http://147.102.106.44/rs/wiki/index.php?feed=atom&target=Siachospan&title=%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C%3A%CE%A3%CF%85%CE%BD%CE%B5%CE%B9%CF%83%CF%86%CE%BF%CF%81%CE%AD%CF%82%2FSiachospan 2026-04-27T17:47:40Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%B1%CE%B3%CE%BD%CF%89%CF%81%CE%AF%CE%B6%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7_%CE%BB%CE%B5%CE%B9%CF%84%CE%BF%CF%85%CF%81%CE%B3%CE%AF%CE%B1_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CE%BC%CE%B5_%CE%B5%CE%BD%CF%83%CF%89%CE%BC%CE%AC%CF%84%CF%89%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%83%CE%B7%CE%BC%CE%B5%CE%AF%CF%89%CE%BD_%CE%B5%CE%BD%CE%B4%CE%B9%CE%B1%CF%86%CE%AD%CF%81%CE%BF%CE%BD%CF%84%CE%BF%CF%82 2022-03-23T21:21:46Z

<p>Siachospan: </p> <hr /> <div>[[category:Αστικός και περιφερειακός σχεδιασμός]]<br /> '''Αναγνωρίζοντας τη λειτουργία αστικών κτιρίων με ενσωμάτωση τηλεπισκοπικών εικόνων και δεδομένων σημείων ενδιαφέροντος'''<br /> <br /> '''Identifying urban building function by integrating remote sensing imagery and POI data'''<br /> <br /> Anqi Lin, Xiaomeng Sun, Hao Wu, Wenting Luo, Danyang Wang, Dantong Zhong, Zhongming Wang, Lanting Zhao, and Jiang Zhu. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 14, pp. 8864-8875, 2021<br /> <br /> Πηγή: [https://www.researchgate.net/publication/354173429_Identifying_Urban_Building_Function_by_Integrating_Remote_Sensing_Imagery_and_POI_Data]<br /> <br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ3.1.JPG‎|thumb|right|'''Εικόνα 1''': Πλαίσιο αναγνώρισης λειτουργίας αστικών κτιρίων]]<br /> [[Αρχείο:ΣΙΑΧΟΣ3.2.JPG‎|thumb|right|'''Εικόνα 2''': Αποτελέσματα αναγνώρισης λειτουργίας αστικών κτιρίων βασισμένη σε δεδομένα σημείων ενδιαφέροντος, χωρική ομοιότητα και μέθοδο KDE]]<br /> <br /> Με τη συγκεκριμένη εργασία προτείνεται ένα πλαίσιο αναγνώρισης αστικών κτιρίων βασισμένο σε τηλεπισκοπικές εικόνες και δεδομένα σημείων ενδιαφέροντος. Ως περίπτωση μελέτης επιλέχθηκε η Wuhan για την οποία αξιοποιήθηκαν εικόνες και σημεία ενδιαφέροντος από το Google Earth για αναγνώριση των επτά κύριων κατηγοριών στον πυρήνα του αστικού ιστού.<br /> <br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Η αναγνώριση της λειτουργίας των κτιρίων είναι χρήσιμη όχι μόνο για την κατανόηση της μορφολογίας του αστικού ιστού, αλλά επίσης συμβάλλει σε διάφορες εφαρμογές περιστατικά έκτακτης ανάγκης, στη χάραξη πολιτικής, τη διαχείριση πόρων και λοιπά πεδία. Ένας αυτοματοποιημένος τρόπος αναγνώρισης της λειτουργίας των κτιρίων μιας πόλης είναι πιο αποδοτική διαδικασία από τις μέχρι τώρα επιτόπιες έρευνες που συνήθως είναι χρονοβόρες και σπάνια ανοιχτές προς το κοινό.<br /> Από το 1970 οι πρώτες δορυφορικές τηλεπισκοπικές παρατηρήσεις της γης παρέχουν τη δυνατότητα ποσοτικής ανάλυσης και δυναμικής παρατήρησης των αστικών χρήσεων γης και πιο πρόσφατα ψηφιακές παγκόσμιες πλατφόρμες όπως το Google Earth, το NASA World Wind και το Bing Maps αποτελούν μια ελεύθερη και ανοιχτή πηγή δεδομένων. Συγκεκριμένα, τα γεωμετρικά και φασματικά χαρακτηριστικά των εικόνων Google Earth παρέχουν λεπτομερείς πληροφορίες για την ταξινόμηση των χρήσεων γης σε επίπεδο αντικειμένου, αν και η τηλεπισκόπηση είναι πιο χρήσιμη για την οριοθέτηση της φυσικής διάταξης των αντικειμένων του εδάφους παρά για την αναγνώριση συγκεκριμένης λειτουργίας και ανθρώπινης δραστηριότητας εξαιτίας της έλλειψης σημασιολογικής πληροφορίας. Ωστόσο, η εμφάνιση του UGC (User Generate Content) επιτρέπει σε ενεργούς χρήστες να συμμετέχουν στη συλλογή, την ενημέρωση και κοινοποίηση μαζικών δεδομένων που αφορούν την ανθρώπινη δραστηριότητα. Τα σημεία ενδιαφέροντος (POIs) αντιμετωπίζουν πλέον σε μεγάλο βαθμό το σημασιολογικό κενό των τηλεπισκοπικών εικόνων. Πλέον αξιοποιούνται πολλαπλές πηγές δεδομένων για την αναγνώριση των διαφορετικών αστικών λειτουργικών ζωνών, όπως ο συνδυασμός χαρακτηριστικών του τοπίου από δορυφορικές εικόνες και της ανθρώπινης δραστηριότητας από σημεία ενδιαφέροντος και τα δεδομένα πλοήγησης των ταξί. <br /> Με χρήση της μεθόδου πυκνότητας Kernel γίνεται μετατροπή των δεδομένων σημείων ενδιαφέροντος σε συνεχή επιφανειακά χαρακτηριστικά. Επιπλέον, από τα χωρικά χαρακτηριστικά των κτιρίων εντοπίζουμε συχνά ότι για παράδειγμα σε μια περιοχή κατοικίας ή επιχειρήσεων, τα κτίρια εμφανίζουν συγκεκριμένες ομοιότητες στην υφή ή την γεωμετρία. Δηλαδή, τα χωρικά χαρακτηριστικά των κτιρίων μπορούν να χρησιμοποιηθούν για να βρεθεί η λειτουργία ενός κτιρίου με την παραδοχή ότι κτίρια με παρόμοια χωρικά χαρακτηριστικά έχουν και ίδια χρήση/λειτουργία σε μια συγκεκριμένη περιοχή. Γι’ αυτό και είναι σημαντική η ανάπτυξη μίας υβριδικής μεθόδου αναγνώρισης που θα αξιοποιεί τόσο τη χωρική ομοιότητα, όσο και την κατανομή των σημείων ενδιαφέροντος.<br /> <br /> <br /> '''2. Μέθοδοι'''<br /> <br /> Η αναγνώριση της χρήσης των κτιρίων γίνεται σε τρία βήματα, την άμεση χρήση των δεδομένων σημείων ενδιαφέροντος, τον υπολογισμό της χωρικής ομοιότητας και τη δημιουργία αποτυπώματος γεωμετρίας και πυκνότητας Kernel των δεδομένων σημείων ενδιαφέροντος διαφορετικών κατηγοριών.<br /> Αρχικά, επανακατηγοριοποιούνται τα σημεία ενδιαφέροντος και στη συνέχεια ορίζεται η λειτουργία των κτιρίων. Σημεία χαμηλής σημασίας αλλά υψηλής πυκνότητας ορίζουν τη λειτουργία κτιρίων με βάση τη συχνότητα των δεδομένων, ενώ σημεία με υψηλή σημασία αλλά χαμηλή πυκνότητα την ορίζουν με βάση σειρά προτεραιότητας. Στη συνέχεια, προσδιορίζεται η χωρική ομοιότητα για την αναγνώριση των λειτουργιών κτιρίων που δεν περιέχουν δεδομένα σημείων ενδιαφέροντος εντός τους. Τέλος, υπολογίζονται και κανονικοποιούνται οι πυκνότητες kernel προκειμένου να βελτιωθεί το ποσοστό αναγνώρισης της χρήσης κτιρίων. <br /> Παρατηρείται ότι κτίρια με παρόμοια λειτουργία εμφανίζουν παρόμοια χαρακτηριστικά στη γεωμετρία και την υφή τους, τα οποία μπορούν να αξιοποιηθούν για την αναγνώριση της κτιριακής λειτουργίας όταν υπάρχουν αναγνωρισμένα κτίρια με παρόμοια χωρικά μοτίβα. Συγκεκριμένα, για κάθε κτίριο επιλέγονται και υπολογίζονται οκτώ κλασσικά γεωμετρικά χαρακτηριστικά, όπως η έκταση, η περίμετρος, η συμπαγότητα, ο αριθμός των κόμβων, ο δείκτης ακτίνας σχήματος, η κανονικότητα, η αναλογία της απεικόνισης και ο προσανατολισμός. Ταυτόχρονα, με την υφή υπολογίζεται η χωρική κατανομή των τόνων των εικονοστοιχείων σε μια τηλεπισκοπική εικόνα, το οποίο χρησιμοποιείται στην αναγνώριση αντικειμένων και την κατάτμηση της εικόνας. Μεταξύ των διαφόρων χαρακτηριστικών υφής, τα σημαντικότερα οκτώ που επιλέχθηκαν είναι η μέση τιμή, η διακύμανση, η ομοιογένεια, η αντίθεση, η ανομοιομορφία, η εντροπία και η συσχέτιση. Η χωρική ομοιότητα ανάμεσα στα μη αναγνωρισμένα κτίρια και τα τριγύρω αναγνωρισμένα κτίρια υπολογίζεται από την ομοιότητα του συνημίτονου. Όσο μεγαλύτερη η τιμή του συνημίτονου, τόσο μεγαλύτερη η χωρική συσχέτιση. Η λειτουργία των αναγνωρισμένων κτιρίων εκχωρείται στα περισσότερο όμοια μη αναγνωρισμένα.<br /> <br /> <br /> '''3. Περιοχή μελέτης και επεξεργασία δεδομένων'''<br /> <br /> Για κτίρια που δεν ταξινομούνται με βάση τη χωρική ομοιότητα εφαρμόζεται η μέθοδος της πυκνότητας Kernel για τα δεδομένα των σημείων ενδιαφέροντος. Τα σημεία ενδιαφέροντος μετατρέπονται σε μια συνεχή επιφάνεια πυκνότητας αναπαριστώντας την κατανομή των χαρακτηριστικών με τη μέθοδο KDE. Υπολογίζεται η πυκνότητα της συνεισφοράς κάθε σημείου δείγματος στο προκαθορισμένο εύρος στο κεντρικό σημείο κάθε καννάβου μέσω της λειτουργίας του kernel και τελικά δημιουργείται μια ομαλή επιφάνεια. Οι μέσες τιμές KDE εντός της γεωμετρίας του κτιρίου υπολογίζονται ως οι πυκνότητες kernel κάθε κτιρίου και τα αναγνωρισμένα κτίρια βασισμένα σε σημεία ενδιαφέροντος και χωρικές ομοιότητες επιλέγονται ως δείγματα εκπαίδευσης. Μεταξύ των τιμών διαφορετικών κατηγοριών, η κατηγορία με τη μικρότερη τιμή καταχωρείται στα μη αναγνωρισμένα κτίρια.<br /> Τα δεδομένα που χρησιμοποιήθηκαν προήλθαν από τρεις διαφορετικές βάσεις δεδομένων, εικόνες google earth, δεδομένα σημείων ενδιαφέροντος και γεωμετρικά αποτυπώματα κτιρίων. Οι εικόνες google earth έχουν ληφθεί τον Μάρτιο 2019 και έχουν κόκκινο, πράσινο και μπλε κανάλι με χωρική ανάλυση στα 1.2m. Τα γεωμετρικά αποτυπώματα των κτιρίων είναι σε μορφή shapefile από την Εθνική Πλατφόρμα για Κοινές Υπηρεσίες Γεωχωρικής Πληροφορίας. Τα δεδομένα των σημείων ενδιαφέροντος δεν περιέχουν μόνο χωρική τοποθεσία αλλά επίσης περιγραφικές πληροφορίες, όπως η διεύθυνση και ο τύπος που συμβάλλουν στην αναγνώριση της λειτουργίας των αστικών κτιρίων. Συλλέχθηκαν 120.589 σημεία μέσω του Amap, το οποίο φέρει υψηλή ακρίβεια, ευρεία κάλυψη και συχνές ενημερώσεις. Τα σημεία ενδιαφέροντος ταξινομούνται σε επτά κύριες κατηγορίες: Κατοικία (R), Διοίκηση και Δημόσιες Υπηρεσίες (A), Εμπορικές και Επιχειρηματικές εγκαταστάσεις (B), Δημοτικές Υπηρεσίες (U), Logistics και Αποθήκες (W), Δρόμοι, Οδοί και Μετακινήσεις (S), Βιομηχανία, Κατασκευές (M). Τα σημεία ενδιαφέροντος χωρίζονται σε δύο κατηγορίες, η πρώτη έχει χαμηλή σημαντικότητα αλλά υψηλή πυκνότητα (B, W) και η δεύτερη έχει υψηλή σημαντικότητα αλλά χαμηλή πυκνότητα (R, A, S, T, M). Ανάλογα τον τύπο καθορίζεται και ο τρόπος που αποφασίζεται η χρήση ενός κτιρίου. <br /> <br /> <br /> '''4. Αποτελέσματα'''<br /> <br /> Προκύπτει ότι μόνο το 35.15% των σημείων ενδιαφέροντος ήταν εντός των κτιρίων ή σε απόσταση 5 μέτρων και το 27.98% των κτιρίων ήταν αναγνωρισμένα. Η χωρική ετερογένεια των σημείων ενδιαφέροντος οδηγεί σε μη ισορροπημένο ρυθμό αναγνώρισης σε διαφορετικές περιοχές της πόλης. <br /> Στην περιοχή μελέτης υπολογίστηκαν για 77545 κτίρια, οκτώ χαρακτηριστικά υφής και 8 γεωμετρικά χαρακτηριστικά. Αν και η ανάλυση της υφής έγινε για το κόκκινο, το πράσινο και το μπλε κανάλι, χρησιμοποιήθηκαν μόνο αυτά του κόκκινου καναλιού. <br /> Με δεδομένο ότι τα κοντινά κτίρια με παρόμοια φασματικά χαρακτηριστικά έχουν παρόμοια χρήση, η χωρική ομοιότητα συμβάλλει για να αποδώσει χρήση στο 33.67% των κτιρίων από διαφορετικές κατηγορίες. Με τη μέθοδο που βασίζεται σε σημεία ενδιαφέροντος δεν παρέχονται σαφή παραδείγματα για να προσδίδεται χρήση σε κοντινά κτίρια πάντα.<br /> Για πλήρη χρήση των σημείων ενδιαφέροντος γίνεται χρήση της πυκνότητας kernel των σημείων ενδιαφέροντος διαφορετικών κατηγοριών, ενώ η συσχέτιση επιτυγχάνεται περισσότερο για επιχειρηματικές εγκαταστάσεις σε σχέση με κατοικίες.<br /> Το 27.98% των κτιρίων αναγνωρίστηκε απευθείας από τα δεδομένα σημείων ενδιαφέροντος, το 33.64% των κατοικιών και το 38.38% επιχειρηματικών κτιρίων εντοπίστηκε με συνδυασμό χωρικής ομοιότητας και της μεθόδου Kernel Density Estimation.<br /> <br /> <br /> '''5. Συζήτηση &amp; Συμπεράσματα'''<br /> <br /> Γίνεται διαχωρισμός των κτιρίων που αναγνωρίστηκαν με βάση τα δεδομένα των σημείων ενδιαφέροντος που χρησιμοποιήθηκαν ως δείγματα εκπαίδευσης προκειμένου να ελεγχθεί η απόδοση και η ακρίβεια της μεθόδου συνδυασμού χωρικής ομοιότητας και Kernel Density Estimation. Συνήθης είναι η σύγχυση μεταξύ λιανικού εμπορίου και εργοστασίων. <br /> Το ποσοστό ακρίβειας για τη μέθοδο Kernel Density Estimation είναι χαμηλότερο απ’ ότι με χωρική ομοιότητα για τις κατηγορίες κατοικίας και εμπορίου/επιχειρήσεων και αυξάνεται με αναγνώριση που βασίζεται στον συνδυασμό των μεθόδων. Ωστόσο, Η μέση χωρική ομοιότητα κτιρίων ίδιας κατηγορίας είναι σημαντικά υψηλότερη από αυτή διαφορετικών κατηγοριών. <br /> Η επιλογή ακατάλληλου εύρους ζώνης επηρεάζει σημαντικά την ακρίβεια του KDE, αν και η συγκεκριμένη παράμετρος συνήθως επιλέγεται με προσωπικά κριτήρια χωρίς συγκεκριμένη επαλήθευση. Πιθανόν λόγω μέσου μεγέθους των οικοδομικών τετραγώνων στην περιοχή μελέτης στα 200 μέτρα, η ακρίβεια υπολογισμού τείνει να αυξάνεται σε εύρος ζώνης μεταξύ 100 και 200 μέτρων και μετά τα 200 να μειώνεται. <br /> Η αναγνώριση της χρήσης γης δίνει νέες προοπτικές στον αστικό σχεδιασμό, τη μελέτη του περιβάλλοντος και τη διαχείριση έκτακτων αναγκών. Γι’ αυτό προτείνεται ένα σταδιακό πλαίσιο αναγνώρισης για χρήσεις αστικών κτιρίων, με ένωση χωρικών ομοιοτήτων των κτιρίων και τον υπολογισμό πυκνότητας kernel των σημείων ενδιαφέροντος.<br /> Συγκεκριμένα προτείνεται η χρήση χωρικών ομοιοτήτων με βάση τις εικόνες Google Earth και τη γεωμετρία των κτιρίων και ο υπολογισμός πυκνότητας kernel με βάση τα δεδομένα των σημείων ενδιαφέροντος. Τα αποτελέσματα της αναγνώρισης εξαρτώνται σημαντικά από το εύρος ζώνης της μεθόδου KDE, όπου στην περίπτωση μελέτης αυτό ήταν τα 200m. Οι διαφορετικές λειτουργίες κτιρίων φέρουν και διαφορετικές χωρικές συσχετίσεις και συνενώσεις. <br /> Σημαντικό επίσης είναι η βελτίωση της προτεινόμενης μεθόδου με ενσωμάτωση πολλαπλών UGC και τηλεπισκοπικών πηγών δεδομένων, όπως δεδομένα διαδρομών ταξί από GPS, δεδομένα μέσων κοινωνικής δικτύωσης, τηλεπισκόπηση νυχτερινής φωταγώγησης, προκειμένου να εμπλουτιστεί περαιτέρω η σημασιολογική πληροφορία όσον αφορά τις χρήσεις των αστικών κτιρίων, καθώς επίσης να ενισχυθεί το εύρος εφαρμογής του προτεινόμενου πλαισίου αναγνώρισης σε επιπλέον διαφορετικές πόλεις ανά τον κόσμο.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CE%AF_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CF%8C%CF%81%CE%BF%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%9A%CE%AF%CE%BD%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%BF%CF%85%CF%82 2022-03-23T21:21:12Z

<p>Siachospan: </p> <hr /> <div> [[category:Διαστημική Τηλεπισκόπηση]]<br /> <br /> '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους<br /> <br /> China’s high-resolution optical remote sensing satellites and their mapping applications'''<br /> <br /> Li, Deren, Mi Wang and Jie Jiang. Geo-spatial Information Science 24 (2021): 85 - 94.<br /> <br /> Πηγή: [https://www.tandfonline.com/doi/full/10.1080/10095020.2020.1838957]<br /> <br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ2.3.jpeg‎|thumb|right|'''Εικόνα 1''': Ρεαλιστική απεικόνιση του δορυφόρου GF-1]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.1.JPG‎|thumb|right|'''Εικόνα 2''': Αποτελέσματα χαρτογράφησης ψηλών βουνών από την Κίνα. α) Χαρτογραφικό αποτέλεσμα υψηλής ακρίβειας. β) Χαρτογραφικό αποτέλεσμα της περιοχής Nanga Parbat]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.2.JPG‎|thumb|right|'''Εικόνα 3''': Λειτουργία στερεοεικόνας SAC]]<br /> <br /> '''1. Εισαγωγή – Ιστορία και εξέλιξη της δορυφορικής τηλεπισκόπησης'''<br /> <br /> 1.1. Η δορυφορική τηλεπισκόπηση σε παγκόσμιο επίπεδο<br /> <br /> Η πρώην Σοβιετική Ένωση ήταν εκείνη που άνοιξε τον δρόμο για τη διαστημική παρατήρηση της γης, παρουσιάζοντας τον πρώτο τεχνητό δορυφόρο το 1957. Ακολούθησαν οι Ηνωμένες Πολιτείες το 1972 με την εκτόξευση του πρώτου τους δορυφόρου παρατήρησης εδάφους, τον Landsat-1. Έπειτα από 14 χρόνια, το 1986, η Γαλλία παρουσίασε τον δορυφόρο SPOT-1, ενώ από το 1994 με την οδηγία PDD-23 των ΗΠΑ επιτρέπεται η εξαγωγή τηλεπισκοπικών δεδομένων υψηλής ανάλυσης, με την οποία προωθείται και η ανάπτυξη των αντίστοιχων δορυφόρων. Το 1999 παρουσιάζεται στις ΗΠΑ ο πρώτος υψηλής ανάλυσης εμπορικός δορυφόρος με χωρική ανάλυση 1m με σημαντικά στρατιωτικά και οικονομικά οφέλη από τη χρήση του.<br /> <br /> 1.2. Η δορυφορική τηλεπισκόπηση στην Κίνα<br /> <br /> Όπως αρκετές χώρες, έτσι και η Κίνα από τις αρχές του 21ου αιώνα παρουσιαζεί σημαντική πρόοδο στην εξέλιξη της δορυφορικής τηλεπισκόπησης. Αναπτύσσει συνεχώς καινοτομίες στην πρόοδο των τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης και αξιοποιεί την ανάπτυξη των τηλεπισκοπικών δορυφορών υψηλής ανάλυσης, για τον εμπλουτισμό των σύγχρονων χαρτογραφικών μεθόδων και τεχνολογιών.<br /> Ένα Υψηλής Ανάλυσης Σύστημα Παρατήρησης της Γης (HREOS), αποτελεί σημαντικό επιστημονικό και τεχνολογικό έργο για την Κίνα. Το GaoFenproject όπως ονομάστηκε, παρουσιάστηκε το 2010 με σκοπό τη δημιουργία ενός ανεξάρτητου και αναβαθμισμένου HREOS. Το 2020 αποτελεί τον τελευταίο χρόνο του GaoFenproject, ενώ μέσα σε αυτή τη δεκαετία η Κίνα έχει αναπτύξει, παρουσιάσει και λειτουργήσει πολλαπλούς υψηλής ανάλυσης δορυφόρους. Έχει καταφέρει να μικρύνει το τεχνολογικό κενό με άλλες χώρες, φτάνοντας ακόμα και το επίπεδο ηγετικών δορυφόρων που παρουσιάστηκαν από αυτές. Έτσι, το HREOSτης Κίνας με τους δορυφόρους του GaoFenProject αλλά και άλλους εγχώριους δορυφόρους, σχεδιάστηκε για να βελτιωθεί το ποσοστό επάρκειας των ανεξάρτητων υψηλής ανάλυσης τηλεπισκοπικών δεδομένων, καθώς επίσης την επικαιρότητα απόκτησης δεδομένων. <br /> <br /> <br /> '''2. Εξέλιξη τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Η Κίνα ξεκίνησε την ανάπτυξη υψηλής ανάλυσης τηλεπισκοπικών δορυφόρων από το 2007 με τον CBERS-02Bμε κάμερα υψηλής ανάλυσης 2.36m, ο οποίος αντικαταστάθηκε το 2011 από τον δορυφόρο ZY-1 02C με αντίστοιχες ικανότητες.<br /> Το 2012 εκτοξεύτηκε ο δορυφόρος ZY-3 με TLC (Three-LineArrayCamera) που πετυχαίνει τριών όψεων στερεοαπεικόνιση με ανάλυση 2.1m στο ναδίρ και 3.5m στις εμπρός και πίσω όψεις. Οι στερεοεικόνες απ’ τον ZY-3 χρησιμοποιούνται για την παραγωγή τοπογραφικών χαρτών κλίμακας 1:50.000. Αντικαταστάθηκε το 2016 από τον πιο εξελιγμένο ZY-3 02 με βελτιωμένη χωρική ανάλυση εμπρός και πίσω όψεων στα 2.5m.<br /> Το 2013 ο GF-1 ήταν ο πρώτος δορυφόρος του GaoFenProject και έφερε υψηλή ανάλυση 2m και πλάτος λήψης 800km. Το 2014 εκτοξέυτηκε ο GF-2 με χωρική ανάλυση καλύτερη του 1m. Τα επόμενα χρόνια εκτοξεύτηκαν επιτυχώς ο γεωστατικός δορυφόρος GF-4 με υψηλή ανάλυση και μέγιστο ρυθμό δεδομένων τριών εικονολήψεων το λεπτό, ο υπερφασματικός GF-5 με ενσωματωμένη δυνατότητα παρατήρησης γης και ατμόσφαιρας, ο GF-6 για παρατήρηση καλλιεργειών ακριβείας και ο GF-7 για στερεογραφική χαρτογράφηση με ανάλυση κάτω του ενός μέτρου.<br /> Το 2018 δημιουργήθηκε ο πρώτος σχηματισμός δορυφόρων υψηλής ανάλυσης της Κίνας, από τους δορυφόρους GF-1 02/03/04, οι οποίοι επιτυγχάνουν ικανότητα απεικόνισης 15 ημερών παγκόσμιας κάλυψης και 2 ημερών επανακάλυψη ανά σημείο. Σε συνεργασία με τον GF-1 του 2013, αυτά τα νούμερα γίνονται 11 και 1 ημέρα αντίστοιχα.<br /> <br /> <br /> '''3. Εξέλιξη εμπορικών τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Το 2015 εκτοξεύτηκε ένας σχηματισμός τριών δορυφόρων με χωρική ανάλυση 1m παγχρωματικής και 4m πολυφασματικής απεικόνισης, ο οποίος επιτυγχάνει 1 ημέρα επανακάλυψη περιοχής. Επιπλέον, εκτοξέυτηκαν τέσσερεις από τους δορυφόρους της σειράς Jilin-1, τον πρώτο πραγματικά ανεξάρτητο εμπορικό δορυφόρο τηλεπισκόπησης της Κίνας. Οι τέσσερεις δορυφόροι είναι ο GXA με 0.72m παγχρωματική και 2.88m πολυφασματική ικανότητα απεικόνισης, δύο δορυφόροι βιντεοσκόπησης SP01 και SP02 με χωρική ανάλυση 1.12m και ο έξυπνος επαληθευτικός δορυφόρος LQ με ανάλυση 5m. Επιπλέον, χρησιμοποιούνται έξι δορυφόροι βίντεο, δύο πολυφασματικοί δορυφόροι 26 καναλιών, τρεις παγχρωματικοί και πολυφασματικοί οπτικοί δορυφόροι και ένας ευρέος πλάτους λωρίδας δορυφόρος. Ένας σχηματισμός 16 δορυφόρων είναι σε τροχιά και λειτουργεί σε ένα δίκτυο το οποίο περνάει κάθε σημείο στον κόσμο 5-7 φορές την ημέρα.<br /> Με έναν πύραυλο το 2016 εκτοξεύθηκαν οι δορυφόροι SuperView-1 01 και 02, ενώ οι 03 και 04 το 2018. Και οι τέσσερις δορυφόροι της σειράς με κοινές παραμέτρους σχεδίασης, λειτουργούν στο ίδιο τροχιακό δίκτυο με ανάλυση 0.5m και μπορούν να πραγματοποιούν λήψη από οποιονδήποτε στόχο κάθε μέρα. Από το 2017, εκτοξέυτηκε και ο σχηματισμός Zhuhai-1 για τον οποίο σχεδιάζεται η εκτόξευση 34 δορυφόρων.<br /> <br /> <br /> '''4. Εξέλιξη χαρτογράφησης από υψηλής ανάλυσης οπτικούς δορυφόρους και εφαρμογές'''<br /> <br /> Η χαρτογράφηση από υψηλής ανάλυσης δορυφόρους αποτελεί ένα επιτυχημένο μέσο για την απόκτηση της απαραίτητης γεωγραφικής πληροφορίας, όπου αξιοποιώντας τις αρχές της φωτογραμμετρίας, ένας υψηλής ανάλυσης δορυφόρος ολοκληρώνει την καταγραφή των υψομέτρων αξιοποιώντας στερεοζεύγη εικόνων ίδιας ή διαφορετικής τροχιάς με διαφορετικές οπτικές γωνίες της ίδιας περιοχής.<br /> <br /> 4.1. Δορυφόρος ZY-3<br /> <br /> Ο δορυφόρος ZY-3 είναι πρώτης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας. Για τη λειτουργία στερεοεικόνων του TLC, ο αισθητήρας τους ναδίρ είναι κάθετος στο σημείο με χωρική ανάλυση 2.5m, ο εμπρός αισθητήρας έχει κλίση +22ο και ο οπίσθιος αισθητήρας έχει κλίση κατά -22ο με χωρική ανάλυση και για τους δύο στα 3.5m. Κατά μήκος της κατεύθυνσης της πτήσης παράγονται συνεχώς τρεις επικαλυπτόμενες εικόνες λωρίδας πλάτους 52km. Οι συντεταγμένες των αντικειμένων των εικόνων υπολογίζονται μέσα από τις αυστηρές χωρικές σχέσεις μεταξύ αντικειμένου και εικόνας, επιτρέποντας έτσι το σχεδιασμό ενός τοπογραφικού χάρτη.<br /> Με χρήση των εικόνων ναδίρ παράγονται ορθοφωτογραφίες υψηλής ανάλυσης και με τα στερεοζεύγη τέτοιων εικόνων υπολογίζεται το υψόμετρο. Ο ZY-3 εξοπλίζεται επίσης με έναν πολυφασματικό αισθητήρα ανάλυσης 6.8m που περιλαμβάνει μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο φασματικό κανάλι. Η ακρίβεια της ερμηνείας των αντικειμένων στο έδαφος βελτιώνεται με την ένωση των πολυφασματικών με τις παγχρωματικές υψηλής ανάλυσης εικόνες.<br /> Από το 2012 και την εκτόξευσή του, ο ZY-3 έχει χρησιμοποιηθεί σε πολλές χαρτογραφικές εφαρμογές, όπως την δυναμική αναβάθμιση της βασικής εθνικής γεωχωρικής βάσης δεδομένων κλίμακας 1:50.000, την πρώτη εθνική γεωγραφική καταγραφή και την παραγωγή μοντέλου εδάφους 1:25000 στις δυτικές περιοχές.<br /> Η ακρίβεια του δορυφόρου ZY-3 ελέγχθηκε με τη χρήση 1090 σημείων ελέγχου που μετρήθηκαν στο πεδίο με μεθόδους υψηλής ακρίβειας, ενώ όσον αφορά τα υψόμετρα η ακρίβεια υπολογισμού τους εμφανίζει περιθώριο βελτίωσης της τάξης των 3m με χρήση LAD (LaserAltimeterData).<br /> Το Πανεπιστημίο της Γουχάν και άλλα ερευνητικά κέντρα έχουν μελετήσει τεχνολογίες χαρτογράφησης μεγάλης κλίμακας υψηλής ακρίβειας και λογισμικά που δεν απαιτούν τη χρήση σημείων ελέγχου, παρουσιάζοντας εφαρμογές που χρησιμοποιούν χιλιάδες εικόνες TCL από τον δορυφόρο ZY-3. Αντίστοιχα, στο Πανεπιστήμιο του Πεκίνου διεξήχθη έρευνα παγκόσμιας συνεργασίας στη χαρτογράφηση ψηλών βουνών, σε συνεργασία με το Πανεπιστήμιο του Ανόβερο, την Ευρωπαϊκή Ακαδημία Επιστημών και Τεχνών στο Σάλτζμπουργκ και το Ινστιτούτο Έρευνας Περιβαλλοντικών Συστημάτων.<br /> Βασιζόμενη στην τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο της Γουχάν, η Κίνα έχει ολοκληρώσει την χαρτογράφηση των ψηλών βουνών της περιοχής NangaParbat στο δυτικότερο τμήμα των Ιμαλαΐων, κάνοντας χρήση εικόνων του δορυφόρου ZY-3. <br /> Δορυφόρος GF-7<br /> Ο δορυφόρος GF-7 είναι δεύτερης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας, με κύριο στόχο χαρτογράφηση κλίμακας 1:10.000 στην Κίνα. Εξοπλίζεται με DLC ανάλυσης κάτω του ενός μέτρου, καθώς ο εμπρόσθιος αισθητήρας έχει κλίση +26ο για τη λήψη παγχρωματικών εικόνων ανάλυσης 0,8m και ο οπίσθιος αισθητήρας με κλίση -5ο πραγματοποιεί λήψεις παγχρωματικών εικόνων με ανάλυση 0,65m και πολυφασματικών εικόνων με ανάλυση 2,6m. <br /> Επιπλέον, λόγω μειωμένου αριθμού σημείων ελέγχου σε πολλές περιοχές και την ανάγκη κλίμακας 1:10.000, ο GF-7 εξοπλίζεται με διπλής δέσμης laser υψομέτρου που μπορεί να υπολογίζει το υψόμετρο με ακρίβεια καλύτερη του 1m. Με αυτόν τον τρόπο φαίνεται ότι οι επιδόσεις του GF-7 μπορεί να ικανοποιήσουν την χαρτογράφησης κλίμακας 1:10.000. <br /> <br /> 4.2. Χρήση ελιγμών δορυφόρων για υπό γωνία λήψεις<br /> <br /> Αντίθετα από δορυφόρους όπως οι ZY-3 και GF-7, οι υψηλής ανάλυσης δορυφόροι με μία κάμερα εξοπλίζονται με SLC ή SAC και χρησιμοποιούν κυρίως διαφορετικούς ελιγμούς προκειμένου να επιτύχουν παρατήρηση πολλαπλής προβολής του ίδιου αντικειμένου ή περιοχής με προσαρμογή της θέσης τους. Τέτοιοι δορυφόροι απαιτούν υψηλής ακρίβειας έλεγχο της θέσης τους και υπολογισμού της τροχιάς τους. Επιπλέον, παρότι έχουν ικανότητα ανάλυσης λιγότερο του 1m, παρουσιάζουν αδυναμίες στον έλεγχο της γεωμετρίας των εικόνων σε σχέση με τις στατικές μεθόδους χαρτογράφησης TLC και DLC, απαιτώντας σημαντικό έλεγχο εδάφους για χαρτογραφήσεις μεγάλης κλίμακας. Επιπλέον, το πλάτος των εικόνων SLC και SAC περιορίζεται λόγω της ανάλυσης κάτω του ενός μέτρου, όπως το πλάτος του SuperView-1 με χωρική ανάλυση 0.5m που είναι 12km.<br /> <br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Η ανάπτυξη των δορυφόρων υψηλής ανάλυσης της Κίνας παρουσιάζει σημαντική πρόοδο με την απόδοση των απλών μονών δορύφορων να αυξάνεται, τα δίκτυα πολλαπλών δορύφορων να αναδεικνύονται ως τάση και η εμπορευματοποίηση δορυφόρων να αναπτύσσεται σταθερά και το σύστημα δορυφορικής τηλεπισκόπησης να γίνεται όλο και πιο άφθονο και πλήρες.<br /> Παρ’ όλα αυτά, ο στόχος της παγκόσμιας κάλυψης και χαρτογραφικής ενημέρωσης παραμένει δύσκολος, καθώς ένα σύστημα χαρτογράφησης χωρίς την ανάγκη επίγειου ελέγχου χρειάζεται περαιτέρω ανάπτυξη και νέες τεχνολογίες όπως δορυφόρους radar και laser υψομέτρων. Απαιτείται δηλαδή μια περαιτέρω βελτίωση του συστήματος δορυφορικής τηλεπισκοπικής παρατήρησης υψηλής ανάλυσης, προκειμένου να εξυπηρετεί με βέλτιστο τρόπο τις εφαρμογές χαρτογράφησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CE%AF_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CF%8C%CF%81%CE%BF%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%9A%CE%AF%CE%BD%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%BF%CF%85%CF%82 2022-03-23T21:20:04Z

