RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Παρίσης Απόστολος

2026-01-14T15:16:38Z

PARISIS APOSTOLOS:

# [[Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό]]
# [[Έρευνα για την πρόοδο της οπτικής τηλεπισκόπησης μέσω δορυφόρου για την παρακολούθηση της γήρανσης του ασφαλτοστρωμένου οδοστρώματος]]
# [[Θερμικές ανωμαλίες και μοτίβα παραμόρφωσης που παρατηρήθηκαν από δορυφόρο και σχετίζονται με τη σεισμική ακολουθία του 2021 στην Κρήτη]]
# [[Χρήση των θερμικών ζωνών Landsat 8 9 για την ανίχνευση πιθανών υποθαλάσσιων σημείων εκροής υπόγειων υδάτων στη Μεσόγειο]]
# [[Προγνωστικό σύστημα για την παρακολούθηση της κατάστασης των οδών με βάση ανοιχτά δεδομένα για το κλίμα και την τηλεπισκόπηση]]

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

Προγνωστικό σύστημα για την παρακολούθηση της κατάστασης των οδών με βάση ανοιχτά δεδομένα για το κλίμα και την τηλεπισκόπηση

2026-01-14T15:09:50Z

PARISIS APOSTOLOS:

<span style="font-size:20px;"> Predictive System for Road Condition Monitoring based on Open Climate and Remote Sensing Data – A Case Study with Mountain Roads </span>

Ainur Kairanbayeva, Serik Nurakynov, Zhumabek Zhantayev, Marat Nurtas, Gulnara Nurpeissova, Dina Panyukova, Andrey Mitkov, Dinara Talgarbayeva and Muratbek Kudaibergenov,
Engineered Science 28.2 (2024): 1081.
πηγή: [https://www.espublisher.com/journals/articledetails/1081/]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Η παρακολούθηση και πρόβλεψη της κατάστασης των οδικών υποδομών αποτελεί κρίσιμο ζήτημα για τη βιώσιμη διαχείριση των μεταφορών και τη βελτιστοποίηση των εργασιών συντήρησης. Η παραδοσιακή αξιολόγηση της φθοράς των οδοστρωμάτων βασίζεται κυρίως σε επιτόπιες επιθεωρήσεις, οι οποίες είναι χρονοβόρες και απαιτούν σημαντικούς οικονομικούς πόρους. Τα τελευταία χρόνια, η αξιοποίηση ανοικτών κλιματικών δεδομένων και δεδομένων τηλεπισκόπησης, σε συνδυασμό με τεχνικές μηχανικής μάθησης, προσφέρει νέες δυνατότητες για την ανάπτυξη προγνωστικών συστημάτων.
Η παρούσα εργασία παρουσιάζει την ανάπτυξη ενός προγνωστικού συστήματος παρακολούθησης της κατάστασης οδικών υποδομών, βασισμένου στον συνδυασμό κλιματικών δεδομένων, δεδομένων τηλεπισκόπησης και επιτόπιων μετρήσεων. Η μεθοδολογία περιλαμβάνει τη χρήση στατιστικών μοντέλων παλινδρόμησης και τεχνητών νευρωνικών δικτύων για την πρόβλεψη της εξέλιξης της φθοράς του οδοστρώματος. Τα αποτελέσματα δείχνουν ότι το προτεινόμενο σύστημα μπορεί να παρέχει αξιόπιστες εκτιμήσεις της κατάστασης των δρόμων, υποστηρίζοντας τον έγκαιρο σχεδιασμό επεμβάσεων συντήρησης και τη λήψη αποφάσεων.
===ΕΙΣΑΓΩΓΗ===

Η κατάσταση των οδικών υποδομών επηρεάζει άμεσα την οδική ασφάλεια, το κόστος μετακίνησης και τη συνολική απόδοση των μεταφορικών δικτύων. Η έγκαιρη ανίχνευση και πρόβλεψη της φθοράς των οδοστρωμάτων επιτρέπει τον καλύτερο προγραμματισμό των εργασιών συντήρησης και τη μείωση του συνολικού κόστους κύκλου ζωής των υποδομών.
Οι παραδοσιακές μέθοδοι αξιολόγησης βασίζονται κυρίως σε επιτόπιες οπτικές επιθεωρήσεις και μετρήσεις, οι οποίες παρουσιάζουν περιορισμούς ως προς τη χωρική κάλυψη και τη συχνότητα επαναληψιμότητας. Αντίθετα, τα δεδομένα τηλεπισκόπησης και τα ανοικτά κλιματικά δεδομένα προσφέρουν τη δυνατότητα συνεχούς και εκτεταμένης παρακολούθησης. Σε συνδυασμό με τεχνικές μηχανικής μάθησης, καθίσταται εφικτή η ανάπτυξη προγνωστικών μοντέλων που εκτιμούν τη μελλοντική κατάσταση των οδικών υποδομών.
Στο πλαίσιο αυτό, η παρούσα εργασία προτείνει ένα ολοκληρωμένο σύστημα πρόβλεψης της κατάστασης των δρόμων, το οποίο συνδυάζει δεδομένα διαφορετικής φύσης και αξιοποιεί σύγχρονες υπολογιστικές τεχνικές.
===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ===
Η περιοχή μελέτης αφορά τμήματα οδικών δικτύων για τα οποία είναι διαθέσιμα ιστορικά δεδομένα κατάστασης οδοστρώματος, κλιματικά δεδομένα και τηλεπισκοπικές πληροφορίες. Η ανάλυση επικεντρώνεται σε οδικές υποδομές που έχουν υποστεί πρόσφατα εργασίες ανακατασκευής, με στόχο την πρόβλεψη της εξέλιξης της φθοράς τους στα επόμενα έτη λειτουργίας.
[[Αρχείο:Εικόνα 1 Τύποι δεδομένων που χρησιμοποιούνται για την ανάπτυξη προγνωστικών μοντέλων.JPG|thumb|center|500px|Εικόνα 1 Τύποι δεδομένων που χρησιμοποιούνται για την ανάπτυξη προγνωστικών μοντέλων]]
Η επιλογή της περιοχής και των δεδομένων βασίστηκε στη διαθεσιμότητα ανοικτών πηγών πληροφορίας και στη δυνατότητα διασύνδεσης κλιματικών, τηλεπισκοπικών και επιτόπιων δεδομένων σε ενιαίο πλαίσιο ανάλυσης.

===ΜΕΘΟΔΟΛΟΓΙΑ===
Η μεθοδολογία της μελέτης βασίζεται στην ανάπτυξη ενός προγνωστικού συστήματος που συνδυάζει δεδομένα τηλεπισκόπησης, κλιματικά δεδομένα και επιτόπιες μετρήσεις κατάστασης οδοστρώματος. Αρχικά, συλλέχθηκαν ιστορικά δεδομένα που αφορούν παραμέτρους φθοράς των δρόμων, όπως δείκτες κατάστασης και κατηγορίες οδοστρώματος, καθώς και αντίστοιχα κλιματικά δεδομένα (θερμοκρασία, βροχόπτωση, παγετός).
Τα δεδομένα τηλεπισκόπησης αξιοποιήθηκαν για την παροχή χωρικών πληροφοριών σχετικά με τη χρήση γης και τα χαρακτηριστικά του περιβάλλοντος των οδικών τμημάτων. Στη συνέχεια, όλα τα δεδομένα ενοποιήθηκαν σε κοινό χωροχρονικό πλαίσιο και χρησιμοποιήθηκαν ως είσοδοι σε προγνωστικά μοντέλα.

[[Αρχείο:Εικόνα 2 Οπτικοποίηση της ροής δεδομένων και η αξιοποίησή της στην εκπαίδευση μοντέλων πρόβλεψης.JPG|thumb|center|500px| Εικόνα 2 Οπτικοποίηση της ροής δεδομένων και η αξιοποίησή της στην εκπαίδευση μοντέλων πρόβλεψης]]
Για την πρόβλεψη της εξέλιξης της κατάστασης του οδοστρώματος εφαρμόστηκαν στατιστικά μοντέλα παλινδρόμησης καθώς και τεχνητά νευρωνικά δίκτυα. Τα μοντέλα εκπαιδεύτηκαν με ιστορικά δεδομένα και αξιολογήθηκαν με βάση τη σύγκριση των προβλεπόμενων και των πραγματικών τιμών. Η απόδοση των μοντέλων εξετάστηκε τόσο σε επίπεδο μεμονωμένων παραμέτρων όσο και σε επίπεδο συνολικής κατηγορίας κατάστασης δρόμου.
[[Αρχείο:Εικόνα 3 Διασύνδεση μεταξύ των δεδομένων.JPG|thumb|center|500px| Εικόνα 3 Διασύνδεση μεταξύ των δεδομένων]]
Η αξιολόγηση της απόδοσης των προγνωστικών μοντέλων πραγματοποιήθηκε μέσω σύγκρισης των προβλεπόμενων τιμών κατάστασης του οδοστρώματος με τις αντίστοιχες πραγματικές μετρήσεις. Για τον σκοπό αυτό χρησιμοποιήθηκαν στατιστικοί δείκτες σφάλματος, όπως η μέση απόλυτη απόκλιση και η απόκλιση μεταξύ προβλεπόμενων και παρατηρούμενων κατηγοριών κατάστασης δρόμου.
Η διαδικασία εκπαίδευσης και ελέγχου των μοντέλων βασίστηκε σε διαχωρισμό των διαθέσιμων δεδομένων σε σύνολα εκπαίδευσης και επικύρωσης, ώστε να διασφαλιστεί η γενικευσιμότητα των αποτελεσμάτων. Ιδιαίτερη έμφαση δόθηκε στη σύγκριση της απόδοσης των στατιστικών μοντέλων παλινδρόμησης και των τεχνητών νευρωνικών δικτύων, με στόχο την αξιολόγηση της καταλληλότητάς τους για την πρόβλεψη της εξέλιξης της φθοράς των οδικών υποδομών.
Η αξιολόγηση αυτή επέτρεψε τον εντοπισμό των πλεονεκτημάτων και περιορισμών κάθε προσέγγισης και συνέβαλε στη βελτιστοποίηση του προτεινόμενου προγνωστικού συστήματος.
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Τα αποτελέσματα της ανάλυσης δείχνουν ότι τα προγνωστικά μοντέλα μπορούν να αναπαραστήσουν με ικανοποιητική ακρίβεια την εξέλιξη της φθοράς των οδικών υποδομών. Τα τεχνητά νευρωνικά δίκτυα παρουσίασαν γενικά καλύτερη προσαρμογή στα δεδομένα σε σύγκριση με τα απλούστερα μοντέλα παλινδρόμησης, ιδιαίτερα σε περιπτώσεις σύνθετων σχέσεων μεταξύ κλιματικών και λειτουργικών παραμέτρων.
[[Αρχείο:Εικόνα 4 Η εκτιμώμενη κατηγορία και υποκατηγορία του δρόμου για το πρώτο έτος μετά την ανακατασκευή.JPG|thumb|center|500px|Εικόνα 4 Η εκτιμώμενη κατηγορία και υποκατηγορία του δρόμου για το πρώτο έτος μετά την ανακατασκευή]]
Η χαρτογραφική απεικόνιση των αποτελεσμάτων επέτρεψε τον εντοπισμό τμημάτων του οδικού δικτύου με αυξημένη πιθανότητα ταχύτερης φθοράς, παρέχοντας χρήσιμη πληροφορία για τον προγραμματισμό συντηρήσεων. Η σύγκριση προβλεπόμενων και πραγματικών τιμών έδειξε ικανοποιητικό επίπεδο ακρίβειας, επιβεβαιώνοντας τη χρησιμότητα του προτεινόμενου συστήματος.

===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Η παρούσα εργασία καταδεικνύει ότι ο συνδυασμός ανοικτών κλιματικών δεδομένων, δεδομένων τηλεπισκόπησης και επιτόπιων μετρήσεων μπορεί να υποστηρίξει αποτελεσματικά την ανάπτυξη προγνωστικών συστημάτων παρακολούθησης της κατάστασης των οδικών υποδομών. Η χρήση τεχνικών μηχανικής μάθησης επιτρέπει την αξιοποίηση πολύπλοκων σχέσεων μεταξύ των παραμέτρων και τη βελτίωση της ακρίβειας των προβλέψεων.
Το προτεινόμενο σύστημα μπορεί να λειτουργήσει ως εργαλείο υποστήριξης αποφάσεων για τις αρμόδιες αρχές, συμβάλλοντας στον έγκαιρο εντοπισμό προβληματικών τμημάτων και στη βελτιστοποίηση των πόρων συντήρησης. Μελλοντικές εργασίες θα μπορούσαν να ενσωματώσουν πρόσθετες πηγές δεδομένων και να βελτιώσουν περαιτέρω τη χωρική και χρονική ανάλυση των προβλέψεων.
[[Αρχείο:Εικόνα 5 Απόκλιση μεταξύ του αριθμητικού μέσου όρου των προβλεπόμενων και των πραγματικών τιμών.JPG|thumb|center|500px|Εικόνα 5 Απόκλιση μεταξύ του αριθμητικού μέσου όρου των προβλεπόμενων και των πραγματικών τιμών για κάθε παράμετρο του βέλτιστου μοντέλου παλινδρόμησης]]

Λέξεις κλειδιά: road-condition prediction, remote-sensing indicators, mountain-road vulnerability

[[category:Χαρτογραφία]]

Χρήση των θερμικών ζωνών Landsat 8 9 για την ανίχνευση πιθανών υποθαλάσσιων σημείων εκροής υπόγειων υδάτων στη Μεσόγειο

2026-01-14T15:08:41Z

PARISIS APOSTOLOS:

<span style="font-size:20px;"> Using Landsat 8/9 Thermal Bands to Detect Potential Submarine Groundwater Discharge (SGD) Sites in the Mediterranean in North West-Central Morocco </span>

Y Bernichi, M Amharref, AS Bernoussi, PL Frison,
Hydrology 12.6 (2025): 144.
πηγή: [https://doi.org/10.3390/hydrology12060144]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Η υποθαλάσσια εκφόρτιση υπόγειων υδάτων (Submarine Groundwater Discharge – SGD) αποτελεί σημαντική διεργασία ανταλλαγής νερού και διαλυμένων ουσιών μεταξύ χερσαίων υδροφορέων και θαλάσσιου περιβάλλοντος, με επιπτώσεις στη φυσική και χημική δυναμική των παράκτιων περιοχών. Η ανίχνευσή της είναι συχνά δύσκολη λόγω της χωρικής και χρονικής μεταβλητότητάς της.
Η παρούσα εργασία εξετάζει τη δυνατότητα χρήσης των θερμικών ζωνών των δορυφόρων Landsat 8 και Landsat 9 για τον εντοπισμό πιθανών θέσεων υποθαλάσσιας εκφόρτισης υπόγειων υδάτων στη Μεσόγειο Θάλασσα, στη βορειοδυτική–κεντρική περιοχή του Μαρόκου. Η μεθοδολογία βασίζεται στη χαρτογράφηση θερμικών ανωμαλιών της επιφανειακής θερμοκρασίας της θάλασσας, με έμφαση στην εποχική ανάλυση και ιδιαίτερα στη χειμερινή περίοδο.
Τα αποτελέσματα δείχνουν ότι οι θερμικές εικόνες Landsat μπορούν να αποκαλύψουν χωρικά συνεπείς θερμικές ανωμαλίες κοντά στην ακτογραμμή, οι οποίες πιθανόν σχετίζονται με SGD. Η θερμική τηλεπισκόπηση αναδεικνύεται ως αποτελεσματικό εργαλείο προκαταρκτικού εντοπισμού περιοχών ενδιαφέροντος, οι οποίες απαιτούν περαιτέρω επιβεβαίωση με επιτόπιες μετρήσεις.

===ΕΙΣΑΓΩΓΗ===

Η υποθαλάσσια εκφόρτιση υπόγειων υδάτων αποτελεί μια λιγότερο ορατή αλλά ιδιαίτερα σημαντική διεργασία στο παράκτιο υδρολογικό σύστημα. Μέσω της SGD, υπόγεια ύδατα που προέρχονται από παράκτιους υδροφορείς εισέρχονται στη θάλασσα, μεταφέροντας διαλυμένες ουσίες που μπορούν να επηρεάσουν τη χημεία και τη βιολογία των παράκτιων οικοσυστημάτων.
Η παραδοσιακή ανίχνευση της SGD βασίζεται σε επιτόπιες μεθόδους, όπως γεωχημικοί ιχνηθέτες, μετρήσεις ραδονίου και υδρολογικές παρατηρήσεις. Παρότι οι μέθοδοι αυτές είναι αξιόπιστες, απαιτούν σημαντικό χρόνο και κόστος και καλύπτουν περιορισμένες χωρικές εκτάσεις. Η τηλεπισκόπηση, και ειδικότερα η θερμική υπέρυθρη απεικόνιση, προσφέρει τη δυνατότητα ευρείας χωρικής κάλυψης και επαναλαμβανόμενης παρακολούθησης των παράκτιων περιοχών.
Στο πλαίσιο αυτό, η εργασία εξετάζει τη δυνατότητα αξιοποίησης των θερμικών ζωνών των δορυφόρων Landsat 8 και 9 για τον εντοπισμό πιθανών περιοχών υποθαλάσσιας εκφόρτισης υπόγειων υδάτων στη Μεσόγειο Θάλασσα του Μαρόκου.

===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ===
Η περιοχή μελέτης βρίσκεται στη βορειοδυτική–κεντρική ακτογραμμή του Μαρόκου, κατά μήκος της Μεσογείου Θάλασσας. Η περιοχή χαρακτηρίζεται από έντονη γεωμορφολογική ποικιλία, παράκτιους υδροφορείς και σημαντικές αλληλεπιδράσεις μεταξύ χερσαίων και θαλάσσιων υδατικών συστημάτων.
Το κλίμα της περιοχής είναι μεσογειακό, με ήπιους υγρούς χειμώνες και θερμά, ξηρά καλοκαίρια. Οι εποχικές μεταβολές της θερμοκρασίας καθιστούν την περιοχή κατάλληλη για την ανίχνευση SGD μέσω θερμικών ανωμαλιών, ιδιαίτερα κατά τη χειμερινή περίοδο.
[[Αρχείο:Εικόνα 1 Δομικό και υδρογεωλογικό πλαίσιο της ακτής El Jebha.JPG|thumb|center|500px| Εικόνα 1 Δομικό και υδρογεωλογικό πλαίσιο της ακτής El Jebha, με έμφαση στο ρήγμα F1 και την υποθετική διαδρομή εκροής υποθαλάσσιων υπόγειων υδάτων και τη θέση της πηγής Ain Souyah]]

===ΜΕΘΟΔΟΛΟΓΙΑ===
Η μεθοδολογία της παρούσας μελέτης βασίζεται στην ανάλυση θερμικών δορυφορικών δεδομένων από τους δορυφόρους Landsat 8 και Landsat 9, με στόχο τον εντοπισμό θερμικών ανωμαλιών που σχετίζονται με πιθανή υποθαλάσσια εκφόρτιση υπόγειων υδάτων (SGD). Η επιλογή των δεδομένων Landsat έγινε λόγω της διαχρονικής συνέχειας, της ελεύθερης πρόσβασης και της καταλληλότητας των θερμικών ζωνών για εφαρμογές θερμοκρασίας επιφάνειας θάλασσας.
Οι θερμικές πληροφορίες προέρχονται από τον αισθητήρα Thermal Infrared Sensor (TIRS), με κύρια χρήση της ζώνης Band 10, η οποία θεωρείται πιο αξιόπιστη για τον υπολογισμό θερμοκρασίας επιφάνειας. Η αρχική χωρική ανάλυση των θερμικών δεδομένων είναι 100 m και μέσω επαναδειγματοληψίας προσαρμόζεται στα 30 m, ώστε να είναι συμβατή με τις υπόλοιπες φασματικές ζώνες. Η χρονική ανάλυση των δεδομένων είναι 16 ημέρες, επιτρέποντας τη σύγκριση εικόνων διαφορετικών εποχών, με έμφαση στη χειμερινή περίοδο, όπου η θερμοκρασιακή αντίθεση μεταξύ υπόγειων και θαλάσσιων υδάτων είναι εντονότερη.
Τα δεδομένα υποβλήθηκαν σε βασική προεπεξεργασία, η οποία περιλάμβανε ατμοσφαιρική διόρθωση και μετατροπή των ψηφιακών τιμών σε θερμοκρασία επιφάνειας θάλασσας (Sea Surface Temperature – SST), λαμβάνοντας υπόψη κατάλληλες παραμέτρους εκπομπής για υδάτινες επιφάνειες. Η ανάλυση επικεντρώθηκε στις παράκτιες ζώνες, όπου αναμένεται η εκδήλωση της υποθαλάσσιας εκφόρτισης.
Ο εντοπισμός πιθανών περιοχών SGD βασίστηκε στην αναγνώριση τοπικών θερμικών ανωμαλιών, οι οποίες εμφανίζονται ως ψυχρότερες περιοχές σε σχέση με το περιβάλλον θαλάσσιο νερό. Για τον χαρακτηρισμό μιας ανωμαλίας ως πιθανής SGD εξετάστηκαν η εγγύτητα στην ακτογραμμή, η επαναληψιμότητά της σε διαφορετικές ημερομηνίες και η απουσία άλλων εμφανών φυσικών ή ανθρωπογενών αιτίων.
Αναγνωρίζεται ότι η θερμική τηλεπισκόπηση παρουσιάζει περιορισμούς, καθώς η θαλάσσια ανάμειξη, οι κλιματικές συνθήκες και η παράκτια κυκλοφορία μπορούν να επηρεάσουν τη θερμική υπογραφή. Για τον λόγο αυτό, τα αποτελέσματα της ανάλυσης θεωρούνται προκαταρκτικά και προτείνονται για περαιτέρω επιβεβαίωση μέσω επιτόπιων μετρήσεων.
[[Αρχείο:Εικόνα 2 Διαδικασία διαγράμματος ροής για την ανίχνευση SGD.JPG|thumb|center|700px|Εικόνα 2 Διαδικασία διαγράμματος ροής για την ανίχνευση SGD]]

===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η ανάλυση των θερμικών δεδομένων αποκάλυψε την παρουσία σαφών θερμικών ανωμαλιών κατά μήκος της ακτογραμμής, οι οποίες εμφανίζονται ως περιοχές χαμηλότερης θερμοκρασίας σε σχέση με το περιβάλλον θαλάσσιο νερό.
Οι ανωμαλίες αυτές ήταν εντονότερες και πιο ευδιάκριτες κατά τη χειμερινή περίοδο, επιβεβαιώνοντας τη σημασία της εποχικότητας στην ανίχνευση της SGD. Σε αρκετές περιπτώσεις, οι εντοπισμένες περιοχές συσχετίστηκαν χωρικά με γνωστούς παράκτιους υδροφορείς και γεωλογικές ασυνέχειες.

