσικών ορίων των οικισμών του 2015 και πολυγωνικά στοιχεία “Points of Interest” (POI) για τη συσχέτιση των οικισμών με ονόματα και τοποθεσίες. <br /> <br /> Ένα βασικό τεχνικό πρόβλημα ήταν ότι οι εικόνες GF-2 δεν περιέχουν ζώνες βραχείας υπέρυθρης ακτινοβολίας (SWIR), απαραίτητες για αρκετούς δείκτες κάλυψης γης. Για να αντιμετωπιστεί αυτό, οι ερευνητές χρησιμοποίησαν ένα Random Forest μοντέλο για να προβλέψουν και να δημιουργήσουν υψηλής ανάλυσης SWIR bands από δεδομένα Landsat-8, εισάγοντας έτσι εύρος φάσματος και υψηλή χωρική λεπτομέρεια στους δείκτες της μελέτης. <br /> <br /> Για την ταξινόμηση της κάλυψης γης εφαρμόστηκαν πολλαπλοί δείκτες όπως ο Enhanced Artificial Surface Index (EASI: ένας νέος δείκτης που ενσωματώνει προηγούμενους δείκτες Επιφανειακής Τεχνητής Κάλυψης και πρόσθετους παράγοντες για την καλύτερη διάκριση μεταξύ αγρού, γης και κατασκευής), και ο Κernel Normalized Difference Vegetation Index (kNDVI: μια βελτιωμένη μορφή του NDVI που αντιμετωπίζει την κορεσμό των φυτικών δεικτών σε υψηλής κάλυψης περιοχές. Οι δείκτες αυτοί εφαρμόστηκαν σε χάρτες υψηλής ανάλυσης, και με βάση διάφορα κατώφλια (thresholds) των δεικτών πραγματοποιήθηκε η ταξινόμηση των 246 οικισμών που μελετήθηκαν σε τρεις κατηγορίες: (α) 56 μη μετεγκατασταθέντες (κυριαρχία κτισμένου περιβάλλοντος), (β) 134 μετεγκατασταθέντες αλλά μη επανακτηθέντες από γεωργική χρήση (κυριαρχία γυμνού εδάφους ή σποραδικής βλάστησης) και (γ) 56 μετεγκατασταθέντες και επανακτηθέντες από γεωργική χρήση ή/και φυσική βλάστηση (υψηλή φυτική κάλυψη).<br /> <br /> [[ Αρχείο:PPANAGIS_3.2.PNG | thumb | right | Βέλτιστα κατώφλια για την εξαγωγή κτισμένων εκτάσεων και βλάστησης με χρήση EASI και kNDVI ]]<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η εφαρμογή του Random Forest για downscaling των SWIR bands, επιβεβαίωσε ότι η διαδικασία διατήρησε το προηγούμενο πληροφοριακό περιεχόμενο, αυξάνοντας τη χωρική λεπτομέρειά του. Η συνολική ακρίβεια της αναγνώρισης της κατάστασης των περιοχών μελέτης μέσω EASI και kNDVI έφτασε στο 93,5%, ελέγχοντας αποτελέσματα με υψηλής ανάλυσης εικόνες και επιτόπιες μετρήσεις, επιβεβαιώνοντας υψηλή ταυτοποίηση κτισμένου περιβάλλοντος, κενής γης και γεωργικών εκτάσεων. <br /> <br /> Δεδομένου του αριθμού των οικισμών που δεν μετεγκαταστάθηκαν, ή μετεγκαταστάθηκαν και δεν επανακτήθηκαν ή μετεγκαταστάθηκαν και η γη που καταλάμβαναν επανακτήθηκε ως γεωργική πια, φάνηκε ότι η κατεδάφιση και μετεγκατάσταση είχε ένα γενικό ποσοστό ολοκλήρωσης 77%, αλλά η μετατροπή σε γεωργική χρήση ήταν μόλις 23%, πολύ μικρότερη από τους στόχους των πολιτικών σχεδίων. Επιπλέον, οι επιτόπιες παρατηρήσεις έδειξαν ότι η ταξινόμηση κάποιων περιοχών ως «αποκατεστημένες» μπορεί να είναι σχετικά παραπλανητική λόγω της σποραδικής βλάστησης ή των φυτεύσεων από κατοίκους, γεγονός που μειώνει ελαφρώς την ακρίβεια στη μελέτη της επανάκτησης της γης.