<p>Siachospan: </p> <hr /> <div> [[category:Διαστημική Τηλεπισκόπηση]]<br /> <br /> '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους<br /> <br /> China’s high-resolution optical remote sensing satellites and their mapping applications'''<br /> <br /> Li, Deren, Mi Wang and Jie Jiang. Geo-spatial Information Science 24 (2021): 85 - 94.<br /> <br /> Πηγή: [https://www.tandfonline.com/doi/full/10.1080/10095020.2020.1838957]<br /> <br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ2.3.jpeg‎|thumb|right|'''Εικόνα 1''': Ρεαλιστική απεικόνιση του δορυφόρου GF-1]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.1.JPG‎|thumb|right|'''Εικόνα 2''': Αποτελέσματα χαρτογράφησης ψηλών βουνών από την Κίνα. α) Χαρτογραφικό αποτέλεσμα υψηλής ακρίβειας. β) Χαρτογραφικό αποτέλεσμα της περιοχής Nanga Parbat]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.2.JPG‎|thumb|right|'''Εικόνα 3''': Λειτουργία στερεοεικόνας SAC]]<br /> <br /> '''1. Εισαγωγή – Ιστορία και εξέλιξη της δορυφορικής τηλεπισκόπησης'''<br /> <br /> 1.1. Η δορυφορική τηλεπισκόπηση σε παγκόσμιο επίπεδο<br /> <br /> Η πρώην Σοβιετική Ένωση ήταν εκείνη που άνοιξε τον δρόμο για τη διαστημική παρατήρηση της γης, παρουσιάζοντας τον πρώτο τεχνητό δορυφόρο το 1957. Ακολούθησαν οι Ηνωμένες Πολιτείες το 1972 με την εκτόξευση του πρώτου τους δορυφόρου παρατήρησης εδάφους, τον Landsat-1. Έπειτα από 14 χρόνια, το 1986, η Γαλλία παρουσίασε τον δορυφόρο SPOT-1, ενώ από το 1994 με την οδηγία PDD-23 των ΗΠΑ επιτρέπεται η εξαγωγή τηλεπισκοπικών δεδομένων υψηλής ανάλυσης, με την οποία προωθείται και η ανάπτυξη των αντίστοιχων δορυφόρων. Το 1999 παρουσιάζεται στις ΗΠΑ ο πρώτος υψηλής ανάλυσης εμπορικός δορυφόρος με χωρική ανάλυση 1m με σημαντικά στρατιωτικά και οικονομικά οφέλη από τη χρήση του.<br /> <br /> 1.2. Η δορυφορική τηλεπισκόπηση στην Κίνα<br /> <br /> Όπως αρκετές χώρες, έτσι και η Κίνα από τις αρχές του 21ου αιώνα παρουσιαζεί σημαντική πρόοδο στην εξέλιξη της δορυφορικής τηλεπισκόπησης. Αναπτύσσει συνεχώς καινοτομίες στην πρόοδο των τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης και αξιοποιεί την ανάπτυξη των τηλεπισκοπικών δορυφορών υψηλής ανάλυσης, για τον εμπλουτισμό των σύγχρονων χαρτογραφικών μεθόδων και τεχνολογιών.<br /> Ένα Υψηλής Ανάλυσης Σύστημα Παρατήρησης της Γης (HREOS), αποτελεί σημαντικό επιστημονικό και τεχνολογικό έργο για την Κίνα. Το GaoFenproject όπως ονομάστηκε, παρουσιάστηκε το 2010 με σκοπό τη δημιουργία ενός ανεξάρτητου και αναβαθμισμένου HREOS. Το 2020 αποτελεί τον τελευταίο χρόνο του GaoFenproject, ενώ μέσα σε αυτή τη δεκαετία η Κίνα έχει αναπτύξει, παρουσιάσει και λειτουργήσει πολλαπλούς υψηλής ανάλυσης δορυφόρους. Έχει καταφέρει να μικρύνει το τεχνολογικό κενό με άλλες χώρες, φτάνοντας ακόμα και το επίπεδο ηγετικών δορυφόρων που παρουσιάστηκαν από αυτές. Έτσι, το HREOSτης Κίνας με τους δορυφόρους του GaoFenProject αλλά και άλλους εγχώριους δορυφόρους, σχεδιάστηκε για να βελτιωθεί το ποσοστό επάρκειας των ανεξάρτητων υψηλής ανάλυσης τηλεπισκοπικών δεδομένων, καθώς επίσης την επικαιρότητα απόκτησης δεδομένων. <br /> <br /> <br /> '''2. Εξέλιξη τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Η Κίνα ξεκίνησε την ανάπτυξη υψηλής ανάλυσης τηλεπισκοπικών δορυφόρων από το 2007 με τον CBERS-02Bμε κάμερα υψηλής ανάλυσης 2.36m, ο οποίος αντικαταστάθηκε το 2011 από τον δορυφόρο ZY-1 02C με αντίστοιχες ικανότητες.<br /> Το 2012 εκτοξεύτηκε ο δορυφόρος ZY-3 με TLC (Three-LineArrayCamera) που πετυχαίνει τριών όψεων στερεοαπεικόνιση με ανάλυση 2.1m στο ναδίρ και 3.5m στις εμπρός και πίσω όψεις. Οι στερεοεικόνες απ’ τον ZY-3 χρησιμοποιούνται για την παραγωγή τοπογραφικών χαρτών κλίμακας 1:50.000. Αντικαταστάθηκε το 2016 από τον πιο εξελιγμένο ZY-3 02 με βελτιωμένη χωρική ανάλυση εμπρός και πίσω όψεων στα 2.5m.<br /> Το 2013 ο GF-1 ήταν ο πρώτος δορυφόρος του GaoFenProject και έφερε υψηλή ανάλυση 2m και πλάτος λήψης 800km. Το 2014 εκτοξέυτηκε ο GF-2 με χωρική ανάλυση καλύτερη του 1m. Τα επόμενα χρόνια εκτοξεύτηκαν επιτυχώς ο γεωστατικός δορυφόρος GF-4 με υψηλή ανάλυση και μέγιστο ρυθμό δεδομένων τριών εικονολήψεων το λεπτό, ο υπερφασματικός GF-5 με ενσωματωμένη δυνατότητα παρατήρησης γης και ατμόσφαιρας, ο GF-6 για παρατήρηση καλλιεργειών ακριβείας και ο GF-7 για στερεογραφική χαρτογράφηση με ανάλυση κάτω του ενός μέτρου.<br /> Το 2018 δημιουργήθηκε ο πρώτος σχηματισμός δορυφόρων υψηλής ανάλυσης της Κίνας, από τους δορυφόρους GF-1 02/03/04, οι οποίοι επιτυγχάνουν ικανότητα απεικόνισης 15 ημερών παγκόσμιας κάλυψης και 2 ημερών επανακάλυψη ανά σημείο. Σε συνεργασία με τον GF-1 του 2013, αυτά τα νούμερα γίνονται 11 και 1 ημέρα αντίστοιχα.<br /> <br /> <br /> '''3. Εξέλιξη εμπορικών τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Το 2015 εκτοξεύτηκε ένας σχηματισμός τριών δορυφόρων με χωρική ανάλυση 1m παγχρωματικής και 4m πολυφασματικής απεικόνισης, ο οποίος επιτυγχάνει 1 ημέρα επανακάλυψη περιοχής. Επιπλέον, εκτοξέυτηκαν τέσσερεις από τους δορυφόρους της σειράς Jilin-1, τον πρώτο πραγματικά ανεξάρτητο εμπορικό δορυφόρο τηλεπισκόπησης της Κίνας. Οι τέσσερεις δορυφόροι είναι ο GXA με 0.72m παγχρωματική και 2.88m πολυφασματική ικανότητα απεικόνισης, δύο δορυφόροι βιντεοσκόπησης SP01 και SP02 με χωρική ανάλυση 1.12m και ο έξυπνος επαληθευτικός δορυφόρος LQ με ανάλυση 5m. Επιπλέον, χρησιμοποιούνται έξι δορυφόροι βίντεο, δύο πολυφασματικοί δορυφόροι 26 καναλιών, τρεις παγχρωματικοί και πολυφασματικοί οπτικοί δορυφόροι και ένας ευρέος πλάτους λωρίδας δορυφόρος. Ένας σχηματισμός 16 δορυφόρων είναι σε τροχιά και λειτουργεί σε ένα δίκτυο το οποίο περνάει κάθε σημείο στον κόσμο 5-7 φορές την ημέρα.<br /> Με έναν πύραυλο το 2016 εκτοξεύθηκαν οι δορυφόροι SuperView-1 01 και 02, ενώ οι 03 και 04 το 2018. Και οι τέσσερις δορυφόροι της σειράς με κοινές παραμέτρους σχεδίασης, λειτουργούν στο ίδιο τροχιακό δίκτυο με ανάλυση 0.5m και μπορούν να πραγματοποιούν λήψη από οποιονδήποτε στόχο κάθε μέρα. Από το 2017, εκτοξέυτηκε και ο σχηματισμός Zhuhai-1 για τον οποίο σχεδιάζεται η εκτόξευση 34 δορυφόρων.<br /> <br /> <br /> '''4. Εξέλιξη χαρτογράφησης από υψηλής ανάλυσης οπτικούς δορυφόρους και εφαρμογές'''<br /> <br /> Η χαρτογράφηση από υψηλής ανάλυσης δορυφόρους αποτελεί ένα επιτυχημένο μέσο για την απόκτηση της απαραίτητης γεωγραφικής πληροφορίας, όπου αξιοποιώντας τις αρχές της φωτογραμμετρίας, ένας υψηλής ανάλυσης δορυφόρος ολοκληρώνει την καταγραφή των υψομέτρων αξιοποιώντας στερεοζεύγη εικόνων ίδιας ή διαφορετικής τροχιάς με διαφορετικές οπτικές γωνίες της ίδιας περιοχής.<br /> <br /> 4.1. Δορυφόρος ZY-3<br /> Ο δορυφόρος ZY-3 είναι πρώτης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας. Για τη λειτουργία στερεοεικόνων του TLC, ο αισθητήρας τους ναδίρ είναι κάθετος στο σημείο με χωρική ανάλυση 2.5m, ο εμπρός αισθητήρας έχει κλίση +22ο και ο οπίσθιος αισθητήρας έχει κλίση κατά -22ο με χωρική ανάλυση και για τους δύο στα 3.5m. Κατά μήκος της κατεύθυνσης της πτήσης παράγονται συνεχώς τρεις επικαλυπτόμενες εικόνες λωρίδας πλάτους 52km. Οι συντεταγμένες των αντικειμένων των εικόνων υπολογίζονται μέσα από τις αυστηρές χωρικές σχέσεις μεταξύ αντικειμένου και εικόνας, επιτρέποντας έτσι το σχεδιασμό ενός τοπογραφικού χάρτη.<br /> Με χρήση των εικόνων ναδίρ παράγονται ορθοφωτογραφίες υψηλής ανάλυσης και με τα στερεοζεύγη τέτοιων εικόνων υπολογίζεται το υψόμετρο. Ο ZY-3 εξοπλίζεται επίσης μέ έναν πολυφασματικό αισθητήρα ανάλυσης 6.8m που περιλαμβάνει μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο φασματικό κανάλι. Η ακρίβεια της ερμηνείας των αντικειμένων στο έδαφος βελτιώνεται με την ένωση των πολυφασματικών με τις παγχρωματικές υψηλής ανάλυσης εικόνες.<br /> Από το 2012 και την εκτόξευσή του, ο ZY-3 έχει χρησιμοποιηθεί σε πολλές χαρτογραφικές εφαρμογές, όπως την δυναμική αναβάθμιση της βασικής εθνικής γεωχωρικής βάσης δεδεομένων κλίμακας 1:50.000, την πρώτη εθνική γεωγραφική καταγραφή και την παραγωγή μοντέλου εδάφους 1:25000 στις δυτικές περιοχές.<br /> Η ακρίβεια του δορυφόρου ZY-3 ελέγχθηκε με τη χρήση 1090 σημείων ελέγχου που μετρήθηκαν στο πεδίο με μεθόδους υψηλής ακρίβειας, ενώ όσον αφορά τα υψόμετρα η ακρίβεια υπολογισμού τους εμφανίζει περιθώριο βελτίωσης της τάξης των 3m με χρήση LAD (LaserAltimeterData).<br /> Το Πανεπιστημίο της Γουχάν και άλλα ερευνητικά κέντρα έχουν μελετήσει τεχνολογίες χαρτογράφησης μεγάλης κλίμακας υψηλής ακρίβειας και λογισμικά που δεν απαιτούν τη χρήση σημείων ελέγχου, παρουσιάζοντας εφαρμογές που χρησιμοποιούν χιλιάδες εικόνες TCL από τον δορυφόρο ZY-3. Αντίστοιχα, στο Πανεπιστήμιο του Πεκίνου διεξήχθη έρευνα παγκόσμιας συνεργασίας στη χαρτογράφηση ψηλών βουνών, σε συνεργασία με το Πανεπιστήμιο του Ανόβερο, την Ευρωπαϊκή Ακαδημία Επιστημών και Τεχνών στο Σάλτζμπουργκ και το Ινστιτόυτο Έρευνας Περιβαλλοντικών Συστημάτων.<br /> Βασιζόμενη στην τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο της Γουχάν, η Κίνα έχει ολοκληρώσει την χαρτογράφηση των ψηλών βουνών της περιοχής NangaParbat στο δυτικότερο τμήμα των Ιμαλαΐων, κάνοντας χρήση εικόνων του δορυφόρου ZY-3. <br /> Δορυφόρος GF-7<br /> Ο δορυφόρος GF-7 είναι δεύτερης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας, με κύριο στόχο χαρτογράφηση κλίμακας 1:10.000 στην Κίνα. Εξοπλίζεται με DLC ανάλυσης κάτω του ενός μέτρου, καθώς ο εμπρόσθιος αισθητήρας έχει κλίση +26ο για τη λήψη παγχρωματικών εικόνων ανάλυσης 0,8m και ο οπίσθιος αισθητήρας με κλίση -5ο πραγματοποιεί λήψεις παγχρωματικών εικόνων με ανάλυση 0,65m και πολυφασματικών εικόνων με ανάλυση 2,6m. <br /> Επιπλέον, λόγω μειωμένου αριθμού σημείων ελέγχου σε πολλές περιοχές και την ανάγκη κλίμακας 1:10.000, ο GF-7 εξοπλίζεται με διπλής δέσμης laser υψομέτρου που μπορεί να υπολογίζει το υψόμετρο με ακρίβεια καλύτερη του 1m. Με αυτόν τον τρόπο φαίνεται ότι οι επιδόσεις του GF-7 μπορεί να ικανοποιήσουν την χαρτογράφησης κλίμακας 1:10.000. <br /> <br /> 4.2. Χρήση ελιγμών δορυφόρων για υπό γωνία λήψεις<br /> Αντίθετα από δορυφόρους όπως οι ZY-3 και GF-7, οι υψηλής ανάλυσης δορυφόροι με μία κάμερα εξοπλίζονται με SLC ή SAC και χρησιμοποιούν κυρίως διαφορετικούς ελιγμούς προκειμένου να επιτύχουν παρατήρηση πολλαπλής προβολής του ίδιου αντικειμένου ή περιοχής με προσαρμογή της θέσης τους. Τέτοιοι δορυφόροι απαιτούν υψηλής ακρίβειας έλεγχο της θέσης τους και υπολογισμού της τροχιάς τους. Επιπλέον, παρότι έχουν ικανότητα ανάλυσης λιγότερο του 1m, παρουσιάζουν αδυναμίες στον έλεγχο της γεωμετρίας των εικόνων σε σχέση με τις στατικές μεθόδους χαρτογράφησης TLC και DLC, απαιτώντας σημαντικό έλεγχο εδάφους για χαρτογραφήσεις μεγάλης κλίμακας. Επιπλέον, το πλάτος των εικόνων SLC και SAC περιορίζεται λόγω της ανάλυσης κάτω του ενός μέτρου, όπως το πλάτος του SuperView-1 με χωρική ανάλυση 0.5m που είναι 12km.<br /> <br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Η ανάπτυξη των δορυφόρων υψηλής ανάλυσης της Κίνας παρουσιάζει σημαντική πρόοδο με την απόδοση των απλών μονών δορύφορων να αυξάνεται, τα δίκτυα πολλαπλών δορύφορων να αναδεικνύονται ως τάση και η εμπορευματοποίηση δορυφόρων να αναπτύσσεται σταθεράκαι το σύστημα δορυφορικής τηλεπισκόπησης να γίνεται όλο και πιο άφθονο και πλήρες.<br /> Παρ’ όλα αυτά, ο στόχος της παγκόσμιας κάλυψης και χαρτογραφικής ενημέρωσης παραμένει δύσκολος, καθώς ένα σύστημα χαρτογράφησης χωρίς την ανάγκη επίγειου ελέγχου χρειάζεται περαιτέρω ανάπτυξη και νέες τεχνολογίες όπωςδορυφόρους radar και laserυψομέτρων. Απαιτείται δηλαδή μια περαιτέρω βελτίωση του συστήματος δορυφορικής τηλεπισκοπικής παρατήρησης υψηλής ανάλυσης, προκειμένου να εξυπηρετεί με βέλτιστο τρόπο τις εφαρμογές χαρτογράφησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CE%AF_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CF%8C%CF%81%CE%BF%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%9A%CE%AF%CE%BD%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%BF%CF%85%CF%82 2022-03-23T21:19:06Z