[[Αρχείο:Εικόνα 3 (α) Τυποποιημένη θερμική ανωμαλία στις 23 Σεπτεμβρίου 2023 (φθινόπωρο), (β) τυποποιημένη.JPG|thumb|center|500px|Εικόνα 3 (α) Τυποποιημένη θερμική ανωμαλία στις 23 Σεπτεμβρίου 2023 (φθινόπωρο), (β) τυποποιημένη θερμική ανωμαλία στις 18 Ιουνίου 2020 (καλοκαίρι)]]
Η σύγκριση θερμικών χαρτών διαφορετικών εποχών κατέδειξε ότι ορισμένες ανωμαλίες εμφανίζουν σταθερότητα στον χρόνο, ενισχύοντας την υπόθεση ότι σχετίζονται με συνεχή εκφόρτιση υπόγειων υδάτων.
[[Αρχείο:Εικόνα 4 Χωρική κατανομή της υποθαλάσσιας εκροής υπόγειων υδάτων (SGD) Χάρτης πιθανότητας.JPG|thumb|center|500px|Εικόνα 4 Χωρική κατανομή της υποθαλάσσιας εκροής υπόγειων υδάτων (SGD) Χάρτης πιθανότητας]]

[[Αρχείο:Εικόνα 3 Χάρτες μετατόπισης για την κατακόρυφη και την κατεύθυνση Α Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27 Σεπ 21.JPG|thumb|center|500px|Εικόνα 3 Χάρτες μετατόπισης για: (a) την κατακόρυφη (πάνω-κάτω) και (β) την κατεύθυνση Α-Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27ης Σεπτεμβρίου 2021, με επικάλυψη των ενεργών ρηγμάτων της ευρύτερης περιοχής]]

===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Η εργασία καταδεικνύει ότι οι θερμικές ζώνες των δορυφόρων Landsat 8 και 9 μπορούν να χρησιμοποιηθούν αποτελεσματικά για τον προκαταρκτικό εντοπισμό πιθανών περιοχών υποθαλάσσιας εκφόρτισης υπόγειων υδάτων. Η θερμική τηλεπισκόπηση προσφέρει ένα μη παρεμβατικό, χαμηλού κόστους εργαλείο με μεγάλη χωρική κάλυψη, ιδανικό για αρχική χαρτογράφηση.
Ωστόσο, η μέθοδος δεν αντικαθιστά τις επιτόπιες μετρήσεις, καθώς οι θερμικές ανωμαλίες μπορεί να επηρεάζονται από πολλούς περιβαλλοντικούς παράγοντες. Ο συνδυασμός δορυφορικών δεδομένων με υδρογεωλογικές και γεωχημικές μετρήσεις θεωρείται απαραίτητος για την οριστική επιβεβαίωση της παρουσίας SGD.

Λέξεις κλειδιά: Submarine Groundwater Discharge (SGD), Landsat 8/9 Thermal Infrared, thermal anomalies, El Jebha coast

[[category:Εντοπισμός πηγών πόσιμου νερού]]

Χρήση των θερμικών ζωνών Landsat 8 9 για την ανίχνευση πιθανών υποθαλάσσιων σημείων εκροής υπόγειων υδάτων στη Μεσόγειο

2026-01-14T15:08:24Z

PARISIS APOSTOLOS:

<span style="font-size:20px;"> Using Landsat 8/9 Thermal Bands to Detect Potential Submarine Groundwater Discharge (SGD) Sites in the Mediterranean in North West-Central Morocco </span>

Y Bernichi, M Amharref, AS Bernoussi, PL Frison,
Hydrology 12.6 (2025): 144.
πηγή: [https://doi.org/10.3390/hydrology12060144]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Η υποθαλάσσια εκφόρτιση υπόγειων υδάτων (Submarine Groundwater Discharge – SGD) αποτελεί σημαντική διεργασία ανταλλαγής νερού και διαλυμένων ουσιών μεταξύ χερσαίων υδροφορέων και θαλάσσιου περιβάλλοντος, με επιπτώσεις στη φυσική και χημική δυναμική των παράκτιων περιοχών. Η ανίχνευσή της είναι συχνά δύσκολη λόγω της χωρικής και χρονικής μεταβλητότητάς της.
Η παρούσα εργασία εξετάζει τη δυνατότητα χρήσης των θερμικών ζωνών των δορυφόρων Landsat 8 και Landsat 9 για τον εντοπισμό πιθανών θέσεων υποθαλάσσιας εκφόρτισης υπόγειων υδάτων στη Μεσόγειο Θάλασσα, στη βορειοδυτική–κεντρική περιοχή του Μαρόκου. Η μεθοδολογία βασίζεται στη χαρτογράφηση θερμικών ανωμαλιών της επιφανειακής θερμοκρασίας της θάλασσας, με έμφαση στην εποχική ανάλυση και ιδιαίτερα στη χειμερινή περίοδο.
Τα αποτελέσματα δείχνουν ότι οι θερμικές εικόνες Landsat μπορούν να αποκαλύψουν χωρικά συνεπείς θερμικές ανωμαλίες κοντά στην ακτογραμμή, οι οποίες πιθανόν σχετίζονται με SGD. Η θερμική τηλεπισκόπηση αναδεικνύεται ως αποτελεσματικό εργαλείο προκαταρκτικού εντοπισμού περιοχών ενδιαφέροντος, οι οποίες απαιτούν περαιτέρω επιβεβαίωση με επιτόπιες μετρήσεις.

===ΕΙΣΑΓΩΓΗ===

Η υποθαλάσσια εκφόρτιση υπόγειων υδάτων αποτελεί μια λιγότερο ορατή αλλά ιδιαίτερα σημαντική διεργασία στο παράκτιο υδρολογικό σύστημα. Μέσω της SGD, υπόγεια ύδατα που προέρχονται από παράκτιους υδροφορείς εισέρχονται στη θάλασσα, μεταφέροντας διαλυμένες ουσίες που μπορούν να επηρεάσουν τη χημεία και τη βιολογία των παράκτιων οικοσυστημάτων.
Η παραδοσιακή ανίχνευση της SGD βασίζεται σε επιτόπιες μεθόδους, όπως γεωχημικοί ιχνηθέτες, μετρήσεις ραδονίου και υδρολογικές παρατηρήσεις. Παρότι οι μέθοδοι αυτές είναι αξιόπιστες, απαιτούν σημαντικό χρόνο και κόστος και καλύπτουν περιορισμένες χωρικές εκτάσεις. Η τηλεπισκόπηση, και ειδικότερα η θερμική υπέρυθρη απεικόνιση, προσφέρει τη δυνατότητα ευρείας χωρικής κάλυψης και επαναλαμβανόμενης παρακολούθησης των παράκτιων περιοχών.
Στο πλαίσιο αυτό, η εργασία εξετάζει τη δυνατότητα αξιοποίησης των θερμικών ζωνών των δορυφόρων Landsat 8 και 9 για τον εντοπισμό πιθανών περιοχών υποθαλάσσιας εκφόρτισης υπόγειων υδάτων στη Μεσόγειο Θάλασσα του Μαρόκου.

===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ===
Η περιοχή μελέτης βρίσκεται στη βορειοδυτική–κεντρική ακτογραμμή του Μαρόκου, κατά μήκος της Μεσογείου Θάλασσας. Η περιοχή χαρακτηρίζεται από έντονη γεωμορφολογική ποικιλία, παράκτιους υδροφορείς και σημαντικές αλληλεπιδράσεις μεταξύ χερσαίων και θαλάσσιων υδατικών συστημάτων.
Το κλίμα της περιοχής είναι μεσογειακό, με ήπιους υγρούς χειμώνες και θερμά, ξηρά καλοκαίρια. Οι εποχικές μεταβολές της θερμοκρασίας καθιστούν την περιοχή κατάλληλη για την ανίχνευση SGD μέσω θερμικών ανωμαλιών, ιδιαίτερα κατά τη χειμερινή περίοδο.
[[Αρχείο:Εικόνα 1 Δομικό και υδρογεωλογικό πλαίσιο της ακτής El Jebha.JPG|thumb|center|500px| Εικόνα 1 Δομικό και υδρογεωλογικό πλαίσιο της ακτής El Jebha, με έμφαση στο ρήγμα F1 και την υποθετική διαδρομή εκροής υποθαλάσσιων υπόγειων υδάτων και τη θέση της πηγής Ain Souyah]]

===ΜΕΘΟΔΟΛΟΓΙΑ===
Η μεθοδολογία της παρούσας μελέτης βασίζεται στην ανάλυση θερμικών δορυφορικών δεδομένων από τους δορυφόρους Landsat 8 και Landsat 9, με στόχο τον εντοπισμό θερμικών ανωμαλιών που σχετίζονται με πιθανή υποθαλάσσια εκφόρτιση υπόγειων υδάτων (SGD). Η επιλογή των δεδομένων Landsat έγινε λόγω της διαχρονικής συνέχειας, της ελεύθερης πρόσβασης και της καταλληλότητας των θερμικών ζωνών για εφαρμογές θερμοκρασίας επιφάνειας θάλασσας.
Οι θερμικές πληροφορίες προέρχονται από τον αισθητήρα Thermal Infrared Sensor (TIRS), με κύρια χρήση της ζώνης Band 10, η οποία θεωρείται πιο αξιόπιστη για τον υπολογισμό θερμοκρασίας επιφάνειας. Η αρχική χωρική ανάλυση των θερμικών δεδομένων είναι 100 m και μέσω επαναδειγματοληψίας προσαρμόζεται στα 30 m, ώστε να είναι συμβατή με τις υπόλοιπες φασματικές ζώνες. Η χρονική ανάλυση των δεδομένων είναι 16 ημέρες, επιτρέποντας τη σύγκριση εικόνων διαφορετικών εποχών, με έμφαση στη χειμερινή περίοδο, όπου η θερμοκρασιακή αντίθεση μεταξύ υπόγειων και θαλάσσιων υδάτων είναι εντονότερη.
Τα δεδομένα υποβλήθηκαν σε βασική προεπεξεργασία, η οποία περιλάμβανε ατμοσφαιρική διόρθωση και μετατροπή των ψηφιακών τιμών σε θερμοκρασία επιφάνειας θάλασσας (Sea Surface Temperature – SST), λαμβάνοντας υπόψη κατάλληλες παραμέτρους εκπομπής για υδάτινες επιφάνειες. Η ανάλυση επικεντρώθηκε στις παράκτιες ζώνες, όπου αναμένεται η εκδήλωση της υποθαλάσσιας εκφόρτισης.
Ο εντοπισμός πιθανών περιοχών SGD βασίστηκε στην αναγνώριση τοπικών θερμικών ανωμαλιών, οι οποίες εμφανίζονται ως ψυχρότερες περιοχές σε σχέση με το περιβάλλον θαλάσσιο νερό. Για τον χαρακτηρισμό μιας ανωμαλίας ως πιθανής SGD εξετάστηκαν η εγγύτητα στην ακτογραμμή, η επαναληψιμότητά της σε διαφορετικές ημερομηνίες και η απουσία άλλων εμφανών φυσικών ή ανθρωπογενών αιτίων.
Αναγνωρίζεται ότι η θερμική τηλεπισκόπηση παρουσιάζει περιορισμούς, καθώς η θαλάσσια ανάμειξη, οι κλιματικές συνθήκες και η παράκτια κυκλοφορία μπορούν να επηρεάσουν τη θερμική υπογραφή. Για τον λόγο αυτό, τα αποτελέσματα της ανάλυσης θεωρούνται προκαταρκτικά και προτείνονται για περαιτέρω επιβεβαίωση μέσω επιτόπιων μετρήσεων.
[[Αρχείο:Εικόνα 2 Διαδικασία διαγράμματος ροής για την ανίχνευση SGD.JPG|thumb|center|600px|Εικόνα 2 Διαδικασία διαγράμματος ροής για την ανίχνευση SGD]]

===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η ανάλυση των θερμικών δεδομένων αποκάλυψε την παρουσία σαφών θερμικών ανωμαλιών κατά μήκος της ακτογραμμής, οι οποίες εμφανίζονται ως περιοχές χαμηλότερης θερμοκρασίας σε σχέση με το περιβάλλον θαλάσσιο νερό.
Οι ανωμαλίες αυτές ήταν εντονότερες και πιο ευδιάκριτες κατά τη χειμερινή περίοδο, επιβεβαιώνοντας τη σημασία της εποχικότητας στην ανίχνευση της SGD. Σε αρκετές περιπτώσεις, οι εντοπισμένες περιοχές συσχετίστηκαν χωρικά με γνωστούς παράκτιους υδροφορείς και γεωλογικές ασυνέχειες.

[[Αρχείο:Εικόνα 3 (α) Τυποποιημένη θερμική ανωμαλία στις 23 Σεπτεμβρίου 2023 (φθινόπωρο), (β) τυποποιημένη.JPG|thumb|center|500px|Εικόνα 3 (α) Τυποποιημένη θερμική ανωμαλία στις 23 Σεπτεμβρίου 2023 (φθινόπωρο), (β) τυποποιημένη θερμική ανωμαλία στις 18 Ιουνίου 2020 (καλοκαίρι)]]
Η σύγκριση θερμικών χαρτών διαφορετικών εποχών κατέδειξε ότι ορισμένες ανωμαλίες εμφανίζουν σταθερότητα στον χρόνο, ενισχύοντας την υπόθεση ότι σχετίζονται με συνεχή εκφόρτιση υπόγειων υδάτων.
[[Αρχείο:Εικόνα 4 Χωρική κατανομή της υποθαλάσσιας εκροής υπόγειων υδάτων (SGD) Χάρτης πιθανότητας.JPG|thumb|center|500px|Εικόνα 4 Χωρική κατανομή της υποθαλάσσιας εκροής υπόγειων υδάτων (SGD) Χάρτης πιθανότητας]]

[[Αρχείο:Εικόνα 3 Χάρτες μετατόπισης για την κατακόρυφη και την κατεύθυνση Α Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27 Σεπ 21.JPG|thumb|center|500px|Εικόνα 3 Χάρτες μετατόπισης για: (a) την κατακόρυφη (πάνω-κάτω) και (β) την κατεύθυνση Α-Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27ης Σεπτεμβρίου 2021, με επικάλυψη των ενεργών ρηγμάτων της ευρύτερης περιοχής]]

===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Η εργασία καταδεικνύει ότι οι θερμικές ζώνες των δορυφόρων Landsat 8 και 9 μπορούν να χρησιμοποιηθούν αποτελεσματικά για τον προκαταρκτικό εντοπισμό πιθανών περιοχών υποθαλάσσιας εκφόρτισης υπόγειων υδάτων. Η θερμική τηλεπισκόπηση προσφέρει ένα μη παρεμβατικό, χαμηλού κόστους εργαλείο με μεγάλη χωρική κάλυψη, ιδανικό για αρχική χαρτογράφηση.
Ωστόσο, η μέθοδος δεν αντικαθιστά τις επιτόπιες μετρήσεις, καθώς οι θερμικές ανωμαλίες μπορεί να επηρεάζονται από πολλούς περιβαλλοντικούς παράγοντες. Ο συνδυασμός δορυφορικών δεδομένων με υδρογεωλογικές και γεωχημικές μετρήσεις θεωρείται απαραίτητος για την οριστική επιβεβαίωση της παρουσίας SGD.

Λέξεις κλειδιά: Submarine Groundwater Discharge (SGD), Landsat 8/9 Thermal Infrared, thermal anomalies, El Jebha coast

[[category:Εντοπισμός πηγών πόσιμου νερού]]

Χρήση των θερμικών ζωνών Landsat 8 9 για την ανίχνευση πιθανών υποθαλάσσιων σημείων εκροής υπόγειων υδάτων στη Μεσόγειο

2026-01-14T15:06:06Z

PARISIS APOSTOLOS:

<span style="font-size:20px;"> Using Landsat 8/9 Thermal Bands to Detect Potential Submarine Groundwater Discharge (SGD) Sites in the Mediterranean in North West-Central Morocco </span>

Y Bernichi, M Amharref, AS Bernoussi, PL Frison,
Hydrology 12.6 (2025): 144.
πηγή: [https://doi.org/10.3390/hydrology12060144]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Η υποθαλάσσια εκφόρτιση υπόγειων υδάτων (Submarine Groundwater Discharge – SGD) αποτελεί σημαντική διεργασία ανταλλαγής νερού και διαλυμένων ουσιών μεταξύ χερσαίων υδροφορέων και θαλάσσιου περιβάλλοντος, με επιπτώσεις στη φυσική και χημική δυναμική των παράκτιων περιοχών. Η ανίχνευσή της είναι συχνά δύσκολη λόγω της χωρικής και χρονικής μεταβλητότητάς της.
Η παρούσα εργασία εξετάζει τη δυνατότητα χρήσης των θερμικών ζωνών των δορυφόρων Landsat 8 και Landsat 9 για τον εντοπισμό πιθανών θέσεων υποθαλάσσιας εκφόρτισης υπόγειων υδάτων στη Μεσόγειο Θάλασσα, στη βορειοδυτική–κεντρική περιοχή του Μαρόκου. Η μεθοδολογία βασίζεται στη χαρτογράφηση θερμικών ανωμαλιών της επιφανειακής θερμοκρασίας της θάλασσας, με έμφαση στην εποχική ανάλυση και ιδιαίτερα στη χειμερινή περίοδο.
Τα αποτελέσματα δείχνουν ότι οι θερμικές εικόνες Landsat μπορούν να αποκαλύψουν χωρικά συνεπείς θερμικές ανωμαλίες κοντά στην ακτογραμμή, οι οποίες πιθανόν σχετίζονται με SGD. Η θερμική τηλεπισκόπηση αναδεικνύεται ως αποτελεσματικό εργαλείο προκαταρκτικού εντοπισμού περιοχών ενδιαφέροντος, οι οποίες απαιτούν περαιτέρω επιβεβαίωση με επιτόπιες μετρήσεις.

===ΕΙΣΑΓΩΓΗ===

Η υποθαλάσσια εκφόρτιση υπόγειων υδάτων αποτελεί μια λιγότερο ορατή αλλά ιδιαίτερα σημαντική διεργασία στο παράκτιο υδρολογικό σύστημα. Μέσω της SGD, υπόγεια ύδατα που προέρχονται από παράκτιους υδροφορείς εισέρχονται στη θάλασσα, μεταφέροντας διαλυμένες ουσίες που μπορούν να επηρεάσουν τη χημεία και τη βιολογία των παράκτιων οικοσυστημάτων.
Η παραδοσιακή ανίχνευση της SGD βασίζεται σε επιτόπιες μεθόδους, όπως γεωχημικοί ιχνηθέτες, μετρήσεις ραδονίου και υδρολογικές παρατηρήσεις. Παρότι οι μέθοδοι αυτές είναι αξιόπιστες, απαιτούν σημαντικό χρόνο και κόστος και καλύπτουν περιορισμένες χωρικές εκτάσεις. Η τηλεπισκόπηση, και ειδικότερα η θερμική υπέρυθρη απεικόνιση, προσφέρει τη δυνατότητα ευρείας χωρικής κάλυψης και επαναλαμβανόμενης παρακολούθησης των παράκτιων περιοχών.
Στο πλαίσιο αυτό, η εργασία εξετάζει τη δυνατότητα αξιοποίησης των θερμικών ζωνών των δορυφόρων Landsat 8 και 9 για τον εντοπισμό πιθανών περιοχών υποθαλάσσιας εκφόρτισης υπόγειων υδάτων στη Μεσόγειο Θάλασσα του Μαρόκου.

===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ===
Η περιοχή μελέτης βρίσκεται στη βορειοδυτική–κεντρική ακτογραμμή του Μαρόκου, κατά μήκος της Μεσογείου Θάλασσας. Η περιοχή χαρακτηρίζεται από έντονη γεωμορφολογική ποικιλία, παράκτιους υδροφορείς και σημαντικές αλληλεπιδράσεις μεταξύ χερσαίων και θαλάσσιων υδατικών συστημάτων.
Το κλίμα της περιοχής είναι μεσογειακό, με ήπιους υγρούς χειμώνες και θερμά, ξηρά καλοκαίρια. Οι εποχικές μεταβολές της θερμοκρασίας καθιστούν την περιοχή κατάλληλη για την ανίχνευση SGD μέσω θερμικών ανωμαλιών, ιδιαίτερα κατά τη χειμερινή περίοδο.
[[Αρχείο:Εικόνα 1 Δομικό και υδρογεωλογικό πλαίσιο της ακτής El Jebha.JPG|thumb|center|500px| Εικόνα 1 Δομικό και υδρογεωλογικό πλαίσιο της ακτής El Jebha, με έμφαση στο ρήγμα F1 και την υποθετική διαδρομή εκροής υποθαλάσσιων υπόγειων υδάτων και τη θέση της πηγής Ain Souyah]]

===ΜΕΘΟΔΟΛΟΓΙΑ===
Η μεθοδολογία της παρούσας μελέτης βασίζεται στην ανάλυση θερμικών δορυφορικών δεδομένων από τους δορυφόρους Landsat 8 και Landsat 9, με στόχο τον εντοπισμό θερμικών ανωμαλιών που σχετίζονται με πιθανή υποθαλάσσια εκφόρτιση υπόγειων υδάτων (SGD). Η επιλογή των δεδομένων Landsat έγινε λόγω της διαχρονικής συνέχειας, της ελεύθερης πρόσβασης και της καταλληλότητας των θερμικών ζωνών για εφαρμογές θερμοκρασίας επιφάνειας θάλασσας.
Οι θερμικές πληροφορίες προέρχονται από τον αισθητήρα Thermal Infrared Sensor (TIRS), με κύρια χρήση της ζώνης Band 10, η οποία θεωρείται πιο αξιόπιστη για τον υπολογισμό θερμοκρασίας επιφάνειας. Η αρχική χωρική ανάλυση των θερμικών δεδομένων είναι 100 m και μέσω επαναδειγματοληψίας προσαρμόζεται στα 30 m, ώστε να είναι συμβατή με τις υπόλοιπες φασματικές ζώνες. Η χρονική ανάλυση των δεδομένων είναι 16 ημέρες, επιτρέποντας τη σύγκριση εικόνων διαφορετικών εποχών, με έμφαση στη χειμερινή περίοδο, όπου η θερμοκρασιακή αντίθεση μεταξύ υπόγειων και θαλάσσιων υδάτων είναι εντονότερη.
Τα δεδομένα υποβλήθηκαν σε βασική προεπεξεργασία, η οποία περιλάμβανε ατμοσφαιρική διόρθωση και μετατροπή των ψηφιακών τιμών σε θερμοκρασία επιφάνειας θάλασσας (Sea Surface Temperature – SST), λαμβάνοντας υπόψη κατάλληλες παραμέτρους εκπομπής για υδάτινες επιφάνειες. Η ανάλυση επικεντρώθηκε στις παράκτιες ζώνες, όπου αναμένεται η εκδήλωση της υποθαλάσσιας εκφόρτισης.
Ο εντοπισμός πιθανών περιοχών SGD βασίστηκε στην αναγνώριση τοπικών θερμικών ανωμαλιών, οι οποίες εμφανίζονται ως ψυχρότερες περιοχές σε σχέση με το περιβάλλον θαλάσσιο νερό. Για τον χαρακτηρισμό μιας ανωμαλίας ως πιθανής SGD εξετάστηκαν η εγγύτητα στην ακτογραμμή, η επαναληψιμότητά της σε διαφορετικές ημερομηνίες και η απουσία άλλων εμφανών φυσικών ή ανθρωπογενών αιτίων.
Αναγνωρίζεται ότι η θερμική τηλεπισκόπηση παρουσιάζει περιορισμούς, καθώς η θαλάσσια ανάμειξη, οι κλιματικές συνθήκες και η παράκτια κυκλοφορία μπορούν να επηρεάσουν τη θερμική υπογραφή. Για τον λόγο αυτό, τα αποτελέσματα της ανάλυσης θεωρούνται προκαταρκτικά και προτείνονται για περαιτέρω επιβεβαίωση μέσω επιτόπιων μετρήσεων.
[[Αρχείο:Εικόνα 2 Διαδικασία διαγράμματος ροής για την ανίχνευση SGD.JPG|thumb|center|500px|Εικόνα 2 Διαδικασία διαγράμματος ροής για την ανίχνευση SGD]]

===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η ανάλυση των θερμικών δεδομένων αποκάλυψε την παρουσία σαφών θερμικών ανωμαλιών κατά μήκος της ακτογραμμής, οι οποίες εμφανίζονται ως περιοχές χαμηλότερης θερμοκρασίας σε σχέση με το περιβάλλον θαλάσσιο νερό.
Οι ανωμαλίες αυτές ήταν εντονότερες και πιο ευδιάκριτες κατά τη χειμερινή περίοδο, επιβεβαιώνοντας τη σημασία της εποχικότητας στην ανίχνευση της SGD. Σε αρκετές περιπτώσεις, οι εντοπισμένες περιοχές συσχετίστηκαν χωρικά με γνωστούς παράκτιους υδροφορείς και γεωλογικές ασυνέχειες.