<br /> <br /> [[ Αρχείο:PPANAGIS_3.3.PNG | thumb | right | Σχηματικό διάγραμμα των επιπτώσεων της υλοποίησης έργων μετεγκατάστασης και αποκατάστασης με βάση τα EASI και kNDVI ]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι η ενσωμάτωση πολλών τηλεπισκοπικών δεικτών, η χρήση στατιστικών μοντέλων downscaling και η ταξινόμηση σε επίπεδο οικισμού, δημιουργούν μια αποτελεσματική μεθοδολογία για την παρακολούθηση της αλλαγής χρήσης της. <br /> <br /> Συνοπτικά, ο συνδυασμός EASI και kNDVI απέδωσε υψηλή διακριτική ικανότητα μεταξύ των διάφορων νέων καλύψεων γης, ενώ η αξιολόγηση της υλοποίησης των πολιτικών μετεγκατάστασης και επανάκτησης αποκάλυψε σημαντική καθυστέρηση στις φάσεις ανάκτησης. Επίσης, η προτεινόμενη μεθοδολογία, ιδίως η δημιουργία υψηλής ανάλυσης SWIR bands μέσω μηχανικής μάθησης, έχει μεγάλη εφαρμοστική δυνατότητα και σε άλλες περιπτώσεις παρακολούθησης αλλαγών χρήσης γης, πέρα από την παρούσα περίπτωση. Τέλος, προτείνεται ότι κάθε μελλοντική έρευνα θα πρέπει να ενσωματώνει σειρές εικόνων σε βάθος χρόνου και τεχνικές βαθιάς μάθησης για περαιτέρω βελτίωση της απόδοσης των remote sensing δεικτών. <br /> <br /> <br /> <br /> <br /> [[category:Ποιότητα τοπίου]]</div>

PANAGIS PANAGIOTIS http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%BC%CE%B5%CF%84%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B1%CF%80%CE%BF%CE%BA%CE%B1%CF%84%CE%AC%CF%83%CF%84%CE%B1%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CF%84%CE%BF%CE%B9%CE%BA%CE%B7%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CE%BF%CF%8D%CF%82_%CE%B4%CE%B5%CE%AF%CE%BA%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-01-30T13:03:39Z

<p>PANAGIS PANAGIOTIS: </p> <hr /> <div>'''Παρακολούθηση και ανάλυση της μετεγκατάστασης και αποκατάστασης κατοικημένων περιοχών με βάση πολλαπλούς δείκτες τηλεπισκόπησης'''<br /> <br /> '''Monitoring and Analysis of Relocation and Reclamation of Residential Areas Based on Multiple Remote Sensing Indices'''<br /> <br /> Συγγραφείς: Huiping Huang, Yingqi Wang, Chao Yuan, Wenlu Zhu, Yichen Tian<br /> <br /> Πηγή: [[https://www.mdpi.com/2073-445X/14/2/401]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Το άρθρο παρουσιάζει μια καινοτόμο προσέγγιση μέσω τηλεπισκόπησης, για την παρακολούθηση της προόδου σε έργα αλλαγής χρήσης γης. Η μελέτη επικεντρώνεται στην περιοχή της πεδιάδας του Κίτρινου Ποταμού στην επαρχία Χενάν της Κίνας, ένα εκτεταμένο αγροτικό/οικιστικό περιβάλλον που απειλείται από πλημμύρες και όπου η