<p>Siachospan: </p> <hr /> <div> [[category:Διαστημική Τηλεπισκόπηση]]<br /> <br /> '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους<br /> <br /> China’s high-resolution optical remote sensing satellites and their mapping applications'''<br /> <br /> Li, Deren, Mi Wang and Jie Jiang. Geo-spatial Information Science 24 (2021): 85 - 94.<br /> <br /> Πηγή: [https://www.tandfonline.com/doi/full/10.1080/10095020.2020.1838957]<br /> <br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ2.3.jpeg‎|thumb|right|'''Εικόνα 1''': Ρεαλιστική απεικόνιση του δορυφόρου GF-1]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.1.JPG‎|thumb|right|'''Εικόνα 2''': Αποτελέσματα χαρτογράφησης ψηλών βουνών από την Κίνα. α) Χαρτογραφικό αποτέλεσμα υψηλής ακρίβειας. β) Χαρτογραφικό αποτέλεσμα της περιοχής Nanga Parbat]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.2.JPG‎|thumb|right|'''Εικόνα 3''': Λειτουργία στερεοεικόνας SAC]]<br /> <br /> '''1. Εισαγωγή – Ιστορία και εξέλιξη της δορυφορικής τηλεπισκόπησης'''<br /> <br /> 1.1. Η δορυφορική τηλεπισκόπηση σε παγκόσμιο επίπεδο<br /> <br /> Η πρώην Σοβιετική Ένωση ήταν εκείνη που άνοιξε τον δρόμο για τη διαστημική παρατήρηση της γης, παρουσιάζοντας τον πρώτο τεχνητό δορυφόρο το 1957. Ακολούθησαν οι Ηνωμένες Πολιτείες το 1972 με την εκτόξευση του πρώτου τους δορυφόρου παρατήρησης εδάφους, τον Landsat-1. Έπειτα από 14 χρόνια, το 1986, η Γαλλία παρουσίασε τον δορυφόρο SPOT-1, ενώ από το 1994 με την οδηγία PDD-23 των ΗΠΑ επιτρέπεται η εξαγωγή τηλεπισκοπικών δεδομένων υψηλής ανάλυσης, με την οποία προωθείται και η ανάπτυξη των αντίστοιχων δορυφόρων. Το 1999 παρουσιάζεται στις ΗΠΑ ο πρώτος υψηλής ανάλυσης εμπορικός δορυφόρος με χωρική ανάλυση 1m με σημαντικά στρατιωτικά και οικονομικά οφέλη από τη χρήση του.<br /> <br /> 1.2. Η δορυφορική τηλεπισκόπηση στην Κίνα<br /> Όπως αρκετές χώρες, έτσι και η Κίνα από τις αρχές του 21ου αιώνα παρουσιαζεί σημαντική πρόοδο στην εξέλιξη της δορυφορικής τηλεπισκόπησης. Αναπτύσσει συνεχώς καινοτομίες στην πρόοδο των τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης και αξιοποιεί την ανάπτυξη των τηλεπισκοπικών δορυφορών υψηλής ανάλυσης, για τον εμπλουτισμό των σύγχρονων χαρτογραφικών μεθόδων και τεχνολογιών.<br /> Ένα Υψηλής Ανάλυσης Σύστημα Παρατήρησης της Γης (HREOS), αποτελεί σημαντικό επιστημονικό και τεχνολογικό έργο για την Κίνα. Το GaoFenproject όπως ονομάστηκε, παρουσιάστηκε το 2010 με σκοπό τη δημιουργία ενός ανεξάρτητου και αναβαθμισμένου HREOS. Το 2020 αποτελεί τον τελευταίο χρόνο του GaoFenproject, ενώ μέσα σε αυτή τη δεκαετία η Κίνα έχει αναπτύξει, παρουσιάσει και λειτουργήσει πολλαπλούς υψηλής ανάλυσης δορυφόρους. Έχει καταφέρει να μικρύνει το τεχνολογικό κενό με άλλες χώρες, φτάνοντας ακόμα και το επίπεδο ηγετικών δορυφόρων που παρουσιάστηκαν από αυτές. Έτσι, το HREOSτης Κίνας με τους δορυφόρους του GaoFenProject αλλά και άλλους εγχώριους δορυφόρους, σχεδιάστηκε για να βελτιωθεί το ποσοστό επάρκειας των ανεξάρτητων υψηλής ανάλυσης τηλεπισκοπικών δεδομένων, καθώς επίσης την επικαιρότητα απόκτησης δεδομένων. <br /> <br /> <br /> '''2. Εξέλιξη τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Η Κίνα ξεκίνησε την ανάπτυξη υψηλής ανάλυσης τηλεπισκοπικών δορυφόρων από το 2007 με τον CBERS-02Bμε κάμερα υψηλής ανάλυσης 2.36m, ο οποίος αντικαταστάθηκε το 2011 από τον δορυφόρο ZY-1 02C με αντίστοιχες ικανότητες.<br /> Το 2012 εκτοξεύτηκε ο δορυφόρος ZY-3 με TLC (Three-LineArrayCamera) που πετυχαίνει τριών όψεων στερεοαπεικόνιση με ανάλυση 2.1m στο ναδίρ και 3.5m στις εμπρός και πίσω όψεις. Οι στερεοεικόνες απ’ τον ZY-3 χρησιμοποιούνται για την παραγωγή τοπογραφικών χαρτών κλίμακας 1:50.000. Αντικαταστάθηκε το 2016 από τον πιο εξελιγμένο ZY-3 02 με βελτιωμένη χωρική ανάλυση εμπρός και πίσω όψεων στα 2.5m.<br /> Το 2013 ο GF-1 ήταν ο πρώτος δορυφόρος του GaoFenProject και έφερε υψηλή ανάλυση 2m και πλάτος λήψης 800km. Το 2014 εκτοξέυτηκε ο GF-2 με χωρική ανάλυση καλύτερη του 1m. Τα επόμενα χρόνια εκτοξεύτηκαν επιτυχώς ο γεωστατικός δορυφόρος GF-4 με υψηλή ανάλυση και μέγιστο ρυθμό δεδομένων τριών εικονολήψεων το λεπτό, ο υπερφασματικός GF-5 με ενσωματωμένη δυνατότητα παρατήρησης γης και ατμόσφαιρας, ο GF-6 για παρατήρηση καλλιεργειών ακριβείας και ο GF-7 για στερεογραφική χαρτογράφηση με ανάλυση κάτω του ενός μέτρου.<br /> Το 2018 δημιουργήθηκε ο πρώτος σχηματισμός δορυφόρων υψηλής ανάλυσης της Κίνας, από τους δορυφόρους GF-1 02/03/04, οι οποίοι επιτυγχάνουν ικανότητα απεικόνισης 15 ημερών παγκόσμιας κάλυψης και 2 ημερών επανακάλυψη ανά σημείο. Σε συνεργασία με τον GF-1 του 2013, αυτά τα νούμερα γίνονται 11 και 1 ημέρα αντίστοιχα.<br /> <br /> <br /> '''3. Εξέλιξη εμπορικών τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Το 2015 εκτοξεύτηκε ένας σχηματισμός τριών δορυφόρων με χωρική ανάλυση 1m παγχρωματικής και 4m πολυφασματικής απεικόνισης, ο οποίος επιτυγχάνει 1 ημέρα επανακάλυψη περιοχής. Επιπλέον, εκτοξέυτηκαν τέσσερεις από τους δορυφόρους της σειράς Jilin-1, τον πρώτο πραγματικά ανεξάρτητο εμπορικό δορυφόρο τηλεπισκόπησης της Κίνας. Οι τέσσερεις δορυφόροι είναι ο GXA με 0.72m παγχρωματική και 2.88m πολυφασματική ικανότητα απεικόνισης, δύο δορυφόροι βιντεοσκόπησης SP01 και SP02 με χωρική ανάλυση 1.12m και ο έξυπνος επαληθευτικός δορυφόρος LQ με ανάλυση 5m. Επιπλέον, χρησιμοποιούνται έξι δορυφόροι βίντεο, δύο πολυφασματικοί δορυφόροι 26 καναλιών, τρεις παγχρωματικοί και πολυφασματικοί οπτικοί δορυφόροι και ένας ευρέος πλάτους λωρίδας δορυφόρος. Ένας σχηματισμός 16 δορυφόρων είναι σε τροχιά και λειτουργεί σε ένα δίκτυο το οποίο περνάει κάθε σημείο στον κόσμο 5-7 φορές την ημέρα.<br /> Με έναν πύραυλο το 2016 εκτοξεύθηκαν οι δορυφόροι SuperView-1 01 και 02, ενώ οι 03 και 04 το 2018. Και οι τέσσερις δορυφόροι της σειράς με κοινές παραμέτρους σχεδίασης, λειτουργούν στο ίδιο τροχιακό δίκτυο με ανάλυση 0.5m και μπορούν να πραγματοποιούν λήψη από οποιονδήποτε στόχο κάθε μέρα. Από το 2017, εκτοξέυτηκε και ο σχηματισμός Zhuhai-1 για τον οποίο σχεδιάζεται η εκτόξευση 34 δορυφόρων.<br /> <br /> <br /> '''4. Εξέλιξη χαρτογράφησης από υψηλής ανάλυσης οπτικούς δορυφόρους και εφαρμογές'''<br /> <br /> Η χαρτογράφηση από υψηλής ανάλυσης δορυφόρους αποτελεί ένα επιτυχημένο μέσο για την απόκτηση της απαραίτητης γεωγραφικής πληροφορίας, όπου αξιοποιώντας τις αρχές της φωτογραμμετρίας, ένας υψηλής ανάλυσης δορυφόρος ολοκληρώνει την καταγραφή των υψομέτρων αξιοποιώντας στερεοζεύγη εικόνων ίδιας ή διαφορετικής τροχιάς με διαφορετικές οπτικές γωνίες της ίδιας περιοχής.<br /> <br /> 4.1. Δορυφόρος ZY-3<br /> Ο δορυφόρος ZY-3 είναι πρώτης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας. Για τη λειτουργία στερεοεικόνων του TLC, ο αισθητήρας τους ναδίρ είναι κάθετος στο σημείο με χωρική ανάλυση 2.5m, ο εμπρός αισθητήρας έχει κλίση +22ο και ο οπίσθιος αισθητήρας έχει κλίση κατά -22ο με χωρική ανάλυση και για τους δύο στα 3.5m. Κατά μήκος της κατεύθυνσης της πτήσης παράγονται συνεχώς τρεις επικαλυπτόμενες εικόνες λωρίδας πλάτους 52km. Οι συντεταγμένες των αντικειμένων των εικόνων υπολογίζονται μέσα από τις αυστηρές χωρικές σχέσεις μεταξύ αντικειμένου και εικόνας, επιτρέποντας έτσι το σχεδιασμό ενός τοπογραφικού χάρτη.<br /> Με χρήση των εικόνων ναδίρ παράγονται ορθοφωτογραφίες υψηλής ανάλυσης και με τα στερεοζεύγη τέτοιων εικόνων υπολογίζεται το υψόμετρο. Ο ZY-3 εξοπλίζεται επίσης μέ έναν πολυφασματικό αισθητήρα ανάλυσης 6.8m που περιλαμβάνει μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο φασματικό κανάλι. Η ακρίβεια της ερμηνείας των αντικειμένων στο έδαφος βελτιώνεται με την ένωση των πολυφασματικών με τις παγχρωματικές υψηλής ανάλυσης εικόνες.<br /> Από το 2012 και την εκτόξευσή του, ο ZY-3 έχει χρησιμοποιηθεί σε πολλές χαρτογραφικές εφαρμογές, όπως την δυναμική αναβάθμιση της βασικής εθνικής γεωχωρικής βάσης δεδεομένων κλίμακας 1:50.000, την πρώτη εθνική γεωγραφική καταγραφή και την παραγωγή μοντέλου εδάφους 1:25000 στις δυτικές περιοχές.<br /> Η ακρίβεια του δορυφόρου ZY-3 ελέγχθηκε με τη χρήση 1090 σημείων ελέγχου που μετρήθηκαν στο πεδίο με μεθόδους υψηλής ακρίβειας, ενώ όσον αφορά τα υψόμετρα η ακρίβεια υπολογισμού τους εμφανίζει περιθώριο βελτίωσης της τάξης των 3m με χρήση LAD (LaserAltimeterData).<br /> Το Πανεπιστημίο της Γουχάν και άλλα ερευνητικά κέντρα έχουν μελετήσει τεχνολογίες χαρτογράφησης μεγάλης κλίμακας υψηλής ακρίβειας και λογισμικά που δεν απαιτούν τη χρήση σημείων ελέγχου, παρουσιάζοντας εφαρμογές που χρησιμοποιούν χιλιάδες εικόνες TCL από τον δορυφόρο ZY-3. Αντίστοιχα, στο Πανεπιστήμιο του Πεκίνου διεξήχθη έρευνα παγκόσμιας συνεργασίας στη χαρτογράφηση ψηλών βουνών, σε συνεργασία με το Πανεπιστήμιο του Ανόβερο, την Ευρωπαϊκή Ακαδημία Επιστημών και Τεχνών στο Σάλτζμπουργκ και το Ινστιτόυτο Έρευνας Περιβαλλοντικών Συστημάτων.<br /> Βασιζόμενη στην τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο της Γουχάν, η Κίνα έχει ολοκληρώσει την χαρτογράφηση των ψηλών βουνών της περιοχής NangaParbat στο δυτικότερο τμήμα των Ιμαλαΐων, κάνοντας χρήση εικόνων του δορυφόρου ZY-3. <br /> Δορυφόρος GF-7<br /> Ο δορυφόρος GF-7 είναι δεύτερης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας, με κύριο στόχο χαρτογράφηση κλίμακας 1:10.000 στην Κίνα. Εξοπλίζεται με DLC ανάλυσης κάτω του ενός μέτρου, καθώς ο εμπρόσθιος αισθητήρας έχει κλίση +26ο για τη λήψη παγχρωματικών εικόνων ανάλυσης 0,8m και ο οπίσθιος αισθητήρας με κλίση -5ο πραγματοποιεί λήψεις παγχρωματικών εικόνων με ανάλυση 0,65m και πολυφασματικών εικόνων με ανάλυση 2,6m. <br /> Επιπλέον, λόγω μειωμένου αριθμού σημείων ελέγχου σε πολλές περιοχές και την ανάγκη κλίμακας 1:10.000, ο GF-7 εξοπλίζεται με διπλής δέσμης laser υψομέτρου που μπορεί να υπολογίζει το υψόμετρο με ακρίβεια καλύτερη του 1m. Με αυτόν τον τρόπο φαίνεται ότι οι επιδόσεις του GF-7 μπορεί να ικανοποιήσουν την χαρτογράφησης κλίμακας 1:10.000. <br /> <br /> 4.2. Χρήση ελιγμών δορυφόρων για υπό γωνία λήψεις<br /> Αντίθετα από δορυφόρους όπως οι ZY-3 και GF-7, οι υψηλής ανάλυσης δορυφόροι με μία κάμερα εξοπλίζονται με SLC ή SAC και χρησιμοποιούν κυρίως διαφορετικούς ελιγμούς προκειμένου να επιτύχουν παρατήρηση πολλαπλής προβολής του ίδιου αντικειμένου ή περιοχής με προσαρμογή της θέσης τους. Τέτοιοι δορυφόροι απαιτούν υψηλής ακρίβειας έλεγχο της θέσης τους και υπολογισμού της τροχιάς τους. Επιπλέον, παρότι έχουν ικανότητα ανάλυσης λιγότερο του 1m, παρουσιάζουν αδυναμίες στον έλεγχο της γεωμετρίας των εικόνων σε σχέση με τις στατικές μεθόδους χαρτογράφησης TLC και DLC, απαιτώντας σημαντικό έλεγχο εδάφους για χαρτογραφήσεις μεγάλης κλίμακας. Επιπλέον, το πλάτος των εικόνων SLC και SAC περιορίζεται λόγω της ανάλυσης κάτω του ενός μέτρου, όπως το πλάτος του SuperView-1 με χωρική ανάλυση 0.5m που είναι 12km.<br /> <br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Η ανάπτυξη των δορυφόρων υψηλής ανάλυσης της Κίνας παρουσιάζει σημαντική πρόοδο με την απόδοση των απλών μονών δορύφορων να αυξάνεται, τα δίκτυα πολλαπλών δορύφορων να αναδεικνύονται ως τάση και η εμπορευματοποίηση δορυφόρων να αναπτύσσεται σταθεράκαι το σύστημα δορυφορικής τηλεπισκόπησης να γίνεται όλο και πιο άφθονο και πλήρες.<br /> Παρ’ όλα αυτά, ο στόχος της παγκόσμιας κάλυψης και χαρτογραφικής ενημέρωσης παραμένει δύσκολος, καθώς ένα σύστημα χαρτογράφησης χωρίς την ανάγκη επίγειου ελέγχου χρειάζεται περαιτέρω ανάπτυξη και νέες τεχνολογίες όπωςδορυφόρους radar και laserυψομέτρων. Απαιτείται δηλαδή μια περαιτέρω βελτίωση του συστήματος δορυφορικής τηλεπισκοπικής παρατήρησης υψηλής ανάλυσης, προκειμένου να εξυπηρετεί με βέλτιστο τρόπο τις εφαρμογές χαρτογράφησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%B9%CE%AC%CF%87%CE%BF%CF%82_%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%B9%CF%8E%CF%84%CE%B7%CF%82 2022-03-23T21:11:38Z

<p>Siachospan: </p> <hr /> <div> [[category: ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]<br /> <br /> [[Ένα πλαίσιο τηλεπισκόπησης για την χαρτογράφηση πιθανών τοξικών στοιχείων σε αγροτικά εδάφη υγρών τροπικών περιοχών]]<br /> <br /> [[Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους]]<br /> <br /> [[Αναγνωρίζοντας τη λειτουργία αστικών κτιρίων με ενσωμάτωση τηλεπισκοπικών εικόνων και δεδομένων σημείων ενδιαφέροντος]]<br /> <br /> [[Δεν υπάρχει μέρος να κρυφτείς: Ανίχνευση σπάνιων φυτών μέσω τηλεπισκόπησης]]<br /> <br /> [[Δείκτες βλάστησης εφαρμοσμένοι σε υποτροχιακές πολυφασματικές εικόνες υγιούς καφέ και καφέ μολυσμένου από φυλλορύκτη φυτών καφέ]]</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%B9%CE%AC%CF%87%CE%BF%CF%82_%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%B9%CF%8E%CF%84%CE%B7%CF%82 2022-03-23T21:11:06Z

<p>Siachospan: Νέα σελίδα με 'Add Your Content Here category: ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) [[Ένα πλαίσιο τηλεπισκόπησης για τ...'</p> <hr /> <div>Add Your Content Here <br /> <br /> [[category: ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]<br /> <br /> [[Ένα πλαίσιο τηλεπισκόπησης για την χαρτογράφηση πιθανών τοξικών στοιχείων σε αγροτικά εδάφη υγρών τροπικών περιοχών]]<br /> [[Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους]]<br /> [[Αναγνωρίζοντας τη λειτουργία αστικών κτιρίων με ενσωμάτωση τηλεπισκοπικών εικόνων και δεδομένων σημείων ενδιαφέροντος]]<br /> [[Δεν υπάρχει μέρος να κρυφτείς: Ανίχνευση σπάνιων φυτών μέσω τηλεπισκόπησης]]<br /> [[Δείκτες βλάστησης εφαρμοσμένοι σε υποτροχιακές πολυφασματικές εικόνες υγιούς καφέ και καφέ μολυσμένου από φυλλορύκτη φυτών καφέ]]</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%AF%CE%BA%CF%84%CE%B5%CF%82_%CE%B2%CE%BB%CE%AC%CF%83%CF%84%CE%B7%CF%83%CE%B7%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CF%83%CE%BC%CE%AD%CE%BD%CE%BF%CE%B9_%CF%83%CE%B5_%CF%85%CF%80%CE%BF%CF%84%CF%81%CE%BF%CF%87%CE%B9%CE%B1%CE%BA%CE%AD%CF%82_%CF%80%CE%BF%CE%BB%CF%85%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B5%CF%82_%CF%85%CE%B3%CE%B9%CE%BF%CF%8D%CF%82_%CE%BA%CE%B1%CF%86%CE%AD_%CE%BA%CE%B1%CE%B9_%CE%BA%CE%B1%CF%86%CE%AD_%CE%BC%CE%BF%CE%BB%CF%85%CF%83%CE%BC%CE%AD%CE%BD%CE%BF%CF%85_%CE%B1%CF%80%CF%8C_%CF%86%CF%85%CE%BB%CE%BB%CE%BF%CF%81%CF%8D%CE%BA%CF%84%CE%B7_%CF%86%CF%85%CF%84%CF%8E%CE%BD_%CE%BA%CE%B1%CF%86%CE%AD 2022-03-23T21:05:20Z

<p>Siachospan: </p> <hr /> <div> [[category:Γεωργία]]<br /> '''Δείκτες βλάστησης εφαρμοσμένοι σε υποτροχιακές πολυφασματικές εικόνες υγιούς καφέ και καφέ μολυσμένου από φυλλορύκτη φυτών καφέ'''<br /> <br /> '''Vegetation Indices Applied to Suborbital Multispectral Images of Healthy Coffee and Coffee Infested with Coffee Leaf Miner'''<br /> <br /> Luana Mendes dos Santos, Gabriel Araújo e Silva Ferraz, Diego Bedin Marin, Milene Alves de Figueiredo Carvalho, Jessica Ellen Lima Dias, Ademilson de Oliveira Alecrim and Mirian de Lourdes Oliveira e Silva. AgriEngineering 4 (2022): 311-319.<br /> <br /> Πηγή: [https://www.mdpi.com/2624-7402/4/1/21]<br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ5.1.JPG‎|thumb|right|'''Εικόνα 1''': NormNIR - (A): Υγιή φυτά στο φυτώριο (B): Μολυσμένα φυτά στη φάρμα, GRNDVI - (C): Υγιή φυτά στο φυτώριο (D): Μολυσμένα φυτά στη φάρμα, GNDVI - (E): Μολυσμένα φυτά στη φάρμα]]<br /> [[Αρχείο:ΣΙΑΧΟΣ5.2.JPG‎|thumb|right|'''Εικόνα 2''': Μολυσμένο φυτό στη φάρμα]]<br /> <br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Η Βραζιλία αποτελεί τον μεγαλύτερο εξαγωγέα καφέ στον κόσμο με το 55% της παραγωγής της το 2019 να προέρχεται από την περιφέρεια Gerais, ενώ παγκοσμίως σημειώνεται αύξηση στην κατανάλωση καφέ με τη φετινή να υπολογίζεται στο 1.5%. Αυτή η αύξηση παραγωγής μετατρέπει τα φυτά καφέ σε σημαντική εστία πλήθους αρθροπόδων που θεωρούνται παράσιτα με πολλαπλών μορφών ζημιές. <br /> Το Leucoptera coffeella είναι από τους σημαντικότερους φυλλορύκτες που προσβάλλει τα φυτά όλο το χρόνο και ιδιαίτερα τις καυτές ξηρές εποχές και οδηγεί σε μείωση της φωτοσυνθετικής επιφάνειας των φύλλων, μειώνοντας την παραγωγή σπόρων και την απόδοση της παραγωγής.<br /> Η χρήση διαφορετικών οπτικών αισθητήρων και των διαφορετικών καναλιών τους για τον υπολογισμό του δείκτη βλάστησης γίνεται για τον χαρακτηρισμό τριών πρόσφατα φυτεμένων ποικιλιών καφέ, την εύρεση της επίδρασης της βροχής και της ξηρασίας στην ανάπτυξη και τα βιοφυσικά χαρακτηριστικά. Οι δείκτες βλάστησης συνήθως χρησιμοποιούνται στην αγροτική παρακολούθηση, εξ αιτίας της δυνατότητάς τους να εντοπίζουν τα εσωτερικά χαρακτηριστικά της βλάστησης και βοηθούν στην έγκαιρη ανίχνευση παράσιτων και ασθενειών. Η συγκεκριμένη μελέτη επιδιώκει να εκτιμήσει την αξία των δεικτών βλάστησης από πολυφασματικές εικόνες υγιών και μολυσμένων φύλλων πρόσφατα φυτεμένων φυτών για την ανίχνευση και διαφοροποίηση προσβολής από παράσιτα.<br /> <br /> <br /> '''2. Υλικά και Μέθοδοι'''<br /> <br /> Τα υγιή φύλλα καφέ προέρχονται από φυτά ενός μήνα στο θερμοκήπιο του Πανεπιστημίου Lavras, ενώ τα μολυσμένα φύλλα καφέ προέρχονται από φυτά οκτώ μηνών στη φάρμα Cafua. Το κλίμα της περιοχής θεωρείται υγρό υποτροπικό κλίμα ξηρών χειμώνων και βροχερών καλοκαιρών. <br /> Για τη λήψη των εικόνων χρησιμοποιήθηκε πολυφασματική κάμερα με τέσσερις φασματικούς δέκτες ανάλυσης 1.2MP, ενώ υπήρχε και αισθητήρα GPS για τον υπολογισμό απόστασης και προσανατολισμού κατά τη λήψη των εικόνων. Η πτήση για τις εικόνες έγινε σε ύψος 3 μέτρων από τα μολυσμένα φυτά, ενώ στο θερμοκήπιο οι εικόνες τραβήχτηκαν χειροκίνητα σε ύψος 0.5 μέτρων. Στη συνέχεια, η επεξεργασία των εικόνων έγινε στο λογισμικό QGIS και για τις αριθμητικές πράξεις των δεικτών χρησιμοποιήθηκε το Raster Calculator.<br /> Για την επεξεργασία επιλέχθηκαν τυχαία 25 σημεία από υγιή φύλλα και 25 σημεία μολυσμένων φύλλων, καθώς επίσης 41 σημεία στα σημεία με παράσιτα. Φυτά με 20% έως 30% άθικτα φύλλα στο μέσο και άνω μέρος θεωρούνται μολυσμένα. Για τα αποτελέσματα των δεικτών βλάστησης στα εικονοστοιχεία των δειγματοληπτικών σημείων χρησιμοποιήθηκε το plugin Point Sampling Tools και από τις τιμές των δεικτών βλάστησης έγινε στατιστική ανάλυση στα αποτελέσματα από το τεστ κανονικότητας Shapiro-Wilk. <br /> <br /> <br /> '''3. Αποτελέσματα'''<br /> <br /> Οι τιμές δεικτών βλάστησης είναι λίγο υψηλότερες στα υγιή φύλλα του θερμοκηπίου, χωρίς όμως σημαντική διαφορά, καθώς η προσβολή των παράσιτων στη φάρμα ήταν σε αρχικό στάδιο χωρίς έντονες ζημιές ακόμα. Τα μολυσμένα φυτά είναι φυτά με υψηλότερη βλαστική ζωτικότητα που προτιμούνται για την ωοτοκία των παράσιτων και γι’ αυτό η μικρή διαφοροποίηση στις τιμές των δεικτών βλάστησης μεταξύ μολυσμένων και υγιών φυτών. <br /> Όσο μεγαλύτερη είναι η βλαστική ζωτικότητα, τόσο χαμηλότερη είναι η ανάκλαση στα ορατά κανάλια και υψηλότερη στα εγγύς υπέρυθρα, ενώ τα φυτά έχουν υψηλότερη περιεκτικότητα σε βιομάζα και θρεπτικά συστατικά που δείχνουν υψηλότερες τιμές δεικτών βλάστησης. <br /> Υπάρχει άμεση και θετική συσχέτιση των μολυσμένων φύλλων καφέ με τον δείκτη βλάστησης, στα αρχικά στάδια της προσβολής από το παράσιτο με αποτέλεσμα η προσβολή να μπορεί να ανιχνευθεί με χρήση δεικτών βλάστησης ακόμα και στην αρχή της. Όταν πρόκειται για προσβολή στις αρχές της περιόδου, οι εικόνες ίσως δεν έχουν πλεονεκτήματα στην αναγνώριση του παράσιτου καθώς πιθανόν αναμειγνύονται εικονοστοιχεία μολυσμένων και υγειών φυτών που καταλήγουν σε κοντινές μέσες τιμές των δεικτών βλάστησης. Όταν η προσβολή γίνεται έντονα, το παράσιτο μειώνει την ικανότητα φωτοσύνθεσης του φυτού με καταστροφή και πέσιμο των φύλλων και κατ’ επέκταση μειώνονται και οι τιμές των δεικτών βλάστησης. <br /> <br /> Ο δείκτης GNDVI στα υγιή φύλλα δεν δείχνει την κανονική κατανομή και γι’ αυτό έχει εξαιρεθεί από τις συγκρίσεις. Oι NormNIR και GRNDVI εντοπίζουν σημαντικές διαφοροποιήσεις μεταξύ υγιών και μολυσμένων φυτών. Οπτικά, ο GRNDVI ήταν ο δείκτης βλάστησης που διαφοροποίησε καλύτερα τα υγιή από τα μολυσμένα φυτά. Τα θηλυκά παράσιτα των φύλλων ωοτοκούν στο πάνω μέρος των φύλλων όπου εκκολάπτονται και διαπερνούν την επιδερμίδα των φύλλων.<br /> <br /> <br /> '''4. Συμπεράσματα'''<br /> <br /> Γενικά, τα υγιή φυτά φέρουν υψηλότερες τιμές δεικτών βλάστησης σε σχέση με τα μολυσμένα φυτά. Επιπλέον, ο δείκτης βλάστησης GRNDVI διαφοροποιεί τα υγιή με τα μολυσμένα φυτά με καλύτερο τρόπο σε σχέση με άλλους δείκτες βλάστησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%AF%CE%BA%CF%84%CE%B5%CF%82_%CE%B2%CE%BB%CE%AC%CF%83%CF%84%CE%B7%CF%83%CE%B7%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CF%83%CE%BC%CE%AD%CE%BD%CE%BF%CE%B9_%CF%83%CE%B5_%CF%85%CF%80%CE%BF%CF%84%CF%81%CE%BF%CF%87%CE%B9%CE%B1%CE%BA%CE%AD%CF%82_%CF%80%CE%BF%CE%BB%CF%85%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B5%CF%82_%CF%85%CE%B3%CE%B9%CE%BF%CF%8D%CF%82_%CE%BA%CE%B1%CF%86%CE%AD_%CE%BA%CE%B1%CE%B9_%CE%BA%CE%B1%CF%86%CE%AD_%CE%BC%CE%BF%CE%BB%CF%85%CF%83%CE%BC%CE%AD%CE%BD%CE%BF%CF%85_%CE%B1%CF%80%CF%8C_%CF%86%CF%85%CE%BB%CE%BB%CE%BF%CF%81%CF%8D%CE%BA%CF%84%CE%B7_%CF%86%CF%85%CF%84%CF%8E%CE%BD_%CE%BA%CE%B1%CF%86%CE%AD 2022-03-23T21:04:55Z