[[Αρχείο:Εικόνα 3 (α) Τυποποιημένη θερμική ανωμαλία στις 23 Σεπτεμβρίου 2023 (φθινόπωρο), (β) τυποποιημένη.JPG|thumb|center|500px|Εικόνα 3 (α) Τυποποιημένη θερμική ανωμαλία στις 23 Σεπτεμβρίου 2023 (φθινόπωρο), (β) τυποποιημένη θερμική ανωμαλία στις 18 Ιουνίου 2020 (καλοκαίρι)]]
Η σύγκριση θερμικών χαρτών διαφορετικών εποχών κατέδειξε ότι ορισμένες ανωμαλίες εμφανίζουν σταθερότητα στον χρόνο, ενισχύοντας την υπόθεση ότι σχετίζονται με συνεχή εκφόρτιση υπόγειων υδάτων.
[[Αρχείο:Εικόνα 4 Χωρική κατανομή της υποθαλάσσιας εκροής υπόγειων υδάτων (SGD) Χάρτης πιθανότητας.JPG|thumb|center|500px|Εικόνα 4 Χωρική κατανομή της υποθαλάσσιας εκροής υπόγειων υδάτων (SGD) Χάρτης πιθανότητας]]

[[Αρχείο:Εικόνα 3 Χάρτες μετατόπισης για την κατακόρυφη και την κατεύθυνση Α Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27 Σεπ 21.JPG.JPG|thumb|center|500px|Εικόνα 3 Χάρτες μετατόπισης για: (a) την κατακόρυφη (πάνω-κάτω) και (β) την κατεύθυνση Α-Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27ης Σεπτεμβρίου 2021, με επικάλυψη των ενεργών ρηγμάτων της ευρύτερης περιοχής]]

===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Η εργασία καταδεικνύει ότι οι θερμικές ζώνες των δορυφόρων Landsat 8 και 9 μπορούν να χρησιμοποιηθούν αποτελεσματικά για τον προκαταρκτικό εντοπισμό πιθανών περιοχών υποθαλάσσιας εκφόρτισης υπόγειων υδάτων. Η θερμική τηλεπισκόπηση προσφέρει ένα μη παρεμβατικό, χαμηλού κόστους εργαλείο με μεγάλη χωρική κάλυψη, ιδανικό για αρχική χαρτογράφηση.
Ωστόσο, η μέθοδος δεν αντικαθιστά τις επιτόπιες μετρήσεις, καθώς οι θερμικές ανωμαλίες μπορεί να επηρεάζονται από πολλούς περιβαλλοντικούς παράγοντες. Ο συνδυασμός δορυφορικών δεδομένων με υδρογεωλογικές και γεωχημικές μετρήσεις θεωρείται απαραίτητος για την οριστική επιβεβαίωση της παρουσίας SGD.

Λέξεις κλειδιά: Submarine Groundwater Discharge (SGD), Landsat 8/9 Thermal Infrared, thermal anomalies, El Jebha coast

[[category:Εντοπισμός πηγών πόσιμου νερού]]

Θερμικές ανωμαλίες και μοτίβα παραμόρφωσης που παρατηρήθηκαν από δορυφόρο και σχετίζονται με τη σεισμική ακολουθία του 2021 στην Κρήτη

2026-01-14T15:04:20Z

PARISIS APOSTOLOS:

<span style="font-size:20px;"> Satellite-Observed Thermal Anomalies and Deformation Patterns Associated to the 2021, Central Crete Seismic Sequence''</span>

Peleli, S., Kouli, M., & Vallianatos, F.,
Remote Sensing 14.14 (2022): 3413.
πηγή: [https://doi.org/10.3390/rs14143413]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Η διερεύνηση προσεισμικών φαινομένων αποτελεί σημαντικό αντικείμενο έρευνας στη σύγχρονη σεισμολογία, καθώς μπορεί να συμβάλει στην κατανόηση των μηχανισμών προετοιμασίας και εκδήλωσης ισχυρών σεισμικών γεγονότων. Η δορυφορική τηλεπισκόπηση παρέχει τη δυνατότητα παρακολούθησης τόσο θερμικών ανωμαλιών στην επιφάνεια της Γης όσο και επιφανειακών παραμορφώσεων με υψηλή χωρική και χρονική ανάλυση.
Στην παρούσα εργασία μελετώνται οι θερμικές ανωμαλίες και τα πρότυπα παραμόρφωσης που συνδέονται με τη σεισμική ακολουθία του 2021 στην Κεντρική Κρήτη, και ειδικότερα με τον ισχυρό σεισμό μεγέθους Mw 6.0 που σημειώθηκε κοντά στο Αρκαλοχώρι. Για τον εντοπισμό των θερμικών ανωμαλιών χρησιμοποιήθηκε η μέθοδος Robust Satellite Technique (RST) σε χρονοσειρά δορυφορικών δεδομένων θερμοκρασίας επιφάνειας εδάφους (LST) από τον αισθητήρα MODIS, ενώ η συνεπίδραση της σεισμικής δραστηριότητας με την επιφανειακή παραμόρφωση εξετάστηκε με τη χρήση της τεχνικής Interferometric Synthetic Aperture Radar (InSAR) και δεδομένων Sentinel-1.
Τα αποτελέσματα δείχνουν την ύπαρξη έντονων και χωρικά εκτεταμένων θερμικών ανωμαλιών πριν και κατά τη διάρκεια του κύριου σεισμικού γεγονότος, οι οποίες παρουσιάζουν συσχέτιση με περιοχές αυξημένης τεκτονικής δραστηριότητας και έντονης παραμόρφωσης. Η συνδυαστική ανάλυση θερμικών και γεωδαιτικών δεδομένων ενισχύει την υπόθεση ότι οι θερμικές ανωμαλίες σχετίζονται με διεργασίες προσεισμικής προετοιμασίας, όπως η εκπομπή αερίων και οι μεταβολές στο πεδίο τάσεων.
===ΕΙΣΑΓΩΓΗ===

Η αναζήτηση αξιόπιστων προσεισμικών δεικτών αποτελεί διαχρονικό στόχο της σεισμολογικής έρευνας. Οι σεισμοί αποτελούν σύνθετα φυσικά φαινόμενα, τα οποία συνδέονται με μακροχρόνιες τεκτονικές διεργασίες και απότομες απελευθερώσεις ενέργειας στον φλοιό της Γης. Στο πλαίσιο αυτό, η μελέτη ανωμαλιών που προηγούνται ή συνοδεύουν σεισμικά γεγονότα μπορεί να συμβάλει στη βαθύτερη κατανόηση των μηχανισμών γένεσής τους.
Μεταξύ των διαφόρων πιθανών προσεισμικών παραμέτρων, ιδιαίτερο ενδιαφέρον παρουσιάζουν οι θερμικές ανωμαλίες στην επιφάνεια της Γης και οι επιφανειακές παραμορφώσεις. Οι παράμετροι αυτές μπορούν να παρακολουθηθούν συστηματικά μέσω δορυφορικών δεδομένων, προσφέροντας ομοιογενή και επαναλαμβανόμενη κάλυψη μεγάλων περιοχών. Η θερμοκρασία επιφάνειας εδάφους (Land Surface Temperature – LST) και οι μετρήσεις παραμόρφωσης μέσω ραντάρ συνθετικού ανοίγματος αποτελούν βασικά εργαλεία σε τέτοιες μελέτες.
Η σεισμική ακολουθία του 2021 στην Κεντρική Κρήτη προσφέρει μια εξαιρετική ευκαιρία για τη μελέτη της σχέσης μεταξύ θερμικών ανωμαλιών και τεκτονικής παραμόρφωσης, καθώς πρόκειται για έναν σπάνιο ισχυρό χερσαίο σεισμό στην περιοχή.

===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ===
Η Κρήτη βρίσκεται στο νότιο άκρο του Ελληνικού τόξου και χαρακτηρίζεται από έντονη σεισμικότητα, η οποία οφείλεται κυρίως στη σύγκλιση και υποβύθιση της Αφρικανικής πλάκας κάτω από την Ευρασιατική. Η Κεντρική Κρήτη αποτελεί περιοχή ιδιαίτερα πολύπλοκου τεκτονικού καθεστώτος, όπου συνυπάρχουν συμπιεστικά πεδία τάσεων.
Η περιοχή μελέτης περιλαμβάνει την ευρύτερη περιοχή του Αρκαλοχωρίου και τις γειτονικές τεκτονικές δομές, όπως η ζώνη ρηγμάτων Καστελλίου και η περιοχή του όρους Γιούχτα. Η γεωλογία της περιοχής χαρακτηρίζεται από Νεογενή και Τεταρτογενή ιζήματα, καθώς και από ανθρακικά πετρώματα και μεταμορφωμένους σχηματισμούς, στοιχεία που επηρεάζουν τη συμπεριφορά τόσο των θερμικών ανωμαλιών όσο και της επιφανειακής παραμόρφωσης.
[[Αρχείο:Εικόνα 1 Επίκεντρο του κύριου συμβάντος και των προσεισμών και μετασεισμών, τα κύρια ενεργά ρήγματα και τις σεισμογόνες πηγές.JPG|thumb|center|400px|Εικόνα 1 Επίκεντρο του κύριου συμβάντος και των προσεισμών και μετασεισμών(HUSN), τα κύρια ενεργά ρήγματα (Ganas, A., Oikonomou, I. A., & Tsimi, C. (2013)) και τις σεισμογόνες πηγές (Caputo, R., Pavlides, S., 2013)]]

===ΜΕΘΟΔΟΛΟΓΙΑ===
Η μεθοδολογία της εργασίας βασίζεται στον συνδυασμό θερμικών δορυφορικών δεδομένων και γεωδαιτικών μετρήσεων παραμόρφωσης.
Για την ανίχνευση θερμικών ανωμαλιών εφαρμόστηκε η μέθοδος Robust Satellite Technique (RST), η οποία επιτρέπει τον εντοπισμό αποκλίσεων της θερμικής συμπεριφοράς από το «κανονικό» πρότυπο μιας περιοχής. Η μέθοδος βασίζεται στη στατιστική επεξεργασία πολυετών χρονοσειρών δορυφορικών δεδομένων, μειώνοντας την επίδραση παραγόντων όπως οι εποχικές μεταβολές, οι μετεωρολογικές συνθήκες και η βλάστηση.
Χρησιμοποιήθηκαν ημερήσια νυχτερινά δεδομένα θερμοκρασίας επιφάνειας εδάφους από τον αισθητήρα MODIS για την περίοδο 2012–2021, ώστε να δημιουργηθεί ένα αξιόπιστο θερμικό υπόβαθρο. Οι θερμικές ανωμαλίες ορίστηκαν με βάση αυστηρά στατιστικά κριτήρια, χρησιμοποιώντας δείκτη σήματος προς θόρυβο μεγαλύτερο του 3.
Παράλληλα, η επιφανειακή παραμόρφωση χαρτογραφήθηκε με τη χρήση της τεχνικής InSAR, αξιοποιώντας δεδομένα από τους δορυφόρους Sentinel-1 σε ανιούσες και κατιούσες τροχιές. Μέσω της διαφορικής συμβολομετρίας (DInSAR), υπολογίστηκαν οι μετακινήσεις του εδάφους στην κατεύθυνση γραμμής θέασης του δορυφόρου, καθώς και οι κατακόρυφες και οριζόντιες συνιστώσες της παραμόρφωσης.
Η συνδυαστική ανάλυση των δύο συνόλων δεδομένων επέτρεψε τη διερεύνηση της χωρικής και χρονικής συσχέτισης μεταξύ θερμικών ανωμαλιών, τεκτονικών δομών και παραμόρφωσης του εδάφους.

===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η εφαρμογή της μεθόδου RST οδήγησε στον εντοπισμό εννέα σημαντικών θερμικών ανωμαλιών κατά την περίοδο Ιουλίου–Σεπτεμβρίου 2021. Οι περισσότερες από αυτές εμφανίστηκαν πριν από τον κύριο σεισμό και χαρακτηρίστηκαν ως προσεισμικές, ενώ μία καταγράφηκε την ημέρα εκδήλωσης του σεισμού.
Οι θερμικές ανωμαλίες παρουσιάζουν σαφή χωρική συσχέτιση με περιοχές υψηλής πυκνότητας ρηγμάτων, όπως η περιοχή του όρους Γιούχτα και η ζώνη Καστελλίου. Η ανάλυση συχνότητας έδειξε ότι ορισμένες περιοχές παρουσίασαν επαναλαμβανόμενες ανωμαλίες, γεγονός που υποδηλώνει επίμονες διεργασίες.
Τα αποτελέσματα της ανάλυσης InSAR έδειξαν ότι ο σεισμός προκάλεσε κυρίως καθίζηση του εδάφους, με μέγιστες κατακόρυφες μετακινήσεις που έφτασαν τα 20 cm. Παρατηρήθηκαν επίσης οριζόντιες μετακινήσεις, οι οποίες αποδίδονται στη γεωμετρία του ρήγματος και στον μηχανισμό γένεσης του σεισμού.
Η υπέρθεση των χαρτών θερμικών ανωμαλιών και παραμόρφωσης αποκάλυψε περιοχές όπου τα δύο φαινόμενα συμπίπτουν χωρικά, ενισχύοντας την υπόθεση κοινών υποκείμενων διεργασιών.
[[Αρχείο:Εικόνα 2 Χάρτης συχνότητας θερμικών ανωμαλιών και κανονικοποιημένων ρηγμάτων πυκνότητας.JPG|thumb|center|400px|Εικόνα 2 Xάρτης συχνότητας που μετρά ανα εικονοστοιχείο τον αριθμό των φορών που συμμετείχε σε μία από τις εννέα θερμικές ανωμαλίες που εντοπίστηκαν κατά την προσεισμική περίοδο από τον Ιούλιο έως τον Σεπ του 2021 και Xάρτης κανον ρηγμάτων πυκνότητας]]
[[Αρχείο:Εικόνα 3 Χάρτες μετατόπισης για την κατακόρυφη και την κατεύθυνση Α Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27 Σεπ 21.JPG|thumb|center|400px|Εικόνα 3 Χάρτες μετατόπισης για: (a) την κατακόρυφη (πάνω-κάτω) και (β) την κατεύθυνση Α-Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27ης Σεπτεμβρίου 2021, με επικάλυψη των ενεργών ρηγμάτων της ευρύτερης περιοχής]]

===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Η παρούσα εργασία ανέδειξε τη χρησιμότητα του συνδυασμού δορυφορικών θερμικών δεδομένων και μετρήσεων παραμόρφωσης για τη μελέτη σεισμικών φαινομένων. Η ανίχνευση έντονων και επίμονων θερμικών ανωμαλιών πριν από τον σεισμό του Αρκαλοχωρίου, σε συνδυασμό με τα πρότυπα επιφανειακής παραμόρφωσης, υποδηλώνει ότι οι ανωμαλίες αυτές συνδέονται με διεργασίες προσεισμικής προετοιμασίας.
Πιθανοί μηχανισμοί περιλαμβάνουν την απελευθέρωση αερίων μέσω ρηγμάτων και μικρορωγμών, καθώς και ηλεκτρικές διεργασίες που ενεργοποιούνται από την αύξηση των τεκτονικών τάσεων. Παρότι απαιτείται περαιτέρω έρευνα, τα αποτελέσματα ενισχύουν την προοπτική ανάπτυξης πολυπαραμετρικών συστημάτων παρακολούθησης για την καλύτερη κατανόηση και, ενδεχομένως, την πρόγνωση ισχυρών σεισμικών γεγονότων.
[[Αρχείο:Εικόνα 4 (a) Συχνότητα θερμικών ανωμαλιών (b) ο λιθολογικός χάρτης της περιοχής μελέτης.JPG|thumb|center|400px|Εικόνα 4 (a) Συχνότητα θερμικών ανωμαλιών (b) ο λιθολογικός χάρτης της περιοχής μελέτης]]

Λέξεις κλειδιά: thermal anomalies, ground deformation, seismic sequence, central Crete earthquake (2021)

[[category:Σεισμοί]]

Θερμικές ανωμαλίες και μοτίβα παραμόρφωσης που παρατηρήθηκαν από δορυφόρο και σχετίζονται με τη σεισμική ακολουθία του 2021 στην Κρήτη

2026-01-14T15:03:47Z

PARISIS APOSTOLOS:

<span style="font-size:20px;"> Satellite-Observed Thermal Anomalies and Deformation Patterns Associated to the 2021, Central Crete Seismic Sequence''</span>

Peleli, S., Kouli, M., & Vallianatos, F.,
Remote Sensing 14.14 (2022): 3413.
πηγή: [https://doi.org/10.3390/rs14143413]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Η διερεύνηση προσεισμικών φαινομένων αποτελεί σημαντικό αντικείμενο έρευνας στη σύγχρονη σεισμολογία, καθώς μπορεί να συμβάλει στην κατανόηση των μηχανισμών προετοιμασίας και εκδήλωσης ισχυρών σεισμικών γεγονότων. Η δορυφορική τηλεπισκόπηση παρέχει τη δυνατότητα παρακολούθησης τόσο θερμικών ανωμαλιών στην επιφάνεια της Γης όσο και επιφανειακών παραμορφώσεων με υψηλή χωρική και χρονική ανάλυση.
Στην παρούσα εργασία μελετώνται οι θερμικές ανωμαλίες και τα πρότυπα παραμόρφωσης που συνδέονται με τη σεισμική ακολουθία του 2021 στην Κεντρική Κρήτη, και ειδικότερα με τον ισχυρό σεισμό μεγέθους Mw 6.0 που σημειώθηκε κοντά στο Αρκαλοχώρι. Για τον εντοπισμό των θερμικών ανωμαλιών χρησιμοποιήθηκε η μέθοδος Robust Satellite Technique (RST) σε χρονοσειρά δορυφορικών δεδομένων θερμοκρασίας επιφάνειας εδάφους (LST) από τον αισθητήρα MODIS, ενώ η συνεπίδραση της σεισμικής δραστηριότητας με την επιφανειακή παραμόρφωση εξετάστηκε με τη χρήση της τεχνικής Interferometric Synthetic Aperture Radar (InSAR) και δεδομένων Sentinel-1.
Τα αποτελέσματα δείχνουν την ύπαρξη έντονων και χωρικά εκτεταμένων θερμικών ανωμαλιών πριν και κατά τη διάρκεια του κύριου σεισμικού γεγονότος, οι οποίες παρουσιάζουν συσχέτιση με περιοχές αυξημένης τεκτονικής δραστηριότητας και έντονης παραμόρφωσης. Η συνδυαστική ανάλυση θερμικών και γεωδαιτικών δεδομένων ενισχύει την υπόθεση ότι οι θερμικές ανωμαλίες σχετίζονται με διεργασίες προσεισμικής προετοιμασίας, όπως η εκπομπή αερίων και οι μεταβολές στο πεδίο τάσεων.
===ΕΙΣΑΓΩΓΗ===

Η αναζήτηση αξιόπιστων προσεισμικών δεικτών αποτελεί διαχρονικό στόχο της σεισμολογικής έρευνας. Οι σεισμοί αποτελούν σύνθετα φυσικά φαινόμενα, τα οποία συνδέονται με μακροχρόνιες τεκτονικές διεργασίες και απότομες απελευθερώσεις ενέργειας στον φλοιό της Γης. Στο πλαίσιο αυτό, η μελέτη ανωμαλιών που προηγούνται ή συνοδεύουν σεισμικά γεγονότα μπορεί να συμβάλει στη βαθύτερη κατανόηση των μηχανισμών γένεσής τους.
Μεταξύ των διαφόρων πιθανών προσεισμικών παραμέτρων, ιδιαίτερο ενδιαφέρον παρουσιάζουν οι θερμικές ανωμαλίες στην επιφάνεια της Γης και οι επιφανειακές παραμορφώσεις. Οι παράμετροι αυτές μπορούν να παρακολουθηθούν συστηματικά μέσω δορυφορικών δεδομένων, προσφέροντας ομοιογενή και επαναλαμβανόμενη κάλυψη μεγάλων περιοχών. Η θερμοκρασία επιφάνειας εδάφους (Land Surface Temperature – LST) και οι μετρήσεις παραμόρφωσης μέσω ραντάρ συνθετικού ανοίγματος αποτελούν βασικά εργαλεία σε τέτοιες μελέτες.
Η σεισμική ακολουθία του 2021 στην Κεντρική Κρήτη προσφέρει μια εξαιρετική ευκαιρία για τη μελέτη της σχέσης μεταξύ θερμικών ανωμαλιών και τεκτονικής παραμόρφωσης, καθώς πρόκειται για έναν σπάνιο ισχυρό χερσαίο σεισμό στην περιοχή.

===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ===
Η Κρήτη βρίσκεται στο νότιο άκρο του Ελληνικού τόξου και χαρακτηρίζεται από έντονη σεισμικότητα, η οποία οφείλεται κυρίως στη σύγκλιση και υποβύθιση της Αφρικανικής πλάκας κάτω από την Ευρασιατική. Η Κεντρική Κρήτη αποτελεί περιοχή ιδιαίτερα πολύπλοκου τεκτονικού καθεστώτος, όπου συνυπάρχουν συμπιεστικά πεδία τάσεων.
Η περιοχή μελέτης περιλαμβάνει την ευρύτερη περιοχή του Αρκαλοχωρίου και τις γειτονικές τεκτονικές δομές, όπως η ζώνη ρηγμάτων Καστελλίου και η περιοχή του όρους Γιούχτα. Η γεωλογία της περιοχής χαρακτηρίζεται από Νεογενή και Τεταρτογενή ιζήματα, καθώς και από ανθρακικά πετρώματα και μεταμορφωμένους σχηματισμούς, στοιχεία που επηρεάζουν τη συμπεριφορά τόσο των θερμικών ανωμαλιών όσο και της επιφανειακής παραμόρφωσης.
[[Αρχείο:Εικόνα 1 Επίκεντρο του κύριου συμβάντος και των προσεισμών και μετασεισμών, τα κύρια ενεργά ρήγματα και τις σεισμογόνες πηγές.JPG|thumb|center|500px|Εικόνα 1 Επίκεντρο του κύριου συμβάντος και των προσεισμών και μετασεισμών(HUSN), τα κύρια ενεργά ρήγματα (Ganas, A., Oikonomou, I. A., & Tsimi, C. (2013)) και τις σεισμογόνες πηγές (Caputo, R., Pavlides, S., 2013)]]

===ΜΕΘΟΔΟΛΟΓΙΑ===
Η μεθοδολογία της εργασίας βασίζεται στον συνδυασμό θερμικών δορυφορικών δεδομένων και γεωδαιτικών μετρήσεων παραμόρφωσης.
Για την ανίχνευση θερμικών ανωμαλιών εφαρμόστηκε η μέθοδος Robust Satellite Technique (RST), η οποία επιτρέπει τον εντοπισμό αποκλίσεων της θερμικής συμπεριφοράς από το «κανονικό» πρότυπο μιας περιοχής. Η μέθοδος βασίζεται στη στατιστική επεξεργασία πολυετών χρονοσειρών δορυφορικών δεδομένων, μειώνοντας την επίδραση παραγόντων όπως οι εποχικές μεταβολές, οι μετεωρολογικές συνθήκες και η βλάστηση.
Χρησιμοποιήθηκαν ημερήσια νυχτερινά δεδομένα θερμοκρασίας επιφάνειας εδάφους από τον αισθητήρα MODIS για την περίοδο 2012–2021, ώστε να δημιουργηθεί ένα αξιόπιστο θερμικό υπόβαθρο. Οι θερμικές ανωμαλίες ορίστηκαν με βάση αυστηρά στατιστικά κριτήρια, χρησιμοποιώντας δείκτη σήματος προς θόρυβο μεγαλύτερο του 3.
Παράλληλα, η επιφανειακή παραμόρφωση χαρτογραφήθηκε με τη χρήση της τεχνικής InSAR, αξιοποιώντας δεδομένα από τους δορυφόρους Sentinel-1 σε ανιούσες και κατιούσες τροχιές. Μέσω της διαφορικής συμβολομετρίας (DInSAR), υπολογίστηκαν οι μετακινήσεις του εδάφους στην κατεύθυνση γραμμής θέασης του δορυφόρου, καθώς και οι κατακόρυφες και οριζόντιες συνιστώσες της παραμόρφωσης.
Η συνδυαστική ανάλυση των δύο συνόλων δεδομένων επέτρεψε τη διερεύνηση της χωρικής και χρονικής συσχέτισης μεταξύ θερμικών ανωμαλιών, τεκτονικών δομών και παραμόρφωσης του εδάφους.