πολιτεία υλοποίησε προγράμματα μετεγκατάστασης κατοίκων από περιοχές υψηλού κινδύνου πλημμυρών σε ασφαλέστερες θέσεις. Η μετεγκατάσταση και ο εξής επακόλουθος στόχος — η επανάκτηση της γης των κατεδαφισμένων οικισμών για γεωργική χρήση — παρουσιάζουν σημαντικές προκλήσεις στην εφαρμογή και αξιολόγησή τους. Ουσιαστικά, η μετατροπή της πρώην οικιστικής γης σε αγροτική γη μεταφράζεται σε φυτική κάλυψη που πρέπει να διακριθεί από άλλες μορφές χρήσης γης στο χάρτη. Ως εκ τούτου, το άρθρο επιχειρεί να προσφέρει μια αξιόπιστη μέθοδο με remote sensing που να μπορεί να παρακολουθεί σε λεπτομερές επίπεδο την πρόοδο αυτών των αλλαγών — τόσο την κατεδάφιση/μετεγκατάσταση όσο και την καλύτερη επανάκτηση/γεωργική επανάχρηση — με υψηλή ακρίβεια. Η κεντρική υπόθεση είναι ότι οι αλλαγές στην κάλυψη εδάφους — από δομημένη οικιστική χρήση σε γυμνό χώμα και τελικά σε καλλιεργήσιμη γη — μπορούν να εντοπιστούν και να ποσοτικοποιηθούν μέσω πολλαπλών δεικτών τηλεπισκόπησης, δεδομένων υψηλής ανάλυσης και στατιστικών μοντέλων.<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Το πεδίο εφαρμογής αφορά μια έκταση περίπου 2.116 km² με μεγάλο πληθυσμό και αγροτικές εκτάσεις, όπου πραγματοποιήθηκαν προγράμματα μετεγκατάστασης κατοίκων και επανάκτησης γης από το 2015 έως το 2023. Η μελέτη χρησιμοποίησε σειρές δορυφορικών εικόνων μέσα στα χρόνια αυτά, από τον Landsat-8 OLI με ανάλυση 30 m για βασικούς δείκτες, και τον GaoFen-2 (GF-2) με ανάλυση 4 m για λεπτομερή ανάλυση κάλυψης γης. Επιπλέον, χρησιμοποιήθηκαν δεδομένα Human Settlement Footprint (WSF) για τον εντοπισμό των φυσικών ορίων των οικισμών του 2015 και πολυγωνικά στοιχεία “Points of Interest” (POI) για τη συσχέτιση των οικισμών με ονόματα και τοποθεσίες. <br /> <br /> Ένα βασικό τεχνικό πρόβλημα ήταν ότι οι εικόνες GF-2 δεν περιέχουν ζώνες βραχείας υπέρυθρης ακτινοβολίας (SWIR), απαραίτητες για αρκετούς δείκτες κάλυψης γης. Για να αντιμετωπιστεί αυτό, οι ερευνητές χρησιμοποίησαν ένα Random Forest μοντέλο για να προβλέψουν και να δημιουργήσουν υψηλής ανάλυσης SWIR bands από δεδομένα Landsat-8, εισάγοντας έτσι εύρος φάσματος και υψηλή χωρική λεπτομέρεια στους δείκτες της μελέτης. <br /> <br /> Για την ταξινόμηση της κάλυψης γης εφαρμόστηκαν πολλαπλοί δείκτες όπως ο Enhanced Artificial Surface Index (EASI: ένας νέος δείκτης που ενσωματώνει προηγούμενους δείκτες Επιφανειακής Τεχνητής Κάλυψης και πρόσθετους παράγοντες για την καλύτερη διάκριση μεταξύ αγρού, γης και κατασκευής), και ο Κernel Normalized Difference Vegetation Index (kNDVI: μια βελτιωμένη μορφή του NDVI που αντιμετωπίζει την κορεσμό των φυτικών δεικτών σε υψηλής κάλυψης περιοχές. Οι δείκτες αυτοί εφαρμόστηκαν σε χάρτες υψηλής ανάλυσης, και