<p>Siachospan: Νέα σελίδα με ' category:Γεωργία '''Δείκτες βλάστησης εφαρμοσμένοι σε υποτροχιακές πολυφασματικές εικόνες υγι...'</p> <hr /> <div> [[category:Γεωργία]]<br /> '''Δείκτες βλάστησης εφαρμοσμένοι σε υποτροχιακές πολυφασματικές εικόνες υγιούς καφέ και καφέ μολυσμένου από φυλλορύκτη φυτών καφέ'''<br /> <br /> '''Vegetation Indices Applied to Suborbital Multispectral Images of Healthy Coffee and Coffee Infested with Coffee Leaf Miner'''<br /> <br /> Luana Mendes dos Santos, Gabriel Araújo e Silva Ferraz, Diego Bedin Marin, Milene Alves de Figueiredo Carvalho, Jessica Ellen Lima Dias, Ademilson de Oliveira Alecrim and Mirian de Lourdes Oliveira e Silva. AgriEngineering 4 (2022): 311-319.<br /> <br /> Πηγή: [https://www.mdpi.com/2624-7402/4/1/21]<br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ5.1.jpg‎|thumb|right|'''Εικόνα 1''': NormNIR - (A): Υγιή φυτά στο φυτώριο (B): Μολυσμένα φυτά στη φάρμα, GRNDVI - (C): Υγιή φυτά στο φυτώριο (D): Μολυσμένα φυτά στη φάρμα, GNDVI - (E): Μολυσμένα φυτά στη φάρμα]]<br /> [[Αρχείο:ΣΙΑΧΟΣ5.2.jpg‎|thumb|right|'''Εικόνα 2''': Μολυσμένο φυτό στη φάρμα]]<br /> <br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Η Βραζιλία αποτελεί τον μεγαλύτερο εξαγωγέα καφέ στον κόσμο με το 55% της παραγωγής της το 2019 να προέρχεται από την περιφέρεια Gerais, ενώ παγκοσμίως σημειώνεται αύξηση στην κατανάλωση καφέ με τη φετινή να υπολογίζεται στο 1.5%. Αυτή η αύξηση παραγωγής μετατρέπει τα φυτά καφέ σε σημαντική εστία πλήθους αρθροπόδων που θεωρούνται παράσιτα με πολλαπλών μορφών ζημιές. <br /> Το Leucoptera coffeella είναι από τους σημαντικότερους φυλλορύκτες που προσβάλλει τα φυτά όλο το χρόνο και ιδιαίτερα τις καυτές ξηρές εποχές και οδηγεί σε μείωση της φωτοσυνθετικής επιφάνειας των φύλλων, μειώνοντας την παραγωγή σπόρων και την απόδοση της παραγωγής.<br /> Η χρήση διαφορετικών οπτικών αισθητήρων και των διαφορετικών καναλιών τους για τον υπολογισμό του δείκτη βλάστησης γίνεται για τον χαρακτηρισμό τριών πρόσφατα φυτεμένων ποικιλιών καφέ, την εύρεση της επίδρασης της βροχής και της ξηρασίας στην ανάπτυξη και τα βιοφυσικά χαρακτηριστικά. Οι δείκτες βλάστησης συνήθως χρησιμοποιούνται στην αγροτική παρακολούθηση, εξ αιτίας της δυνατότητάς τους να εντοπίζουν τα εσωτερικά χαρακτηριστικά της βλάστησης και βοηθούν στην έγκαιρη ανίχνευση παράσιτων και ασθενειών. Η συγκεκριμένη μελέτη επιδιώκει να εκτιμήσει την αξία των δεικτών βλάστησης από πολυφασματικές εικόνες υγιών και μολυσμένων φύλλων πρόσφατα φυτεμένων φυτών για την ανίχνευση και διαφοροποίηση προσβολής από παράσιτα.<br /> <br /> <br /> '''2. Υλικά και Μέθοδοι'''<br /> <br /> Τα υγιή φύλλα καφέ προέρχονται από φυτά ενός μήνα στο θερμοκήπιο του Πανεπιστημίου Lavras, ενώ τα μολυσμένα φύλλα καφέ προέρχονται από φυτά οκτώ μηνών στη φάρμα Cafua. Το κλίμα της περιοχής θεωρείται υγρό υποτροπικό κλίμα ξηρών χειμώνων και βροχερών καλοκαιρών. <br /> Για τη λήψη των εικόνων χρησιμοποιήθηκε πολυφασματική κάμερα με τέσσερις φασματικούς δέκτες ανάλυσης 1.2MP, ενώ υπήρχε και αισθητήρα GPS για τον υπολογισμό απόστασης και προσανατολισμού κατά τη λήψη των εικόνων. Η πτήση για τις εικόνες έγινε σε ύψος 3 μέτρων από τα μολυσμένα φυτά, ενώ στο θερμοκήπιο οι εικόνες τραβήχτηκαν χειροκίνητα σε ύψος 0.5 μέτρων. Στη συνέχεια, η επεξεργασία των εικόνων έγινε στο λογισμικό QGIS και για τις αριθμητικές πράξεις των δεικτών χρησιμοποιήθηκε το Raster Calculator.<br /> Για την επεξεργασία επιλέχθηκαν τυχαία 25 σημεία από υγιή φύλλα και 25 σημεία μολυσμένων φύλλων, καθώς επίσης 41 σημεία στα σημεία με παράσιτα. Φυτά με 20% έως 30% άθικτα φύλλα στο μέσο και άνω μέρος θεωρούνται μολυσμένα. Για τα αποτελέσματα των δεικτών βλάστησης στα εικονοστοιχεία των δειγματοληπτικών σημείων χρησιμοποιήθηκε το plugin Point Sampling Tools και από τις τιμές των δεικτών βλάστησης έγινε στατιστική ανάλυση στα αποτελέσματα από το τεστ κανονικότητας Shapiro-Wilk. <br /> <br /> <br /> '''3. Αποτελέσματα'''<br /> <br /> Οι τιμές δεικτών βλάστησης είναι λίγο υψηλότερες στα υγιή φύλλα του θερμοκηπίου, χωρίς όμως σημαντική διαφορά, καθώς η προσβολή των παράσιτων στη φάρμα ήταν σε αρχικό στάδιο χωρίς έντονες ζημιές ακόμα. Τα μολυσμένα φυτά είναι φυτά με υψηλότερη βλαστική ζωτικότητα που προτιμούνται για την ωοτοκία των παράσιτων και γι’ αυτό η μικρή διαφοροποίηση στις τιμές των δεικτών βλάστησης μεταξύ μολυσμένων και υγιών φυτών. <br /> Όσο μεγαλύτερη είναι η βλαστική ζωτικότητα, τόσο χαμηλότερη είναι η ανάκλαση στα ορατά κανάλια και υψηλότερη στα εγγύς υπέρυθρα, ενώ τα φυτά έχουν υψηλότερη περιεκτικότητα σε βιομάζα και θρεπτικά συστατικά που δείχνουν υψηλότερες τιμές δεικτών βλάστησης. <br /> Υπάρχει άμεση και θετική συσχέτιση των μολυσμένων φύλλων καφέ με τον δείκτη βλάστησης, στα αρχικά στάδια της προσβολής από το παράσιτο με αποτέλεσμα η προσβολή να μπορεί να ανιχνευθεί με χρήση δεικτών βλάστησης ακόμα και στην αρχή της. Όταν πρόκειται για προσβολή στις αρχές της περιόδου, οι εικόνες ίσως δεν έχουν πλεονεκτήματα στην αναγνώριση του παράσιτου καθώς πιθανόν αναμειγνύονται εικονοστοιχεία μολυσμένων και υγειών φυτών που καταλήγουν σε κοντινές μέσες τιμές των δεικτών βλάστησης. Όταν η προσβολή γίνεται έντονα, το παράσιτο μειώνει την ικανότητα φωτοσύνθεσης του φυτού με καταστροφή και πέσιμο των φύλλων και κατ’ επέκταση μειώνονται και οι τιμές των δεικτών βλάστησης. <br /> <br /> Ο δείκτης GNDVI στα υγιή φύλλα δεν δείχνει την κανονική κατανομή και γι’ αυτό έχει εξαιρεθεί από τις συγκρίσεις. Oι NormNIR και GRNDVI εντοπίζουν σημαντικές διαφοροποιήσεις μεταξύ υγιών και μολυσμένων φυτών. Οπτικά, ο GRNDVI ήταν ο δείκτης βλάστησης που διαφοροποίησε καλύτερα τα υγιή από τα μολυσμένα φυτά. Τα θηλυκά παράσιτα των φύλλων ωοτοκούν στο πάνω μέρος των φύλλων όπου εκκολάπτονται και διαπερνούν την επιδερμίδα των φύλλων.<br /> <br /> <br /> '''4. Συμπεράσματα'''<br /> <br /> Γενικά, τα υγιή φυτά φέρουν υψηλότερες τιμές δεικτών βλάστησης σε σχέση με τα μολυσμένα φυτά. Επιπλέον, ο δείκτης βλάστησης GRNDVI διαφοροποιεί τα υγιή με τα μολυσμένα φυτά με καλύτερο τρόπο σε σχέση με άλλους δείκτες βλάστησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%A3%CE%99%CE%91%CE%A7%CE%9F%CE%A35.2.JPG 2022-03-23T21:03:32Z

<p>Siachospan: </p> <hr /> <div></div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%A3%CE%99%CE%91%CE%A7%CE%9F%CE%A35.1.JPG 2022-03-23T21:03:18Z

<p>Siachospan: </p> <hr /> <div></div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BD_%CF%85%CF%80%CE%AC%CF%81%CF%87%CE%B5%CE%B9_%CE%BC%CE%AD%CF%81%CE%BF%CF%82_%CE%BD%CE%B1_%CE%BA%CF%81%CF%85%CF%86%CF%84%CE%B5%CE%AF%CF%82:_%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%83%CF%80%CE%AC%CE%BD%CE%B9%CF%89%CE%BD_%CF%86%CF%85%CF%84%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2022-03-23T20:49:49Z

<p>Siachospan: </p> <hr /> <div> [[category:Οικολογία]]<br /> <br /> '''Δεν υπάρχει μέρος να κρυφτείς: Ανίχνευση σπάνιων φυτών μέσω τηλεπισκόπησης'''<br /> <br /> '''No place to hide: Rare plant detection through remote sensing'''<br /> <br /> Carlos Cerrejón, Osvaldo Valeria, Philippe Marchand, Richard T. Caners, Nicole J. Fenton. Diversity and Distributions (2021)<br /> <br /> Πηγή: [https://onlinelibrary.wiley.com/doi/10.1111/ddi.13244]<br /> <br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ4.1.jpg‎|thumb|right|'''Εικόνα 1''': Ο ρόλος του ενδημικού είδους Posidonia oceanic στο οικοσύστημα]]<br /> [[Αρχείο:ΣΙΑΧΟΣ4.2.jpg‎|thumb|right|'''Εικόνα 2''': Το ενδημικό φυτό Euphorbia fontqueriana Greuter]]<br /> [[Αρχείο:ΣΙΑΧΟΣ4.3.jpg‎|thumb|right|'''Εικόνα 3''': Το σπάνιο φυτό Boronia deanei]]<br /> <br /> Η ψηφιακή τηλεπισκόπηση προσφέρει ισχυρές εναλλακτικές στις παραδοσιακές μεθόδους εντοπισμού σπάνιων ειδών φυτών που περιορίζεται από τα φυσικά χαρακτηριστικά τους και από τους περιορισμούς των ίδιων των τεχνικών. Δεδομένα υψηλής και πολύ υψηλής χωρικής ανάλυσης χρησιμοποιούνται για απευθείας αναγνώριση, αν και συχνά έχει περιορισμούς. Επίσης, καταγράφονται βιοχημικές συνθήκες σπάνιων φυτών μέσω των οποίων γίνεται έμμεση πρόβλεψή τους.<br /> <br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Τα σπάνια φυτά είναι ιδιαίτερα ευάλωτα στην εξαφάνιση και έχει σημασία να διατηρούνται, καθώς αποτελούν βασικό κλειδί για τη βιοποικιλότητα, ενώ λόγω χαμηλής επικράτησης εντοπίζονται αρκετά δυσκολότερα. Η ψηφιακή τηλεπισκόπηση αποτελεί μια οικονομική μέθοδο για την εκτίμηση των χαρακτηριστικών της βιοποικιλότητας που επιτρέπει την ανίχνευση μεμονωμένων βιολογικών οντοτήτων, συναθροίσεις ειδών ή οικολογικές κοινότητες και την απόκτηση πληροφοριών που σχετίζονται με τη βιοποικιλότητα.<br /> Μελέτες με χρήση τηλεπισκόπησης για εστίαση ειδικά σε σπάνια φυτά δεν είναι κάτι κοινό, αν και ο αριθμός τους αυξάνεται τα τελευταία χρόνια. Ως ανερχόμενο πεδίο έρευνας, τα οφέλη της τηλεπισκόπησης στον εντοπισμό σπάνιων φυτών δεν είναι ξεκάθαρα. Η οπτική της σπανιότητας κατά τον Rabinowitz διακρίνει επτά τύπους σπανιότητας που βασίζονται σε τρία κριτήρια διχοτόμησης, τη γεωγραφική κατανομή, την ιδιαιτερότητα των οικοτόπων και το μέγεθος του τοπικού πληθυσμού.<br /> <br /> <br /> '''2. Μέθοδοι'''<br /> <br /> Η απευθείας ανίχνευση απαιτεί προηγούμενη γνώση της οικολογίας και της κατανομής ενός είδους και τη χρήση υψηλής χωρικής ανάλυσης εικόνων, ενώ μπορεί να γίνει είτε με οπτική αναγνώριση, είτε με μεθόδους ταξινόμησης της εικόνας. Η μοναδικότητα των μορφολογικών χαρακτηριστικών είναι το κλειδί για την αναγνώριση. Με ταξινόμηση παραδοσιακών έγχρωμων αεροφωτογραφιών έγινε η ανίχνευση του ενδημικού κάκτου Neobuxbaumia tetetzo στο Μεξικό. Όταν όμως τα μορφολογικά χαρακτηριστικά δεν είναι αρκετά, τα φασματικά κανάλια και οι παράγωγοι δείκτες αποτελούν αποδοτική εναλλακτική προσέγγιση για απευθείας ανίχνευση, όπως το Allium tricoccum Aiton και το ενδημικό Agathis australis που ανιχνεύθηκαν με χρήση δεικτών βλάστησης και υγρασίας από πολυφασματικούς και υπερφασματικούς δέκτες. <br /> Η χρησιμότητα δορυφορικών δεκτών υψηλής και πολύ υψηλής χωρικής ανάλυσης για απευθείας ανίχνευση, όπως των 5 από τα 6 απειλούμενα είδη δέντρων στο δάσος Dukuduku στη Νότια Αφρική με χρήση δορυφόρου WorldView-2 στα 2 μέτρα χωρική ανάλυση, αποτελεί σημαντικό πεδίο. Αντίστοιχα και η χρήση εικόνων SPOT χωρικής ανάλυσης 5 μέτρων που επέτρεψε την χαρτογράφηση του απειλούμενου και ενδημικού αλπικού δέντρου Larix chinensis Beissn στο όρος Taibai στην Κίνα. Επιπλέον, γίνονται μελέτες της συνδυαστικής χρήσης τηλεπισκοπικών δεδομένων από παθητικούς και ενεργούς δέκτες. Η χρήση υπερφασματικής πληροφορίας μαζί με δεδομένα LiDAR επέτρεψαν επιτυχή ανίχνευση των σπάνιων φυτών Quercus garryana Douglas ex Hook και Sequoiadendron giganteum στην Καλιφόρνια. Επιπλέον, με τηλεπισκόπηση γίνεται και η απευθείας ανίχνευση σπάνιων φυτών στο υδάτινο περιβάλλον, όπως η ανίχνευση και χαρτογράφηση του ενδημικού είδους Posidonia oceanica στη Μεσόγειο Θάλασσα με χρήση παραδοσιακών έγχρωμων αεροφωτογραφιών και δεδομένα από τον δορυφόρο WorldView-2.<br /> <br /> Η απευθείας προσέγγιση όχι μόνο προσφέρει δυνατότητα ανίχνευσης σπάνιων φυτών, αλλά και εκτίμησης της κατάστασής τους. Επίσης, περιγράφεται η πιθανότητα της προσέγγισης απευθείας ανίχνευσης όχι μόνο να ανιχνεύει σπάνια φυτά, αλλά επίσης να τα καταγράφει χωρικά και χρονικά ή ακόμα και να εντοπίζονται νέοι πληθυσμοί τους. <br /> Με έμμεση προσέγγιση τηλεπισκόπησης γίνεται πρόβλεψη σπάνιων φυτών κάτω από περιβαλλοντικές συνθήκες όπου η απευθείας ανίχνευση δεν θα ήταν δυνατή. Υψηλή απόδοση πρόβλεψης επιτεύχθηκε για το ενδημικό φυτό Euphorbia fontqueriana Greuter με συνδυασμό δεδομένων ανάλυσης 2 μέτρων και δεικτών βλάστησης, χωρίς σχεδόν καθόλου συμβολή μη τηλεπισκοπικών μεταβλητών του εδάφους. Πιο μετριοπαθείς προβλέψεις έγιναν για χαρτογράφηση των οικοτόπων οκτώ απειλούμενων ειδών στην Ιαπωνία με χρήση υπερφασματικών δεδομένων.<br /> <br /> Επίσης ακριβείς προβλέψεις παρέχονται και με την ενσωμάτωση παράγωγου χάρτη βλάστησης από δεδομένα Quickbird μαζί με τοπογραφικές μεταβλητές για τρία απειλούμενα είδη στα νησιά Moorea. Το ενδημικό φυτό Schoenocrambe suffrutescens χαρτογραφήθηκε επιτυχώς συνδυάζοντας μεγάλη ποικιλία τηλεπισκοπικών παραγόντων, περιλαμβανομένων τοπογραφικών μεταβλητών, φασματικών καναλιών, καθώς και δείκτες βλάστησης, υγρασίας και εδάφους. <br /> Η χρήση τηλεπισκόπησης μέτριας ανάλυσης είναι πιο κοινή μέθοδος και χρησιμοποιεί πολύ ευρύτερη ποικιλία παραγόντων πρόβλεψης απ’ ότι όταν χρησιμοποιούνται υψηλής και πολύ υψηλής ανάλυσης δεδομένα. Μοντελοποιήθηκαν κατανομές 19 ειδών δέντρων από σπάνια σε πιο κοινά και βρέθηκε ότι τα μοντέλα που συνδυάζουν τηλεπισκοπικούς και μη τηλεπισκοπικούς παράγοντες παρέχουν καλύτερη απόδοση για όλα τα είδη, και ακόμα περισσότερο για εκείνα που είναι πιο σπάνια. Επιπλέον, μπορούν να παρέχονται πληροφορίες που αφορούν γεωλογικές συσχετίσεις για την πρόβλεψη σπάνιων φυτών. Μόνο ένας γεωλογικός δείκτης Landsat κατέστησε εφικτή την πρόβλεψη της καταλληλότητας οικότοπου για 6 εδαφικά ενδημικά είδη στη Νεβάδα.<br /> Η τηλεπισκόπηση παρέχει χρήσιμες πληροφορίες για τις θέσεις σπάνιων φυτών με καλή προβλεπτικότητα σε υψηλές και μέσες αναλύσεις, έτσι ώστε όχι μόνο να χαρακτηρίζονται οι οικότοποι σπάνιων φυτών, αλλά και να καταγράφονται χωρικά και χρονικά. Αναδεικνύεται η πρακτική αξία των μοντέλων πρόβλεψης να βασίζονται μερικώς ή και εξ ολοκλήρου σε τηλεπισκοπικούς παράγοντες πρόβλεψης.<br /> Καθώς τα σπάνια φυτά συνήθως εμφανίζουν χαμηλή επικράτηση, η συνολική απόδοση πρόβλεψης μετρητικά οδηγεί συνήθως σε υπεραισιόδοξα αποτελέσματα σχετικά με την ακρίβεια των μοντέλων. Έτσι, προτείνεται η χρήση δύο συμπληρωματικών μετρήσεων για να αξιολογηθεί η ικανότητα του μοντέλου να προβλέπει την παρουσία σπάνιων φυτών και συγκεκριμένα την ευαισθησία και την ακρίβεια. Ευαισθησία και ακρίβεια είναι απόλυτα ενδεικτικές μετρήσεις της πρακτικής χρησιμότητας των μοντέλων για την εύρεση νέων τοποθεσιών σπάνιων φυτών. <br /> Υπάρχουν χαρακτηριστικά των σπάνιων φυτών που σχετίζονται με τη μορφολογία, τη φαινολογία, τη φυσιολογία και την οικολογική τους θέση και τα οποία είναι κοινά για σπάνια και κοινά φυτά. Τα μορφολογικά χαρακτηριστικά των σπάνιων φυτών παρέχουν καθοριστικές πληροφορίες για την απευθείας ανίχνευσή τους, ενώ απαιτούνται δύο συνθήκες γι’ αυτό, η πολύ υψηλή χωρική ανάλυση και η ημερομηνία στην οποία λήφθηκε η τηλεπισκοπική εικόνα να αντιστοιχεί σε χρόνο που το φυτό φέρει το ξεχωριστό αυτό μορφολογικό χαρακτηριστικό που επιτρέπει τη διάκρισή του. Έτσι έγινε η απευθείας ανίχνευση του σπάνιου Boronia deanei με βάση τα ροζ λουλούδια του και τη μορφή ανάπτυξής του.<br /> <br /> Οι φαινολογικές διαδικασίες μπορούν να ωφελήσουν την απευθείας ανίχνευση, εάν πληρούνται οι προηγούμενες προϋποθέσεις. Η φασματική ακτινοβολία που σχετίζεται με φαινολογικά χαρακτηριστικά μπορεί να επηρεάσει άμεσα τις πληροφορίες που καταγράφονται στους τηλεπισκοπικούς δέκτες. Αυτό μπορεί να θεωρηθεί μια ακούσια προκατάληψη όταν προβλέπονται πιθανώς κατάλληλοι οικότοποι φυτών καθώς οι καταγεγραμμένες πληροφορίες σχετίζονται με την πραγματική κατανομή τους. Οι προβλέψεις σπάνιων δέντρων βελτιώθηκαν με την ένταξη πολύ-χρονικών παραγόντων των οποίων η χωρική πληροφορία επηρεάζεται απευθείας από τα φαινολογικά χαρακτηριστικά των φύλλων τους, έτσι έχει γίνει η ανίχνευση φαινολογικών αλλαγών στα φύλλα τεσσάρων σπάνιων φυτών μελέτης. <br /> Η φασματική πληροφορία των φυτών επηρεάζεται από τα φυσιολογικά χαρακτηριστικά τους, όπως η συγκέντρωση και η κατανομή των βιοχημικών συστατικών. Η χρήση πολυφασματικών καναλιών και φυσιολογικών δεικτών σε υψηλή χωρική ανάλυση έχει δείξει σημαντική συμβολή στην ανίχνευση σπάνιων ειδών δέντρων. Επιπλέον, ωφέλιμη μπορεί να είναι και η χρήση υπερφασματικών καναλιών και δεκτών LiDAR που μπορούν να εκτιμήσουν τα φυσιολογικά χαρακτηριστικά των φυτών με περισσότερη λεπτομέρεια.<br /> Οι ενεργοί εναέριοι δέκτες ανιχνεύουν φυτά υπό κάλυψη, ενώ η αποδοτικότητα της έμμεσης τηλεπισκοπικής προσέγγισης βασίζεται σε δύο συνθήκες, την χωρική ανάλυση του δέκτη που πρέπει να προσαρμόζεται στο μέγεθος της περιοχής και οι ιδιαιτερότητες της περιοχής των σπάνιων φυτών για τον καθορισμό της ακρίβειας της πρόβλεψης.<br /> Η απόδοση της πρόβλεψης των μοντέλων μπορεί να διαφέρει μεταξύ τύπων σπάνιων φυτών. Η γεωγραφική κατανομή των ειδών έχει μια έμμεση παρά άμεση επίδραση στην απόδοση των μοντέλων πρόβλεψης μέσω της απόκτησης τηλεπισκοπικών προϊόντων. Η ιδιαιτερότητα του οικοτόπου επηρεάζει την απόδοση πρόβλεψης του μοντέλο, όπως και το μέγεθος του τοπικού πληθυσμού, καθώς είδη με μικρότερους πληθυσμούς είναι πιο ευάλωτα σε δημογραφικά, περιβαλλοντικά και γενετικά τυχαία γεγονότα ή ανθρώπινη παρέμβαση που μπορεί να μειώσει την πιθανότητα αντίστασής τους. Αυτό οδηγεί σε χαμηλό ποσοστό κατειλημμένων κατάλληλων τοποθεσιών που θα μειώσει την ακρίβεια πρόβλεψης του μοντέλου. Αντίθετα, είδη με μεγαλύτερους πληθυσμούς είναι πιο ανθεκτικά και κατ’ επέκταση πιο σταθερά στο χρόνο. <br /> Η απόδοση πρόβλεψης μπορεί να επηρεάζεται αρνητικά από την έκταση της γεωγραφικής κατανομής και θετικά από την ιδιαιτερότητα του οικότοπου και το μέγεθος του τοπικού πληθυσμού. Έτσι, η πρόβλεψη ευρέως κατανεμημένων σπάνιων φυτών μέσω του συνολικού τους εύρους κατανομής δεν είναι πρακτική για την ανίχνευσή τους.<br /> <br /> <br /> '''3. Συμπεράσματα'''<br /> <br /> Η άμεση και έμμεση χρήση τηλεπισκόπησης παρέχει εξαιρετικές πιθανότητες για την ανίχνευση και πρόβλεψη σπάνιων φυτών στο χερσαίο και το υδάτινο περιβάλλον. Η απευθείας ανίχνευση είναι συχνά περιορισμένη, αλλά δυνατή με υψηλής και πολύ υψηλής χωρικής ανάλυσης δεδομένα για είδη με χαρακτηριστικά γνωρίσματα. Γενικά, οι παράγοντες πρόβλεψης με τηλεπισκόπηση συμβάλλουν θετικά στην απόδοση πρόβλεψης όταν συνδυάζονται με μη τηλεπισκοπικούς. <br /> Μερικά χαρακτηριστικά σπάνιων φυτών επηρεάζουν τη δυνατότητα για απευθείας εντοπισμό τους με τηλεπισκόπηση, κάτι που επηρεάζεται από το χώρο που καταλαμβάνει ένα είδος. Από την άλλη, η απόδοση πρόβλεψης των τηλεπισκοπικών εικόνων πρέπει να ταιριάζει το μέγεθος του οικοτόπου που καταλαμβάνεται από τα είδη, αλλιώς μικροί οικότοποι μπορεί να μένουν αδιάκριτοι σε χαμηλές αναλύσεις. Παρόμοια, η απόδοση πρόβλεψης μοντέλων μπορεί να επηρεάζεται από τη σπανιότητα του είδους σύμφωνα με τα κριτήρια ταξινόμησης της σπανιότητας. <br /> Εμφανίσεις νέων σπάνιων φυτών μπορεί στη συνέχεια να χρησιμοποιούνται ως δεδομένα εισαγωγής για τη βελτίωση μοντέλων πρόβλεψης, για την απόκτηση καλύτερης γνώσης και βοήθεια κατανόησης των αιτιών της σπανιότητάς τους και ενημέρωσης της κατάστασης διατήρησής τους. Αναδεικνύονται έτσι οι ισχυρές δυνατότητες της τηλεπισκόπησης στην ανίχνευση και πρόβλεψη σπάνιων φυτών με πρακτικές εφαρμογές στη διατήρηση και διαχείριση σπάνιων ειδών.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BD_%CF%85%CF%80%CE%AC%CF%81%CF%87%CE%B5%CE%B9_%CE%BC%CE%AD%CF%81%CE%BF%CF%82_%CE%BD%CE%B1_%CE%BA%CF%81%CF%85%CF%86%CF%84%CE%B5%CE%AF%CF%82:_%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%83%CF%80%CE%AC%CE%BD%CE%B9%CF%89%CE%BD_%CF%86%CF%85%CF%84%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2022-03-23T20:49:34Z