===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η εφαρμογή της μεθόδου RST οδήγησε στον εντοπισμό εννέα σημαντικών θερμικών ανωμαλιών κατά την περίοδο Ιουλίου–Σεπτεμβρίου 2021. Οι περισσότερες από αυτές εμφανίστηκαν πριν από τον κύριο σεισμό και χαρακτηρίστηκαν ως προσεισμικές, ενώ μία καταγράφηκε την ημέρα εκδήλωσης του σεισμού.
Οι θερμικές ανωμαλίες παρουσιάζουν σαφή χωρική συσχέτιση με περιοχές υψηλής πυκνότητας ρηγμάτων, όπως η περιοχή του όρους Γιούχτα και η ζώνη Καστελλίου. Η ανάλυση συχνότητας έδειξε ότι ορισμένες περιοχές παρουσίασαν επαναλαμβανόμενες ανωμαλίες, γεγονός που υποδηλώνει επίμονες διεργασίες.
Τα αποτελέσματα της ανάλυσης InSAR έδειξαν ότι ο σεισμός προκάλεσε κυρίως καθίζηση του εδάφους, με μέγιστες κατακόρυφες μετακινήσεις που έφτασαν τα 20 cm. Παρατηρήθηκαν επίσης οριζόντιες μετακινήσεις, οι οποίες αποδίδονται στη γεωμετρία του ρήγματος και στον μηχανισμό γένεσης του σεισμού.
Η υπέρθεση των χαρτών θερμικών ανωμαλιών και παραμόρφωσης αποκάλυψε περιοχές όπου τα δύο φαινόμενα συμπίπτουν χωρικά, ενισχύοντας την υπόθεση κοινών υποκείμενων διεργασιών.
[[Αρχείο:Εικόνα 2 Χάρτης συχνότητας θερμικών ανωμαλιών και κανονικοποιημένων ρηγμάτων πυκνότητας.JPG|thumb|center|500px|Εικόνα 2 Xάρτης συχνότητας που μετρά ανα εικονοστοιχείο τον αριθμό των φορών που συμμετείχε σε μία από τις εννέα θερμικές ανωμαλίες που εντοπίστηκαν κατά την προσεισμική περίοδο από τον Ιούλιο έως τον Σεπ του 2021 και Xάρτης κανον ρηγμάτων πυκνότητας]]
[[Αρχείο:Εικόνα 3 Χάρτες μετατόπισης για την κατακόρυφη και την κατεύθυνση Α Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27 Σεπ 21.JPG|thumb|center|500px|Εικόνα 3 Χάρτες μετατόπισης για: (a) την κατακόρυφη (πάνω-κάτω) και (β) την κατεύθυνση Α-Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27ης Σεπτεμβρίου 2021, με επικάλυψη των ενεργών ρηγμάτων της ευρύτερης περιοχής]]

===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Η παρούσα εργασία ανέδειξε τη χρησιμότητα του συνδυασμού δορυφορικών θερμικών δεδομένων και μετρήσεων παραμόρφωσης για τη μελέτη σεισμικών φαινομένων. Η ανίχνευση έντονων και επίμονων θερμικών ανωμαλιών πριν από τον σεισμό του Αρκαλοχωρίου, σε συνδυασμό με τα πρότυπα επιφανειακής παραμόρφωσης, υποδηλώνει ότι οι ανωμαλίες αυτές συνδέονται με διεργασίες προσεισμικής προετοιμασίας.
Πιθανοί μηχανισμοί περιλαμβάνουν την απελευθέρωση αερίων μέσω ρηγμάτων και μικρορωγμών, καθώς και ηλεκτρικές διεργασίες που ενεργοποιούνται από την αύξηση των τεκτονικών τάσεων. Παρότι απαιτείται περαιτέρω έρευνα, τα αποτελέσματα ενισχύουν την προοπτική ανάπτυξης πολυπαραμετρικών συστημάτων παρακολούθησης για την καλύτερη κατανόηση και, ενδεχομένως, την πρόγνωση ισχυρών σεισμικών γεγονότων.
[[Αρχείο:Εικόνα 4 (a) Συχνότητα θερμικών ανωμαλιών (b) ο λιθολογικός χάρτης της περιοχής μελέτης.JPG|thumb|center|500px|Εικόνα 4 (a) Συχνότητα θερμικών ανωμαλιών (b) ο λιθολογικός χάρτης της περιοχής μελέτης]]

Λέξεις κλειδιά: thermal anomalies, ground deformation, seismic sequence, central Crete earthquake (2021)

[[category:Σεισμοί]]

Θερμικές ανωμαλίες και μοτίβα παραμόρφωσης που παρατηρήθηκαν από δορυφόρο και σχετίζονται με τη σεισμική ακολουθία του 2021 στην Κρήτη

2026-01-14T15:00:58Z

PARISIS APOSTOLOS:

<span style="font-size:20px;"> Satellite-Observed Thermal Anomalies and Deformation Patterns Associated to the 2021, Central Crete Seismic Sequence''</span>

Peleli, S., Kouli, M., & Vallianatos, F.,
Remote Sensing 14.14 (2022): 3413.
πηγή: [https://doi.org/10.3390/rs14143413]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Η διερεύνηση προσεισμικών φαινομένων αποτελεί σημαντικό αντικείμενο έρευνας στη σύγχρονη σεισμολογία, καθώς μπορεί να συμβάλει στην κατανόηση των μηχανισμών προετοιμασίας και εκδήλωσης ισχυρών σεισμικών γεγονότων. Η δορυφορική τηλεπισκόπηση παρέχει τη δυνατότητα παρακολούθησης τόσο θερμικών ανωμαλιών στην επιφάνεια της Γης όσο και επιφανειακών παραμορφώσεων με υψηλή χωρική και χρονική ανάλυση.
Στην παρούσα εργασία μελετώνται οι θερμικές ανωμαλίες και τα πρότυπα παραμόρφωσης που συνδέονται με τη σεισμική ακολουθία του 2021 στην Κεντρική Κρήτη, και ειδικότερα με τον ισχυρό σεισμό μεγέθους Mw 6.0 που σημειώθηκε κοντά στο Αρκαλοχώρι. Για τον εντοπισμό των θερμικών ανωμαλιών χρησιμοποιήθηκε η μέθοδος Robust Satellite Technique (RST) σε χρονοσειρά δορυφορικών δεδομένων θερμοκρασίας επιφάνειας εδάφους (LST) από τον αισθητήρα MODIS, ενώ η συνεπίδραση της σεισμικής δραστηριότητας με την επιφανειακή παραμόρφωση εξετάστηκε με τη χρήση της τεχνικής Interferometric Synthetic Aperture Radar (InSAR) και δεδομένων Sentinel-1.
Τα αποτελέσματα δείχνουν την ύπαρξη έντονων και χωρικά εκτεταμένων θερμικών ανωμαλιών πριν και κατά τη διάρκεια του κύριου σεισμικού γεγονότος, οι οποίες παρουσιάζουν συσχέτιση με περιοχές αυξημένης τεκτονικής δραστηριότητας και έντονης παραμόρφωσης. Η συνδυαστική ανάλυση θερμικών και γεωδαιτικών δεδομένων ενισχύει την υπόθεση ότι οι θερμικές ανωμαλίες σχετίζονται με διεργασίες προσεισμικής προετοιμασίας, όπως η εκπομπή αερίων και οι μεταβολές στο πεδίο τάσεων.
===ΕΙΣΑΓΩΓΗ===

Η αναζήτηση αξιόπιστων προσεισμικών δεικτών αποτελεί διαχρονικό στόχο της σεισμολογικής έρευνας. Οι σεισμοί αποτελούν σύνθετα φυσικά φαινόμενα, τα οποία συνδέονται με μακροχρόνιες τεκτονικές διεργασίες και απότομες απελευθερώσεις ενέργειας στον φλοιό της Γης. Στο πλαίσιο αυτό, η μελέτη ανωμαλιών που προηγούνται ή συνοδεύουν σεισμικά γεγονότα μπορεί να συμβάλει στη βαθύτερη κατανόηση των μηχανισμών γένεσής τους.
Μεταξύ των διαφόρων πιθανών προσεισμικών παραμέτρων, ιδιαίτερο ενδιαφέρον παρουσιάζουν οι θερμικές ανωμαλίες στην επιφάνεια της Γης και οι επιφανειακές παραμορφώσεις. Οι παράμετροι αυτές μπορούν να παρακολουθηθούν συστηματικά μέσω δορυφορικών δεδομένων, προσφέροντας ομοιογενή και επαναλαμβανόμενη κάλυψη μεγάλων περιοχών. Η θερμοκρασία επιφάνειας εδάφους (Land Surface Temperature – LST) και οι μετρήσεις παραμόρφωσης μέσω ραντάρ συνθετικού ανοίγματος αποτελούν βασικά εργαλεία σε τέτοιες μελέτες.
Η σεισμική ακολουθία του 2021 στην Κεντρική Κρήτη προσφέρει μια εξαιρετική ευκαιρία για τη μελέτη της σχέσης μεταξύ θερμικών ανωμαλιών και τεκτονικής παραμόρφωσης, καθώς πρόκειται για έναν σπάνιο ισχυρό χερσαίο σεισμό στην περιοχή.

===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ===
Η Κρήτη βρίσκεται στο νότιο άκρο του Ελληνικού τόξου και χαρακτηρίζεται από έντονη σεισμικότητα, η οποία οφείλεται κυρίως στη σύγκλιση και υποβύθιση της Αφρικανικής πλάκας κάτω από την Ευρασιατική. Η Κεντρική Κρήτη αποτελεί περιοχή ιδιαίτερα πολύπλοκου τεκτονικού καθεστώτος, όπου συνυπάρχουν συμπιεστικά πεδία τάσεων.
Η περιοχή μελέτης περιλαμβάνει την ευρύτερη περιοχή του Αρκαλοχωρίου και τις γειτονικές τεκτονικές δομές, όπως η ζώνη ρηγμάτων Καστελλίου και η περιοχή του όρους Γιούχτα. Η γεωλογία της περιοχής χαρακτηρίζεται από Νεογενή και Τεταρτογενή ιζήματα, καθώς και από ανθρακικά πετρώματα και μεταμορφωμένους σχηματισμούς, στοιχεία που επηρεάζουν τη συμπεριφορά τόσο των θερμικών ανωμαλιών όσο και της επιφανειακής παραμόρφωσης.
[[Αρχείο:Εικόνα 1 Επίκεντρο του κύριου συμβάντος και των προσεισμών και μετασεισμών, τα κύρια ενεργά ρήγματα και τις σεισμογόνες πηγές.JPG|thumb|center|500px|Εικόνα 1 Επίκεντρο του κύριου συμβάντος και των προσεισμών και μετασεισμών(HUSN), τα κύρια ενεργά ρήγματα (Ganas, A., Oikonomou, I. A., & Tsimi, C. (2013)) και τις σεισμογόνες πηγές (Caputo, R., Pavlides, S., 2013)]]

===ΜΕΘΟΔΟΛΟΓΙΑ===
Η μεθοδολογία της εργασίας βασίζεται στον συνδυασμό θερμικών δορυφορικών δεδομένων και γεωδαιτικών μετρήσεων παραμόρφωσης.
Για την ανίχνευση θερμικών ανωμαλιών εφαρμόστηκε η μέθοδος Robust Satellite Technique (RST), η οποία επιτρέπει τον εντοπισμό αποκλίσεων της θερμικής συμπεριφοράς από το «κανονικό» πρότυπο μιας περιοχής. Η μέθοδος βασίζεται στη στατιστική επεξεργασία πολυετών χρονοσειρών δορυφορικών δεδομένων, μειώνοντας την επίδραση παραγόντων όπως οι εποχικές μεταβολές, οι μετεωρολογικές συνθήκες και η βλάστηση.
Χρησιμοποιήθηκαν ημερήσια νυχτερινά δεδομένα θερμοκρασίας επιφάνειας εδάφους από τον αισθητήρα MODIS για την περίοδο 2012–2021, ώστε να δημιουργηθεί ένα αξιόπιστο θερμικό υπόβαθρο. Οι θερμικές ανωμαλίες ορίστηκαν με βάση αυστηρά στατιστικά κριτήρια, χρησιμοποιώντας δείκτη σήματος προς θόρυβο μεγαλύτερο του 3.
Παράλληλα, η επιφανειακή παραμόρφωση χαρτογραφήθηκε με τη χρήση της τεχνικής InSAR, αξιοποιώντας δεδομένα από τους δορυφόρους Sentinel-1 σε ανιούσες και κατιούσες τροχιές. Μέσω της διαφορικής συμβολομετρίας (DInSAR), υπολογίστηκαν οι μετακινήσεις του εδάφους στην κατεύθυνση γραμμής θέασης του δορυφόρου, καθώς και οι κατακόρυφες και οριζόντιες συνιστώσες της παραμόρφωσης.
Η συνδυαστική ανάλυση των δύο συνόλων δεδομένων επέτρεψε τη διερεύνηση της χωρικής και χρονικής συσχέτισης μεταξύ θερμικών ανωμαλιών, τεκτονικών δομών και παραμόρφωσης του εδάφους.

===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η εφαρμογή της μεθόδου RST οδήγησε στον εντοπισμό εννέα σημαντικών θερμικών ανωμαλιών κατά την περίοδο Ιουλίου–Σεπτεμβρίου 2021. Οι περισσότερες από αυτές εμφανίστηκαν πριν από τον κύριο σεισμό και χαρακτηρίστηκαν ως προσεισμικές, ενώ μία καταγράφηκε την ημέρα εκδήλωσης του σεισμού.
Οι θερμικές ανωμαλίες παρουσιάζουν σαφή χωρική συσχέτιση με περιοχές υψηλής πυκνότητας ρηγμάτων, όπως η περιοχή του όρους Γιούχτα και η ζώνη Καστελλίου. Η ανάλυση συχνότητας έδειξε ότι ορισμένες περιοχές παρουσίασαν επαναλαμβανόμενες ανωμαλίες, γεγονός που υποδηλώνει επίμονες διεργασίες.
Τα αποτελέσματα της ανάλυσης InSAR έδειξαν ότι ο σεισμός προκάλεσε κυρίως καθίζηση του εδάφους, με μέγιστες κατακόρυφες μετακινήσεις που έφτασαν τα 20 cm. Παρατηρήθηκαν επίσης οριζόντιες μετακινήσεις, οι οποίες αποδίδονται στη γεωμετρία του ρήγματος και στον μηχανισμό γένεσης του σεισμού.
Η υπέρθεση των χαρτών θερμικών ανωμαλιών και παραμόρφωσης αποκάλυψε περιοχές όπου τα δύο φαινόμενα συμπίπτουν χωρικά, ενισχύοντας την υπόθεση κοινών υποκείμενων διεργασιών.
[[Αρχείο:Εικόνα 2 Χάρτης συχνότητας θερμικών ανωμαλιών και κανονικοποιημένων ρηγμάτων πυκνότητας.JPG|thumb|center|500px|Εικόνα 2 Xάρτης συχνότητας που μετρά ανα εικονοστοιχείο τον αριθμό των φορών που συμμετείχε σε μία από τις εννέα θερμικές ανωμαλίες που εντοπίστηκαν κατά την προσεισμική περίοδο από τον Ιούλιο έως τον Σεπ του 2021 και Xάρτης κανον ρηγμάτων πυκνότητας]]
[[Αρχείο:Εικόνα 3 Χάρτες μετατόπισης για την κατακόρυφη και την κατεύθυνση Α Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27 Σεπ 21.JPG.JPG|thumb|center|500px|Εικόνα 3 Χάρτες μετατόπισης για: (a) την κατακόρυφη (πάνω-κάτω) και (β) την κατεύθυνση Α-Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27ης Σεπτεμβρίου 2021, με επικάλυψη των ενεργών ρηγμάτων της ευρύτερης περιοχής]]

===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Η παρούσα εργασία ανέδειξε τη χρησιμότητα του συνδυασμού δορυφορικών θερμικών δεδομένων και μετρήσεων παραμόρφωσης για τη μελέτη σεισμικών φαινομένων. Η ανίχνευση έντονων και επίμονων θερμικών ανωμαλιών πριν από τον σεισμό του Αρκαλοχωρίου, σε συνδυασμό με τα πρότυπα επιφανειακής παραμόρφωσης, υποδηλώνει ότι οι ανωμαλίες αυτές συνδέονται με διεργασίες προσεισμικής προετοιμασίας.
Πιθανοί μηχανισμοί περιλαμβάνουν την απελευθέρωση αερίων μέσω ρηγμάτων και μικρορωγμών, καθώς και ηλεκτρικές διεργασίες που ενεργοποιούνται από την αύξηση των τεκτονικών τάσεων. Παρότι απαιτείται περαιτέρω έρευνα, τα αποτελέσματα ενισχύουν την προοπτική ανάπτυξης πολυπαραμετρικών συστημάτων παρακολούθησης για την καλύτερη κατανόηση και, ενδεχομένως, την πρόγνωση ισχυρών σεισμικών γεγονότων.
[[Αρχείο:Εικόνα 4 (a) Συχνότητα θερμικών ανωμαλιών (b) ο λιθολογικός χάρτης της περιοχής μελέτης.JPG|thumb|center|500px|Εικόνα 4 (a) Συχνότητα θερμικών ανωμαλιών (b) ο λιθολογικός χάρτης της περιοχής μελέτης]]

Λέξεις κλειδιά: thermal anomalies, ground deformation, seismic sequence, central Crete earthquake (2021)

[[category:Σεισμοί]]

Χρήση των θερμικών ζωνών Landsat 8 9 για την ανίχνευση πιθανών υποθαλάσσιων σημείων εκροής υπόγειων υδάτων στη Μεσόγειο

2026-01-14T10:52:58Z

PARISIS APOSTOLOS: Νέα σελίδα με 'Add Your Content Here category:Εντοπισμός πηγών πόσιμου νερού'

Add Your Content Here

[[category:Εντοπισμός πηγών πόσιμου νερού]]

Θερμικές ανωμαλίες και μοτίβα παραμόρφωσης που παρατηρήθηκαν από δορυφόρο και σχετίζονται με τη σεισμική ακολουθία του 2021 στην Κρήτη

2026-01-14T10:51:10Z

PARISIS APOSTOLOS: Νέα σελίδα με 'Add Your Content Here category:Σεισμοί'

Add Your Content Here

[[category:Σεισμοί]]

Προγνωστικό σύστημα για την παρακολούθηση της κατάστασης των οδών με βάση ανοιχτά δεδομένα για το κλίμα και την τηλεπισκόπηση

2026-01-14T10:50:32Z

PARISIS APOSTOLOS: Νέα σελίδα με 'Add Your Content Here category:Χαρτογραφία'

Add Your Content Here

[[category:Χαρτογραφία]]

Αρχείο:Εικόνα 5 Απόκλιση μεταξύ του αριθμητικού μέσου όρου των προβλεπόμενων και των πραγματικών τιμών.JPG

2026-01-09T16:27:48Z

PARISIS APOSTOLOS: Εικόνα 5 Απόκλιση μεταξύ του αριθμητικού μέσου όρου των προβλεπόμενων και των πραγματικών τιμών για κάθε παράμετρο του βέλτιστου μοντέλου

Εικόνα 5 Απόκλιση μεταξύ του αριθμητικού μέσου όρου των προβλεπόμενων και των πραγματικών τιμών για κάθε παράμετρο του βέλτιστου μοντέλου παλινδρόμησης

Αρχείο:Εικόνα 4 Η εκτιμώμενη κατηγορία και υποκατηγορία του δρόμου για το πρώτο έτος μετά την ανακατασκευή.JPG

2026-01-09T16:23:56Z

PARISIS APOSTOLOS: Εικόνα 4 Η εκτιμώμενη κατηγορία και υποκατηγορία του δρόμου για το πρώτο έτος μετά την ανακατασκευή

Εικόνα 4 Η εκτιμώμενη κατηγορία και υποκατηγορία του δρόμου για το πρώτο έτος μετά την ανακατασκευή

Αρχείο:Εικόνα 3 Διασύνδεση μεταξύ των δεδομένων.JPG

2026-01-09T16:23:37Z

PARISIS APOSTOLOS: Εικόνα 3 Διασύνδεση μεταξύ των δεδομένων

Εικόνα 3 Διασύνδεση μεταξύ των δεδομένων

Αρχείο:Εικόνα 2 Οπτικοποίηση της ροής δεδομένων και η αξιοποίησή της στην εκπαίδευση μοντέλων πρόβλεψης.JPG

2026-01-09T16:23:15Z

PARISIS APOSTOLOS: Εικόνα 2 Οπτικοποίηση της ροής δεδομένων και η αξιοποίησή της στην εκπαίδευση μοντέλων πρόβλεψης

Εικόνα 2 Οπτικοποίηση της ροής δεδομένων και η αξιοποίησή της στην εκπαίδευση μοντέλων πρόβλεψης

Αρχείο:Εικόνα 1 Τύποι δεδομένων που χρησιμοποιούνται για την ανάπτυξη προγνωστικών μοντέλων.JPG

2026-01-09T16:22:52Z

PARISIS APOSTOLOS: Εικόνα 1 Τύποι δεδομένων που χρησιμοποιούνται για την ανάπτυξη προγνωστικών μοντέλων

Εικόνα 1 Τύποι δεδομένων που χρησιμοποιούνται για την ανάπτυξη προγνωστικών μοντέλων

Αρχείο:Εικόνα 4 Χωρική κατανομή της υποθαλάσσιας εκροής υπόγειων υδάτων (SGD) Χάρτης πιθανότητας.JPG

2026-01-09T15:08:48Z

PARISIS APOSTOLOS: Εικόνα 4 Χωρική κατανομή της υποθαλάσσιας εκροής υπόγειων υδάτων (SGD) Χάρτης πιθανότητας