με βάση διάφορα κατώφλια (thresholds) των δεικτών πραγματοποιήθηκε η ταξινόμηση των 246 οικισμών που μελετήθηκαν σε τρεις κατηγορίες: (α) 56 μη μετεγκατασταθέντες (κυριαρχία κτισμένου περιβάλλοντος), (β) 134 μετεγκατασταθέντες αλλά μη επανακτηθέντες από γεωργική χρήση (κυριαρχία γυμνού εδάφους ή σποραδικής βλάστησης) και (γ) 56 μετεγκατασταθέντες και επανακτηθέντες από γεωργική χρήση ή/και φυσική βλάστηση (υψηλή φυτική κάλυψη).<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η εφαρμογή του Random Forest για downscaling των SWIR bands, επιβεβαίωσε ότι η διαδικασία διατήρησε το προηγούμενο πληροφοριακό περιεχόμενο, αυξάνοντας τη χωρική λεπτομέρειά του. Η συνολική ακρίβεια της αναγνώρισης της κατάστασης των περιοχών μελέτης μέσω EASI και kNDVI έφτασε στο 93,5%, ελέγχοντας αποτελέσματα με υψηλής ανάλυσης εικόνες και επιτόπιες μετρήσεις, επιβεβαιώνοντας υψηλή ταυτοποίηση κτισμένου περιβάλλοντος, κενής γης και γεωργικών εκτάσεων. <br /> <br /> Δεδομένου του αριθμού των οικισμών που δεν μετεγκαταστάθηκαν, ή μετεγκαταστάθηκαν και δεν επανακτήθηκαν ή μετεγκαταστάθηκαν και η γη που καταλάμβαναν επανακτήθηκε ως γεωργική πια, φάνηκε ότι η κατεδάφιση και μετεγκατάσταση είχε ένα γενικό ποσοστό ολοκλήρωσης 77%, αλλά η μετατροπή σε γεωργική χρήση ήταν μόλις 23%, πολύ μικρότερη από τους στόχους των πολιτικών σχεδίων. Επιπλέον, οι επιτόπιες παρατηρήσεις έδειξαν ότι η ταξινόμηση κάποιων περιοχών ως «αποκατεστημένες» μπορεί να είναι σχετικά παραπλανητική λόγω της σποραδικής βλάστησης ή των φυτεύσεων από κατοίκους, γεγονός που μειώνει ελαφρώς την ακρίβεια στη μελέτη της επανάκτησης της γης.<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Το άρθρο καταλήγει ότι η ενσωμάτωση πολλών τηλεπισκοπικών δεικτών, η χρήση στατιστικών μοντέλων downscaling και η ταξινόμηση σε επίπεδο οικισμού, δημιουργούν μια αποτελεσματική μεθοδολογία για την παρακολούθηση της αλλαγής χρήσης της. <br /> <br /> Συνοπτικά, ο συνδυασμός EASI και kNDVI απέδωσε υψηλή διακριτική ικανότητα μεταξύ των διάφορων νέων καλύψεων γης, ενώ η αξιολόγηση της υλοποίησης των πολιτικών μετεγκατάστασης και επανάκτησης αποκάλυψε σημαντική καθυστέρηση στις φάσεις ανάκτησης. Επίσης, η προτεινόμενη μεθοδολογία, ιδίως η δημιουργία υψηλής ανάλυσης SWIR bands μέσω μηχανικής μάθησης, έχει μεγάλη εφαρμοστική δυνατότητα και σε άλλες περιπτώσεις παρακολούθησης αλλαγών χρήσης γης, πέρα από την παρούσα περίπτωση. Τέλος, προτείνεται ότι κάθε μελλοντική έρευνα θα πρέπει να ενσωματώνει σειρές εικόνων σε βάθος χρόνου και τεχνικές βαθιάς μάθησης για περαιτέρω βελτίωση της απόδοσης των remote sensing δεικτών. <br /> <br /> <br /> <br /> <br /> [[category:Ποιότητα τοπίου]]</div>

PANAGIS PANAGIOTIS