<p>Siachospan: </p> <hr /> <div> [[category:Οικολογία]]<br /> <br /> '''Δεν υπάρχει μέρος να κρυφτείς: Ανίχνευση σπάνιων φυτών μέσω τηλεπισκόπησης'''<br /> <br /> '''No place to hide: Rare plant detection through remote sensing'''<br /> <br /> Carlos Cerrejón, Osvaldo Valeria, Philippe Marchand, Richard T. Caners, Nicole J. Fenton. Diversity and Distributions (2021)<br /> <br /> Πηγή: [https://onlinelibrary.wiley.com/doi/10.1111/ddi.13244]<br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ4.1.jpg‎|thumb|right|'''Εικόνα 1''': Ο ρόλος του ενδημικού είδους Posidonia oceanic στο οικοσύστημα]]<br /> [[Αρχείο:ΣΙΑΧΟΣ4.2.jpg‎|thumb|right|'''Εικόνα 2''': Το ενδημικό φυτό Euphorbia fontqueriana Greuter]]<br /> [[Αρχείο:ΣΙΑΧΟΣ4.3.jpg‎|thumb|right|'''Εικόνα 3''': Το σπάνιο φυτό Boronia deanei]]<br /> <br /> Η ψηφιακή τηλεπισκόπηση προσφέρει ισχυρές εναλλακτικές στις παραδοσιακές μεθόδους εντοπισμού σπάνιων ειδών φυτών που περιορίζεται από τα φυσικά χαρακτηριστικά τους και από τους περιορισμούς των ίδιων των τεχνικών. Δεδομένα υψηλής και πολύ υψηλής χωρικής ανάλυσης χρησιμοποιούνται για απευθείας αναγνώριση, αν και συχνά έχει περιορισμούς. Επίσης, καταγράφονται βιοχημικές συνθήκες σπάνιων φυτών μέσω των οποίων γίνεται έμμεση πρόβλεψή τους.<br /> <br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Τα σπάνια φυτά είναι ιδιαίτερα ευάλωτα στην εξαφάνιση και έχει σημασία να διατηρούνται, καθώς αποτελούν βασικό κλειδί για τη βιοποικιλότητα, ενώ λόγω χαμηλής επικράτησης εντοπίζονται αρκετά δυσκολότερα. Η ψηφιακή τηλεπισκόπηση αποτελεί μια οικονομική μέθοδο για την εκτίμηση των χαρακτηριστικών της βιοποικιλότητας που επιτρέπει την ανίχνευση μεμονωμένων βιολογικών οντοτήτων, συναθροίσεις ειδών ή οικολογικές κοινότητες και την απόκτηση πληροφοριών που σχετίζονται με τη βιοποικιλότητα.<br /> Μελέτες με χρήση τηλεπισκόπησης για εστίαση ειδικά σε σπάνια φυτά δεν είναι κάτι κοινό, αν και ο αριθμός τους αυξάνεται τα τελευταία χρόνια. Ως ανερχόμενο πεδίο έρευνας, τα οφέλη της τηλεπισκόπησης στον εντοπισμό σπάνιων φυτών δεν είναι ξεκάθαρα. Η οπτική της σπανιότητας κατά τον Rabinowitz διακρίνει επτά τύπους σπανιότητας που βασίζονται σε τρία κριτήρια διχοτόμησης, τη γεωγραφική κατανομή, την ιδιαιτερότητα των οικοτόπων και το μέγεθος του τοπικού πληθυσμού.<br /> <br /> <br /> '''2. Μέθοδοι'''<br /> <br /> Η απευθείας ανίχνευση απαιτεί προηγούμενη γνώση της οικολογίας και της κατανομής ενός είδους και τη χρήση υψηλής χωρικής ανάλυσης εικόνων, ενώ μπορεί να γίνει είτε με οπτική αναγνώριση, είτε με μεθόδους ταξινόμησης της εικόνας. Η μοναδικότητα των μορφολογικών χαρακτηριστικών είναι το κλειδί για την αναγνώριση. Με ταξινόμηση παραδοσιακών έγχρωμων αεροφωτογραφιών έγινε η ανίχνευση του ενδημικού κάκτου Neobuxbaumia tetetzo στο Μεξικό. Όταν όμως τα μορφολογικά χαρακτηριστικά δεν είναι αρκετά, τα φασματικά κανάλια και οι παράγωγοι δείκτες αποτελούν αποδοτική εναλλακτική προσέγγιση για απευθείας ανίχνευση, όπως το Allium tricoccum Aiton και το ενδημικό Agathis australis που ανιχνεύθηκαν με χρήση δεικτών βλάστησης και υγρασίας από πολυφασματικούς και υπερφασματικούς δέκτες. <br /> Η χρησιμότητα δορυφορικών δεκτών υψηλής και πολύ υψηλής χωρικής ανάλυσης για απευθείας ανίχνευση, όπως των 5 από τα 6 απειλούμενα είδη δέντρων στο δάσος Dukuduku στη Νότια Αφρική με χρήση δορυφόρου WorldView-2 στα 2 μέτρα χωρική ανάλυση, αποτελεί σημαντικό πεδίο. Αντίστοιχα και η χρήση εικόνων SPOT χωρικής ανάλυσης 5 μέτρων που επέτρεψε την χαρτογράφηση του απειλούμενου και ενδημικού αλπικού δέντρου Larix chinensis Beissn στο όρος Taibai στην Κίνα. Επιπλέον, γίνονται μελέτες της συνδυαστικής χρήσης τηλεπισκοπικών δεδομένων από παθητικούς και ενεργούς δέκτες. Η χρήση υπερφασματικής πληροφορίας μαζί με δεδομένα LiDAR επέτρεψαν επιτυχή ανίχνευση των σπάνιων φυτών Quercus garryana Douglas ex Hook και Sequoiadendron giganteum στην Καλιφόρνια. Επιπλέον, με τηλεπισκόπηση γίνεται και η απευθείας ανίχνευση σπάνιων φυτών στο υδάτινο περιβάλλον, όπως η ανίχνευση και χαρτογράφηση του ενδημικού είδους Posidonia oceanica στη Μεσόγειο Θάλασσα με χρήση παραδοσιακών έγχρωμων αεροφωτογραφιών και δεδομένα από τον δορυφόρο WorldView-2.<br /> <br /> Η απευθείας προσέγγιση όχι μόνο προσφέρει δυνατότητα ανίχνευσης σπάνιων φυτών, αλλά και εκτίμησης της κατάστασής τους. Επίσης, περιγράφεται η πιθανότητα της προσέγγισης απευθείας ανίχνευσης όχι μόνο να ανιχνεύει σπάνια φυτά, αλλά επίσης να τα καταγράφει χωρικά και χρονικά ή ακόμα και να εντοπίζονται νέοι πληθυσμοί τους. <br /> Με έμμεση προσέγγιση τηλεπισκόπησης γίνεται πρόβλεψη σπάνιων φυτών κάτω από περιβαλλοντικές συνθήκες όπου η απευθείας ανίχνευση δεν θα ήταν δυνατή. Υψηλή απόδοση πρόβλεψης επιτεύχθηκε για το ενδημικό φυτό Euphorbia fontqueriana Greuter με συνδυασμό δεδομένων ανάλυσης 2 μέτρων και δεικτών βλάστησης, χωρίς σχεδόν καθόλου συμβολή μη τηλεπισκοπικών μεταβλητών του εδάφους. Πιο μετριοπαθείς προβλέψεις έγιναν για χαρτογράφηση των οικοτόπων οκτώ απειλούμενων ειδών στην Ιαπωνία με χρήση υπερφασματικών δεδομένων.<br /> <br /> Επίσης ακριβείς προβλέψεις παρέχονται και με την ενσωμάτωση παράγωγου χάρτη βλάστησης από δεδομένα Quickbird μαζί με τοπογραφικές μεταβλητές για τρία απειλούμενα είδη στα νησιά Moorea. Το ενδημικό φυτό Schoenocrambe suffrutescens χαρτογραφήθηκε επιτυχώς συνδυάζοντας μεγάλη ποικιλία τηλεπισκοπικών παραγόντων, περιλαμβανομένων τοπογραφικών μεταβλητών, φασματικών καναλιών, καθώς και δείκτες βλάστησης, υγρασίας και εδάφους. <br /> Η χρήση τηλεπισκόπησης μέτριας ανάλυσης είναι πιο κοινή μέθοδος και χρησιμοποιεί πολύ ευρύτερη ποικιλία παραγόντων πρόβλεψης απ’ ότι όταν χρησιμοποιούνται υψηλής και πολύ υψηλής ανάλυσης δεδομένα. Μοντελοποιήθηκαν κατανομές 19 ειδών δέντρων από σπάνια σε πιο κοινά και βρέθηκε ότι τα μοντέλα που συνδυάζουν τηλεπισκοπικούς και μη τηλεπισκοπικούς παράγοντες παρέχουν καλύτερη απόδοση για όλα τα είδη, και ακόμα περισσότερο για εκείνα που είναι πιο σπάνια. Επιπλέον, μπορούν να παρέχονται πληροφορίες που αφορούν γεωλογικές συσχετίσεις για την πρόβλεψη σπάνιων φυτών. Μόνο ένας γεωλογικός δείκτης Landsat κατέστησε εφικτή την πρόβλεψη της καταλληλότητας οικότοπου για 6 εδαφικά ενδημικά είδη στη Νεβάδα.<br /> Η τηλεπισκόπηση παρέχει χρήσιμες πληροφορίες για τις θέσεις σπάνιων φυτών με καλή προβλεπτικότητα σε υψηλές και μέσες αναλύσεις, έτσι ώστε όχι μόνο να χαρακτηρίζονται οι οικότοποι σπάνιων φυτών, αλλά και να καταγράφονται χωρικά και χρονικά. Αναδεικνύεται η πρακτική αξία των μοντέλων πρόβλεψης να βασίζονται μερικώς ή και εξ ολοκλήρου σε τηλεπισκοπικούς παράγοντες πρόβλεψης.<br /> Καθώς τα σπάνια φυτά συνήθως εμφανίζουν χαμηλή επικράτηση, η συνολική απόδοση πρόβλεψης μετρητικά οδηγεί συνήθως σε υπεραισιόδοξα αποτελέσματα σχετικά με την ακρίβεια των μοντέλων. Έτσι, προτείνεται η χρήση δύο συμπληρωματικών μετρήσεων για να αξιολογηθεί η ικανότητα του μοντέλου να προβλέπει την παρουσία σπάνιων φυτών και συγκεκριμένα την ευαισθησία και την ακρίβεια. Ευαισθησία και ακρίβεια είναι απόλυτα ενδεικτικές μετρήσεις της πρακτικής χρησιμότητας των μοντέλων για την εύρεση νέων τοποθεσιών σπάνιων φυτών. <br /> Υπάρχουν χαρακτηριστικά των σπάνιων φυτών που σχετίζονται με τη μορφολογία, τη φαινολογία, τη φυσιολογία και την οικολογική τους θέση και τα οποία είναι κοινά για σπάνια και κοινά φυτά. Τα μορφολογικά χαρακτηριστικά των σπάνιων φυτών παρέχουν καθοριστικές πληροφορίες για την απευθείας ανίχνευσή τους, ενώ απαιτούνται δύο συνθήκες γι’ αυτό, η πολύ υψηλή χωρική ανάλυση και η ημερομηνία στην οποία λήφθηκε η τηλεπισκοπική εικόνα να αντιστοιχεί σε χρόνο που το φυτό φέρει το ξεχωριστό αυτό μορφολογικό χαρακτηριστικό που επιτρέπει τη διάκρισή του. Έτσι έγινε η απευθείας ανίχνευση του σπάνιου Boronia deanei με βάση τα ροζ λουλούδια του και τη μορφή ανάπτυξής του.<br /> <br /> Οι φαινολογικές διαδικασίες μπορούν να ωφελήσουν την απευθείας ανίχνευση, εάν πληρούνται οι προηγούμενες προϋποθέσεις. Η φασματική ακτινοβολία που σχετίζεται με φαινολογικά χαρακτηριστικά μπορεί να επηρεάσει άμεσα τις πληροφορίες που καταγράφονται στους τηλεπισκοπικούς δέκτες. Αυτό μπορεί να θεωρηθεί μια ακούσια προκατάληψη όταν προβλέπονται πιθανώς κατάλληλοι οικότοποι φυτών καθώς οι καταγεγραμμένες πληροφορίες σχετίζονται με την πραγματική κατανομή τους. Οι προβλέψεις σπάνιων δέντρων βελτιώθηκαν με την ένταξη πολύ-χρονικών παραγόντων των οποίων η χωρική πληροφορία επηρεάζεται απευθείας από τα φαινολογικά χαρακτηριστικά των φύλλων τους, έτσι έχει γίνει η ανίχνευση φαινολογικών αλλαγών στα φύλλα τεσσάρων σπάνιων φυτών μελέτης. <br /> Η φασματική πληροφορία των φυτών επηρεάζεται από τα φυσιολογικά χαρακτηριστικά τους, όπως η συγκέντρωση και η κατανομή των βιοχημικών συστατικών. Η χρήση πολυφασματικών καναλιών και φυσιολογικών δεικτών σε υψηλή χωρική ανάλυση έχει δείξει σημαντική συμβολή στην ανίχνευση σπάνιων ειδών δέντρων. Επιπλέον, ωφέλιμη μπορεί να είναι και η χρήση υπερφασματικών καναλιών και δεκτών LiDAR που μπορούν να εκτιμήσουν τα φυσιολογικά χαρακτηριστικά των φυτών με περισσότερη λεπτομέρεια.<br /> Οι ενεργοί εναέριοι δέκτες ανιχνεύουν φυτά υπό κάλυψη, ενώ η αποδοτικότητα της έμμεσης τηλεπισκοπικής προσέγγισης βασίζεται σε δύο συνθήκες, την χωρική ανάλυση του δέκτη που πρέπει να προσαρμόζεται στο μέγεθος της περιοχής και οι ιδιαιτερότητες της περιοχής των σπάνιων φυτών για τον καθορισμό της ακρίβειας της πρόβλεψης.<br /> Η απόδοση της πρόβλεψης των μοντέλων μπορεί να διαφέρει μεταξύ τύπων σπάνιων φυτών. Η γεωγραφική κατανομή των ειδών έχει μια έμμεση παρά άμεση επίδραση στην απόδοση των μοντέλων πρόβλεψης μέσω της απόκτησης τηλεπισκοπικών προϊόντων. Η ιδιαιτερότητα του οικοτόπου επηρεάζει την απόδοση πρόβλεψης του μοντέλο, όπως και το μέγεθος του τοπικού πληθυσμού, καθώς είδη με μικρότερους πληθυσμούς είναι πιο ευάλωτα σε δημογραφικά, περιβαλλοντικά και γενετικά τυχαία γεγονότα ή ανθρώπινη παρέμβαση που μπορεί να μειώσει την πιθανότητα αντίστασής τους. Αυτό οδηγεί σε χαμηλό ποσοστό κατειλημμένων κατάλληλων τοποθεσιών που θα μειώσει την ακρίβεια πρόβλεψης του μοντέλου. Αντίθετα, είδη με μεγαλύτερους πληθυσμούς είναι πιο ανθεκτικά και κατ’ επέκταση πιο σταθερά στο χρόνο. <br /> Η απόδοση πρόβλεψης μπορεί να επηρεάζεται αρνητικά από την έκταση της γεωγραφικής κατανομής και θετικά από την ιδιαιτερότητα του οικότοπου και το μέγεθος του τοπικού πληθυσμού. Έτσι, η πρόβλεψη ευρέως κατανεμημένων σπάνιων φυτών μέσω του συνολικού τους εύρους κατανομής δεν είναι πρακτική για την ανίχνευσή τους.<br /> <br /> <br /> '''3. Συμπεράσματα'''<br /> <br /> Η άμεση και έμμεση χρήση τηλεπισκόπησης παρέχει εξαιρετικές πιθανότητες για την ανίχνευση και πρόβλεψη σπάνιων φυτών στο χερσαίο και το υδάτινο περιβάλλον. Η απευθείας ανίχνευση είναι συχνά περιορισμένη, αλλά δυνατή με υψηλής και πολύ υψηλής χωρικής ανάλυσης δεδομένα για είδη με χαρακτηριστικά γνωρίσματα. Γενικά, οι παράγοντες πρόβλεψης με τηλεπισκόπηση συμβάλλουν θετικά στην απόδοση πρόβλεψης όταν συνδυάζονται με μη τηλεπισκοπικούς. <br /> Μερικά χαρακτηριστικά σπάνιων φυτών επηρεάζουν τη δυνατότητα για απευθείας εντοπισμό τους με τηλεπισκόπηση, κάτι που επηρεάζεται από το χώρο που καταλαμβάνει ένα είδος. Από την άλλη, η απόδοση πρόβλεψης των τηλεπισκοπικών εικόνων πρέπει να ταιριάζει το μέγεθος του οικοτόπου που καταλαμβάνεται από τα είδη, αλλιώς μικροί οικότοποι μπορεί να μένουν αδιάκριτοι σε χαμηλές αναλύσεις. Παρόμοια, η απόδοση πρόβλεψης μοντέλων μπορεί να επηρεάζεται από τη σπανιότητα του είδους σύμφωνα με τα κριτήρια ταξινόμησης της σπανιότητας. <br /> Εμφανίσεις νέων σπάνιων φυτών μπορεί στη συνέχεια να χρησιμοποιούνται ως δεδομένα εισαγωγής για τη βελτίωση μοντέλων πρόβλεψης, για την απόκτηση καλύτερης γνώσης και βοήθεια κατανόησης των αιτιών της σπανιότητάς τους και ενημέρωσης της κατάστασης διατήρησής τους. Αναδεικνύονται έτσι οι ισχυρές δυνατότητες της τηλεπισκόπησης στην ανίχνευση και πρόβλεψη σπάνιων φυτών με πρακτικές εφαρμογές στη διατήρηση και διαχείριση σπάνιων ειδών.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%A3%CE%99%CE%91%CE%A7%CE%9F%CE%A34.3.jpg 2022-03-23T20:45:10Z

<p>Siachospan: </p> <hr /> <div></div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%A3%CE%99%CE%91%CE%A7%CE%9F%CE%A34.2.jpg 2022-03-23T20:44:53Z

<p>Siachospan: </p> <hr /> <div></div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%A3%CE%99%CE%91%CE%A7%CE%9F%CE%A34.1.jpg 2022-03-23T20:44:38Z

<p>Siachospan: </p> <hr /> <div></div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BD_%CF%85%CF%80%CE%AC%CF%81%CF%87%CE%B5%CE%B9_%CE%BC%CE%AD%CF%81%CE%BF%CF%82_%CE%BD%CE%B1_%CE%BA%CF%81%CF%85%CF%86%CF%84%CE%B5%CE%AF%CF%82:_%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%83%CF%80%CE%AC%CE%BD%CE%B9%CF%89%CE%BD_%CF%86%CF%85%CF%84%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2022-03-23T20:41:42Z

<p>Siachospan: Νέα σελίδα με ' category:Οικολογία '''Δεν υπάρχει μέρος να κρυφτείς: Ανίχνευση σπάνιων φυτών μέσω τηλεπισκόπησ...'</p> <hr /> <div> [[category:Οικολογία]]<br /> <br /> '''Δεν υπάρχει μέρος να κρυφτείς: Ανίχνευση σπάνιων φυτών μέσω τηλεπισκόπησης'''<br /> <br /> '''No place to hide: Rare plant detection through remote sensing'''<br /> <br /> Carlos Cerrejón, Osvaldo Valeria, Philippe Marchand, Richard T. Caners, Nicole J. Fenton. Diversity and Distributions (2021)<br /> <br /> Πηγή: [https://onlinelibrary.wiley.com/doi/10.1111/ddi.13244]<br /> <br /> <br /> Η ψηφιακή τηλεπισκόπηση προσφέρει ισχυρές εναλλακτικές στις παραδοσιακές μεθόδους εντοπισμού σπάνιων ειδών φυτών που περιορίζεται από τα φυσικά χαρακτηριστικά τους και από τους περιορισμούς των ίδιων των τεχνικών. Δεδομένα υψηλής και πολύ υψηλής χωρικής ανάλυσης χρησιμοποιούνται για απευθείας αναγνώριση, αν και συχνά έχει περιορισμούς. Επίσης, καταγράφονται βιοχημικές συνθήκες σπάνιων φυτών μέσω των οποίων γίνεται έμμεση πρόβλεψή τους.<br /> <br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Τα σπάνια φυτά είναι ιδιαίτερα ευάλωτα στην εξαφάνιση και έχει σημασία να διατηρούνται, καθώς αποτελούν βασικό κλειδί για τη βιοποικιλότητα, ενώ λόγω χαμηλής επικράτησης εντοπίζονται αρκετά δυσκολότερα. Η ψηφιακή τηλεπισκόπηση αποτελεί μια οικονομική μέθοδο για την εκτίμηση των χαρακτηριστικών της βιοποικιλότητας που επιτρέπει την ανίχνευση μεμονωμένων βιολογικών οντοτήτων, συναθροίσεις ειδών ή οικολογικές κοινότητες και την απόκτηση πληροφοριών που σχετίζονται με τη βιοποικιλότητα.<br /> Μελέτες με χρήση τηλεπισκόπησης για εστίαση ειδικά σε σπάνια φυτά δεν είναι κάτι κοινό, αν και ο αριθμός τους αυξάνεται τα τελευταία χρόνια. Ως ανερχόμενο πεδίο έρευνας, τα οφέλη της τηλεπισκόπησης στον εντοπισμό σπάνιων φυτών δεν είναι ξεκάθαρα. Η οπτική της σπανιότητας κατά τον Rabinowitz διακρίνει επτά τύπους σπανιότητας που βασίζονται σε τρία κριτήρια διχοτόμησης, τη γεωγραφική κατανομή, την ιδιαιτερότητα των οικοτόπων και το μέγεθος του τοπικού πληθυσμού.<br /> <br /> <br /> '''2. Μέθοδοι'''<br /> <br /> Η απευθείας ανίχνευση απαιτεί προηγούμενη γνώση της οικολογίας και της κατανομής ενός είδους και τη χρήση υψηλής χωρικής ανάλυσης εικόνων, ενώ μπορεί να γίνει είτε με οπτική αναγνώριση, είτε με μεθόδους ταξινόμησης της εικόνας. Η μοναδικότητα των μορφολογικών χαρακτηριστικών είναι το κλειδί για την αναγνώριση. Με ταξινόμηση παραδοσιακών έγχρωμων αεροφωτογραφιών έγινε η ανίχνευση του ενδημικού κάκτου Neobuxbaumia tetetzo στο Μεξικό. Όταν όμως τα μορφολογικά χαρακτηριστικά δεν είναι αρκετά, τα φασματικά κανάλια και οι παράγωγοι δείκτες αποτελούν αποδοτική εναλλακτική προσέγγιση για απευθείας ανίχνευση, όπως το Allium tricoccum Aiton και το ενδημικό Agathis australis που ανιχνεύθηκαν με χρήση δεικτών βλάστησης και υγρασίας από πολυφασματικούς και υπερφασματικούς δέκτες. <br /> Η χρησιμότητα δορυφορικών δεκτών υψηλής και πολύ υψηλής χωρικής ανάλυσης για απευθείας ανίχνευση, όπως των 5 από τα 6 απειλούμενα είδη δέντρων στο δάσος Dukuduku στη Νότια Αφρική με χρήση δορυφόρου WorldView-2 στα 2 μέτρα χωρική ανάλυση, αποτελεί σημαντικό πεδίο. Αντίστοιχα και η χρήση εικόνων SPOT χωρικής ανάλυσης 5 μέτρων που επέτρεψε την χαρτογράφηση του απειλούμενου και ενδημικού αλπικού δέντρου Larix chinensis Beissn στο όρος Taibai στην Κίνα. Επιπλέον, γίνονται μελέτες της συνδυαστικής χρήσης τηλεπισκοπικών δεδομένων από παθητικούς και ενεργούς δέκτες. Η χρήση υπερφασματικής πληροφορίας μαζί με δεδομένα LiDAR επέτρεψαν επιτυχή ανίχνευση των σπάνιων φυτών Quercus garryana Douglas ex Hook και Sequoiadendron giganteum στην Καλιφόρνια. Επιπλέον, με τηλεπισκόπηση γίνεται και η απευθείας ανίχνευση σπάνιων φυτών στο υδάτινο περιβάλλον, όπως η ανίχνευση και χαρτογράφηση του ενδημικού είδους Posidonia oceanica στη Μεσόγειο Θάλασσα με χρήση παραδοσιακών έγχρωμων αεροφωτογραφιών και δεδομένα από τον δορυφόρο WorldView-2.<br /> <br /> Η απευθείας προσέγγιση όχι μόνο προσφέρει δυνατότητα ανίχνευσης σπάνιων φυτών, αλλά και εκτίμησης της κατάστασής τους. Επίσης, περιγράφεται η πιθανότητα της προσέγγισης απευθείας ανίχνευσης όχι μόνο να ανιχνεύει σπάνια φυτά, αλλά επίσης να τα καταγράφει χωρικά και χρονικά ή ακόμα και να εντοπίζονται νέοι πληθυσμοί τους. <br /> Με έμμεση προσέγγιση τηλεπισκόπησης γίνεται πρόβλεψη σπάνιων φυτών κάτω από περιβαλλοντικές συνθήκες όπου η απευθείας ανίχνευση δεν θα ήταν δυνατή. Υψηλή απόδοση πρόβλεψης επιτεύχθηκε για το ενδημικό φυτό Euphorbia fontqueriana Greuter με συνδυασμό δεδομένων ανάλυσης 2 μέτρων και δεικτών βλάστησης, χωρίς σχεδόν καθόλου συμβολή μη τηλεπισκοπικών μεταβλητών του εδάφους. Πιο μετριοπαθείς προβλέψεις έγιναν για χαρτογράφηση των οικοτόπων οκτώ απειλούμενων ειδών στην Ιαπωνία με χρήση υπερφασματικών δεδομένων.<br /> <br /> Επίσης ακριβείς προβλέψεις παρέχονται και με την ενσωμάτωση παράγωγου χάρτη βλάστησης από δεδομένα Quickbird μαζί με τοπογραφικές μεταβλητές για τρία απειλούμενα είδη στα νησιά Moorea. Το ενδημικό φυτό Schoenocrambe suffrutescens χαρτογραφήθηκε επιτυχώς συνδυάζοντας μεγάλη ποικιλία τηλεπισκοπικών παραγόντων, περιλαμβανομένων τοπογραφικών μεταβλητών, φασματικών καναλιών, καθώς και δείκτες βλάστησης, υγρασίας και εδάφους. <br /> Η χρήση τηλεπισκόπησης μέτριας ανάλυσης είναι πιο κοινή μέθοδος και χρησιμοποιεί πολύ ευρύτερη ποικιλία παραγόντων πρόβλεψης απ’ ότι όταν χρησιμοποιούνται υψηλής και πολύ υψηλής ανάλυσης δεδομένα. Μοντελοποιήθηκαν κατανομές 19 ειδών δέντρων από σπάνια σε πιο κοινά και βρέθηκε ότι τα μοντέλα που συνδυάζουν τηλεπισκοπικούς και μη τηλεπισκοπικούς παράγοντες παρέχουν καλύτερη απόδοση για όλα τα είδη, και ακόμα περισσότερο για εκείνα που είναι πιο σπάνια. Επιπλέον, μπορούν να παρέχονται πληροφορίες που αφορούν γεωλογικές συσχετίσεις για την πρόβλεψη σπάνιων φυτών. Μόνο ένας γεωλογικός δείκτης Landsat κατέστησε εφικτή την πρόβλεψη της καταλληλότητας οικότοπου για 6 εδαφικά ενδημικά είδη στη Νεβάδα.<br /> Η τηλεπισκόπηση παρέχει χρήσιμες πληροφορίες για τις θέσεις σπάνιων φυτών με καλή προβλεπτικότητα σε υψηλές και μέσες αναλύσεις, έτσι ώστε όχι μόνο να χαρακτηρίζονται οι οικότοποι σπάνιων φυτών, αλλά και να καταγράφονται χωρικά και χρονικά. Αναδεικνύεται η πρακτική αξία των μοντέλων πρόβλεψης να βασίζονται μερικώς ή και εξ ολοκλήρου σε τηλεπισκοπικούς παράγοντες πρόβλεψης.<br /> Καθώς τα σπάνια φυτά συνήθως εμφανίζουν χαμηλή επικράτηση, η συνολική απόδοση πρόβλεψης μετρητικά οδηγεί συνήθως σε υπεραισιόδοξα αποτελέσματα σχετικά με την ακρίβεια των μοντέλων. Έτσι, προτείνεται η χρήση δύο συμπληρωματικών μετρήσεων για να αξιολογηθεί η ικανότητα του μοντέλου να προβλέπει την παρουσία σπάνιων φυτών και συγκεκριμένα την ευαισθησία και την ακρίβεια. Ευαισθησία και ακρίβεια είναι απόλυτα ενδεικτικές μετρήσεις της πρακτικής χρησιμότητας των μοντέλων για την εύρεση νέων τοποθεσιών σπάνιων φυτών. <br /> Υπάρχουν χαρακτηριστικά των σπάνιων φυτών που σχετίζονται με τη μορφολογία, τη φαινολογία, τη φυσιολογία και την οικολογική τους θέση και τα οποία είναι κοινά για σπάνια και κοινά φυτά. Τα μορφολογικά χαρακτηριστικά των σπάνιων φυτών παρέχουν καθοριστικές πληροφορίες για την απευθείας ανίχνευσή τους, ενώ απαιτούνται δύο συνθήκες γι’ αυτό, η πολύ υψηλή χωρική ανάλυση και η ημερομηνία στην οποία λήφθηκε η τηλεπισκοπική εικόνα να αντιστοιχεί σε χρόνο που το φυτό φέρει το ξεχωριστό αυτό μορφολογικό χαρακτηριστικό που επιτρέπει τη διάκρισή του. Έτσι έγινε η απευθείας ανίχνευση του σπάνιου Boronia deanei με βάση τα ροζ λουλούδια του και τη μορφή ανάπτυξής του.<br /> <br /> Οι φαινολογικές διαδικασίες μπορούν να ωφελήσουν την απευθείας ανίχνευση, εάν πληρούνται οι προηγούμενες προϋποθέσεις. Η φασματική ακτινοβολία που σχετίζεται με φαινολογικά χαρακτηριστικά μπορεί να επηρεάσει άμεσα τις πληροφορίες που καταγράφονται στους τηλεπισκοπικούς δέκτες. Αυτό μπορεί να θεωρηθεί μια ακούσια προκατάληψη όταν προβλέπονται πιθανώς κατάλληλοι οικότοποι φυτών καθώς οι καταγεγραμμένες πληροφορίες σχετίζονται με την πραγματική κατανομή τους. Οι προβλέψεις σπάνιων δέντρων βελτιώθηκαν με την ένταξη πολύ-χρονικών παραγόντων των οποίων η χωρική πληροφορία επηρεάζεται απευθείας από τα φαινολογικά χαρακτηριστικά των φύλλων τους, έτσι έχει γίνει η ανίχνευση φαινολογικών αλλαγών στα φύλλα τεσσάρων σπάνιων φυτών μελέτης. <br /> Η φασματική πληροφορία των φυτών επηρεάζεται από τα φυσιολογικά χαρακτηριστικά τους, όπως η συγκέντρωση και η κατανομή των βιοχημικών συστατικών. Η χρήση πολυφασματικών καναλιών και φυσιολογικών δεικτών σε υψηλή χωρική ανάλυση έχει δείξει σημαντική συμβολή στην ανίχνευση σπάνιων ειδών δέντρων. Επιπλέον, ωφέλιμη μπορεί να είναι και η χρήση υπερφασματικών καναλιών και δεκτών LiDAR που μπορούν να εκτιμήσουν τα φυσιολογικά χαρακτηριστικά των φυτών με περισσότερη λεπτομέρεια.<br /> Οι ενεργοί εναέριοι δέκτες ανιχνεύουν φυτά υπό κάλυψη, ενώ η αποδοτικότητα της έμμεσης τηλεπισκοπικής προσέγγισης βασίζεται σε δύο συνθήκες, την χωρική ανάλυση του δέκτη που πρέπει να προσαρμόζεται στο μέγεθος της περιοχής και οι ιδιαιτερότητες της περιοχής των σπάνιων φυτών για τον καθορισμό της ακρίβειας της πρόβλεψης.<br /> Η απόδοση της πρόβλεψης των μοντέλων μπορεί να διαφέρει μεταξύ τύπων σπάνιων φυτών. Η γεωγραφική κατανομή των ειδών έχει μια έμμεση παρά άμεση επίδραση στην απόδοση των μοντέλων πρόβλεψης μέσω της απόκτησης τηλεπισκοπικών προϊόντων. Η ιδιαιτερότητα του οικοτόπου επηρεάζει την απόδοση πρόβλεψης του μοντέλο, όπως και το μέγεθος του τοπικού πληθυσμού, καθώς είδη με μικρότερους πληθυσμούς είναι πιο ευάλωτα σε δημογραφικά, περιβαλλοντικά και γενετικά τυχαία γεγονότα ή ανθρώπινη παρέμβαση που μπορεί να μειώσει την πιθανότητα αντίστασής τους. Αυτό οδηγεί σε χαμηλό ποσοστό κατειλημμένων κατάλληλων τοποθεσιών που θα μειώσει την ακρίβεια πρόβλεψης του μοντέλου. Αντίθετα, είδη με μεγαλύτερους πληθυσμούς είναι πιο ανθεκτικά και κατ’ επέκταση πιο σταθερά στο χρόνο. <br /> Η απόδοση πρόβλεψης μπορεί να επηρεάζεται αρνητικά από την έκταση της γεωγραφικής κατανομής και θετικά από την ιδιαιτερότητα του οικότοπου και το μέγεθος του τοπικού πληθυσμού. Έτσι, η πρόβλεψη ευρέως κατανεμημένων σπάνιων φυτών μέσω του συνολικού τους εύρους κατανομής δεν είναι πρακτική για την ανίχνευσή τους.<br /> <br /> <br /> '''3. Συμπεράσματα'''<br /> <br /> Η άμεση και έμμεση χρήση τηλεπισκόπησης παρέχει εξαιρετικές πιθανότητες για την ανίχνευση και πρόβλεψη σπάνιων φυτών στο χερσαίο και το υδάτινο περιβάλλον. Η απευθείας ανίχνευση είναι συχνά περιορισμένη, αλλά δυνατή με υψηλής και πολύ υψηλής χωρικής ανάλυσης δεδομένα για είδη με χαρακτηριστικά γνωρίσματα. Γενικά, οι παράγοντες πρόβλεψης με τηλεπισκόπηση συμβάλλουν θετικά στην απόδοση πρόβλεψης όταν συνδυάζονται με μη τηλεπισκοπικούς. <br /> Μερικά χαρακτηριστικά σπάνιων φυτών επηρεάζουν τη δυνατότητα για απευθείας εντοπισμό τους με τηλεπισκόπηση, κάτι που επηρεάζεται από το χώρο που καταλαμβάνει ένα είδος. Από την άλλη, η απόδοση πρόβλεψης των τηλεπισκοπικών εικόνων πρέπει να ταιριάζει το μέγεθος του οικοτόπου που καταλαμβάνεται από τα είδη, αλλιώς μικροί οικότοποι μπορεί να μένουν αδιάκριτοι σε χαμηλές αναλύσεις. Παρόμοια, η απόδοση πρόβλεψης μοντέλων μπορεί να επηρεάζεται από τη σπανιότητα του είδους σύμφωνα με τα κριτήρια ταξινόμησης της σπανιότητας. <br /> Εμφανίσεις νέων σπάνιων φυτών μπορεί στη συνέχεια να χρησιμοποιούνται ως δεδομένα εισαγωγής για τη βελτίωση μοντέλων πρόβλεψης, για την απόκτηση καλύτερης γνώσης και βοήθεια κατανόησης των αιτιών της σπανιότητάς τους και ενημέρωσης της κατάστασης διατήρησής τους. Αναδεικνύονται έτσι οι ισχυρές δυνατότητες της τηλεπισκόπησης στην ανίχνευση και πρόβλεψη σπάνιων φυτών με πρακτικές εφαρμογές στη διατήρηση και διαχείριση σπάνιων ειδών.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CE%AF_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CF%8C%CF%81%CE%BF%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%9A%CE%AF%CE%BD%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%BF%CF%85%CF%82 2022-03-23T20:33:50Z