Εικόνα 4 Χωρική κατανομή της υποθαλάσσιας εκροής υπόγειων υδάτων (SGD) Χάρτης πιθανότητας

Αρχείο:Εικόνα 3 (α) Τυποποιημένη θερμική ανωμαλία στις 23 Σεπτεμβρίου 2023 (φθινόπωρο), (β) τυποποιημένη.JPG

2026-01-09T15:08:26Z

PARISIS APOSTOLOS: Εικόνα 3 (α) Τυποποιημένη θερμική ανωμαλία στις 23 Σεπτεμβρίου 2023 (φθινόπωρο), (β) τυποποιημένη

Εικόνα 3 (α) Τυποποιημένη θερμική ανωμαλία στις 23 Σεπτεμβρίου 2023 (φθινόπωρο), (β) τυποποιημένη

Αρχείο:Εικόνα 2 Διαδικασία διαγράμματος ροής για την ανίχνευση SGD.JPG

2026-01-09T15:08:04Z

PARISIS APOSTOLOS: Εικόνα 2 Διαδικασία διαγράμματος ροής για την ανίχνευση SGD

Εικόνα 2 Διαδικασία διαγράμματος ροής για την ανίχνευση SGD

Αρχείο:Εικόνα 1 Δομικό και υδρογεωλογικό πλαίσιο της ακτής El Jebha.JPG

2026-01-09T15:07:27Z

PARISIS APOSTOLOS: Εικόνα 1 Δομικό και υδρογεωλογικό πλαίσιο της ακτής El Jebha, με έμφαση στο ρήγμα F1 και την υποθετική διαδρομή εκροής υποθαλάσσιων υπόγειων υδά

Εικόνα 1 Δομικό και υδρογεωλογικό πλαίσιο της ακτής El Jebha, με έμφαση στο ρήγμα F1 και την υποθετική διαδρομή εκροής υποθαλάσσιων υπόγειων υδάτων και τη θέση της πηγής Ain Souyah

Αρχείο:Εικόνα 4 (a) Συχνότητα θερμικών ανωμαλιών (b) ο λιθολογικός χάρτης της περιοχής μελέτης.JPG

2026-01-09T14:40:00Z

PARISIS APOSTOLOS: Εικόνα 4 (a) Συχνότητα θερμικών ανωμαλιών (b) ο λιθολογικός χάρτης της περιοχής μελέτης

Εικόνα 4 (a) Συχνότητα θερμικών ανωμαλιών (b) ο λιθολογικός χάρτης της περιοχής μελέτης

Αρχείο:Εικόνα 3 Χάρτες μετατόπισης για την κατακόρυφη και την κατεύθυνση Α Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27 Σεπ 21.JPG

2026-01-09T14:39:10Z

PARISIS APOSTOLOS: Εικόνα 3 Χάρτες μετατόπισης για: (a) την κατακόρυφη (πάνω-κάτω) και (β) την κατεύθυνση Α-Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27ης Σεπτε�

Εικόνα 3 Χάρτες μετατόπισης για: (a) την κατακόρυφη (πάνω-κάτω) και (β) την κατεύθυνση Α-Δ για την Κεντρική Κρήτη λόγω του σεισμού της 27ης Σεπτεμβρίου 2021, με επικάλυψη των ενεργών ρηγμάτων της ευρύτερης περιοχής

Αρχείο:Εικόνα 2 Χάρτης συχνότητας θερμικών ανωμαλιών και κανονικοποιημένων ρηγμάτων πυκνότητας.JPG

2026-01-09T14:32:42Z

PARISIS APOSTOLOS: Εικόνα 2 Xάρτης συχνότητας που μετρά ανα εικονοστοιχείο τον αριθμό των φορών που συμμετείχε σε μία από τις εννέα θερμικές ανωμαλίες που εντ

Εικόνα 2 Xάρτης συχνότητας που μετρά ανα εικονοστοιχείο τον αριθμό των φορών που συμμετείχε σε μία από τις εννέα θερμικές ανωμαλίες που εντοπίστηκαν κατά την προσεισμική περίοδο από τον Ιούλιο έως τον Σεπ του 2021 και Xάρτης κανον ρηγμάτων πυκνότητας

Αρχείο:Εικόνα 1 Επίκεντρο του κύριου συμβάντος και των προσεισμών και μετασεισμών, τα κύρια ενεργά ρήγματα και τις σεισμογόνες πηγές.JPG

2026-01-09T12:28:16Z

PARISIS APOSTOLOS: Εικόνα 1 Επίκεντρο του κύριου συμβάντος και των προσεισμών και μετασεισμών(HUSN), τα κύρια ενεργά ρήγματα (Ganas, A., Oikonomou, I. A., & Tsimi, C. (2013)) και τις �

Εικόνα 1 Επίκεντρο του κύριου συμβάντος και των προσεισμών και μετασεισμών(HUSN), τα κύρια ενεργά ρήγματα (Ganas, A., Oikonomou, I. A., & Tsimi, C. (2013)) και τις σεισμογόνες πηγές (Caputo, R., Pavlides, S., 2013)

Έρευνα για την πρόοδο της οπτικής τηλεπισκόπησης μέσω δορυφόρου για την παρακολούθηση της γήρανσης του ασφαλτοστρωμένου οδοστρώματος

2026-01-09T12:20:19Z

PARISIS APOSTOLOS:

<span style="font-size:20px;"> Research Progress of Optical Satellite Remote Sensing Monitoring Asphalt Pavement Aging''</span>

Jingwen Wang, Dayong Yang, Zhiwei Xie, Han Wang, Zhigang Hao, Fanyu Zhou, and Xiaona Wang,
Photogrammetric Engineering & Remote Sensing (2024), 90(8), 471–482

πηγή: [https://doi.org/10.14358/PERS.23-00045R2]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Η γήρανση των ασφαλτικών οδοστρωμάτων αποτελεί βασικό παράγοντα υποβάθμισης της λειτουργικότητας και της ασφάλειας των οδικών υποδομών. Οι συμβατικές μέθοδοι επιθεώρησης βασίζονται κυρίως σε επιτόπιες μετρήσεις, οι οποίες είναι συχνά χρονοβόρες, δαπανηρές και περιορισμένης χωρικής κάλυψης. Τα τελευταία χρόνια, η οπτική δορυφορική τηλεπισκόπηση αναδεικνύεται ως μια εναλλακτική και συμπληρωματική προσέγγιση για τη μακροσκοπική παρακολούθηση της κατάστασης των οδοστρωμάτων.
Η παρούσα εργασία αποτελεί βιβλιογραφική ανασκόπηση της επιστημονικής προόδου στον τομέα της ανίχνευσης και παρακολούθησης της γήρανσης ασφαλτικών οδοστρωμάτων μέσω οπτικών δορυφορικών δεδομένων. Παρουσιάζονται οι φυσικοχημικοί μηχανισμοί γήρανσης της ασφάλτου, οι αντίστοιχες μεταβολές στη φασματική ανακλαστικότητα, καθώς και οι μέθοδοι δημιουργίας φασματικών βιβλιοθηκών. Ιδιαίτερη έμφαση δίνεται στην ανάπτυξη και εφαρμογή φασματικών δεικτών υγείας οδοστρώματος, οι οποίοι επιτρέπουν τη χαρτογράφηση διαφορετικών βαθμών φθοράς.
Η ανάλυση δείχνει ότι η τηλεπισκόπηση μπορεί να αποτυπώσει αποτελεσματικά γενικές τάσεις γήρανσης, ωστόσο εξακολουθούν να υπάρχουν περιορισμοί στην ακριβή αναγνώριση επιμέρους τύπων βλαβών. Τονίζεται η ανάγκη περαιτέρω έρευνας και συνδυασμού τηλεπισκοπικών δεδομένων με επιτόπιες μετρήσεις.

===ΕΙΣΑΓΩΓΗ===

Οι οδικές υποδομές αποτελούν κρίσιμο στοιχείο της οικονομικής και κοινωνικής ανάπτυξης, γεγονός που καθιστά απαραίτητη τη συστηματική παρακολούθηση της κατάστασής τους. Η έγκαιρη ανίχνευση της γήρανσης των ασφαλτικών οδοστρωμάτων συμβάλλει στη βελτιστοποίηση των παρεμβάσεων συντήρησης και στη μείωση του κόστους αποκατάστασης.
Οι παραδοσιακές μέθοδοι αξιολόγησης βασίζονται κυρίως σε επιτόπιους ελέγχους και μετρήσεις με ειδικό εξοπλισμό. Παρότι οι μέθοδοι αυτές προσφέρουν υψηλή ακρίβεια, παρουσιάζουν περιορισμούς ως προς την ταχύτητα, το κόστος και τη χωρική κάλυψη. Στο πλαίσιο αυτό, η οπτική δορυφορική τηλεπισκόπηση προσφέρει τη δυνατότητα μακροσκοπικής, επαναλαμβανόμενης και αντικειμενικής παρακολούθησης μεγάλων οδικών δικτύων.
Η εργασία αυτή εξετάζει τη συμβολή της τηλεπισκόπησης στη μελέτη της γήρανσης ασφαλτικών οδοστρωμάτων, εστιάζοντας στις φασματικές μεταβολές της ασφάλτου και στις μεθόδους ποσοτικής αξιολόγησής τους.

===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ===
Η παρούσα εργασία δεν περιορίζεται σε συγκεκριμένη περιοχή μελέτης, καθώς πρόκειται για ανασκόπηση της διεθνούς βιβλιογραφίας. Ωστόσο, τα παραδείγματα που παρουσιάζονται προέρχονται κυρίως από αστικές και υπεραστικές περιοχές, όπου η έντονη κυκλοφορία και οι περιβαλλοντικές καταπονήσεις επιταχύνουν τη διαδικασία γήρανσης των ασφαλτικών οδοστρωμάτων.

===ΜΕΘΟΔΟΛΟΓΙΑ===

'''Φυσικοί και χημικοί μηχανισμοί γήρανσης'''

Η γήρανση της ασφάλτου είναι αποτέλεσμα συνδυασμού μηχανικών, θερμικών και χημικών διεργασιών, όπως η καταπόνηση από τα οχήματα, η οξείδωση λόγω υπεριώδους ακτινοβολίας και η επίδραση υγρασίας και θερμοκρασιακών μεταβολών. Οι διεργασίες αυτές οδηγούν σε μείωση της περιεκτικότητας σε άσφαλτο, έκθεση αδρανών υλικών και ανάπτυξη ρωγμών.Οι μεταβολές αυτές επηρεάζουν τόσο τη μηχανική συμπεριφορά του οδοστρώματος όσο και τις οπτικές και φασματικές του ιδιότητες.
[[Αρχείο:Εικόνα 1 Διεργασίες γήρανσης ασφάλτου.JPG|thumb|center|500px| Εικόνα 1 Διεργασίες γήρανσης ασφάλτου]]

'''Δορυφορικές πλατφόρμες και αισθητήρες'''

Η εφαρμογή της τηλεπισκόπησης βασίζεται στη διαθεσιμότητα δορυφορικών αισθητήρων υψηλής χωρικής και φασματικής ανάλυσης. Δορυφόροι όπως οι IKONOS, QuickBird, WorldView και SPOT παρέχουν εικόνες με ανάλυση έως και μερικών δεκάδων εκατοστών, επιτρέποντας τη λεπτομερή αποτύπωση οδικών επιφανειών.Η βελτίωση της φασματικής ανάλυσης έχει καταστήσει δυνατή την ανίχνευση λεπτών διαφορών στην ανακλαστικότητα της ασφάλτου, οι οποίες σχετίζονται με τον βαθμό γήρανσης.
[[Αρχείο:Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση.JPG|thumb|center|500px|Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση]]

'''Φασματική ερμηνεία και φασματικές βιβλιοθήκες'''

Η φασματική ανακλαστικότητα της ασφάλτου μεταβάλλεται σημαντικά κατά τη διάρκεια της γήρανσης. Νέα οδοστρώματα εμφανίζουν χαμηλή ανακλαστικότητα, ενώ η γήρανση οδηγεί σε αύξησή της, ιδιαίτερα στο ορατό και στο εγγύς υπέρυθρο φάσμα.Για την αξιόπιστη ερμηνεία των δορυφορικών δεδομένων, δημιουργούνται φασματικές βιβλιοθήκες μέσω επιτόπιων μετρήσεων με φορητά φασματόμετρα. Οι βιβλιοθήκες αυτές επιτρέπουν τη συσχέτιση συγκεκριμένων φασματικών προτύπων με βαθμούς γήρανσης και τύπους φθοράς.
[[Αρχείο:Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου.JPG|thumb|center|500px|Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου]]

'''Φασματική δείκτες γήρανσης'''

Με βάση τις φασματικές διαφορές μεταξύ επιλεγμένων ζωνών, έχουν αναπτυχθεί δείκτες υγείας οδοστρώματος, όπως δείκτες διαφοράς, λόγου και κανονικοποιημένης διαφοράς. Οι δείκτες αυτοί επιτρέπουν την ποσοτική αποτίμηση της γήρανσης και τη χωρική χαρτογράφησή της μέσω δορυφορικών εικόνων.
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η βιβλιογραφική ανάλυση δείχνει ότι ορισμένα φασματικά διαστήματα, όπως τα 400–900 nm και 2100–2300 nm, είναι ιδιαίτερα ευαίσθητα στη γήρανση της ασφάλτου. Καθώς αυξάνεται ο βαθμός φθοράς, παρατηρείται αύξηση της ανακλαστικότητας στο ορατό φάσμα και εξασθένηση χαρακτηριστικών απορρόφησης στο υπέρυθρο.Η εφαρμογή φασματικών δεικτών επιτρέπει τη διάκριση μεταξύ νέων, μέτρια γηρασμένων και έντονα φθαρμένων οδοστρωμάτων, αν και παράγοντες όπως υγρασία, σκιάσεις και οδικές διαγραμμίσεις μπορούν να επηρεάσουν τα αποτελέσματα.
[[Αρχείο:Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017).JPG|thumb|center|500px|Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017)]]

[[Αρχείο:Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017).JPG|thumb|center|500px|Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017)]]
===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Η οπτική δορυφορική τηλεπισκόπηση συνιστά ένα ισχυρό εργαλείο για τη μακροσκοπική παρακολούθηση της γήρανσης ασφαλτικών οδοστρωμάτων. Παρέχει τη δυνατότητα κάλυψης μεγάλων περιοχών με χαμηλότερο κόστος και χωρίς παρεμβάσεις στην κυκλοφορία.
Παρά τα πλεονεκτήματά της, η μέθοδος δεν μπορεί ακόμη να αντικαταστήσει πλήρως τις επιτόπιες μετρήσεις, καθώς η ακρίβεια στην αναγνώριση συγκεκριμένων τύπων βλαβών παραμένει περιορισμένη. Ο συνδυασμός τηλεπισκοπικών δεδομένων με επιτόπιες μετρήσεις και η περαιτέρω εξέλιξη των φασματικών δεικτών αναμένεται να βελτιώσει σημαντικά την αξιοπιστία των μεθόδων αυτών στο μέλλον.

Λέξεις κλειδιά: asphalt aging, surface reflectance, pavement monitoring

[[category:Χαρτογραφία]]

Έρευνα για την πρόοδο της οπτικής τηλεπισκόπησης μέσω δορυφόρου για την παρακολούθηση της γήρανσης του ασφαλτοστρωμένου οδοστρώματος

2026-01-09T12:18:37Z

PARISIS APOSTOLOS:

<span style="font-size:20px;"> Research Progress of Optical Satellite Remote Sensing Monitoring Asphalt Pavement Aging''</span>

Jingwen Wang, Dayong Yang, Zhiwei Xie, Han Wang, Zhigang Hao, Fanyu Zhou, and Xiaona Wang,
Photogrammetric Engineering & Remote Sensing (2024), 90(8), 471–482

πηγή: [https://doi.org/10.14358/PERS.23-00045R2]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Η γήρανση των ασφαλτικών οδοστρωμάτων αποτελεί βασικό παράγοντα υποβάθμισης της λειτουργικότητας και της ασφάλειας των οδικών υποδομών. Οι συμβατικές μέθοδοι επιθεώρησης βασίζονται κυρίως σε επιτόπιες μετρήσεις, οι οποίες είναι συχνά χρονοβόρες, δαπανηρές και περιορισμένης χωρικής κάλυψης. Τα τελευταία χρόνια, η οπτική δορυφορική τηλεπισκόπηση αναδεικνύεται ως μια εναλλακτική και συμπληρωματική προσέγγιση για τη μακροσκοπική παρακολούθηση της κατάστασης των οδοστρωμάτων.
Η παρούσα εργασία αποτελεί βιβλιογραφική ανασκόπηση της επιστημονικής προόδου στον τομέα της ανίχνευσης και παρακολούθησης της γήρανσης ασφαλτικών οδοστρωμάτων μέσω οπτικών δορυφορικών δεδομένων. Παρουσιάζονται οι φυσικοχημικοί μηχανισμοί γήρανσης της ασφάλτου, οι αντίστοιχες μεταβολές στη φασματική ανακλαστικότητα, καθώς και οι μέθοδοι δημιουργίας φασματικών βιβλιοθηκών. Ιδιαίτερη έμφαση δίνεται στην ανάπτυξη και εφαρμογή φασματικών δεικτών υγείας οδοστρώματος, οι οποίοι επιτρέπουν τη χαρτογράφηση διαφορετικών βαθμών φθοράς.
Η ανάλυση δείχνει ότι η τηλεπισκόπηση μπορεί να αποτυπώσει αποτελεσματικά γενικές τάσεις γήρανσης, ωστόσο εξακολουθούν να υπάρχουν περιορισμοί στην ακριβή αναγνώριση επιμέρους τύπων βλαβών. Τονίζεται η ανάγκη περαιτέρω έρευνας και συνδυασμού τηλεπισκοπικών δεδομένων με επιτόπιες μετρήσεις.

===ΕΙΣΑΓΩΓΗ===

Οι οδικές υποδομές αποτελούν κρίσιμο στοιχείο της οικονομικής και κοινωνικής ανάπτυξης, γεγονός που καθιστά απαραίτητη τη συστηματική παρακολούθηση της κατάστασής τους. Η έγκαιρη ανίχνευση της γήρανσης των ασφαλτικών οδοστρωμάτων συμβάλλει στη βελτιστοποίηση των παρεμβάσεων συντήρησης και στη μείωση του κόστους αποκατάστασης.
Οι παραδοσιακές μέθοδοι αξιολόγησης βασίζονται κυρίως σε επιτόπιους ελέγχους και μετρήσεις με ειδικό εξοπλισμό. Παρότι οι μέθοδοι αυτές προσφέρουν υψηλή ακρίβεια, παρουσιάζουν περιορισμούς ως προς την ταχύτητα, το κόστος και τη χωρική κάλυψη. Στο πλαίσιο αυτό, η οπτική δορυφορική τηλεπισκόπηση προσφέρει τη δυνατότητα μακροσκοπικής, επαναλαμβανόμενης και αντικειμενικής παρακολούθησης μεγάλων οδικών δικτύων.
Η εργασία αυτή εξετάζει τη συμβολή της τηλεπισκόπησης στη μελέτη της γήρανσης ασφαλτικών οδοστρωμάτων, εστιάζοντας στις φασματικές μεταβολές της ασφάλτου και στις μεθόδους ποσοτικής αξιολόγησής τους.

===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ===
Η παρούσα εργασία δεν περιορίζεται σε συγκεκριμένη περιοχή μελέτης, καθώς πρόκειται για ανασκόπηση της διεθνούς βιβλιογραφίας. Ωστόσο, τα παραδείγματα που παρουσιάζονται προέρχονται κυρίως από αστικές και υπεραστικές περιοχές, όπου η έντονη κυκλοφορία και οι περιβαλλοντικές καταπονήσεις επιταχύνουν τη διαδικασία γήρανσης των ασφαλτικών οδοστρωμάτων.

===ΜΕΘΟΔΟΛΟΓΙΑ===

'''Φυσικοί και χημικοί μηχανισμοί γήρανσης'''

Η γήρανση της ασφάλτου είναι αποτέλεσμα συνδυασμού μηχανικών, θερμικών και χημικών διεργασιών, όπως η καταπόνηση από τα οχήματα, η οξείδωση λόγω υπεριώδους ακτινοβολίας και η επίδραση υγρασίας και θερμοκρασιακών μεταβολών. Οι διεργασίες αυτές οδηγούν σε μείωση της περιεκτικότητας σε άσφαλτο, έκθεση αδρανών υλικών και ανάπτυξη ρωγμών.Οι μεταβολές αυτές επηρεάζουν τόσο τη μηχανική συμπεριφορά του οδοστρώματος όσο και τις οπτικές και φασματικές του ιδιότητες.
[[Αρχείο:Εικόνα 1 Διεργασίες γήρανσης ασφάλτου.JPG|thumb|center|500px| Εικόνα 1 Διεργασίες γήρανσης ασφάλτου]]

'''Δορυφορικές πλατφόρμες και αισθητήρες'''

Η εφαρμογή της τηλεπισκόπησης βασίζεται στη διαθεσιμότητα δορυφορικών αισθητήρων υψηλής χωρικής και φασματικής ανάλυσης. Δορυφόροι όπως οι IKONOS, QuickBird, WorldView και SPOT παρέχουν εικόνες με ανάλυση έως και μερικών δεκάδων εκατοστών, επιτρέποντας τη λεπτομερή αποτύπωση οδικών επιφανειών.
[[Αρχείο:Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση.JPG|thumb|center|500px|Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση]]
Η βελτίωση της φασματικής ανάλυσης έχει καταστήσει δυνατή την ανίχνευση λεπτών διαφορών στην ανακλαστικότητα της ασφάλτου, οι οποίες σχετίζονται με τον βαθμό γήρανσης.

'''Φασματική ερμηνεία και φασματικές βιβλιοθήκες'''

Η φασματική ανακλαστικότητα της ασφάλτου μεταβάλλεται σημαντικά κατά τη διάρκεια της γήρανσης. Νέα οδοστρώματα εμφανίζουν χαμηλή ανακλαστικότητα, ενώ η γήρανση οδηγεί σε αύξησή της, ιδιαίτερα στο ορατό και στο εγγύς υπέρυθρο φάσμα.
[[Αρχείο:Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου.JPG|thumb|center|500px|Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου]]
Για την αξιόπιστη ερμηνεία των δορυφορικών δεδομένων, δημιουργούνται φασματικές βιβλιοθήκες μέσω επιτόπιων μετρήσεων με φορητά φασματόμετρα. Οι βιβλιοθήκες αυτές επιτρέπουν τη συσχέτιση συγκεκριμένων φασματικών προτύπων με βαθμούς γήρανσης και τύπους φθοράς.

'''Φασματική δείκτες γήρανσης'''

Με βάση τις φασματικές διαφορές μεταξύ επιλεγμένων ζωνών, έχουν αναπτυχθεί δείκτες υγείας οδοστρώματος, όπως δείκτες διαφοράς, λόγου και κανονικοποιημένης διαφοράς. Οι δείκτες αυτοί επιτρέπουν την ποσοτική αποτίμηση της γήρανσης και τη χωρική χαρτογράφησή της μέσω δορυφορικών εικόνων.
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η βιβλιογραφική ανάλυση δείχνει ότι ορισμένα φασματικά διαστήματα, όπως τα 400–900 nm και 2100–2300 nm, είναι ιδιαίτερα ευαίσθητα στη γήρανση της ασφάλτου. Καθώς αυξάνεται ο βαθμός φθοράς, παρατηρείται αύξηση της ανακλαστικότητας στο ορατό φάσμα και εξασθένηση χαρακτηριστικών απορρόφησης στο υπέρυθρο.
[[Αρχείο:Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017).JPG|thumb|center|500px|Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017)]]
Η εφαρμογή φασματικών δεικτών επιτρέπει τη διάκριση μεταξύ νέων, μέτρια γηρασμένων και έντονα φθαρμένων οδοστρωμάτων, αν και παράγοντες όπως υγρασία, σκιάσεις και οδικές διαγραμμίσεις μπορούν να επηρεάσουν τα αποτελέσματα.
[[Αρχείο:Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017).JPG|thumb|center|500px|Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017)]]
===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Η οπτική δορυφορική τηλεπισκόπηση συνιστά ένα ισχυρό εργαλείο για τη μακροσκοπική παρακολούθηση της γήρανσης ασφαλτικών οδοστρωμάτων. Παρέχει τη δυνατότητα κάλυψης μεγάλων περιοχών με χαμηλότερο κόστος και χωρίς παρεμβάσεις στην κυκλοφορία.
Παρά τα πλεονεκτήματά της, η μέθοδος δεν μπορεί ακόμη να αντικαταστήσει πλήρως τις επιτόπιες μετρήσεις, καθώς η ακρίβεια στην αναγνώριση συγκεκριμένων τύπων βλαβών παραμένει περιορισμένη. Ο συνδυασμός τηλεπισκοπικών δεδομένων με επιτόπιες μετρήσεις και η περαιτέρω εξέλιξη των φασματικών δεικτών αναμένεται να βελτιώσει σημαντικά την αξιοπιστία των μεθόδων αυτών στο μέλλον.

Λέξεις κλειδιά: asphalt aging, surface reflectance, pavement monitoring

[[category:Χαρτογραφία]]

Έρευνα για την πρόοδο της οπτικής τηλεπισκόπησης μέσω δορυφόρου για την παρακολούθηση της γήρανσης του ασφαλτοστρωμένου οδοστρώματος

2026-01-09T12:16:32Z

PARISIS APOSTOLOS:

<span style="font-size:20px;"> Research Progress of Optical Satellite Remote Sensing Monitoring Asphalt Pavement Aging''</span>

Jingwen Wang, Dayong Yang, Zhiwei Xie, Han Wang, Zhigang Hao, Fanyu Zhou, and Xiaona Wang,
Photogrammetric Engineering & Remote Sensing (2024), 90(8), 471–482

πηγή: [https://doi.org/10.14358/PERS.23-00045R2]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Η γήρανση των ασφαλτικών οδοστρωμάτων αποτελεί βασικό παράγοντα υποβάθμισης της λειτουργικότητας και της ασφάλειας των οδικών υποδομών. Οι συμβατικές μέθοδοι επιθεώρησης βασίζονται κυρίως σε επιτόπιες μετρήσεις, οι οποίες είναι συχνά χρονοβόρες, δαπανηρές και περιορισμένης χωρικής κάλυψης. Τα τελευταία χρόνια, η οπτική δορυφορική τηλεπισκόπηση αναδεικνύεται ως μια εναλλακτική και συμπληρωματική προσέγγιση για τη μακροσκοπική παρακολούθηση της κατάστασης των οδοστρωμάτων.
Η παρούσα εργασία αποτελεί βιβλιογραφική ανασκόπηση της επιστημονικής προόδου στον τομέα της ανίχνευσης και παρακολούθησης της γήρανσης ασφαλτικών οδοστρωμάτων μέσω οπτικών δορυφορικών δεδομένων. Παρουσιάζονται οι φυσικοχημικοί μηχανισμοί γήρανσης της ασφάλτου, οι αντίστοιχες μεταβολές στη φασματική ανακλαστικότητα, καθώς και οι μέθοδοι δημιουργίας φασματικών βιβλιοθηκών. Ιδιαίτερη έμφαση δίνεται στην ανάπτυξη και εφαρμογή φασματικών δεικτών υγείας οδοστρώματος, οι οποίοι επιτρέπουν τη χαρτογράφηση διαφορετικών βαθμών φθοράς.
Η ανάλυση δείχνει ότι η τηλεπισκόπηση μπορεί να αποτυπώσει αποτελεσματικά γενικές τάσεις γήρανσης, ωστόσο εξακολουθούν να υπάρχουν περιορισμοί στην ακριβή αναγνώριση επιμέρους τύπων βλαβών. Τονίζεται η ανάγκη περαιτέρω έρευνας και συνδυασμού τηλεπισκοπικών δεδομένων με επιτόπιες μετρήσεις.

===ΕΙΣΑΓΩΓΗ===

Οι οδικές υποδομές αποτελούν κρίσιμο στοιχείο της οικονομικής και κοινωνικής ανάπτυξης, γεγονός που καθιστά απαραίτητη τη συστηματική παρακολούθηση της κατάστασής τους. Η έγκαιρη ανίχνευση της γήρανσης των ασφαλτικών οδοστρωμάτων συμβάλλει στη βελτιστοποίηση των παρεμβάσεων συντήρησης και στη μείωση του κόστους αποκατάστασης.
Οι παραδοσιακές μέθοδοι αξιολόγησης βασίζονται κυρίως σε επιτόπιους ελέγχους και μετρήσεις με ειδικό εξοπλισμό. Παρότι οι μέθοδοι αυτές προσφέρουν υψηλή ακρίβεια, παρουσιάζουν περιορισμούς ως προς την ταχύτητα, το κόστος και τη χωρική κάλυψη. Στο πλαίσιο αυτό, η οπτική δορυφορική τηλεπισκόπηση προσφέρει τη δυνατότητα μακροσκοπικής, επαναλαμβανόμενης και αντικειμενικής παρακολούθησης μεγάλων οδικών δικτύων.
Η εργασία αυτή εξετάζει τη συμβολή της τηλεπισκόπησης στη μελέτη της γήρανσης ασφαλτικών οδοστρωμάτων, εστιάζοντας στις φασματικές μεταβολές της ασφάλτου και στις μεθόδους ποσοτικής αξιολόγησής τους.

===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ===
Η παρούσα εργασία δεν περιορίζεται σε συγκεκριμένη περιοχή μελέτης, καθώς πρόκειται για ανασκόπηση της διεθνούς βιβλιογραφίας. Ωστόσο, τα παραδείγματα που παρουσιάζονται προέρχονται κυρίως από αστικές και υπεραστικές περιοχές, όπου η έντονη κυκλοφορία και οι περιβαλλοντικές καταπονήσεις επιταχύνουν τη διαδικασία γήρανσης των ασφαλτικών οδοστρωμάτων.

===ΜΕΘΟΔΟΛΟΓΙΑ===
'''Φυσικοί και χημικοί μηχανισμοί γήρανσης'''
Η γήρανση της ασφάλτου είναι αποτέλεσμα συνδυασμού μηχανικών, θερμικών και χημικών διεργασιών, όπως η καταπόνηση από τα οχήματα, η οξείδωση λόγω υπεριώδους ακτινοβολίας και η επίδραση υγρασίας και θερμοκρασιακών μεταβολών. Οι διεργασίες αυτές οδηγούν σε μείωση της περιεκτικότητας σε άσφαλτο, έκθεση αδρανών υλικών και ανάπτυξη ρωγμών.
[[Αρχείο:Εικόνα 1 Διεργασίες γήρανσης ασφάλτου.JPG|thumb|center|500px| Εικόνα 1 Διεργασίες γήρανσης ασφάλτου]]
Οι μεταβολές αυτές επηρεάζουν τόσο τη μηχανική συμπεριφορά του οδοστρώματος όσο και τις οπτικές και φασματικές του ιδιότητες.
'''Δορυφορικές πλατφόρμες και αισθητήρες'''
Η εφαρμογή της τηλεπισκόπησης βασίζεται στη διαθεσιμότητα δορυφορικών αισθητήρων υψηλής χωρικής και φασματικής ανάλυσης. Δορυφόροι όπως οι IKONOS, QuickBird, WorldView και SPOT παρέχουν εικόνες με ανάλυση έως και μερικών δεκάδων εκατοστών, επιτρέποντας τη λεπτομερή αποτύπωση οδικών επιφανειών.
[[Αρχείο:Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση.JPG|thumb|center|500px|Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση]]
Η βελτίωση της φασματικής ανάλυσης έχει καταστήσει δυνατή την ανίχνευση λεπτών διαφορών στην ανακλαστικότητα της ασφάλτου, οι οποίες σχετίζονται με τον βαθμό γήρανσης.
'''Φασματική ερμηνεία και φασματικές βιβλιοθήκες'''
Η φασματική ανακλαστικότητα της ασφάλτου μεταβάλλεται σημαντικά κατά τη διάρκεια της γήρανσης. Νέα οδοστρώματα εμφανίζουν χαμηλή ανακλαστικότητα, ενώ η γήρανση οδηγεί σε αύξησή της, ιδιαίτερα στο ορατό και στο εγγύς υπέρυθρο φάσμα.
[[Αρχείο:Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου.JPG|thumb|center|500px|Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου]]
Για την αξιόπιστη ερμηνεία των δορυφορικών δεδομένων, δημιουργούνται φασματικές βιβλιοθήκες μέσω επιτόπιων μετρήσεων με φορητά φασματόμετρα. Οι βιβλιοθήκες αυτές επιτρέπουν τη συσχέτιση συγκεκριμένων φασματικών προτύπων με βαθμούς γήρανσης και τύπους φθοράς.
'''Φασματική δείκτες γήρανσης'''
Με βάση τις φασματικές διαφορές μεταξύ επιλεγμένων ζωνών, έχουν αναπτυχθεί δείκτες υγείας οδοστρώματος, όπως δείκτες διαφοράς, λόγου και κανονικοποιημένης διαφοράς. Οι δείκτες αυτοί επιτρέπουν την ποσοτική αποτίμηση της γήρανσης και τη χωρική χαρτογράφησή της μέσω δορυφορικών εικόνων.
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η βιβλιογραφική ανάλυση δείχνει ότι ορισμένα φασματικά διαστήματα, όπως τα 400–900 nm και 2100–2300 nm, είναι ιδιαίτερα ευαίσθητα στη γήρανση της ασφάλτου. Καθώς αυξάνεται ο βαθμός φθοράς, παρατηρείται αύξηση της ανακλαστικότητας στο ορατό φάσμα και εξασθένηση χαρακτηριστικών απορρόφησης στο υπέρυθρο.
[[Αρχείο:Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017).JPG|thumb|center|500px|Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017)]]
Η εφαρμογή φασματικών δεικτών επιτρέπει τη διάκριση μεταξύ νέων, μέτρια γηρασμένων και έντονα φθαρμένων οδοστρωμάτων, αν και παράγοντες όπως υγρασία, σκιάσεις και οδικές διαγραμμίσεις μπορούν να επηρεάσουν τα αποτελέσματα.
[[Αρχείο:Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017).JPG|thumb|center|500px|Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017)]]
===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Η οπτική δορυφορική τηλεπισκόπηση συνιστά ένα ισχυρό εργαλείο για τη μακροσκοπική παρακολούθηση της γήρανσης ασφαλτικών οδοστρωμάτων. Παρέχει τη δυνατότητα κάλυψης μεγάλων περιοχών με χαμηλότερο κόστος και χωρίς παρεμβάσεις στην κυκλοφορία.
Παρά τα πλεονεκτήματά της, η μέθοδος δεν μπορεί ακόμη να αντικαταστήσει πλήρως τις επιτόπιες μετρήσεις, καθώς η ακρίβεια στην αναγνώριση συγκεκριμένων τύπων βλαβών παραμένει περιορισμένη. Ο συνδυασμός τηλεπισκοπικών δεδομένων με επιτόπιες μετρήσεις και η περαιτέρω εξέλιξη των φασματικών δεικτών αναμένεται να βελτιώσει σημαντικά την αξιοπιστία των μεθόδων αυτών στο μέλλον.

Λέξεις κλειδιά: asphalt aging, surface reflectance, pavement monitoring

[[category:Χαρτογραφία]]

Έρευνα για την πρόοδο της οπτικής τηλεπισκόπησης μέσω δορυφόρου για την παρακολούθηση της γήρανσης του ασφαλτοστρωμένου οδοστρώματος

2026-01-09T12:15:38Z

PARISIS APOSTOLOS:

<span style="font-size:20px;"> Research Progress of Optical Satellite Remote Sensing Monitoring Asphalt Pavement Aging''</span>

Jingwen Wang, Dayong Yang, Zhiwei Xie, Han Wang, Zhigang Hao, Fanyu Zhou, and Xiaona Wang,
Photogrammetric Engineering & Remote Sensing (2024), 90(8), 471–482

πηγή: [https://doi.org/10.14358/PERS.23-00045R2]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Η γήρανση των ασφαλτικών οδοστρωμάτων αποτελεί βασικό παράγοντα υποβάθμισης της λειτουργικότητας και της ασφάλειας των οδικών υποδομών. Οι συμβατικές μέθοδοι επιθεώρησης βασίζονται κυρίως σε επιτόπιες μετρήσεις, οι οποίες είναι συχνά χρονοβόρες, δαπανηρές και περιορισμένης χωρικής κάλυψης. Τα τελευταία χρόνια, η οπτική δορυφορική τηλεπισκόπηση αναδεικνύεται ως μια εναλλακτική και συμπληρωματική προσέγγιση για τη μακροσκοπική παρακολούθηση της κατάστασης των οδοστρωμάτων.
Η παρούσα εργασία αποτελεί βιβλιογραφική ανασκόπηση της επιστημονικής προόδου στον τομέα της ανίχνευσης και παρακολούθησης της γήρανσης ασφαλτικών οδοστρωμάτων μέσω οπτικών δορυφορικών δεδομένων. Παρουσιάζονται οι φυσικοχημικοί μηχανισμοί γήρανσης της ασφάλτου, οι αντίστοιχες μεταβολές στη φασματική ανακλαστικότητα, καθώς και οι μέθοδοι δημιουργίας φασματικών βιβλιοθηκών. Ιδιαίτερη έμφαση δίνεται στην ανάπτυξη και εφαρμογή φασματικών δεικτών υγείας οδοστρώματος, οι οποίοι επιτρέπουν τη χαρτογράφηση διαφορετικών βαθμών φθοράς.
Η ανάλυση δείχνει ότι η τηλεπισκόπηση μπορεί να αποτυπώσει αποτελεσματικά γενικές τάσεις γήρανσης, ωστόσο εξακολουθούν να υπάρχουν περιορισμοί στην ακριβή αναγνώριση επιμέρους τύπων βλαβών. Τονίζεται η ανάγκη περαιτέρω έρευνας και συνδυασμού τηλεπισκοπικών δεδομένων με επιτόπιες μετρήσεις.

===ΕΙΣΑΓΩΓΗ===

Οι οδικές υποδομές αποτελούν κρίσιμο στοιχείο της οικονομικής και κοινωνικής ανάπτυξης, γεγονός που καθιστά απαραίτητη τη συστηματική παρακολούθηση της κατάστασής τους. Η έγκαιρη ανίχνευση της γήρανσης των ασφαλτικών οδοστρωμάτων συμβάλλει στη βελτιστοποίηση των παρεμβάσεων συντήρησης και στη μείωση του κόστους αποκατάστασης.
Οι παραδοσιακές μέθοδοι αξιολόγησης βασίζονται κυρίως σε επιτόπιους ελέγχους και μετρήσεις με ειδικό εξοπλισμό. Παρότι οι μέθοδοι αυτές προσφέρουν υψηλή ακρίβεια, παρουσιάζουν περιορισμούς ως προς την ταχύτητα, το κόστος και τη χωρική κάλυψη. Στο πλαίσιο αυτό, η οπτική δορυφορική τηλεπισκόπηση προσφέρει τη δυνατότητα μακροσκοπικής, επαναλαμβανόμενης και αντικειμενικής παρακολούθησης μεγάλων οδικών δικτύων.
Η εργασία αυτή εξετάζει τη συμβολή της τηλεπισκόπησης στη μελέτη της γήρανσης ασφαλτικών οδοστρωμάτων, εστιάζοντας στις φασματικές μεταβολές της ασφάλτου και στις μεθόδους ποσοτικής αξιολόγησής τους.

===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ===
Η παρούσα εργασία δεν περιορίζεται σε συγκεκριμένη περιοχή μελέτης, καθώς πρόκειται για ανασκόπηση της διεθνούς βιβλιογραφίας. Ωστόσο, τα παραδείγματα που παρουσιάζονται προέρχονται κυρίως από αστικές και υπεραστικές περιοχές, όπου η έντονη κυκλοφορία και οι περιβαλλοντικές καταπονήσεις επιταχύνουν τη διαδικασία γήρανσης των ασφαλτικών οδοστρωμάτων.

===ΜΕΘΟΔΟΛΟΓΙΑ===
'''Φυσικοί και χημικοί μηχανισμοί γήρανσης'''
Η γήρανση της ασφάλτου είναι αποτέλεσμα συνδυασμού μηχανικών, θερμικών και χημικών διεργασιών, όπως η καταπόνηση από τα οχήματα, η οξείδωση λόγω υπεριώδους ακτινοβολίας και η επίδραση υγρασίας και θερμοκρασιακών μεταβολών. Οι διεργασίες αυτές οδηγούν σε μείωση της περιεκτικότητας σε άσφαλτο, έκθεση αδρανών υλικών και ανάπτυξη ρωγμών.
[[Αρχείο Αρχείο:Εικόνα 1 Διεργασίες γήρανσης ασφάλτου.JPG|thumb|center|500px| Εικόνα 1 Διεργασίες γήρανσης ασφάλτου]]
Οι μεταβολές αυτές επηρεάζουν τόσο τη μηχανική συμπεριφορά του οδοστρώματος όσο και τις οπτικές και φασματικές του ιδιότητες.
'''Δορυφορικές πλατφόρμες και αισθητήρες'''
Η εφαρμογή της τηλεπισκόπησης βασίζεται στη διαθεσιμότητα δορυφορικών αισθητήρων υψηλής χωρικής και φασματικής ανάλυσης. Δορυφόροι όπως οι IKONOS, QuickBird, WorldView και SPOT παρέχουν εικόνες με ανάλυση έως και μερικών δεκάδων εκατοστών, επιτρέποντας τη λεπτομερή αποτύπωση οδικών επιφανειών.
[[Αρχείο:Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση.JPG|thumb|center|500px|Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση]]
Η βελτίωση της φασματικής ανάλυσης έχει καταστήσει δυνατή την ανίχνευση λεπτών διαφορών στην ανακλαστικότητα της ασφάλτου, οι οποίες σχετίζονται με τον βαθμό γήρανσης.
'''Φασματική ερμηνεία και φασματικές βιβλιοθήκες'''
Η φασματική ανακλαστικότητα της ασφάλτου μεταβάλλεται σημαντικά κατά τη διάρκεια της γήρανσης. Νέα οδοστρώματα εμφανίζουν χαμηλή ανακλαστικότητα, ενώ η γήρανση οδηγεί σε αύξησή της, ιδιαίτερα στο ορατό και στο εγγύς υπέρυθρο φάσμα.
[[Αρχείο:Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου.JPG|thumb|center|500px|Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου]]
Για την αξιόπιστη ερμηνεία των δορυφορικών δεδομένων, δημιουργούνται φασματικές βιβλιοθήκες μέσω επιτόπιων μετρήσεων με φορητά φασματόμετρα. Οι βιβλιοθήκες αυτές επιτρέπουν τη συσχέτιση συγκεκριμένων φασματικών προτύπων με βαθμούς γήρανσης και τύπους φθοράς.
'''Φασματική δείκτες γήρανσης'''
Με βάση τις φασματικές διαφορές μεταξύ επιλεγμένων ζωνών, έχουν αναπτυχθεί δείκτες υγείας οδοστρώματος, όπως δείκτες διαφοράς, λόγου και κανονικοποιημένης διαφοράς. Οι δείκτες αυτοί επιτρέπουν την ποσοτική αποτίμηση της γήρανσης και τη χωρική χαρτογράφησή της μέσω δορυφορικών εικόνων.
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η βιβλιογραφική ανάλυση δείχνει ότι ορισμένα φασματικά διαστήματα, όπως τα 400–900 nm και 2100–2300 nm, είναι ιδιαίτερα ευαίσθητα στη γήρανση της ασφάλτου. Καθώς αυξάνεται ο βαθμός φθοράς, παρατηρείται αύξηση της ανακλαστικότητας στο ορατό φάσμα και εξασθένηση χαρακτηριστικών απορρόφησης στο υπέρυθρο.
[[Αρχείο:Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017).JPG|thumb|center|500px|Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017)]]
Η εφαρμογή φασματικών δεικτών επιτρέπει τη διάκριση μεταξύ νέων, μέτρια γηρασμένων και έντονα φθαρμένων οδοστρωμάτων, αν και παράγοντες όπως υγρασία, σκιάσεις και οδικές διαγραμμίσεις μπορούν να επηρεάσουν τα αποτελέσματα.
[[Αρχείο:Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017).JPG|thumb|center|500px|Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017)]]
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η οπτική δορυφορική τηλεπισκόπηση συνιστά ένα ισχυρό εργαλείο για τη μακροσκοπική παρακολούθηση της γήρανσης ασφαλτικών οδοστρωμάτων. Παρέχει τη δυνατότητα κάλυψης μεγάλων περιοχών με χαμηλότερο κόστος και χωρίς παρεμβάσεις στην κυκλοφορία.
Παρά τα πλεονεκτήματά της, η μέθοδος δεν μπορεί ακόμη να αντικαταστήσει πλήρως τις επιτόπιες μετρήσεις, καθώς η ακρίβεια στην αναγνώριση συγκεκριμένων τύπων βλαβών παραμένει περιορισμένη. Ο συνδυασμός τηλεπισκοπικών δεδομένων με επιτόπιες μετρήσεις και η περαιτέρω εξέλιξη των φασματικών δεικτών αναμένεται να βελτιώσει σημαντικά την αξιοπιστία των μεθόδων αυτών στο μέλλον.

Λέξεις κλειδιά: asphalt aging, surface reflectance, pavement monitoring

[[category:Χαρτογραφία]]

Έρευνα για την πρόοδο της οπτικής τηλεπισκόπησης μέσω δορυφόρου για την παρακολούθηση της γήρανσης του ασφαλτοστρωμένου οδοστρώματος

2026-01-09T12:14:07Z

PARISIS APOSTOLOS:

<span style="font-size:20px;"> Research Progress of Optical Satellite Remote Sensing Monitoring Asphalt Pavement Aging''</span>

Jingwen Wang, Dayong Yang, Zhiwei Xie, Han Wang, Zhigang Hao, Fanyu Zhou, and Xiaona Wang,
Photogrammetric Engineering & Remote Sensing (2024), 90(8), 471–482

πηγή: [https://doi.org/10.14358/PERS.23-00045R2]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Η γήρανση των ασφαλτικών οδοστρωμάτων αποτελεί βασικό παράγοντα υποβάθμισης της λειτουργικότητας και της ασφάλειας των οδικών υποδομών. Οι συμβατικές μέθοδοι επιθεώρησης βασίζονται κυρίως σε επιτόπιες μετρήσεις, οι οποίες είναι συχνά χρονοβόρες, δαπανηρές και περιορισμένης χωρικής κάλυψης. Τα τελευταία χρόνια, η οπτική δορυφορική τηλεπισκόπηση αναδεικνύεται ως μια εναλλακτική και συμπληρωματική προσέγγιση για τη μακροσκοπική παρακολούθηση της κατάστασης των οδοστρωμάτων.
Η παρούσα εργασία αποτελεί βιβλιογραφική ανασκόπηση της επιστημονικής προόδου στον τομέα της ανίχνευσης και παρακολούθησης της γήρανσης ασφαλτικών οδοστρωμάτων μέσω οπτικών δορυφορικών δεδομένων. Παρουσιάζονται οι φυσικοχημικοί μηχανισμοί γήρανσης της ασφάλτου, οι αντίστοιχες μεταβολές στη φασματική ανακλαστικότητα, καθώς και οι μέθοδοι δημιουργίας φασματικών βιβλιοθηκών. Ιδιαίτερη έμφαση δίνεται στην ανάπτυξη και εφαρμογή φασματικών δεικτών υγείας οδοστρώματος, οι οποίοι επιτρέπουν τη χαρτογράφηση διαφορετικών βαθμών φθοράς.
Η ανάλυση δείχνει ότι η τηλεπισκόπηση μπορεί να αποτυπώσει αποτελεσματικά γενικές τάσεις γήρανσης, ωστόσο εξακολουθούν να υπάρχουν περιορισμοί στην ακριβή αναγνώριση επιμέρους τύπων βλαβών. Τονίζεται η ανάγκη περαιτέρω έρευνας και συνδυασμού τηλεπισκοπικών δεδομένων με επιτόπιες μετρήσεις.