<p>Siachospan: </p> <hr /> <div> [[category:Διαστημική Τηλεπισκόπηση]]<br /> <br /> '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους<br /> <br /> China’s high-resolution optical remote sensing satellites and their mapping applications'''<br /> <br /> Li, Deren, Mi Wang and Jie Jiang. Geo-spatial Information Science 24 (2021): 85 - 94.<br /> <br /> Πηγή: [https://www.tandfonline.com/doi/full/10.1080/10095020.2020.1838957]<br /> <br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ2.3.jpeg‎|thumb|right|'''Εικόνα 1''': Ρεαλιστική απεικόνιση του δορυφόρου GF-1]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.1.JPG‎|thumb|right|'''Εικόνα 2''': Αποτελέσματα χαρτογράφησης ψηλών βουνών από την Κίνα. α) Χαρτογραφικό αποτέλεσμα υψηλής ακρίβειας. β) Χαρτογραφικό αποτέλεσμα της περιοχής Nanga Parbat]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.2.JPG‎|thumb|right|'''Εικόνα 3''': Λειτουργία στερεοεικόνας SAC]]<br /> <br /> '''1. Εισαγωγή – Ιστορία και εξέλιξη της δορυφορικής τηλεπισκόπησης'''<br /> <br /> 1.1. Η δορυφορική τηλεπισκόπηση σε παγκόσμιο επίπεδο<br /> Η πρώην Σοβιετική Ένωση ήταν εκείνη που άνοιξε τον δρόμο για τη διαστημική παρατήρηση της γης, παρουσιάζοντας τον πρώτο τεχνητό δορυφόρο το 1957. Ακολούθησαν οι Ηνωμένες Πολιτείες το 1972 με την εκτόξευση του πρώτου τους δορυφόρου παρατήρησης εδάφους, τον Landsat-1. Έπειτα από 14 χρόνια, το 1986, η Γαλλία παρουσίασε τον δορυφόρο SPOT-1, ενώ από το 1994 με την οδηγία PDD-23 των ΗΠΑ επιτρέπεται η εξαγωγή τηλεπισκοπικών δεδομένων υψηλής ανάλυσης, με την οποία προωθείται και η ανάπτυξη των αντίστοιχων δορυφόρων. Το 1999 παρουσιάζεται στις ΗΠΑ ο πρώτος υψηλής ανάλυσης εμπορικός δορυφόρος με χωρική ανάλυση 1m με σημαντικά στρατιωτικά και οικονομικά οφέλη από τη χρήση του.<br /> 1.2. Η δορυφορική τηλεπισκόπηση στην Κίνα<br /> Όπως αρκετές χώρες, έτσι και η Κίνα από τις αρχές του 21ου αιώνα παρουσιαζεί σημαντική πρόοδο στην εξέλιξη της δορυφορικής τηλεπισκόπησης. Αναπτύσσει συνεχώς καινοτομίες στην πρόοδο των τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης και αξιοποιεί την ανάπτυξη των τηλεπισκοπικών δορυφορών υψηλής ανάλυσης, για τον εμπλουτισμό των σύγχρονων χαρτογραφικών μεθόδων και τεχνολογιών.<br /> Ένα Υψηλής Ανάλυσης Σύστημα Παρατήρησης της Γης (HREOS), αποτελεί σημαντικό επιστημονικό και τεχνολογικό έργο για την Κίνα. Το GaoFenproject όπως ονομάστηκε, παρουσιάστηκε το 2010 με σκοπό τη δημιουργία ενός ανεξάρτητου και αναβαθμισμένου HREOS. Το 2020 αποτελεί τον τελευταίο χρόνο του GaoFenproject, ενώ μέσα σε αυτή τη δεκαετία η Κίνα έχει αναπτύξει, παρουσιάσει και λειτουργήσει πολλαπλούς υψηλής ανάλυσης δορυφόρους. Έχει καταφέρει να μικρύνει το τεχνολογικό κενό με άλλες χώρες, φτάνοντας ακόμα και το επίπεδο ηγετικών δορυφόρων που παρουσιάστηκαν από αυτές. Έτσι, το HREOSτης Κίνας με τους δορυφόρους του GaoFenProject αλλά και άλλους εγχώριους δορυφόρους, σχεδιάστηκε για να βελτιωθεί το ποσοστό επάρκειας των ανεξάρτητων υψηλής ανάλυσης τηλεπισκοπικών δεδομένων, καθώς επίσης την επικαιρότητα απόκτησης δεδομένων. <br /> <br /> <br /> '''2. Εξέλιξη τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Η Κίνα ξεκίνησε την ανάπτυξη υψηλής ανάλυσης τηλεπισκοπικών δορυφόρων από το 2007 με τον CBERS-02Bμε κάμερα υψηλής ανάλυσης 2.36m, ο οποίος αντικαταστάθηκε το 2011 από τον δορυφόρο ZY-1 02C με αντίστοιχες ικανότητες.<br /> Το 2012 εκτοξεύτηκε ο δορυφόρος ZY-3 με TLC (Three-LineArrayCamera) που πετυχαίνει τριών όψεων στερεοαπεικόνιση με ανάλυση 2.1m στο ναδίρ και 3.5m στις εμπρός και πίσω όψεις. Οι στερεοεικόνες απ’ τον ZY-3 χρησιμοποιούνται για την παραγωγή τοπογραφικών χαρτών κλίμακας 1:50.000. Αντικαταστάθηκε το 2016 από τον πιο εξελιγμένο ZY-3 02 με βελτιωμένη χωρική ανάλυση εμπρός και πίσω όψεων στα 2.5m.<br /> Το 2013 ο GF-1 ήταν ο πρώτος δορυφόρος του GaoFenProject και έφερε υψηλή ανάλυση 2m και πλάτος λήψης 800km. Το 2014 εκτοξέυτηκε ο GF-2 με χωρική ανάλυση καλύτερη του 1m. Τα επόμενα χρόνια εκτοξεύτηκαν επιτυχώς ο γεωστατικός δορυφόρος GF-4 με υψηλή ανάλυση και μέγιστο ρυθμό δεδομένων τριών εικονολήψεων το λεπτό, ο υπερφασματικός GF-5 με ενσωματωμένη δυνατότητα παρατήρησης γης και ατμόσφαιρας, ο GF-6 για παρατήρηση καλλιεργειών ακριβείας και ο GF-7 για στερεογραφική χαρτογράφηση με ανάλυση κάτω του ενός μέτρου.<br /> Το 2018 δημιουργήθηκε ο πρώτος σχηματισμός δορυφόρων υψηλής ανάλυσης της Κίνας, από τους δορυφόρους GF-1 02/03/04, οι οποίοι επιτυγχάνουν ικανότητα απεικόνισης 15 ημερών παγκόσμιας κάλυψης και 2 ημερών επανακάλυψη ανά σημείο. Σε συνεργασία με τον GF-1 του 2013, αυτά τα νούμερα γίνονται 11 και 1 ημέρα αντίστοιχα.<br /> <br /> <br /> '''3. Εξέλιξη εμπορικών τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Το 2015 εκτοξεύτηκε ένας σχηματισμός τριών δορυφόρων με χωρική ανάλυση 1m παγχρωματικής και 4m πολυφασματικής απεικόνισης, ο οποίος επιτυγχάνει 1 ημέρα επανακάλυψη περιοχής. Επιπλέον, εκτοξέυτηκαν τέσσερεις από τους δορυφόρους της σειράς Jilin-1, τον πρώτο πραγματικά ανεξάρτητο εμπορικό δορυφόρο τηλεπισκόπησης της Κίνας. Οι τέσσερεις δορυφόροι είναι ο GXA με 0.72m παγχρωματική και 2.88m πολυφασματική ικανότητα απεικόνισης, δύο δορυφόροι βιντεοσκόπησης SP01 και SP02 με χωρική ανάλυση 1.12m και ο έξυπνος επαληθευτικός δορυφόρος LQ με ανάλυση 5m. Επιπλέον, χρησιμοποιούνται έξι δορυφόροι βίντεο, δύο πολυφασματικοί δορυφόροι 26 καναλιών, τρεις παγχρωματικοί και πολυφασματικοί οπτικοί δορυφόροι και ένας ευρέος πλάτους λωρίδας δορυφόρος. Ένας σχηματισμός 16 δορυφόρων είναι σε τροχιά και λειτουργεί σε ένα δίκτυο το οποίο περνάει κάθε σημείο στον κόσμο 5-7 φορές την ημέρα.<br /> Με έναν πύραυλο το 2016 εκτοξεύθηκαν οι δορυφόροι SuperView-1 01 και 02, ενώ οι 03 και 04 το 2018. Και οι τέσσερις δορυφόροι της σειράς με κοινές παραμέτρους σχεδίασης, λειτουργούν στο ίδιο τροχιακό δίκτυο με ανάλυση 0.5m και μπορούν να πραγματοποιούν λήψη από οποιονδήποτε στόχο κάθε μέρα. Από το 2017, εκτοξέυτηκε και ο σχηματισμός Zhuhai-1 για τον οποίο σχεδιάζεται η εκτόξευση 34 δορυφόρων.<br /> <br /> <br /> '''4. Εξέλιξη χαρτογράφησης από υψηλής ανάλυσης οπτικούς δορυφόρους και εφαρμογές'''<br /> <br /> Η χαρτογράφηση από υψηλής ανάλυσης δορυφόρους αποτελεί ένα επιτυχημένο μέσο για την απόκτηση της απαραίτητης γεωγραφικής πληροφορίας, όπου αξιοποιώντας τις αρχές της φωτογραμμετρίας, ένας υψηλής ανάλυσης δορυφόρος ολοκληρώνει την καταγραφή των υψομέτρων αξιοποιώντας στερεοζεύγη εικόνων ίδιας ή διαφορετικής τροχιάς με διαφορετικές οπτικές γωνίες της ίδιας περιοχής.<br /> 4.1. Δορυφόρος ZY-3<br /> Ο δορυφόρος ZY-3 είναι πρώτης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας. Για τη λειτουργία στερεοεικόνων του TLC, ο αισθητήρας τους ναδίρ είναι κάθετος στο σημείο με χωρική ανάλυση 2.5m, ο εμπρός αισθητήρας έχει κλίση +22ο και ο οπίσθιος αισθητήρας έχει κλίση κατά -22ο με χωρική ανάλυση και για τους δύο στα 3.5m. Κατά μήκος της κατεύθυνσης της πτήσης παράγονται συνεχώς τρεις επικαλυπτόμενες εικόνες λωρίδας πλάτους 52km. Οι συντεταγμένες των αντικειμένων των εικόνων υπολογίζονται μέσα από τις αυστηρές χωρικές σχέσεις μεταξύ αντικειμένου και εικόνας, επιτρέποντας έτσι το σχεδιασμό ενός τοπογραφικού χάρτη.<br /> Με χρήση των εικόνων ναδίρ παράγονται ορθοφωτογραφίες υψηλής ανάλυσης και με τα στερεοζεύγη τέτοιων εικόνων υπολογίζεται το υψόμετρο. Ο ZY-3 εξοπλίζεται επίσης μέ έναν πολυφασματικό αισθητήρα ανάλυσης 6.8m που περιλαμβάνει μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο φασματικό κανάλι. Η ακρίβεια της ερμηνείας των αντικειμένων στο έδαφος βελτιώνεται με την ένωση των πολυφασματικών με τις παγχρωματικές υψηλής ανάλυσης εικόνες.<br /> Από το 2012 και την εκτόξευσή του, ο ZY-3 έχει χρησιμοποιηθεί σε πολλές χαρτογραφικές εφαρμογές, όπως την δυναμική αναβάθμιση της βασικής εθνικής γεωχωρικής βάσης δεδεομένων κλίμακας 1:50.000, την πρώτη εθνική γεωγραφική καταγραφή και την παραγωγή μοντέλου εδάφους 1:25000 στις δυτικές περιοχές.<br /> Η ακρίβεια του δορυφόρου ZY-3 ελέγχθηκε με τη χρήση 1090 σημείων ελέγχου που μετρήθηκαν στο πεδίο με μεθόδους υψηλής ακρίβειας, ενώ όσον αφορά τα υψόμετρα η ακρίβεια υπολογισμού τους εμφανίζει περιθώριο βελτίωσης της τάξης των 3m με χρήση LAD (LaserAltimeterData).<br /> Το Πανεπιστημίο της Γουχάν και άλλα ερευνητικά κέντρα έχουν μελετήσει τεχνολογίες χαρτογράφησης μεγάλης κλίμακας υψηλής ακρίβειας και λογισμικά που δεν απαιτούν τη χρήση σημείων ελέγχου, παρουσιάζοντας εφαρμογές που χρησιμοποιούν χιλιάδες εικόνες TCL από τον δορυφόρο ZY-3. Αντίστοιχα, στο Πανεπιστήμιο του Πεκίνου διεξήχθη έρευνα παγκόσμιας συνεργασίας στη χαρτογράφηση ψηλών βουνών, σε συνεργασία με το Πανεπιστήμιο του Ανόβερο, την Ευρωπαϊκή Ακαδημία Επιστημών και Τεχνών στο Σάλτζμπουργκ και το Ινστιτόυτο Έρευνας Περιβαλλοντικών Συστημάτων.<br /> Βασιζόμενη στην τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο της Γουχάν, η Κίνα έχει ολοκληρώσει την χαρτογράφηση των ψηλών βουνών της περιοχής NangaParbat στο δυτικότερο τμήμα των Ιμαλαΐων, κάνοντας χρήση εικόνων του δορυφόρου ZY-3. <br /> Δορυφόρος GF-7<br /> Ο δορυφόρος GF-7 είναι δεύτερης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας, με κύριο στόχο χαρτογράφηση κλίμακας 1:10.000 στην Κίνα. Εξοπλίζεται με DLC ανάλυσης κάτω του ενός μέτρου, καθώς ο εμπρόσθιος αισθητήρας έχει κλίση +26ο για τη λήψη παγχρωματικών εικόνων ανάλυσης 0,8m και ο οπίσθιος αισθητήρας με κλίση -5ο πραγματοποιεί λήψεις παγχρωματικών εικόνων με ανάλυση 0,65m και πολυφασματικών εικόνων με ανάλυση 2,6m. <br /> Επιπλέον, λόγω μειωμένου αριθμού σημείων ελέγχου σε πολλές περιοχές και την ανάγκη κλίμακας 1:10.000, ο GF-7 εξοπλίζεται με διπλής δέσμης laser υψομέτρου που μπορεί να υπολογίζει το υψόμετρο με ακρίβεια καλύτερη του 1m. Με αυτόν τον τρόπο φαίνεται ότι οι επιδόσεις του GF-7 μπορεί να ικανοποιήσουν την χαρτογράφησης κλίμακας 1:10.000. <br /> 4.2. Χρήση ελιγμών δορυφόρων για υπό γωνία λήψεις<br /> Αντίθετα από δορυφόρους όπως οι ZY-3 και GF-7, οι υψηλής ανάλυσης δορυφόροι με μία κάμερα εξοπλίζονται με SLC ή SAC και χρησιμοποιούν κυρίως διαφορετικούς ελιγμούς προκειμένου να επιτύχουν παρατήρηση πολλαπλής προβολής του ίδιου αντικειμένου ή περιοχής με προσαρμογή της θέσης τους. Τέτοιοι δορυφόροι απαιτούν υψηλής ακρίβειας έλεγχο της θέσης τους και υπολογισμού της τροχιάς τους. Επιπλέον, παρότι έχουν ικανότητα ανάλυσης λιγότερο του 1m, παρουσιάζουν αδυναμίες στον έλεγχο της γεωμετρίας των εικόνων σε σχέση με τις στατικές μεθόδους χαρτογράφησης TLC και DLC, απαιτώντας σημαντικό έλεγχο εδάφους για χαρτογραφήσεις μεγάλης κλίμακας. Επιπλέον, το πλάτος των εικόνων SLC και SAC περιορίζεται λόγω της ανάλυσης κάτω του ενός μέτρου, όπως το πλάτος του SuperView-1 με χωρική ανάλυση 0.5m που είναι 12km.<br /> <br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Η ανάπτυξη των δορυφόρων υψηλής ανάλυσης της Κίνας παρουσιάζει σημαντική πρόοδο με την απόδοση των απλών μονών δορύφορων να αυξάνεται, τα δίκτυα πολλαπλών δορύφορων να αναδεικνύονται ως τάση και η εμπορευματοποίηση δορυφόρων να αναπτύσσεται σταθεράκαι το σύστημα δορυφορικής τηλεπισκόπησης να γίνεται όλο και πιο άφθονο και πλήρες.<br /> Παρ’ όλα αυτά, ο στόχος της παγκόσμιας κάλυψης και χαρτογραφικής ενημέρωσης παραμένει δύσκολος, καθώς ένα σύστημα χαρτογράφησης χωρίς την ανάγκη επίγειου ελέγχου χρειάζεται περαιτέρω ανάπτυξη και νέες τεχνολογίες όπωςδορυφόρους radar και laserυψομέτρων. Απαιτείται δηλαδή μια περαιτέρω βελτίωση του συστήματος δορυφορικής τηλεπισκοπικής παρατήρησης υψηλής ανάλυσης, προκειμένου να εξυπηρετεί με βέλτιστο τρόπο τις εφαρμογές χαρτογράφησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%88%CE%BD%CE%B1_%CF%80%CE%BB%CE%B1%CE%AF%CF%83%CE%B9%CE%BF_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%80%CE%B9%CE%B8%CE%B1%CE%BD%CF%8E%CE%BD_%CF%84%CE%BF%CE%BE%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%B9%CF%87%CE%B5%CE%AF%CF%89%CE%BD_%CF%83%CE%B5_%CE%B1%CE%B3%CF%81%CE%BF%CF%84%CE%B9%CE%BA%CE%AC_%CE%B5%CE%B4%CE%AC%CF%86%CE%B7_%CF%85%CE%B3%CF%81%CF%8E%CE%BD_%CF%84%CF%81%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD 2022-03-23T20:31:53Z