===ΕΙΣΑΓΩΓΗ===

Οι οδικές υποδομές αποτελούν κρίσιμο στοιχείο της οικονομικής και κοινωνικής ανάπτυξης, γεγονός που καθιστά απαραίτητη τη συστηματική παρακολούθηση της κατάστασής τους. Η έγκαιρη ανίχνευση της γήρανσης των ασφαλτικών οδοστρωμάτων συμβάλλει στη βελτιστοποίηση των παρεμβάσεων συντήρησης και στη μείωση του κόστους αποκατάστασης.
Οι παραδοσιακές μέθοδοι αξιολόγησης βασίζονται κυρίως σε επιτόπιους ελέγχους και μετρήσεις με ειδικό εξοπλισμό. Παρότι οι μέθοδοι αυτές προσφέρουν υψηλή ακρίβεια, παρουσιάζουν περιορισμούς ως προς την ταχύτητα, το κόστος και τη χωρική κάλυψη. Στο πλαίσιο αυτό, η οπτική δορυφορική τηλεπισκόπηση προσφέρει τη δυνατότητα μακροσκοπικής, επαναλαμβανόμενης και αντικειμενικής παρακολούθησης μεγάλων οδικών δικτύων.
Η εργασία αυτή εξετάζει τη συμβολή της τηλεπισκόπησης στη μελέτη της γήρανσης ασφαλτικών οδοστρωμάτων, εστιάζοντας στις φασματικές μεταβολές της ασφάλτου και στις μεθόδους ποσοτικής αξιολόγησής τους.

===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ===
Η παρούσα εργασία δεν περιορίζεται σε συγκεκριμένη περιοχή μελέτης, καθώς πρόκειται για ανασκόπηση της διεθνούς βιβλιογραφίας. Ωστόσο, τα παραδείγματα που παρουσιάζονται προέρχονται κυρίως από αστικές και υπεραστικές περιοχές, όπου η έντονη κυκλοφορία και οι περιβαλλοντικές καταπονήσεις επιταχύνουν τη διαδικασία γήρανσης των ασφαλτικών οδοστρωμάτων.

===ΜΕΘΟΔΟΛΟΓΙΑ===
==Φυσικοί και χημικοί μηχανισμοί γήρανσης==
Η γήρανση της ασφάλτου είναι αποτέλεσμα συνδυασμού μηχανικών, θερμικών και χημικών διεργασιών, όπως η καταπόνηση από τα οχήματα, η οξείδωση λόγω υπεριώδους ακτινοβολίας και η επίδραση υγρασίας και θερμοκρασιακών μεταβολών. Οι διεργασίες αυτές οδηγούν σε μείωση της περιεκτικότητας σε άσφαλτο, έκθεση αδρανών υλικών και ανάπτυξη ρωγμών.
[[Αρχείο Αρχείο:Εικόνα 1 Διεργασίες γήρανσης ασφάλτου.JPG|thumb|center|500px| Εικόνα 1 Διεργασίες γήρανσης ασφάλτου]]
Οι μεταβολές αυτές επηρεάζουν τόσο τη μηχανική συμπεριφορά του οδοστρώματος όσο και τις οπτικές και φασματικές του ιδιότητες.
===Δορυφορικές πλατφόρμες και αισθητήρες===
Η εφαρμογή της τηλεπισκόπησης βασίζεται στη διαθεσιμότητα δορυφορικών αισθητήρων υψηλής χωρικής και φασματικής ανάλυσης. Δορυφόροι όπως οι IKONOS, QuickBird, WorldView και SPOT παρέχουν εικόνες με ανάλυση έως και μερικών δεκάδων εκατοστών, επιτρέποντας τη λεπτομερή αποτύπωση οδικών επιφανειών.
[[Αρχείο:Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση.JPG|thumb|center|500px|Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση]]
Η βελτίωση της φασματικής ανάλυσης έχει καταστήσει δυνατή την ανίχνευση λεπτών διαφορών στην ανακλαστικότητα της ασφάλτου, οι οποίες σχετίζονται με τον βαθμό γήρανσης.
===Φασματική ερμηνεία και φασματικές βιβλιοθήκες===
Η φασματική ανακλαστικότητα της ασφάλτου μεταβάλλεται σημαντικά κατά τη διάρκεια της γήρανσης. Νέα οδοστρώματα εμφανίζουν χαμηλή ανακλαστικότητα, ενώ η γήρανση οδηγεί σε αύξησή της, ιδιαίτερα στο ορατό και στο εγγύς υπέρυθρο φάσμα.
[[Αρχείο:Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου.JPG|thumb|center|500px|Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου]]
Για την αξιόπιστη ερμηνεία των δορυφορικών δεδομένων, δημιουργούνται φασματικές βιβλιοθήκες μέσω επιτόπιων μετρήσεων με φορητά φασματόμετρα. Οι βιβλιοθήκες αυτές επιτρέπουν τη συσχέτιση συγκεκριμένων φασματικών προτύπων με βαθμούς γήρανσης και τύπους φθοράς.
===Φασματική δείκτες γήρανσης===
Με βάση τις φασματικές διαφορές μεταξύ επιλεγμένων ζωνών, έχουν αναπτυχθεί δείκτες υγείας οδοστρώματος, όπως δείκτες διαφοράς, λόγου και κανονικοποιημένης διαφοράς. Οι δείκτες αυτοί επιτρέπουν την ποσοτική αποτίμηση της γήρανσης και τη χωρική χαρτογράφησή της μέσω δορυφορικών εικόνων.
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η βιβλιογραφική ανάλυση δείχνει ότι ορισμένα φασματικά διαστήματα, όπως τα 400–900 nm και 2100–2300 nm, είναι ιδιαίτερα ευαίσθητα στη γήρανση της ασφάλτου. Καθώς αυξάνεται ο βαθμός φθοράς, παρατηρείται αύξηση της ανακλαστικότητας στο ορατό φάσμα και εξασθένηση χαρακτηριστικών απορρόφησης στο υπέρυθρο.
[[Αρχείο:Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017).JPG|thumb|center|500px|Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017)]]
Η εφαρμογή φασματικών δεικτών επιτρέπει τη διάκριση μεταξύ νέων, μέτρια γηρασμένων και έντονα φθαρμένων οδοστρωμάτων, αν και παράγοντες όπως υγρασία, σκιάσεις και οδικές διαγραμμίσεις μπορούν να επηρεάσουν τα αποτελέσματα.
[[Αρχείο:Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017).JPG|thumb|center|500px|Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017)]]
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η οπτική δορυφορική τηλεπισκόπηση συνιστά ένα ισχυρό εργαλείο για τη μακροσκοπική παρακολούθηση της γήρανσης ασφαλτικών οδοστρωμάτων. Παρέχει τη δυνατότητα κάλυψης μεγάλων περιοχών με χαμηλότερο κόστος και χωρίς παρεμβάσεις στην κυκλοφορία.
Παρά τα πλεονεκτήματά της, η μέθοδος δεν μπορεί ακόμη να αντικαταστήσει πλήρως τις επιτόπιες μετρήσεις, καθώς η ακρίβεια στην αναγνώριση συγκεκριμένων τύπων βλαβών παραμένει περιορισμένη. Ο συνδυασμός τηλεπισκοπικών δεδομένων με επιτόπιες μετρήσεις και η περαιτέρω εξέλιξη των φασματικών δεικτών αναμένεται να βελτιώσει σημαντικά την αξιοπιστία των μεθόδων αυτών στο μέλλον.

Λέξεις κλειδιά: asphalt aging, surface reflectance, pavement monitoring

[[category:Χαρτογραφία]]

Έρευνα για την πρόοδο της οπτικής τηλεπισκόπησης μέσω δορυφόρου για την παρακολούθηση της γήρανσης του ασφαλτοστρωμένου οδοστρώματος

2026-01-09T12:12:41Z

PARISIS APOSTOLOS: Νέα σελίδα με '<span style="font-size:20px;"> Research Progress of Optical Satellite Remote Sensing Monitoring Asphalt Pavement Aging''</span> Jingwen Wang, Dayong Yang, Zhiwei Xie, Han...'

<span style="font-size:20px;"> Research Progress of Optical Satellite Remote Sensing Monitoring Asphalt Pavement Aging''</span>

Jingwen Wang, Dayong Yang, Zhiwei Xie, Han Wang, Zhigang Hao, Fanyu Zhou, and Xiaona Wang
Photogrammetric Engineering & Remote Sensing (2024), 90(8), 471–482

πηγή: [https://doi.org/10.14358/PERS.23-00045R2]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Η γήρανση των ασφαλτικών οδοστρωμάτων αποτελεί βασικό παράγοντα υποβάθμισης της λειτουργικότητας και της ασφάλειας των οδικών υποδομών. Οι συμβατικές μέθοδοι επιθεώρησης βασίζονται κυρίως σε επιτόπιες μετρήσεις, οι οποίες είναι συχνά χρονοβόρες, δαπανηρές και περιορισμένης χωρικής κάλυψης. Τα τελευταία χρόνια, η οπτική δορυφορική τηλεπισκόπηση αναδεικνύεται ως μια εναλλακτική και συμπληρωματική προσέγγιση για τη μακροσκοπική παρακολούθηση της κατάστασης των οδοστρωμάτων.
Η παρούσα εργασία αποτελεί βιβλιογραφική ανασκόπηση της επιστημονικής προόδου στον τομέα της ανίχνευσης και παρακολούθησης της γήρανσης ασφαλτικών οδοστρωμάτων μέσω οπτικών δορυφορικών δεδομένων. Παρουσιάζονται οι φυσικοχημικοί μηχανισμοί γήρανσης της ασφάλτου, οι αντίστοιχες μεταβολές στη φασματική ανακλαστικότητα, καθώς και οι μέθοδοι δημιουργίας φασματικών βιβλιοθηκών. Ιδιαίτερη έμφαση δίνεται στην ανάπτυξη και εφαρμογή φασματικών δεικτών υγείας οδοστρώματος, οι οποίοι επιτρέπουν τη χαρτογράφηση διαφορετικών βαθμών φθοράς.
Η ανάλυση δείχνει ότι η τηλεπισκόπηση μπορεί να αποτυπώσει αποτελεσματικά γενικές τάσεις γήρανσης, ωστόσο εξακολουθούν να υπάρχουν περιορισμοί στην ακριβή αναγνώριση επιμέρους τύπων βλαβών. Τονίζεται η ανάγκη περαιτέρω έρευνας και συνδυασμού τηλεπισκοπικών δεδομένων με επιτόπιες μετρήσεις.

===ΕΙΣΑΓΩΓΗ===

Οι οδικές υποδομές αποτελούν κρίσιμο στοιχείο της οικονομικής και κοινωνικής ανάπτυξης, γεγονός που καθιστά απαραίτητη τη συστηματική παρακολούθηση της κατάστασής τους. Η έγκαιρη ανίχνευση της γήρανσης των ασφαλτικών οδοστρωμάτων συμβάλλει στη βελτιστοποίηση των παρεμβάσεων συντήρησης και στη μείωση του κόστους αποκατάστασης.
Οι παραδοσιακές μέθοδοι αξιολόγησης βασίζονται κυρίως σε επιτόπιους ελέγχους και μετρήσεις με ειδικό εξοπλισμό. Παρότι οι μέθοδοι αυτές προσφέρουν υψηλή ακρίβεια, παρουσιάζουν περιορισμούς ως προς την ταχύτητα, το κόστος και τη χωρική κάλυψη. Στο πλαίσιο αυτό, η οπτική δορυφορική τηλεπισκόπηση προσφέρει τη δυνατότητα μακροσκοπικής, επαναλαμβανόμενης και αντικειμενικής παρακολούθησης μεγάλων οδικών δικτύων.
Η εργασία αυτή εξετάζει τη συμβολή της τηλεπισκόπησης στη μελέτη της γήρανσης ασφαλτικών οδοστρωμάτων, εστιάζοντας στις φασματικές μεταβολές της ασφάλτου και στις μεθόδους ποσοτικής αξιολόγησής τους.

===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ===
Η παρούσα εργασία δεν περιορίζεται σε συγκεκριμένη περιοχή μελέτης, καθώς πρόκειται για ανασκόπηση της διεθνούς βιβλιογραφίας. Ωστόσο, τα παραδείγματα που παρουσιάζονται προέρχονται κυρίως από αστικές και υπεραστικές περιοχές, όπου η έντονη κυκλοφορία και οι περιβαλλοντικές καταπονήσεις επιταχύνουν τη διαδικασία γήρανσης των ασφαλτικών οδοστρωμάτων.

===ΜΕΘΟΔΟΛΟΓΙΑ===
===Φυσικοί και χημικοί μηχανισμοί γήρανσης===
Η γήρανση της ασφάλτου είναι αποτέλεσμα συνδυασμού μηχανικών, θερμικών και χημικών διεργασιών, όπως η καταπόνηση από τα οχήματα, η οξείδωση λόγω υπεριώδους ακτινοβολίας και η επίδραση υγρασίας και θερμοκρασιακών μεταβολών. Οι διεργασίες αυτές οδηγούν σε μείωση της περιεκτικότητας σε άσφαλτο, έκθεση αδρανών υλικών και ανάπτυξη ρωγμών.
[[Αρχείο Αρχείο:Εικόνα 1 Διεργασίες γήρανσης ασφάλτου.JPG|thumb|center|500px| Εικόνα 1 Διεργασίες γήρανσης ασφάλτου]]
Οι μεταβολές αυτές επηρεάζουν τόσο τη μηχανική συμπεριφορά του οδοστρώματος όσο και τις οπτικές και φασματικές του ιδιότητες.
===Δορυφορικές πλατφόρμες και αισθητήρες===
Η εφαρμογή της τηλεπισκόπησης βασίζεται στη διαθεσιμότητα δορυφορικών αισθητήρων υψηλής χωρικής και φασματικής ανάλυσης. Δορυφόροι όπως οι IKONOS, QuickBird, WorldView και SPOT παρέχουν εικόνες με ανάλυση έως και μερικών δεκάδων εκατοστών, επιτρέποντας τη λεπτομερή αποτύπωση οδικών επιφανειών.
[[Αρχείο:Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση.JPG|thumb|center|500px|Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση]]
Η βελτίωση της φασματικής ανάλυσης έχει καταστήσει δυνατή την ανίχνευση λεπτών διαφορών στην ανακλαστικότητα της ασφάλτου, οι οποίες σχετίζονται με τον βαθμό γήρανσης.
===Φασματική ερμηνεία και φασματικές βιβλιοθήκες===
Η φασματική ανακλαστικότητα της ασφάλτου μεταβάλλεται σημαντικά κατά τη διάρκεια της γήρανσης. Νέα οδοστρώματα εμφανίζουν χαμηλή ανακλαστικότητα, ενώ η γήρανση οδηγεί σε αύξησή της, ιδιαίτερα στο ορατό και στο εγγύς υπέρυθρο φάσμα.
[[Αρχείο:Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου.JPG|thumb|center|500px|Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου]]
Για την αξιόπιστη ερμηνεία των δορυφορικών δεδομένων, δημιουργούνται φασματικές βιβλιοθήκες μέσω επιτόπιων μετρήσεων με φορητά φασματόμετρα. Οι βιβλιοθήκες αυτές επιτρέπουν τη συσχέτιση συγκεκριμένων φασματικών προτύπων με βαθμούς γήρανσης και τύπους φθοράς.
===Φασματική δείκτες γήρανσης===
Με βάση τις φασματικές διαφορές μεταξύ επιλεγμένων ζωνών, έχουν αναπτυχθεί δείκτες υγείας οδοστρώματος, όπως δείκτες διαφοράς, λόγου και κανονικοποιημένης διαφοράς. Οι δείκτες αυτοί επιτρέπουν την ποσοτική αποτίμηση της γήρανσης και τη χωρική χαρτογράφησή της μέσω δορυφορικών εικόνων.
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η βιβλιογραφική ανάλυση δείχνει ότι ορισμένα φασματικά διαστήματα, όπως τα 400–900 nm και 2100–2300 nm, είναι ιδιαίτερα ευαίσθητα στη γήρανση της ασφάλτου. Καθώς αυξάνεται ο βαθμός φθοράς, παρατηρείται αύξηση της ανακλαστικότητας στο ορατό φάσμα και εξασθένηση χαρακτηριστικών απορρόφησης στο υπέρυθρο.
[[Αρχείο:Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017).JPG|thumb|center|500px|Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017)]]
Η εφαρμογή φασματικών δεικτών επιτρέπει τη διάκριση μεταξύ νέων, μέτρια γηρασμένων και έντονα φθαρμένων οδοστρωμάτων, αν και παράγοντες όπως υγρασία, σκιάσεις και οδικές διαγραμμίσεις μπορούν να επηρεάσουν τα αποτελέσματα.
[[Αρχείο:Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017).JPG|thumb|center|500px|Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017)]]
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
Η οπτική δορυφορική τηλεπισκόπηση συνιστά ένα ισχυρό εργαλείο για τη μακροσκοπική παρακολούθηση της γήρανσης ασφαλτικών οδοστρωμάτων. Παρέχει τη δυνατότητα κάλυψης μεγάλων περιοχών με χαμηλότερο κόστος και χωρίς παρεμβάσεις στην κυκλοφορία.
Παρά τα πλεονεκτήματά της, η μέθοδος δεν μπορεί ακόμη να αντικαταστήσει πλήρως τις επιτόπιες μετρήσεις, καθώς η ακρίβεια στην αναγνώριση συγκεκριμένων τύπων βλαβών παραμένει περιορισμένη. Ο συνδυασμός τηλεπισκοπικών δεδομένων με επιτόπιες μετρήσεις και η περαιτέρω εξέλιξη των φασματικών δεικτών αναμένεται να βελτιώσει σημαντικά την αξιοπιστία των μεθόδων αυτών στο μέλλον.

Λέξεις κλειδιά: asphalt aging, surface reflectance, pavement monitoring

[[category:Χαρτογραφία]]

Αρχείο:Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017).JPG

2026-01-09T10:58:04Z

PARISIS APOSTOLOS: Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017)

Εικόνα 5 Επαλήθευση των αποτελεσμάτων του δείκτη κατάστασης οδοστρώματος με βάση τον λογαριθμικό δείκτη κατάστασης (LHI) (Jin et al. 2017)

Αρχείο:Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017).JPG

2026-01-09T10:57:29Z

PARISIS APOSTOLOS: Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017)

Εικόνα 4 Τα φάσματα και οι αντίστοιχες ψηφιακές φωτογραφίες και τιμές χρώματος του ασφαλτοστρωμένου οδοστρώματος (Pan et al. 2017)

Αρχείο:Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου.JPG

2026-01-09T10:52:25Z

PARISIS APOSTOLOS: Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου

Εικόνα 3 Φασματικά αποτελέσματα της γήρανσης και της φθοράς του ασφάλτου

Αρχείο:Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση.JPG

2026-01-09T10:52:01Z

PARISIS APOSTOLOS: Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση

Εικόνα 2 Παράμετροι δορυφορικών αισθητήρων με υψηλή χωρική ανάλυση

Αρχείο:Εικόνα 1 Διεργασίες γήρανσης ασφάλτου.JPG

2026-01-09T10:51:29Z

PARISIS APOSTOLOS: Εικόνα 1 Διεργασίες γήρανσης ασφάλτου

Εικόνα 1 Διεργασίες γήρανσης ασφάλτου

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T10:48:48Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

===ΕΙΣΑΓΩΓΗ===

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021===
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|700px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

===ΔΕΔΟΜΕΝΑ===
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|500px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
===ΜΕΘΟΔΟΛΟΓΙΑ===
: <span style="font-size:14px;">'''α. Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
: <span style="font-size:14px;">'''β. Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
: <span style="font-size:14px;">'''α. Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|500px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|500px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|500px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
: <span style="font-size:14px;">'''β. Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|500px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|500px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|500px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|500px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|500px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|500px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

Λέξεις κλειδιά: remote sensing, field surveys, post-earthquake reconnaissance, earthquake damage assessment, disaster mapping

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T09:26:27Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

===ΕΙΣΑΓΩΓΗ===

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021===
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|700px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

===ΔΕΔΟΜΕΝΑ===
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|500px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
===ΜΕΘΟΔΟΛΟΓΙΑ===
: <span style="font-size:14px;">'''α. Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
: <span style="font-size:14px;">'''β. Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
: <span style="font-size:14px;">'''α. Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|500px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|500px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|500px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
: <span style="font-size:14px;">'''β. Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|500px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|500px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|500px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|500px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|500px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|500px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T09:25:28Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

===ΕΙΣΑΓΩΓΗ===

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021===
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|700px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

===ΔΕΔΟΜΕΝΑ===
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|500px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
===ΜΕΘΟΔΟΛΟΓΙΑ===
:: <span style="font-size:14px;">'''α. Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
:: <span style="font-size:14px;">'''β. Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
:: <span style="font-size:14px;">'''α. Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|500px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|500px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|500px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
:: <span style="font-size:14px;">'''β. Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|500px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|500px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|500px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|500px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|500px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|500px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T09:24:38Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">'''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions'''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

===ΕΙΣΑΓΩΓΗ===

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021===
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|600px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

===ΔΕΔΟΜΕΝΑ===
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|500px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
===ΜΕΘΟΔΟΛΟΓΙΑ===
:: <span style="font-size:14px;">'''α. Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
:: <span style="font-size:14px;">'''β. Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
:: <span style="font-size:14px;">'''α. Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|500px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|500px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|500px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
:: <span style="font-size:14px;">'''β. Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|500px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|500px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|500px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|500px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|500px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|500px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T09:22:35Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">'''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions'''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

===ΕΙΣΑΓΩΓΗ===

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021===
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|600px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

===ΔΕΔΟΜΕΝΑ===
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|600px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
===ΜΕΘΟΔΟΛΟΓΙΑ===
:: <span style="font-size:14px;">'''α. Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
:: <span style="font-size:14px;">'''β. Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
:: <span style="font-size:14px;">'''α. Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|600px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|600px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|600px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
:: <span style="font-size:14px;">'''β. Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|600px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|600px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|600px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|600px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
===ΣΥΜΠΕΡΑΣΜΑΤΑ===
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T09:21:24Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">'''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions'''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

===ΕΙΣΑΓΩΓΗ===

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
===ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021===
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|600px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

===ΔΕΔΟΜΕΝΑ===
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|600px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
===ΜΕΘΟΔΟΛΟΓΙΑ===
:: <span style="font-size:16px;">'''α. Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
:: <span style="font-size:16px;">'''β. Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
===ΑΠΟΤΕΛΕΣΜΑΤΑ===
:: <span style="font-size:16px;">'''α. Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|600px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|600px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|600px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
:: <span style="font-size:16px;">'''β. Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|600px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|600px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|600px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|600px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
===6. ΣΥΜΠΕΡΑΣΜΑΤΑ===
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T09:17:32Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">'''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions'''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

=== 1. ΕΙΣΑΓΩΓΗ===

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
===2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021===
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|600px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

===3. ΔΕΔΟΜΕΝΑ===
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|600px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
:<h3>4. ΜΕΘΟΔΟΛΟΓΙΑ</h3>
:: <span style="font-size:16px;">'''4.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
:: <span style="font-size:16px;">'''4.2 Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
:<h3>5. ΑΠΟΤΕΛΕΣΜΑΤΑ</h3>
:: <span style="font-size:16px;">'''5.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|600px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|600px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|600px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
:: <span style="font-size:16px;">'''5.2 Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|600px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|600px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|600px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|600px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
:<h3>6. ΣΥΜΠΕΡΑΣΜΑΤΑ</h3>
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T09:14:44Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">'''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions'''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

:<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

:Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

=== 1. ΕΙΣΑΓΩΓΗ===

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
:<h3>2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021</h3>
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|600px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

:<h3>3. ΔΕΔΟΜΕΝΑ</h3>
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|600px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
:<h3>4. ΜΕΘΟΔΟΛΟΓΙΑ</h3>
:: <span style="font-size:16px;">'''4.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
:: <span style="font-size:16px;">'''4.2 Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
:<h3>5. ΑΠΟΤΕΛΕΣΜΑΤΑ</h3>
:: <span style="font-size:16px;">'''5.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|600px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|600px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|600px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
:: <span style="font-size:16px;">'''5.2 Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|600px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|600px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|600px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|600px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
:<h3>6. ΣΥΜΠΕΡΑΣΜΑΤΑ</h3>
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T09:07:03Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">'''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions'''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

:<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

:Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

:<h3> 1. ΕΙΣΑΓΩΓΗ</h3>

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
:<h3>2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021</h3>
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|600px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

:<h3>3. ΔΕΔΟΜΕΝΑ</h3>
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|600px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
:<h3>4. ΜΕΘΟΔΟΛΟΓΙΑ</h3>
:: <span style="font-size:16px;">'''4.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
:: <span style="font-size:16px;">'''4.2 Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
:<h3>5. ΑΠΟΤΕΛΕΣΜΑΤΑ</h3>
:: <span style="font-size:16px;">'''5.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|600px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|600px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|600px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
:: <span style="font-size:16px;">'''5.2 Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|600px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|600px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|600px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|600px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
:<h3>6. ΣΥΜΠΕΡΑΣΜΑΤΑ</h3>
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T09:06:48Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">'''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions'''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

:<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

:Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

:<h3>1. ΕΙΣΑΓΩΓΗ</h3>

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
:<h3>2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021</h3>
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|600px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

:<h3>3. ΔΕΔΟΜΕΝΑ</h3>
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|600px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
:<h3>4. ΜΕΘΟΔΟΛΟΓΙΑ</h3>
:: <span style="font-size:16px;">'''4.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
:: <span style="font-size:16px;">'''4.2 Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
:<h3>5. ΑΠΟΤΕΛΕΣΜΑΤΑ</h3>
:: <span style="font-size:16px;">'''5.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|600px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|600px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|600px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
:: <span style="font-size:16px;">'''5.2 Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|600px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|600px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|600px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|600px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
:<h3>6. ΣΥΜΠΕΡΑΣΜΑΤΑ</h3>
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T09:05:36Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">'''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions'''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

:<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

:Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

:<h3>1. ΕΙΣΑΓΩΓΗ</h3>

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
:<h3>2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021</h3>
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|600px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

:<h3>3. ΔΕΔΟΜΕΝΑ</h3>
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|600px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
:<h3>4. ΜΕΘΟΔΟΛΟΓΙΑ</h3>
:: <span style="font-size:16px;">'''4.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
:: <span style="font-size:16px;">'''4.2 Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
:<h3>5. ΑΠΟΤΕΛΕΣΜΑΤΑ</h3>
:: <span style="font-size:16px;">'''5.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|600px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|600px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|600px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
:: <span style="font-size:16px;">'''5.2 Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|600px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|600px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|600px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|600px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
:<h3>6. ΣΥΜΠΕΡΑΣΜΑΤΑ</h3>
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T09:04:46Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">'''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions'''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

:<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

::<h3>1. ΕΙΣΑΓΩΓΗ</h3>

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
:<h3>2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021</h3>
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|600px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

:<h3>3. ΔΕΔΟΜΕΝΑ</h3>
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|600px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
:<h3>4. ΜΕΘΟΔΟΛΟΓΙΑ</h3>
:: <span style="font-size:16px;">'''4.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
:: <span style="font-size:16px;">'''4.2 Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
:<h3>5. ΑΠΟΤΕΛΕΣΜΑΤΑ</h3>
:: <span style="font-size:16px;">'''5.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|600px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|600px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|600px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
:: <span style="font-size:16px;">'''5.2 Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|600px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|600px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|600px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|600px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
:<h3>6. ΣΥΜΠΕΡΑΣΜΑΤΑ</h3>
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T09:04:21Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">'''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions'''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

:<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

:<h3>1. ΕΙΣΑΓΩΓΗ</h3>

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
:<h3>2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021</h3>
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|600px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

:<h3>3. ΔΕΔΟΜΕΝΑ</h3>
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|600px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
:<h3>4. ΜΕΘΟΔΟΛΟΓΙΑ</h3>
:: <span style="font-size:16px;">'''4.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
:: <span style="font-size:16px;">'''4.2 Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
:<h3>5. ΑΠΟΤΕΛΕΣΜΑΤΑ</h3>
:: <span style="font-size:16px;">'''5.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|600px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|600px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|600px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
:: <span style="font-size:16px;">'''5.2 Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|600px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|600px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|600px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|600px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
:<h3>6. ΣΥΜΠΕΡΑΣΜΑΤΑ</h3>
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T09:03:27Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">'''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions'''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

:<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

:<h3>1. ΕΙΣΑΓΩΓΗ</h3>

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
:<h3>2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021</h3>
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|600px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

:<h3>3. ΔΕΔΟΜΕΝΑ</h3>
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|600px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
:<h3>4. ΜΕΘΟΔΟΛΟΓΙΑ</h3>
:: <span style="font-size:16px;">'''4.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
:: <span style="font-size:16px;">'''4.2 Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
:<h3>5. ΑΠΟΤΕΛΕΣΜΑΤΑ</h3>
:: <span style="font-size:16px;">'''5.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|600px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|600px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|600px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
:: <span style="font-size:16px;">'''5.2 Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.
Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|600px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|600px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|600px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|600px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
:<h3>6. ΣΥΜΠΕΡΑΣΜΑΤΑ</h3>
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T09:02:31Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">'''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions'''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

:<h3>1. ΕΙΣΑΓΩΓΗ</h3>

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
:<h3>2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021</h3>
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.
[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|600px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

:<h3>3. ΔΕΔΟΜΕΝΑ</h3>
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|thumb|center|600px|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
:<h3>4. ΜΕΘΟΔΟΛΟΓΙΑ</h3>
:: <span style="font-size:16px;">'''4.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
:: <span style="font-size:16px;">'''4.2 Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
:<h3>5. ΑΠΟΤΕΛΕΣΜΑΤΑ</h3>
:: <span style="font-size:16px;">'''5.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|600px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG| thumb|center|600px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg| thumb|center|600px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]
:: <span style="font-size:16px;">'''5.2 Ανίχνευση κατολισθήσεων - Αποτελέσματα'''</span>
Η χειροκίνητη οπτική χαρτογράφηση με Sentinel-2 αποτύπωσε 477 κατολισθήσεις σε έκταση 15,9 km² ενώ μεγάλο τμήμα έμεινε αχαρτογράφητο λόγω νέφωσης. Οι χάρτες μεταβολής NDVI και BI επέτρεψαν οπτικό εντοπισμό, αλλά η αβέβαιη ταξινόμηση δεν ξεχώριζε επαρκώς τις κατολισθήσεις από σύννεφα ή άλλα στοιχεία.
Για υπερνίκηση του προβλήματος, υπολογίστηκε εικόνα αναλογίας έντασης I ratio από κανάλια Sentinel-1 GRD VH. Η αβέβαιη ταξινόμηση EM απομόνωνε γενικά τις κατολισθήσεις, αλλά συχνά ταύτιζε πλημμυρισμένες εκτάσεις με κατολισθήσεις.
Με επιβλεπόμενη Random Forest (150 δέντρα) σε 14 χαρακτηριστικά (12 SAR + SRTM κλίση/απήχηση) και 41.553 δείγματα (70 % εκπαίδευση, 30 % έλεγχος) επιτεύχθηκε ακρίβεια 83 %, με 92 % επιτυχία στον εντοπισμό κατολισθήσεων και σαφή διαχωρισμό πλημμυρικών νερών. Το φίλτρο Sieve αφαίρεσε μικρά πολύγωνα θορύβου.
Συνεπώς, ακολουθώντας σενάρια συνδυασμένου σεισμού-πλημμύρας, η επιβλεπόμενη ταξινόμηση δεδομένων SAR που υπολογίζονται γρήγορα σε cloud πλατφόρμες, προσφέρει σημαντικά καλύτερη ακρίβεια και αξιοπιστία για τη δημιουργία πολυχρονικών απογραφών κατολισθήσεων.
[[Αρχείο:Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων.JPG| thumb|center|600px| Εικόνα 6 Οπτικός χειροκίνητος χάρτης απογραφής κατολισθήσεων]]
[[Αρχείο:Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px| Εικόνα 7 Χάρτης μεταβολής NDVI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν.JPG| thumb|center|600px|Εικόνα 8 Χάρτης αλλαγών BI που δημιουργήθηκε από τη διαφορά στο NDVI μεταξύ των εικόνων Sentinel-2 πριν και μετά το συμβάν]]
[[Αρχείο:Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF.JPG| thumb|center|600px|Εικόνα 9 Χάρτης κατανομής των δειγμάτων εκπαίδευσης και δοκιμής που συλλέχθηκαν για την εποπτευόμενη ταξινόμηση RF]]
[[Αρχείο:Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση.JPG| thumb|center|600px|Εικόνα 10 Αξιολόγηση της ακρίβειας των δειγμάτων δοκιμών για μη εποπτευόμενη και εποπτευόμενη ταξινόμηση]]
[[Αρχείο:Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF.JPG| thumb|center|600px| Εικόνα 11 Χάρτης επιβλεπόμενης ταξινόμησης RF]]
:<h3>6. ΣΥΜΠΕΡΑΣΜΑΤΑ</h3>
Συμπεραίνεται ότι η ανάλυση με VHR-SAR, σε συνδυασμό με επίγειες καταγραφές, έδειξε ότι η entropy και η homogeneity συσχετίζονται στενά με την παρατηρούμενη βλάβη. Η ταξινόμηση σε επίπεδο οικοδομικού τετραγώνου, βάσει entropy, προσφέρει γρήγορη επισκόπηση της έκτασης των ζημιών. Επιπλέον, η επιβλεπόμενη ταξινόμηση της εικόνας, επιτυγχάνει σαφώς καλύτερη ακρίβεια στον διαχωρισμό κατολισθήσεων και πλημμυρών και συνιστάται για συμβάντα με συνδυασμό σεισμού και πλημμύρας.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Συνδυασμός τεχνικών τηλεπισκόπησης και επίγειων επιθεωρήσεων για αποστολές αναγνώρισης μετά από σεισμό

2026-01-09T08:44:03Z

PARISIS APOSTOLOS:

<span style="font-size:20px;">'''Combining remote sensing techniques and field surveys for post-earthquake reconnaissance missions'''</span>

Giorgia Giardina, Valentina Macchiarulo, Fatemeh Foroughnia, Joshua N. Jones, Michael R. Z. Whitworth, Brandon Voelker, Pietro Milillo, Camilla Penney, Keith Adams & Tracy Kijewski-Correa,
Bulletin of Earthquake Engineering (2024) 22:3415–3439

πηγή: [https://doi.org/10.1007/s10518-023-01716-9]

<span style="font-size:16px;">'''ΠΕΡΙΛΗΨΗ'''</span>

Αυτή η εργασία αξιολογεί την αποτελεσματικότητα ανάλυσης πολυφασματικών δορυφορικών δεδομένων, έτσι ώστε να εντοπιστούν περιοχές διάθεσης αποβλήτων ελαιοτριβείων στο νησί της Κρήτης. Η έρευνα περιελάμβανε την εφαρμογή του κανονικοποιημένου δείκτη βλάστησης (NDVI) και δείκτη αποβλήτων ελαιοτριβείων (OOMW). Πράγματι, όπως αποδεικνύεται οι δείκτες NDVI και OOMW μπορούν να χρησιμοποιηθούν για να ενισχύσουν την έκθεση των περιοχών διάθεσης στο σύνολο των δορυφορικών δεδομένων υψηλής ανάλυσης, ενώ η εφαρμογή των μετασχηματισμών PCA και HIS φαίνεται να είναι σε θέση να βελτιώσουν περαιτέρω τα αποτελέσματα. Τέλος, εξετάστηκε μια εικόνα ραντάρ, που δείχνει ότι τέτοιου είδους σύνολα δεδομένων θα μπορούσαν επίσης να διερευνηθούν για το σκοπό αυτό.

:<h3>1. ΕΙΣΑΓΩΓΗ</h3>

Η γρήγορη αποτίμηση ζημιών μετά από σεισμό είναι κρίσιμη για τη διαχείριση καταστροφών. Οι επίγειες αποστολές, αν και αξιόπιστες, είναι χρονοβόρες και δύσκολες σε εκτεταμένες ή δυσπρόσιτες περιοχές. Η δορυφορική τηλεπισκόπηση, ιδιαίτερα με ραντάρ SAR, προσφέρει γρήγορη και ασφαλή επισκόπηση, ανεξάρτητα από καιρικές συνθήκες. Ωστόσο, η έλλειψη ενός ενιαίου πλαισίου που ενσωματώνει διαφορετικές τεχνικές με επίγεια δεδομένα περιορίζει την αποτελεσματικότητά τους. Στο άρθρο παρουσιάζεται μια νέα μέθοδος συνδυασμένης αξιολόγησης κτιριακών ζημιών και κατολισθήσεων μετά από σεισμό, βασισμένη σε δεδομένα SAR, η οποία εφαρμόστηκε στην περίπτωση του σεισμού της Αϊτής το 2021.
:<h3>2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-Ο ΣΕΙΣΜΟΣ ΣΤΗΝ ΑΪΤΗ ΤΟ 2021</h3>
Στις 14 Αυγούστου 2021, στις 08:29 τοπική ώρα, σημειώθηκε ο σεισμός μεγέθους Mw 7,2 στην περιοχή Nippes της Αϊτής. Το επίκεντρο του σεισμού βρισκόταν ελαφρώς βόρεια του χαρτογραφημένου ίχνους του ρήγματος Enriquillo–Plaintain-Garden, το οποίο εκτείνεται περίπου από ανατολικά προς δυτικά κατά μήκος της χερσονήσου Tiburon στη νοτιοανατολική Αϊτή (Saint Fleur et al. 2020). Αυτό το ρήγμα έχει χαρτογραφηθεί και έχει συμπεριληφθεί σε χάρτες κινδύνου ως κάθετο και αριστερόπλευρο (Frankel et al. 2011), αλλά ο σεισμός είχε τόσο οριζόντιες όσο και ανάστροφες επιπτώσεις.

Το μεγαλύτερο μετασεισμικό επεισόδιο (Mw 5,7) ακολούθησε την επόμενη μέρα, ενώ ο τροπικός κυκλώνας Γκρέις πέρασε από τη χώρα στις 16 Αυγούστου, προκαλώντας χιλιάδες κατολισθήσεις και εκτεταμένες πλημμύρες. Ο απολογισμός έφτασε τους 2.000 νεκρούς και 15.000 τραυματίες, σημαντικά χαμηλότερος από τον σεισμό του 2010, χάρη στην απόσταση του επικέντρου από το Πορτ-ο-Πρενς και στην κυρίως μονώροφη δόμηση. Επιπλέον, η ανάκαμψη από τον σεισμό του 2010 ήταν ακόμα σε εξέλιξη, ενώ ο τυφώνας Μάθιου (2016) είχε ήδη επιδεινώσει την κατάσταση στην περιοχή. Πέραν των ανωτέρω, η συνύπαρξη της πανδημίας Covid-19 και της πολιτικής αστάθειας ανέδειξε την ανάγκη άμεσης συλλογής δεδομένων με απομακρωμένες μεθόδους.

[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|frame|center|upright=1.5|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

[[Αρχείο:Εικόνα 1 Χάρτες μετατόπισης επιφάνειας.jpg|thumb|center|400px|Εικόνα 1 Χάρτες μετατόπισης επιφάνειας που αποκτήθηκαν με την επεξεργασία ενός ζεύγους εικόνων SAR Sentinel 1 που λήφθηκαν πριν και μετά τον σεισμό (Whitworth et al. 2022)]]

:<h3>3. ΔΕΔΟΜΕΝΑ</h3>
Μετά τον σεισμό, η ομάδα StEER/GHI συγκέντρωσε 11.669 καταγραφές κτιρίων, εκ των οποίων 215 στο Les Cayes, με στοιχεία τύπου δόμησης και πέντε βαθμίδες ζημιάς, ενώ η εικόνα Capella SAR άριστης ανάλυσης (0,5 μ.) της 16/8/2021 τροφοδότησε την ανάλυση.
Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.

[[Αρχείο: Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes.JPG|frame|center|upright=1.5|Εικόνα 2 Σύνολο δεδομένων StEER GHI Fulcrum για την περιοχή ενδιαφέροντος στο Les Cayes]]

Αντίστοιχα για τις κατολισθήσεις, χρησιμοποιήθηκαν προ - και μετασεισμικά δεδομένα Sentinel-2 για την οπτική χαρτογράφηση, και δεδομένα Sentinel-1 GRD VH εντός ±7 ημερών, τα οποία παρείχαν την αναλογία έντασης backscatter.
:<h3>4. ΜΕΘΟΔΟΛΟΓΙΑ</h3>
:: <span style="font-size:16px;">'''4.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η μετασεισμική εικόνα Capella επεξεργάστηκε με το SNAP Sentinel -1 Toolbox για εξαγωγή δέκα ειδών χαρακτηριστικών GLCM (contrast, entropy, κ.λπ.) σε παράθυρο 15 × 15 m2. Μετά τη σύνδεση κάθε κτιρίου με το επίπεδο ζημιάς του Fulcrum, ψηφιοποιήθηκαν 4.116 όψεις κτιρίων με βάση ορθοφωτογραφίες drone (2 cm) και δημιουργήθηκαν 75 οικοδομικά τετράγωνα• η μέση τιμή entropy ανά τετράγωνο ταξινομήθηκε σε πέντε κλάσεις ζημιάς (very low → very high), χρησιμοποιώντας μόνο εικονοστοιχεία εντός των ορίων κάθε κτιρίου για εξάλειψη θορύβου από βλάστηση ή κενούς χώρους.
:: <span style="font-size:16px;">'''4.2 Ανίχνευση κατολισθήσεων'''</span>
Καταρχάς χαρτογραφήθηκαν χειροκίνητα οι κατολισθήσεις από ζεύγη Sentinel-2 (4 και 14 Αυγούστου). Στη συνέχεια υπολογίστηκαν χάρτες μεταβολής NDVI και BI και εφαρμόστηκε αβέβαιη ταξινόμηση για ημι-αυτόματη εξαγωγή πολυγώνων κατολίσθησης. Για υπερνίκηση της νέφωσης δημιουργήθηκε εικόνα αναλογίας έντασης Iratio = 10 log10(Ipre/Ipost) από κανάλια Sentinel-1 GRD VH (±7 ημέρες). Εφαρμόστηκαν αβέβαιος αλγόριθμος EM και επιβλεπόμενη Random Forest με 14 χαρακτηριστικά (12 SAR + κλίση/απήχηση SRTM) για τρεις κλάσεις: κατολίσθηση, πλημμυρικό νερό, λοιπές εκτάσεις. Δείγματα εκπαίδευσης/ελέγχου προήλθαν από οπτικές χειροκίνητες χαρτογραφήσεις και δείκτη NDWI, ενώ φίλτρο Sieve αφαίρεσε μικρά «θορυβώδη» πολύγωνα.
:<h3>5. ΑΠΟΤΕΛΕΣΜΑΤΑ</h3>
:: <span style="font-size:16px;">'''5.1 Αποτίμηση κτιριακών ζημιών'''</span>
Η σχέση μεταξύ των δέκα χαρακτηριστικών GLCM που εξήχθησαν από τη μετασεισμική εικόνα Capella SAR και των πέντε επιπέδων ζημιάς του StEER/GHI Fulcrum αναλύθηκε με χρήση διαγραμμάτων κουτιών (boxplots). Τα αποτελέσματα δείχνουν ότι η αύξηση της μέσης τιμής της entropy και η μείωση της homogeneity συσχετίζονται με κτίρια που υπέστησαν μερική ή ολική κατάρρευση, καθώς η κατάρρευση προκαλεί αυξημένη ακανόνιστη υφή στην εικόνα SAR. Αυτές οι παρατηρήσεις είναι σύμφωνες με προηγούμενες μελέτες και εξηγούνται από τη μεγάλη διακύμανση της όψης στα κατεστραμμένα τμήματα των κτιρίων.
[[Αρχείο:Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER GHI Fulcrum.JPG|thumb|center|400px|Εικόνα 3 Σχέσεις box plot μεταξύ χαρακτηριστικών δομής με βάση το Capella και επιπέδων ζημιάς StEER_GHI Fulcrum]]
Στη συνέχεια, τα κτίρια ταξινομήθηκαν σε 75 οικοδομικά τετράγωνα με βάση τη μέση τιμή της entropy ανά τετράγωνο. Τα τετράγωνα με χαμηλή τιμή entropy χαρακτηρίζονται από χαμηλή πυκνότητα ζημιών, ενώ τα τετράγωνα με υψηλή τιμή entropy δείχνουν υψηλή συγκέντρωση κατεστραμμένων κτιρίων. Συγκεκριμένα, το 11% των τετραγώνων έχει πολύ χαμηλή, το 20% χαμηλή, το 39% μέτρια, το 21% υψηλή και το 9% πολύ υψηλή μέση τιμή entropy.

Η ταξινόμηση βάσει entropy επαληθεύτηκε με συγκριτική ανάλυση των εγγραφών Fulcrum και ορθοφωτογραφιών drone ανάλυσης 2 cm της 18ης Αυγούστου 2021. Τετράγωνα με πολύ χαμηλή τιμή entropy αντιστοιχούσαν σε κτίρια με ήπια ζημιά, ενώ τετράγωνα με πολύ υψηλή τιμή entropy περιείχαν μερικώς ή ολικώς κατεστραμμένα κτίρια, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.
[[Αρχείο:Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή.JPG|thumb|center|400px|Εικόνα 4 Ταξινόμηση ζημιών με βάση την εντροπία σε επίπεδο οικοδομικού τετραγώνου στο κέντρο της πόλης Les Cayes, Αϊτή]]
[[Αρχείο:Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής.jpg|thumb|center|400px| Εικόνα 5 Κοντινό πλάνο ενός οικοδομικού τετραγώνου που παρουσιάζει πολύ χαμηλό επίπεδο μέσης εντροπίας υφής σε επικάλυψη με τα αρχεία StEER_GHI Fulcrum]]

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]