<p>Siachospan: </p> <hr /> <div> [[category:Γεωργία]]<br /> '''Ένα πλαίσιο τηλεπισκόπησης για την χαρτογράφηση πιθανών τοξικών στοιχείων σε αγροτικά εδάφη υγρών τροπικών περιοχών'''<br /> <br /> '''A remote sensing framework to map potential toxic elements in agricultural soils in the humid tropics''' <br /> <br /> Wanderson de Sousa Mendes, Jose A.M. Dematte, Maria Eduarda B. de <br /> Resende, Luiz Fernando Chimelo Ruiz, Danilo Cesar de Mello, Jorge <br /> Tadeu Fim Rosas, Nelida Elizabet Quinonez Silvero, Luís Reynaldo <br /> Ferracciú Alleoni, Marina Colzato, Nícolas Augusto Rosin, Lucas Rabelo <br /> Campos. Environmental Pollution,Volume 292, Part B (2022), 118397. <br /> <br /> Πηγή: [https://www.sciencedirect.com/science/article/pii/S0269749121019795] <br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ1.1.jpg‎|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης και κατανομή εδαφικής δειγματοληψίας]]<br /> <br /> <br /> '''1. Εισαγωγή''' <br /> <br /> Η εδαφική μόλυνση από πιθανόν τοξικά στοιχεία (PTEs) είναι σημαντικό ζήτημα <br /> παγκοσμίως εδικά σε αγροτικές περιοχές με κινδύνους στην ασφάλεια της <br /> τροφής. Περίπου 5 εκατομμύρια περιπτώσεις μόλυνσης εδάφους από μέταλλα <br /> ή μεταλλοειδή έχουν αναφερθεί σε παγκόσμιο επίπεδο σε μια έκταση πάνω <br /> από 500 εκατομμύρια εκτάρια. <br /> Η ανθρώπινη δραστηριότητα μπορεί να προκαλέσει συσσώρευση των PTEs <br /> στο περιβάλλον, κυρίως από αγροχημικά ή και από βιομηχανικές <br /> δραστηριότητες, ανεξέλεγκτες χωματερές, λυματολάσπη, κοπριά ζώων, <br /> υπολείμματα καύσης άνθρακα και βιομηχανικά απόβλητα. Επιπλέον, οι <br /> εξορυκτικές δραστηριότητες παράγουν κατάλοιπα με υψηλή πιθανότητα <br /> μόλυνσης στο έδαφος. <br /> Στοιχεία όπως ο σίδηρος (Fe), ο ψευδάργυρος (Zn) και το χρώμιο (Cr) <br /> απαιτούνται από τα φυτά ως θρεπτικά, αλλά όταν η συγκέντρωσή τους <br /> ξεπερνά τα νόμιμα όρια θεωρούνται μολυσματικά στοιχεία ή πιθανώς τοξικά <br /> στοιχεία. Γι’ αυτό, η κατανόηση της δυναμικής και η παρακολούθηση των <br /> επιπέδων PTEs στο έδαφος μπορεί να αποτρέψει περαιτέρω περιβαλλοντική <br /> υποβάθμιση. <br /> Οι συμβατικές μέθοδοι αξιολόγησης και παρακολούθησης των PTEs και άλλων <br /> μολυσματικών στοιχείων είναι η δειγματοληψία εδάφους και η χημική <br /> εργαστηριακή ανάλυση που όμως είναι χρονοβόρα και ακριβή διαδικασία. Γι’ <br /> αυτό χρειάζεται η ανάπτυξη οικονομικά αποδοτικών και γρήγορων μεθόδων <br /> για την παρακολούθηση τέτοιων στοιχείων. Τέτοιες είναι η χρήση τεχνικών <br /> ψηφιακής τηλεπισκόπησης για τη χαρτογράφηση PTEs στο έδαφος. <br /> Οι πλατφόρμες δορυφορικών εικόνων χρησιμοποιούνται για την αξιολόγηση <br /> μεγάλων εκτάσεων γης, όπως οι χρονοσειρές δεδομένων Landsat που <br /> ανακτώνται εύκολα και χρησιμοποιούνται για την χαρτογράφηση των <br /> ιδιοτήτων του εδάφους. Ένας από τους περιορισμούς της χρήσης <br /> τηλεπισκόπησης είναι η φυτοκάλυψη που καλύπτει το έδαφος, αν και πλέον <br /> αυτό μπορεί να αντιμετωπιστεί. Τα PTEs στο έδαφος έχουν ισχυρή σχέση με τα <br /> μητρικά υλικά του και η μηχανική μάθηση αποτελεί ένα ισχυρό εργαλείο στην <br /> ποσοτικοποίηση και χωροθέτηση ιδιοτήτων του εδάφους. Καθώς τα φάσματα <br /> του εδάφους φέρουν τέτοιες πληροφορίες, γίνεται εκτίμηση ότι τα PTE μπορούν <br /> να ανιχνευθούν με τηλεπισκόπηση στο γυμνό έδαφος. Έγινε χρήση οπτικών <br /> δεδομένων από τους Landsat TM/ETM/ETM+, Landsat OLI και Sentinel και <br /> ελέγχθηκε η ποιότητα της πρόβλεψης σε χωρική, χρονική και φασματική <br /> ανάλυση. Η καταγραφή στοιχείων μόλυνσης μπορεί να βοηθήσει στις <br /> αποφάσεις που αφορούν τις χρήσεις γης, πρακτικές διαχείρισης και δημόσιες <br /> πολιτικές. <br /> <br /> <br /> '''2. Υλικά και μέθοδοι''' <br /> <br /> Η περιοχή μελέτης καλύπτει 2574χμ2 και περιλαμβάνει οκτώ Δήμους της <br /> πολιτείας του Σάο Πάολο τη Βραζιλία. Συλλέχθηκαν 360 δείγματα εδάφους σε <br /> βάθος 0-20cm τα οποία αποξηράθηκαν στον αέρα σε 45οC για 48 ώρες και <br /> κοσκινίστηκαν κάτω από 2mm. Η εκχύλιση πραγματοποιήθηκε με νιτρικό και <br /> υδροχλωρικό οξύ σε κλειστά δοχεία για τα Al, As, B, Ba, Ca, Cd, Co, Cr, Cu, Fe, <br /> K, Mg, Mn, Mo, Na, Ni, P, Pb, S, Si και Zn. <br /> <br /> Οι δορυφορικοί δέκτες ανακτούν πολυφασματικά δεδομένα από το ορατό, το <br /> εγγύς υπέρυθρο, το μικροκυματικό υπέρυθρο και άλλα συγκεκριμένα εύρη. Οι <br /> εικόνες Sentinel και Landsat OLI αφορούσαν την περίοδο 2016-2019 και για <br /> τους δορυφόρους Landsat TM οι εικόνες αφορούσαν την περίοδο 1984-2019. <br /> Έγινε επιλογή εικόνων με νεφοκάλυψη έως και 20%, ενώ οι εικόνες Sentinel με <br /> ανάλυση 10 μέτρα τροποποιήθηκαν στα 20 μέτρα έτσι ώστε να υπάρχει η ίδια <br /> χωρική ανάλυση μεταξύ των εικόνων. <br /> Ο αλγόριθμος GEOS3 χρησιμοποιήθηκε για περιοχές που το γυμνό έδαφος <br /> κρύβεται, χρησιμοποιώντας φασματικούς δείκτες. Το αποτέλεσμα αυτής της <br /> μεθόδου ονομάζεται Synthetic Soil Image (SYSI) που είναι ο φασματικός <br /> διάμεσος των περιοχών γυμνού εδάφους στις δορυφορικές εικόνες. <br /> Εφαρμόστηκαν οι αρχές ψηφιακής χαρτογράφησης του εδάφους για τη <br /> συσχέτιση των παρατηρήσεων από την ανάλυση του εργαστηρίου στα <br /> κανάλια της SYSI ως μεταβλητές χρησιμοποιώντας τον αλγόριθμο Τυχαία Δάση <br /> (RF). Τα δεδομένα χωρίστηκαν τυχαία σε 80% για εκπαίδευση/βαθμονόμηση και <br /> 20% για επαλήθευση. Τα δύο τρίτα των δειγμάτων χρησιμοποιήθηκαν για το <br /> χτίσιμο του δέντρου απόφασης, ενώ τα υπόλοιπα χρησιμοποιήθηκαν για την <br /> αξιολόγηση της απόδοσης του μοντέλου και την επιλογή υποσυνόλου <br /> εκπαίδευσης με καλύτερη ακρίβεια. Η επιλογή του RF έναντι άλλων μεθόδων <br /> μηχανικής μάθησης έγινε μεταξύ άλλων γιατί πρόκειται για εδραιωμένη στην <br /> ψηφιακή χαρτογράφηση εδάφους, ενώ η μοντελοποίηση έγινε σε γλώσσα <br /> προγραμματισμού Python. <br /> <br /> <br /> '''3. Αποτελέσματα''' <br /> <br /> Η οργανική ουσία του εδάφους (SOM) και τα περιεχόμενα της λάσπης <br /> κυμαίνονταν μεταξύ 1-40 g kg-1 και μεταξύ 8-665 g kg-1 με μέσες τιμές 14 και 210 <br /> g kg-1 αντίστοιχα, που είναι οι τυπικές τιμές σε υγρά τροπικά εδάφη. Τα εύρη <br /> των Cr, Fe, Ni, and Zn ήταν 89, 83291 (83 g kg−1), 33, and 119 mg kg−1, που <br /> δείχνει υψηλή μεταβλητότητα και μέσες τιμές 14, 11692 (12 g kg−1), 4, and 15 mg <br /> kg−1, αντίστοιχα. <br /> Τα νόμιμα όρια για Cr, Ni και Zn είναι στα 75, 30 και 300 mg kg-1 αντίστοιχα. <br /> Ωστόσο, ελάχιστες τιμές QRV για τη μόλυνση σε αγροτικές περιοχές έχει οριστεί <br /> σε 150, 70 και 450 mg kg-1 για τα Cr, Ni και Zn αντίστοιχα. Στην περίπτωση της <br /> μελέτης οι μέγιστες τιμές των Cr και Ni ήταν πάνω από τα όρια, αλλά κάτω από <br /> τα όρια τιμών για ρύπους. Υψηλή συγκέντρωση Fe στο έδαφος μπορεί να είναι <br /> επιβλαβές για τους καρπούς, όπως το καλαμπόκι και το ρύζι. Η μακροχρόνια <br /> καλλιέργεια ζαχαροκάλαμου έχει επίσης αναφερθεί ως μία από τις πηγές <br /> συσσώρευσης ρύπων στην περιοχή, εξηγώντας τις υψηλές συγκεντρώσεις Cr <br /> και Ni. <br /> Έγινε συσχέτιση 21 στοιχείων γεωπονικής και περιβαλλοντικής σημασίας με τα <br /> κανάλια SYSI και τα περισσότερα στοιχεία έδειξαν χαμηλή συσχέτιση, εκτός από <br /> τα Al, B, Cr, Fe, Ni, P, Pb, S και Zn. Ισχυρή συσχέτιση εντοπίστηκε στα κανάλια <br /> SYSI των Landsat TM με τιμές που κυμαίνονται από -0,44 έως -0,52, -0,58 έως -<br /> 0,65, -0,31 έως -0,35 και -0,4 έως -0,43 για τα Cr, Fe, Ni και Zn, αντίστοιχα. <br /> Χαρακτηριστική είναι η ισχυρή σχέση μεταξύ των επιλεγμένων PTEs και των <br /> καναλιών NIR και μικροκυματικό υπέρυθρο και για τους δύο δορυφόρους, η <br /> οποία θέτει τις βάσεις για την ανίχνευση των PTEs στο έδαφος. <br /> Καθώς τα PTEs απορροφώνται από τη λάσπη και τα SOM, συνήθως δεν <br /> εμφανίζουν συγκεκριμένα χαρακτηριστικά απορρόφησης στα φασματικά <br /> κανάλια. Το έδαφος είναι μια μίξη ανόργανων και οργανικών ουσιών που <br /> αλληλεπιδρά με τα PTEs, των οποίων η φασματική συμπεριφορά σχετίζεται με <br /> τα κανάλια NIR και SWIR. <br /> Εάν η συγκέντρωση των PTEs δεν ξεπερνάει τα 4.0 mg g-1, μερικές φορές είναι <br /> δύσκολη ή αδύνατη η ανίχνευση των φασματικών σημάτων τους, ενώ επίσης <br /> τα PTEs δεν εμφανίζουν συγκεκριμένα χαρακτηριστικά ανάκλασης στα <br /> πολυφασματικά δεδομένα. Η πιο πολύτιμη διάκριση έγινε από τη μέθοδο SYSI με <br /> δεδομένα 35ετίας από τους Landsat TM. <br /> Έγιναν χωρικά τα τέσσερα πιο σχετικά PTEs με χρήση SYSI σε συνδυασμό με τον <br /> αλγόριθμο RF. Αξιολογήθηκε η ποιότητα του μοντέλου πρόβλεψης και <br /> προσδιορίστηκε ότι οι χαμηλότερες τιμές MAEval και υψηλότερες τιμές R2val για <br /> όλα τα PTEs μπορούν να επιτευχθούν με χρήση εικόνων Landsat από τη <br /> συλλογή 35-ετίας. <br /> Η μεγαλύτερη χρονική κάλυψη των Landsat TM επέτρεψε την ανάκτηση <br /> περισσότερων εκτάσεων γυμνού εδάφους και γι’ αυτό τα PTEs μπορούσαν να <br /> χαρτογραφηθούν σε μεγαλύτερες αγροτικές περιοχές απ’ ότι με εικόνες <br /> Sentinel και Landsat OLI που κάλυπταν μόνο 4 χρόνια. Σ’ αυτή την περίπτωση <br /> η μεγαλύτερη χωρική κάλυψη μέσω της μεγαλύτερης χρονικής έκτασης, είναι <br /> πιο σημαντική από τη μεγαλύτερη φασματική και χωρική ανάλυση, όπως έχει <br /> για παράδειγμα ο Sentinel. <br /> Το ενδεχόμενο ανίχνευσης και χαρτογράφησης από δορυφορικές πλατφόρμες <br /> των PTEs και των δυναμικών τους στο περιβάλλον μπορεί να βοηθήσει τις <br /> διαδικασίες λήψης αποφάσεων, ερευνητές, περιβαλλοντικές διαγνώσεις, <br /> τροφική ασφάλεια και περιβαλλοντικές πολιτικές. Αφού τα φάσματα έχουν <br /> εσωτερική σχέση με πολλές ιδιότητες του εδάφους, τα περιεχόμενα των PTEs <br /> μπορούν να προβλεφθούν καλά. <br /> Με τη συγκεκριμένη μελέτη γίνεται συμβολή στην παρακολούθηση των <br /> υποδεικνυόμενων στοιχείων, οριοθετώντας ζώνες πιθανών υψηλών τιμών. Αν <br /> και κανένας από τους χάρτες PTEs δεν παρουσιάζει τιμές πάνω από τα νόμιμα <br /> όρια της Βραζιλίας, δύναται ακόμα μια οριοθέτηση των περιοχών κινδύνου. Οι <br /> υψηλότερες συγκεντρώσεις στοιχείων προκαλούνται σε περιοχές βασάλτη, <br /> εκτός από το στοιχείο Cr. <br /> <br /> Η πιθανότητα μόλυνσης υπόγειων υδάτων ή πηγών νερού από PTEs είναι <br /> υψηλότερη σε περιοχές κοντά σε φυσικές πηγές εάν τα επίπεδα συγκέντρωσης <br /> είναι ήδη υψηλά. Η αναγνώριση ζωνών με υψηλές συγκεντρώσεις PTEs μπορεί <br /> να αποτρέψει τη μετατόπιση του κινδύνου μόλυνσης, ενώ επιτρέπει οικολογικές <br /> προσεγγίσεις όπως η τόνωση των φυσικών εδαφικών διεργασιών για την <br /> επαναφορά σε ανεκτά σταθερή κατάσταση.<br /> <br /> <br /> '''4. Συμπεράσματα''' <br /> <br /> Με δορυφορικά δεδομένα ανιχνεύονται τα περιεχόμενα των PTEs στο έδαφος <br /> από διαφορετικά μητρικά υλικά. Η παρούσα μεθοδολογία εφαρμόστηκε για την <br /> αναγνώριση και παρακολούθηση των ζωνών κινδύνου για PTEs. Επιπλέον, η <br /> χρήση της μεθόδου SYSI που λαμβάνει τις εκτάσεις γυμνού εδάφους στις <br /> αγροτικές περιοχές βοηθάει στην ανεύρεση των πιο ευάλωτων ζωνών για PTEs. <br /> Αντί για τον Sentinel με καλύτερη χωρική πληροφορία, η καλύτερη κάλυψη <br /> επιτεύχθηκε με τη συλλογή 35 ετών από τους Landsat TM. <br /> Αν και τα δορυφορικά δεδομένα είναι αποδοτικό εργαλείο για την ανίχνευση και <br /> χαρτογράφηση PTEs στο έδαφος, έχει μερικούς περιορισμούς, με τον <br /> βασικότερο να είναι η πολυπλοκότητα της δυναμικής του τοπίου, τα <br /> χαρακτηριστικά του εδάφους, η επιλογή φασματικών μεταβλητών, η πυκνότητα <br /> δειγματοληψίας του εδάφους και οι μέθοδοι μοντελοποίησης. Η απορρόφηση <br /> και η προσρόφηση των PTEs στο έδαφος επηρεάζονται από τη δυναμική του <br /> εδάφους, το οποίο μπορεί να αυξήσει τη μόλυνση ή να μειώσει την ανίχνευσή <br /> τους. Ένας ακόμη περιορισμός στην ανίχνευση των PTEs από δωρεάν <br /> διαθέσιμες δορυφορικές εικόνες, μπορεί να είναι η χαμηλή φασματική και <br /> χωρική ανάλυση. Τέλος, η πυκνότητα δειγματοληψίας μπορεί να περιορίσει τη <br /> χωρική κάλυψη των PTEs, η οποία παρεμβαίνει στην απόδοση της μεθόδου <br /> μοντελοποίησης. Επομένως, από την έρευνα αυτή γίνεται προσπάθεια να <br /> ξεπεραστούν κάποια από τα κενά σε αυτό το πεδίο, προτείνοντας μια νέα <br /> καινοτόμο μέθοδο.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%88%CE%BD%CE%B1_%CF%80%CE%BB%CE%B1%CE%AF%CF%83%CE%B9%CE%BF_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%80%CE%B9%CE%B8%CE%B1%CE%BD%CF%8E%CE%BD_%CF%84%CE%BF%CE%BE%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%B9%CF%87%CE%B5%CE%AF%CF%89%CE%BD_%CF%83%CE%B5_%CE%B1%CE%B3%CF%81%CE%BF%CF%84%CE%B9%CE%BA%CE%AC_%CE%B5%CE%B4%CE%AC%CF%86%CE%B7_%CF%85%CE%B3%CF%81%CF%8E%CE%BD_%CF%84%CF%81%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD 2022-03-23T20:31:07Z

<p>Siachospan: </p> <hr /> <div> [[category:Γεωργία]]<br /> '''Ένα πλαίσιο τηλεπισκόπησης για την χαρτογράφηση πιθανών τοξικών στοιχείων σε αγροτικά εδάφη υγρών τροπικών περιοχών'''<br /> <br /> '''A remote sensing framework to map potential toxic elements in agricultural soils in the humid tropics''' <br /> <br /> Wanderson de Sousa Mendes, Jose A.M. Dematte, Maria Eduarda B. de <br /> Resende, Luiz Fernando Chimelo Ruiz, Danilo Cesar de Mello, Jorge <br /> Tadeu Fim Rosas, Nelida Elizabet Quinonez Silvero, Luís Reynaldo <br /> Ferracciú Alleoni, Marina Colzato, Nícolas Augusto Rosin, Lucas Rabelo <br /> Campos. Environmental Pollution,Volume 292, Part B (2022), 118397. <br /> <br /> Πηγή: [https://www.sciencedirect.com/science/article/pii/S0269749121019795] <br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ1.1.jpg‎|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης και κατανομή εδαφικής δειγματοληψίας]]<br /> <br /> <br /> '''1. Εισαγωγή''' <br /> Η εδαφική μόλυνση από πιθανόν τοξικά στοιχεία (PTEs) είναι σημαντικό ζήτημα <br /> παγκοσμίως εδικά σε αγροτικές περιοχές με κινδύνους στην ασφάλεια της <br /> τροφής. Περίπου 5 εκατομμύρια περιπτώσεις μόλυνσης εδάφους από μέταλλα <br /> ή μεταλλοειδή έχουν αναφερθεί σε παγκόσμιο επίπεδο σε μια έκταση πάνω <br /> από 500 εκατομμύρια εκτάρια. <br /> Η ανθρώπινη δραστηριότητα μπορεί να προκαλέσει συσσώρευση των PTEs <br /> στο περιβάλλον, κυρίως από αγροχημικά ή και από βιομηχανικές <br /> δραστηριότητες, ανεξέλεγκτες χωματερές, λυματολάσπη, κοπριά ζώων, <br /> υπολείμματα καύσης άνθρακα και βιομηχανικά απόβλητα. Επιπλέον, οι <br /> εξορυκτικές δραστηριότητες παράγουν κατάλοιπα με υψηλή πιθανότητα <br /> μόλυνσης στο έδαφος. <br /> Στοιχεία όπως ο σίδηρος (Fe), ο ψευδάργυρος (Zn) και το χρώμιο (Cr) <br /> απαιτούνται από τα φυτά ως θρεπτικά, αλλά όταν η συγκέντρωσή τους <br /> ξεπερνά τα νόμιμα όρια θεωρούνται μολυσματικά στοιχεία ή πιθανώς τοξικά <br /> στοιχεία. Γι’ αυτό, η κατανόηση της δυναμικής και η παρακολούθηση των <br /> επιπέδων PTEs στο έδαφος μπορεί να αποτρέψει περαιτέρω περιβαλλοντική <br /> υποβάθμιση. <br /> Οι συμβατικές μέθοδοι αξιολόγησης και παρακολούθησης των PTEs και άλλων <br /> μολυσματικών στοιχείων είναι η δειγματοληψία εδάφους και η χημική <br /> εργαστηριακή ανάλυση που όμως είναι χρονοβόρα και ακριβή διαδικασία. Γι’ <br /> αυτό χρειάζεται η ανάπτυξη οικονομικά αποδοτικών και γρήγορων μεθόδων <br /> για την παρακολούθηση τέτοιων στοιχείων. Τέτοιες είναι η χρήση τεχνικών <br /> ψηφιακής τηλεπισκόπησης για τη χαρτογράφηση PTEs στο έδαφος. <br /> Οι πλατφόρμες δορυφορικών εικόνων χρησιμοποιούνται για την αξιολόγηση <br /> μεγάλων εκτάσεων γης, όπως οι χρονοσειρές δεδομένων Landsat που <br /> ανακτώνται εύκολα και χρησιμοποιούνται για την χαρτογράφηση των <br /> ιδιοτήτων του εδάφους. Ένας από τους περιορισμούς της χρήσης <br /> τηλεπισκόπησης είναι η φυτοκάλυψη που καλύπτει το έδαφος, αν και πλέον <br /> αυτό μπορεί να αντιμετωπιστεί. Τα PTEs στο έδαφος έχουν ισχυρή σχέση με τα <br /> μητρικά υλικά του και η μηχανική μάθηση αποτελεί ένα ισχυρό εργαλείο στην <br /> ποσοτικοποίηση και χωροθέτηση ιδιοτήτων του εδάφους. Καθώς τα φάσματα <br /> του εδάφους φέρουν τέτοιες πληροφορίες, γίνεται εκτίμηση ότι τα PTE μπορούν <br /> να ανιχνευθούν με τηλεπισκόπηση στο γυμνό έδαφος. Έγινε χρήση οπτικών <br /> δεδομένων από τους Landsat TM/ETM/ETM+, Landsat OLI και Sentinel και <br /> ελέγχθηκε η ποιότητα της πρόβλεψης σε χωρική, χρονική και φασματική <br /> ανάλυση. Η καταγραφή στοιχείων μόλυνσης μπορεί να βοηθήσει στις <br /> αποφάσεις που αφορούν τις χρήσεις γης, πρακτικές διαχείρισης και δημόσιες <br /> πολιτικές. <br /> <br /> '''2. Υλικά και μέθοδοι''' <br /> Η περιοχή μελέτης καλύπτει 2574χμ2 και περιλαμβάνει οκτώ Δήμους της <br /> πολιτείας του Σάο Πάολο τη Βραζιλία. Συλλέχθηκαν 360 δείγματα εδάφους σε <br /> βάθος 0-20cm τα οποία αποξηράθηκαν στον αέρα σε 45οC για 48 ώρες και <br /> κοσκινίστηκαν κάτω από 2mm. Η εκχύλιση πραγματοποιήθηκε με νιτρικό και <br /> υδροχλωρικό οξύ σε κλειστά δοχεία για τα Al, As, B, Ba, Ca, Cd, Co, Cr, Cu, Fe, <br /> K, Mg, Mn, Mo, Na, Ni, P, Pb, S, Si και Zn. <br /> <br /> Οι δορυφορικοί δέκτες ανακτούν πολυφασματικά δεδομένα από το ορατό, το <br /> εγγύς υπέρυθρο, το μικροκυματικό υπέρυθρο και άλλα συγκεκριμένα εύρη. Οι <br /> εικόνες Sentinel και Landsat OLI αφορούσαν την περίοδο 2016-2019 και για <br /> τους δορυφόρους Landsat TM οι εικόνες αφορούσαν την περίοδο 1984-2019. <br /> Έγινε επιλογή εικόνων με νεφοκάλυψη έως και 20%, ενώ οι εικόνες Sentinel με <br /> ανάλυση 10 μέτρα τροποποιήθηκαν στα 20 μέτρα έτσι ώστε να υπάρχει η ίδια <br /> χωρική ανάλυση μεταξύ των εικόνων. <br /> Ο αλγόριθμος GEOS3 χρησιμοποιήθηκε για περιοχές που το γυμνό έδαφος <br /> κρύβεται, χρησιμοποιώντας φασματικούς δείκτες. Το αποτέλεσμα αυτής της <br /> μεθόδου ονομάζεται Synthetic Soil Image (SYSI) που είναι ο φασματικός <br /> διάμεσος των περιοχών γυμνού εδάφους στις δορυφορικές εικόνες. <br /> Εφαρμόστηκαν οι αρχές ψηφιακής χαρτογράφησης του εδάφους για τη <br /> συσχέτιση των παρατηρήσεων από την ανάλυση του εργαστηρίου στα <br /> κανάλια της SYSI ως μεταβλητές χρησιμοποιώντας τον αλγόριθμο Τυχαία Δάση <br /> (RF). Τα δεδομένα χωρίστηκαν τυχαία σε 80% για εκπαίδευση/βαθμονόμηση και <br /> 20% για επαλήθευση. Τα δύο τρίτα των δειγμάτων χρησιμοποιήθηκαν για το <br /> χτίσιμο του δέντρου απόφασης, ενώ τα υπόλοιπα χρησιμοποιήθηκαν για την <br /> αξιολόγηση της απόδοσης του μοντέλου και την επιλογή υποσυνόλου <br /> εκπαίδευσης με καλύτερη ακρίβεια. Η επιλογή του RF έναντι άλλων μεθόδων <br /> μηχανικής μάθησης έγινε μεταξύ άλλων γιατί πρόκειται για εδραιωμένη στην <br /> ψηφιακή χαρτογράφηση εδάφους, ενώ η μοντελοποίηση έγινε σε γλώσσα <br /> προγραμματισμού Python. <br /> <br /> '''3. Αποτελέσματα''' <br /> Η οργανική ουσία του εδάφους (SOM) και τα περιεχόμενα της λάσπης <br /> κυμαίνονταν μεταξύ 1-40 g kg-1 και μεταξύ 8-665 g kg-1 με μέσες τιμές 14 και 210 <br /> g kg-1 αντίστοιχα, που είναι οι τυπικές τιμές σε υγρά τροπικά εδάφη. Τα εύρη <br /> των Cr, Fe, Ni, and Zn ήταν 89, 83291 (83 g kg−1), 33, and 119 mg kg−1, που <br /> δείχνει υψηλή μεταβλητότητα και μέσες τιμές 14, 11692 (12 g kg−1), 4, and 15 mg <br /> kg−1, αντίστοιχα. <br /> Τα νόμιμα όρια για Cr, Ni και Zn είναι στα 75, 30 και 300 mg kg-1 αντίστοιχα. <br /> Ωστόσο, ελάχιστες τιμές QRV για τη μόλυνση σε αγροτικές περιοχές έχει οριστεί <br /> σε 150, 70 και 450 mg kg-1 για τα Cr, Ni και Zn αντίστοιχα. Στην περίπτωση της <br /> μελέτης οι μέγιστες τιμές των Cr και Ni ήταν πάνω από τα όρια, αλλά κάτω από <br /> τα όρια τιμών για ρύπους. Υψηλή συγκέντρωση Fe στο έδαφος μπορεί να είναι <br /> επιβλαβές για τους καρπούς, όπως το καλαμπόκι και το ρύζι. Η μακροχρόνια <br /> καλλιέργεια ζαχαροκάλαμου έχει επίσης αναφερθεί ως μία από τις πηγές <br /> συσσώρευσης ρύπων στην περιοχή, εξηγώντας τις υψηλές συγκεντρώσεις Cr <br /> και Ni. <br /> Έγινε συσχέτιση 21 στοιχείων γεωπονικής και περιβαλλοντικής σημασίας με τα <br /> κανάλια SYSI και τα περισσότερα στοιχεία έδειξαν χαμηλή συσχέτιση, εκτός από <br /> τα Al, B, Cr, Fe, Ni, P, Pb, S και Zn. Ισχυρή συσχέτιση εντοπίστηκε στα κανάλια <br /> SYSI των Landsat TM με τιμές που κυμαίνονται από -0,44 έως -0,52, -0,58 έως -<br /> 0,65, -0,31 έως -0,35 και -0,4 έως -0,43 για τα Cr, Fe, Ni και Zn, αντίστοιχα. <br /> Χαρακτηριστική είναι η ισχυρή σχέση μεταξύ των επιλεγμένων PTEs και των <br /> καναλιών NIR και μικροκυματικό υπέρυθρο και για τους δύο δορυφόρους, η <br /> οποία θέτει τις βάσεις για την ανίχνευση των PTEs στο έδαφος. <br /> Καθώς τα PTEs απορροφώνται από τη λάσπη και τα SOM, συνήθως δεν <br /> εμφανίζουν συγκεκριμένα χαρακτηριστικά απορρόφησης στα φασματικά <br /> κανάλια. Το έδαφος είναι μια μίξη ανόργανων και οργανικών ουσιών που <br /> αλληλεπιδρά με τα PTEs, των οποίων η φασματική συμπεριφορά σχετίζεται με <br /> τα κανάλια NIR και SWIR. <br /> Εάν η συγκέντρωση των PTEs δεν ξεπερνάει τα 4.0 mg g-1, μερικές φορές είναι <br /> δύσκολη ή αδύνατη η ανίχνευση των φασματικών σημάτων τους, ενώ επίσης <br /> τα PTEs δεν εμφανίζουν συγκεκριμένα χαρακτηριστικά ανάκλασης στα <br /> πολυφασματικά δεδομένα. Η πιο πολύτιμη διάκριση έγινε από τη μέθοδο SYSI με <br /> δεδομένα 35ετίας από τους Landsat TM. <br /> Έγιναν χωρικά τα τέσσερα πιο σχετικά PTEs με χρήση SYSI σε συνδυασμό με τον <br /> αλγόριθμο RF. Αξιολογήθηκε η ποιότητα του μοντέλου πρόβλεψης και <br /> προσδιορίστηκε ότι οι χαμηλότερες τιμές MAEval και υψηλότερες τιμές R2val για <br /> όλα τα PTEs μπορούν να επιτευχθούν με χρήση εικόνων Landsat από τη <br /> συλλογή 35-ετίας. <br /> Η μεγαλύτερη χρονική κάλυψη των Landsat TM επέτρεψε την ανάκτηση <br /> περισσότερων εκτάσεων γυμνού εδάφους και γι’ αυτό τα PTEs μπορούσαν να <br /> χαρτογραφηθούν σε μεγαλύτερες αγροτικές περιοχές απ’ ότι με εικόνες <br /> Sentinel και Landsat OLI που κάλυπταν μόνο 4 χρόνια. Σ’ αυτή την περίπτωση <br /> η μεγαλύτερη χωρική κάλυψη μέσω της μεγαλύτερης χρονικής έκτασης, είναι <br /> πιο σημαντική από τη μεγαλύτερη φασματική και χωρική ανάλυση, όπως έχει <br /> για παράδειγμα ο Sentinel. <br /> Το ενδεχόμενο ανίχνευσης και χαρτογράφησης από δορυφορικές πλατφόρμες <br /> των PTEs και των δυναμικών τους στο περιβάλλον μπορεί να βοηθήσει τις <br /> διαδικασίες λήψης αποφάσεων, ερευνητές, περιβαλλοντικές διαγνώσεις, <br /> τροφική ασφάλεια και περιβαλλοντικές πολιτικές. Αφού τα φάσματα έχουν <br /> εσωτερική σχέση με πολλές ιδιότητες του εδάφους, τα περιεχόμενα των PTEs <br /> μπορούν να προβλεφθούν καλά. <br /> Με τη συγκεκριμένη μελέτη γίνεται συμβολή στην παρακολούθηση των <br /> υποδεικνυόμενων στοιχείων, οριοθετώντας ζώνες πιθανών υψηλών τιμών. Αν <br /> και κανένας από τους χάρτες PTEs δεν παρουσιάζει τιμές πάνω από τα νόμιμα <br /> όρια της Βραζιλίας, δύναται ακόμα μια οριοθέτηση των περιοχών κινδύνου. Οι <br /> υψηλότερες συγκεντρώσεις στοιχείων προκαλούνται σε περιοχές βασάλτη, <br /> εκτός από το στοιχείο Cr. <br /> <br /> Η πιθανότητα μόλυνσης υπόγειων υδάτων ή πηγών νερού από PTEs είναι <br /> υψηλότερη σε περιοχές κοντά σε φυσικές πηγές εάν τα επίπεδα συγκέντρωσης <br /> είναι ήδη υψηλά. Η αναγνώριση ζωνών με υψηλές συγκεντρώσεις PTEs μπορεί <br /> να αποτρέψει τη μετατόπιση του κινδύνου μόλυνσης, ενώ επιτρέπει οικολογικές <br /> προσεγγίσεις όπως η τόνωση των φυσικών εδαφικών διεργασιών για την <br /> επαναφορά σε ανεκτά σταθερή κατάσταση. <br /> <br /> '''4. Συμπεράσματα''' <br /> Με δορυφορικά δεδομένα ανιχνεύονται τα περιεχόμενα των PTEs στο έδαφος <br /> από διαφορετικά μητρικά υλικά. Η παρούσα μεθοδολογία εφαρμόστηκε για την <br /> αναγνώριση και παρακολούθηση των ζωνών κινδύνου για PTEs. Επιπλέον, η <br /> χρήση της μεθόδου SYSI που λαμβάνει τις εκτάσεις γυμνού εδάφους στις <br /> αγροτικές περιοχές βοηθάει στην ανεύρεση των πιο ευάλωτων ζωνών για PTEs. <br /> Αντί για τον Sentinel με καλύτερη χωρική πληροφορία, η καλύτερη κάλυψη <br /> επιτεύχθηκε με τη συλλογή 35 ετών από τους Landsat TM. <br /> Αν και τα δορυφορικά δεδομένα είναι αποδοτικό εργαλείο για την ανίχνευση και <br /> χαρτογράφηση PTEs στο έδαφος, έχει μερικούς περιορισμούς, με τον <br /> βασικότερο να είναι η πολυπλοκότητα της δυναμικής του τοπίου, τα <br /> χαρακτηριστικά του εδάφους, η επιλογή φασματικών μεταβλητών, η πυκνότητα <br /> δειγματοληψίας του εδάφους και οι μέθοδοι μοντελοποίησης. Η απορρόφηση <br /> και η προσρόφηση των PTEs στο έδαφος επηρεάζονται από τη δυναμική του <br /> εδάφους, το οποίο μπορεί να αυξήσει τη μόλυνση ή να μειώσει την ανίχνευσή <br /> τους. Ένας ακόμη περιορισμός στην ανίχνευση των PTEs από δωρεάν <br /> διαθέσιμες δορυφορικές εικόνες, μπορεί να είναι η χαμηλή φασματική και <br /> χωρική ανάλυση. Τέλος, η πυκνότητα δειγματοληψίας μπορεί να περιορίσει τη <br /> χωρική κάλυψη των PTEs, η οποία παρεμβαίνει στην απόδοση της μεθόδου <br /> μοντελοποίησης. Επομένως, από την έρευνα αυτή γίνεται προσπάθεια να <br /> ξεπεραστούν κάποια από τα κενά σε αυτό το πεδίο, προτείνοντας μια νέα <br /> καινοτόμο μέθοδο.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%B1%CE%B3%CE%BD%CF%89%CF%81%CE%AF%CE%B6%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7_%CE%BB%CE%B5%CE%B9%CF%84%CE%BF%CF%85%CF%81%CE%B3%CE%AF%CE%B1_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CE%BC%CE%B5_%CE%B5%CE%BD%CF%83%CF%89%CE%BC%CE%AC%CF%84%CF%89%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%83%CE%B7%CE%BC%CE%B5%CE%AF%CF%89%CE%BD_%CE%B5%CE%BD%CE%B4%CE%B9%CE%B1%CF%86%CE%AD%CF%81%CE%BF%CE%BD%CF%84%CE%BF%CF%82 2022-03-23T20:28:54Z

<p>Siachospan: </p> <hr /> <div>[[category:Αστικός και περιφερειακός σχεδιασμός]]<br /> '''Αναγνωρίζοντας τη λειτουργία αστικών κτιρίων με ενσωμάτωση τηλεπισκοπικών εικόνων και δεδομένων σημείων ενδιαφέροντος'''<br /> <br /> '''Identifying urban building function by integrating remote sensing imagery and POI data'''<br /> <br /> Anqi Lin, Xiaomeng Sun, Hao Wu, Wenting Luo, Danyang Wang, Dantong Zhong, Zhongming Wang, Lanting Zhao, and Jiang Zhu. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 14, pp. 8864-8875, 2021<br /> <br /> Πηγή: [https://www.researchgate.net/publication/354173429_Identifying_Urban_Building_Function_by_Integrating_Remote_Sensing_Imagery_and_POI_Data]<br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ3.1.JPG‎|thumb|right|'''Εικόνα 1''': Πλαίσιο αναγνώρισης λειτουργίας αστικών κτιρίων]]<br /> [[Αρχείο:ΣΙΑΧΟΣ3.2.JPG‎|thumb|right|'''Εικόνα 2''': Αποτελέσματα αναγνώρισης λειτουργίας αστικών κτιρίων βασισμένη σε δεδομένα σημείων ενδιαφέροντος, χωρική ομοιότητα και μέθοδο KDE]]<br /> <br /> Με τη συγκεκριμένη εργασία προτείνεται ένα πλαίσιο αναγνώρισης αστικών κτιρίων βασισμένο σε τηλεπισκοπικές εικόνες και δεδομένα σημείων ενδιαφέροντος. Ως περίπτωση μελέτης επιλέχθηκε η Wuhan για την οποία αξιοποιήθηκαν εικόνες και σημεία ενδιαφέροντος από το Google Earth για αναγνώριση των επτά κύριων κατηγοριών στον πυρήνα του αστικού ιστού.<br /> <br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Η αναγνώριση της λειτουργίας των κτιρίων είναι χρήσιμη όχι μόνο για την κατανόηση της μορφολογίας του αστικού ιστού, αλλά επίσης συμβάλλει σε διάφορες εφαρμογές περιστατικά έκτακτης ανάγκης, στη χάραξη πολιτικής, τη διαχείριση πόρων και λοιπά πεδία. Ένας αυτοματοποιημένος τρόπος αναγνώρισης της λειτουργίας των κτιρίων μιας πόλης είναι πιο αποδοτική διαδικασία από τις μέχρι τώρα επιτόπιες έρευνες που συνήθως είναι χρονοβόρες και σπάνια ανοιχτές προς το κοινό.<br /> Από το 1970 οι πρώτες δορυφορικές τηλεπισκοπικές παρατηρήσεις της γης παρέχουν τη δυνατότητα ποσοτικής ανάλυσης και δυναμικής παρατήρησης των αστικών χρήσεων γης και πιο πρόσφατα ψηφιακές παγκόσμιες πλατφόρμες όπως το Google Earth, το NASA World Wind και το Bing Maps αποτελούν μια ελεύθερη και ανοιχτή πηγή δεδομένων. Συγκεκριμένα, τα γεωμετρικά και φασματικά χαρακτηριστικά των εικόνων Google Earth παρέχουν λεπτομερείς πληροφορίες για την ταξινόμηση των χρήσεων γης σε επίπεδο αντικειμένου, αν και η τηλεπισκόπηση είναι πιο χρήσιμη για την οριοθέτηση της φυσικής διάταξης των αντικειμένων του εδάφους παρά για την αναγνώριση συγκεκριμένης λειτουργίας και ανθρώπινης δραστηριότητας εξαιτίας της έλλειψης σημασιολογικής πληροφορίας. Ωστόσο, η εμφάνιση του UGC (User Generate Content) επιτρέπει σε ενεργούς χρήστες να συμμετέχουν στη συλλογή, την ενημέρωση και κοινοποίηση μαζικών δεδομένων που αφορούν την ανθρώπινη δραστηριότητα. Τα σημεία ενδιαφέροντος (POIs) αντιμετωπίζουν πλέον σε μεγάλο βαθμό το σημασιολογικό κενό των τηλεπισκοπικών εικόνων. Πλέον αξιοποιούνται πολλαπλές πηγές δεδομένων για την αναγνώριση των διαφορετικών αστικών λειτουργικών ζωνών, όπως ο συνδυασμός χαρακτηριστικών του τοπίου από δορυφορικές εικόνες και της ανθρώπινης δραστηριότητας από σημεία ενδιαφέροντος και τα δεδομένα πλοήγησης των ταξί. <br /> Με χρήση της μεθόδου πυκνότητας Kernel γίνεται μετατροπή των δεδομένων σημείων ενδιαφέροντος σε συνεχή επιφανειακά χαρακτηριστικά. Επιπλέον, από τα χωρικά χαρακτηριστικά των κτιρίων εντοπίζουμε συχνά ότι για παράδειγμα σε μια περιοχή κατοικίας ή επιχειρήσεων, τα κτίρια εμφανίζουν συγκεκριμένες ομοιότητες στην υφή ή την γεωμετρία. Δηλαδή, τα χωρικά χαρακτηριστικά των κτιρίων μπορούν να χρησιμοποιηθούν για να βρεθεί η λειτουργία ενός κτιρίου με την παραδοχή ότι κτίρια με παρόμοια χωρικά χαρακτηριστικά έχουν και ίδια χρήση/λειτουργία σε μια συγκεκριμένη περιοχή. Γι’ αυτό και είναι σημαντική η ανάπτυξη μίας υβριδικής μεθόδου αναγνώρισης που θα αξιοποιεί τόσο τη χωρική ομοιότητα, όσο και την κατανομή των σημείων ενδιαφέροντος.<br /> <br /> <br /> '''2. Μέθοδοι'''<br /> <br /> Η αναγνώριση της χρήσης των κτιρίων γίνεται σε τρία βήματα, την άμεση χρήση των δεδομένων σημείων ενδιαφέροντος, τον υπολογισμό της χωρικής ομοιότητας και τη δημιουργία αποτυπώματος γεωμετρίας και πυκνότητας Kernel των δεδομένων σημείων ενδιαφέροντος διαφορετικών κατηγοριών.<br /> Αρχικά, επανακατηγοριοποιούνται τα σημεία ενδιαφέροντος και στη συνέχεια ορίζεται η λειτουργία των κτιρίων. Σημεία χαμηλής σημασίας αλλά υψηλής πυκνότητας ορίζουν τη λειτουργία κτιρίων με βάση τη συχνότητα των δεδομένων, ενώ σημεία με υψηλή σημασία αλλά χαμηλή πυκνότητα την ορίζουν με βάση σειρά προτεραιότητας. Στη συνέχεια, προσδιορίζεται η χωρική ομοιότητα για την αναγνώριση των λειτουργιών κτιρίων που δεν περιέχουν δεδομένα σημείων ενδιαφέροντος εντός τους. Τέλος, υπολογίζονται και κανονικοποιούνται οι πυκνότητες kernel προκειμένου να βελτιωθεί το ποσοστό αναγνώρισης της χρήσης κτιρίων. <br /> Παρατηρείται ότι κτίρια με παρόμοια λειτουργία εμφανίζουν παρόμοια χαρακτηριστικά στη γεωμετρία και την υφή τους, τα οποία μπορούν να αξιοποιηθούν για την αναγνώριση της κτιριακής λειτουργίας όταν υπάρχουν αναγνωρισμένα κτίρια με παρόμοια χωρικά μοτίβα. Συγκεκριμένα, για κάθε κτίριο επιλέγονται και υπολογίζονται οκτώ κλασσικά γεωμετρικά χαρακτηριστικά, όπως η έκταση, η περίμετρος, η συμπαγότητα, ο αριθμός των κόμβων, ο δείκτης ακτίνας σχήματος, η κανονικότητα, η αναλογία της απεικόνισης και ο προσανατολισμός. Ταυτόχρονα, με την υφή υπολογίζεται η χωρική κατανομή των τόνων των εικονοστοιχείων σε μια τηλεπισκοπική εικόνα, το οποίο χρησιμοποιείται στην αναγνώριση αντικειμένων και την κατάτμηση της εικόνας. Μεταξύ των διαφόρων χαρακτηριστικών υφής, τα σημαντικότερα οκτώ που επιλέχθηκαν είναι η μέση τιμή, η διακύμανση, η ομοιογένεια, η αντίθεση, η ανομοιομορφία, η εντροπία και η συσχέτιση. Η χωρική ομοιότητα ανάμεσα στα μη αναγνωρισμένα κτίρια και τα τριγύρω αναγνωρισμένα κτίρια υπολογίζεται από την ομοιότητα του συνημίτονου. Όσο μεγαλύτερη η τιμή του συνημίτονου, τόσο μεγαλύτερη η χωρική συσχέτιση. Η λειτουργία των αναγνωρισμένων κτιρίων εκχωρείται στα περισσότερο όμοια μη αναγνωρισμένα.<br /> <br /> <br /> '''3. Περιοχή μελέτης και επεξεργασία δεδομένων'''<br /> <br /> Για κτίρια που δεν ταξινομούνται με βάση τη χωρική ομοιότητα εφαρμόζεται η μέθοδος της πυκνότητας Kernel για τα δεδομένα των σημείων ενδιαφέροντος. Τα σημεία ενδιαφέροντος μετατρέπονται σε μια συνεχή επιφάνεια πυκνότητας αναπαριστώντας την κατανομή των χαρακτηριστικών με τη μέθοδο KDE. Υπολογίζεται η πυκνότητα της συνεισφοράς κάθε σημείου δείγματος στο προκαθορισμένο εύρος στο κεντρικό σημείο κάθε καννάβου μέσω της λειτουργίας του kernel και τελικά δημιουργείται μια ομαλή επιφάνεια. Οι μέσες τιμές KDE εντός της γεωμετρίας του κτιρίου υπολογίζονται ως οι πυκνότητες kernel κάθε κτιρίου και τα αναγνωρισμένα κτίρια βασισμένα σε σημεία ενδιαφέροντος και χωρικές ομοιότητες επιλέγονται ως δείγματα εκπαίδευσης. Μεταξύ των τιμών διαφορετικών κατηγοριών, η κατηγορία με τη μικρότερη τιμή καταχωρείται στα μη αναγνωρισμένα κτίρια.<br /> Τα δεδομένα που χρησιμοποιήθηκαν προήλθαν από τρεις διαφορετικές βάσεις δεδομένων, εικόνες google earth, δεδομένα σημείων ενδιαφέροντος και γεωμετρικά αποτυπώματα κτιρίων. Οι εικόνες google earth έχουν ληφθεί τον Μάρτιο 2019 και έχουν κόκκινο, πράσινο και μπλε κανάλι με χωρική ανάλυση στα 1.2m. Τα γεωμετρικά αποτυπώματα των κτιρίων είναι σε μορφή shapefile από την Εθνική Πλατφόρμα για Κοινές Υπηρεσίες Γεωχωρικής Πληροφορίας. Τα δεδομένα των σημείων ενδιαφέροντος δεν περιέχουν μόνο χωρική τοποθεσία αλλά επίσης περιγραφικές πληροφορίες, όπως η διεύθυνση και ο τύπος που συμβάλλουν στην αναγνώριση της λειτουργίας των αστικών κτιρίων. Συλλέχθηκαν 120.589 σημεία μέσω του Amap, το οποίο φέρει υψηλή ακρίβεια, ευρεία κάλυψη και συχνές ενημερώσεις. Τα σημεία ενδιαφέροντος ταξινομούνται σε επτά κύριες κατηγορίες: Κατοικία (R), Διοίκηση και Δημόσιες Υπηρεσίες (A), Εμπορικές και Επιχειρηματικές εγκαταστάσεις (B), Δημοτικές Υπηρεσίες (U), Logistics και Αποθήκες (W), Δρόμοι, Οδοί και Μετακινήσεις (S), Βιομηχανία, Κατασκευές (M). Τα σημεία ενδιαφέροντος χωρίζονται σε δύο κατηγορίες, η πρώτη έχει χαμηλή σημαντικότητα αλλά υψηλή πυκνότητα (B, W) και η δεύτερη έχει υψηλή σημαντικότητα αλλά χαμηλή πυκνότητα (R, A, S, T, M). Ανάλογα τον τύπο καθορίζεται και ο τρόπος που αποφασίζεται η χρήση ενός κτιρίου. <br /> <br /> <br /> '''4. Αποτελέσματα'''<br /> <br /> Προκύπτει ότι μόνο το 35.15% των σημείων ενδιαφέροντος ήταν εντός των κτιρίων ή σε απόσταση 5 μέτρων και το 27.98% των κτιρίων ήταν αναγνωρισμένα. Η χωρική ετερογένεια των σημείων ενδιαφέροντος οδηγεί σε μη ισορροπημένο ρυθμό αναγνώρισης σε διαφορετικές περιοχές της πόλης. <br /> Στην περιοχή μελέτης υπολογίστηκαν για 77545 κτίρια, οκτώ χαρακτηριστικά υφής και 8 γεωμετρικά χαρακτηριστικά. Αν και η ανάλυση της υφής έγινε για το κόκκινο, το πράσινο και το μπλε κανάλι, χρησιμοποιήθηκαν μόνο αυτά του κόκκινου καναλιού. <br /> Με δεδομένο ότι τα κοντινά κτίρια με παρόμοια φασματικά χαρακτηριστικά έχουν παρόμοια χρήση, η χωρική ομοιότητα συμβάλλει για να αποδώσει χρήση στο 33.67% των κτιρίων από διαφορετικές κατηγορίες. Με τη μέθοδο που βασίζεται σε σημεία ενδιαφέροντος δεν παρέχονται σαφή παραδείγματα για να προσδίδεται χρήση σε κοντινά κτίρια πάντα.<br /> Για πλήρη χρήση των σημείων ενδιαφέροντος γίνεται χρήση της πυκνότητας kernel των σημείων ενδιαφέροντος διαφορετικών κατηγοριών, ενώ η συσχέτιση επιτυγχάνεται περισσότερο για επιχειρηματικές εγκαταστάσεις σε σχέση με κατοικίες.<br /> Το 27.98% των κτιρίων αναγνωρίστηκε απευθείας από τα δεδομένα σημείων ενδιαφέροντος, το 33.64% των κατοικιών και το 38.38% επιχειρηματικών κτιρίων εντοπίστηκε με συνδυασμό χωρικής ομοιότητας και της μεθόδου Kernel Density Estimation.<br /> <br /> <br /> '''5. Συζήτηση &amp; Συμπεράσματα'''<br /> <br /> Γίνεται διαχωρισμός των κτιρίων που αναγνωρίστηκαν με βάση τα δεδομένα των σημείων ενδιαφέροντος που χρησιμοποιήθηκαν ως δείγματα εκπαίδευσης προκειμένου να ελεγχθεί η απόδοση και η ακρίβεια της μεθόδου συνδυασμού χωρικής ομοιότητας και Kernel Density Estimation. Συνήθης είναι η σύγχυση μεταξύ λιανικού εμπορίου και εργοστασίων. <br /> Το ποσοστό ακρίβειας για τη μέθοδο Kernel Density Estimation είναι χαμηλότερο απ’ ότι με χωρική ομοιότητα για τις κατηγορίες κατοικίας και εμπορίου/επιχειρήσεων και αυξάνεται με αναγνώριση που βασίζεται στον συνδυασμό των μεθόδων. Ωστόσο, Η μέση χωρική ομοιότητα κτιρίων ίδιας κατηγορίας είναι σημαντικά υψηλότερη από αυτή διαφορετικών κατηγοριών. <br /> Η επιλογή ακατάλληλου εύρους ζώνης επηρεάζει σημαντικά την ακρίβεια του KDE, αν και η συγκεκριμένη παράμετρος συνήθως επιλέγεται με προσωπικά κριτήρια χωρίς συγκεκριμένη επαλήθευση. Πιθανόν λόγω μέσου μεγέθους των οικοδομικών τετραγώνων στην περιοχή μελέτης στα 200 μέτρα, η ακρίβεια υπολογισμού τείνει να αυξάνεται σε εύρος ζώνης μεταξύ 100 και 200 μέτρων και μετά τα 200 να μειώνεται. <br /> Η αναγνώριση της χρήσης γης δίνει νέες προοπτικές στον αστικό σχεδιασμό, τη μελέτη του περιβάλλοντος και τη διαχείριση έκτακτων αναγκών. Γι’ αυτό προτείνεται ένα σταδιακό πλαίσιο αναγνώρισης για χρήσεις αστικών κτιρίων, με ένωση χωρικών ομοιοτήτων των κτιρίων και τον υπολογισμό πυκνότητας kernel των σημείων ενδιαφέροντος.<br /> Συγκεκριμένα προτείνεται η χρήση χωρικών ομοιοτήτων με βάση τις εικόνες Google Earth και τη γεωμετρία των κτιρίων και ο υπολογισμός πυκνότητας kernel με βάση τα δεδομένα των σημείων ενδιαφέροντος. Τα αποτελέσματα της αναγνώρισης εξαρτώνται σημαντικά από το εύρος ζώνης της μεθόδου KDE, όπου στην περίπτωση μελέτης αυτό ήταν τα 200m. Οι διαφορετικές λειτουργίες κτιρίων φέρουν και διαφορετικές χωρικές συσχετίσεις και συνενώσεις. <br /> Σημαντικό επίσης είναι η βελτίωση της προτεινόμενης μεθόδου με ενσωμάτωση πολλαπλών UGC και τηλεπισκοπικών πηγών δεδομένων, όπως δεδομένα διαδρομών ταξί από GPS, δεδομένα μέσων κοινωνικής δικτύωσης, τηλεπισκόπηση νυχτερινής φωταγώγησης, προκειμένου να εμπλουτιστεί περαιτέρω η σημασιολογική πληροφορία όσον αφορά τις χρήσεις των αστικών κτιρίων, καθώς επίσης να ενισχυθεί το εύρος εφαρμογής του προτεινόμενου πλαισίου αναγνώρισης σε επιπλέον διαφορετικές πόλεις ανά τον κόσμο.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%B1%CE%B3%CE%BD%CF%89%CF%81%CE%AF%CE%B6%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7_%CE%BB%CE%B5%CE%B9%CF%84%CE%BF%CF%85%CF%81%CE%B3%CE%AF%CE%B1_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CE%BC%CE%B5_%CE%B5%CE%BD%CF%83%CF%89%CE%BC%CE%AC%CF%84%CF%89%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%83%CE%B7%CE%BC%CE%B5%CE%AF%CF%89%CE%BD_%CE%B5%CE%BD%CE%B4%CE%B9%CE%B1%CF%86%CE%AD%CF%81%CE%BF%CE%BD%CF%84%CE%BF%CF%82 2022-03-23T20:28:18Z

<p>Siachospan: </p> <hr /> <div>[[category:Αστικός και περιφερειακός σχεδιασμός]]<br /> '''Αναγνωρίζοντας τη λειτουργία αστικών κτιρίων με ενσωμάτωση τηλεπισκοπικών εικόνων και δεδομένων σημείων ενδιαφέροντος'''<br /> <br /> '''Identifying urban building function by integrating remote sensing imagery and POI data'''<br /> <br /> Anqi Lin, Xiaomeng Sun, Hao Wu, Wenting Luo, Danyang Wang, Dantong Zhong, Zhongming Wang, Lanting Zhao, and Jiang Zhu. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 14, pp. 8864-8875, 2021<br /> <br /> Πηγή: [https://www.researchgate.net/publication/354173429_Identifying_Urban_Building_Function_by_Integrating_Remote_Sensing_Imagery_and_POI_Data]<br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ3.1.jpg‎|thumb|right|'''Εικόνα 1''': Πλαίσιο αναγνώρισης λειτουργίας αστικών κτιρίων]]<br /> [[Αρχείο:ΣΙΑΧΟΣ3.2.jpg‎|thumb|right|'''Εικόνα 2''': Αποτελέσματα αναγνώρισης λειτουργίας αστικών κτιρίων βασισμένη σε δεδομένα σημείων ενδιαφέροντος, χωρική ομοιότητα και μέθοδο KDE]]<br /> <br /> Με τη συγκεκριμένη εργασία προτείνεται ένα πλαίσιο αναγνώρισης αστικών κτιρίων βασισμένο σε τηλεπισκοπικές εικόνες και δεδομένα σημείων ενδιαφέροντος. Ως περίπτωση μελέτης επιλέχθηκε η Wuhan για την οποία αξιοποιήθηκαν εικόνες και σημεία ενδιαφέροντος από το Google Earth για αναγνώριση των επτά κύριων κατηγοριών στον πυρήνα του αστικού ιστού.<br /> <br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Η αναγνώριση της λειτουργίας των κτιρίων είναι χρήσιμη όχι μόνο για την κατανόηση της μορφολογίας του αστικού ιστού, αλλά επίσης συμβάλλει σε διάφορες εφαρμογές περιστατικά έκτακτης ανάγκης, στη χάραξη πολιτικής, τη διαχείριση πόρων και λοιπά πεδία. Ένας αυτοματοποιημένος τρόπος αναγνώρισης της λειτουργίας των κτιρίων μιας πόλης είναι πιο αποδοτική διαδικασία από τις μέχρι τώρα επιτόπιες έρευνες που συνήθως είναι χρονοβόρες και σπάνια ανοιχτές προς το κοινό.<br /> Από το 1970 οι πρώτες δορυφορικές τηλεπισκοπικές παρατηρήσεις της γης παρέχουν τη δυνατότητα ποσοτικής ανάλυσης και δυναμικής παρατήρησης των αστικών χρήσεων γης και πιο πρόσφατα ψηφιακές παγκόσμιες πλατφόρμες όπως το Google Earth, το NASA World Wind και το Bing Maps αποτελούν μια ελεύθερη και ανοιχτή πηγή δεδομένων. Συγκεκριμένα, τα γεωμετρικά και φασματικά χαρακτηριστικά των εικόνων Google Earth παρέχουν λεπτομερείς πληροφορίες για την ταξινόμηση των χρήσεων γης σε επίπεδο αντικειμένου, αν και η τηλεπισκόπηση είναι πιο χρήσιμη για την οριοθέτηση της φυσικής διάταξης των αντικειμένων του εδάφους παρά για την αναγνώριση συγκεκριμένης λειτουργίας και ανθρώπινης δραστηριότητας εξαιτίας της έλλειψης σημασιολογικής πληροφορίας. Ωστόσο, η εμφάνιση του UGC (User Generate Content) επιτρέπει σε ενεργούς χρήστες να συμμετέχουν στη συλλογή, την ενημέρωση και κοινοποίηση μαζικών δεδομένων που αφορούν την ανθρώπινη δραστηριότητα. Τα σημεία ενδιαφέροντος (POIs) αντιμετωπίζουν πλέον σε μεγάλο βαθμό το σημασιολογικό κενό των τηλεπισκοπικών εικόνων. Πλέον αξιοποιούνται πολλαπλές πηγές δεδομένων για την αναγνώριση των διαφορετικών αστικών λειτουργικών ζωνών, όπως ο συνδυασμός χαρακτηριστικών του τοπίου από δορυφορικές εικόνες και της ανθρώπινης δραστηριότητας από σημεία ενδιαφέροντος και τα δεδομένα πλοήγησης των ταξί. <br /> Με χρήση της μεθόδου πυκνότητας Kernel γίνεται μετατροπή των δεδομένων σημείων ενδιαφέροντος σε συνεχή επιφανειακά χαρακτηριστικά. Επιπλέον, από τα χωρικά χαρακτηριστικά των κτιρίων εντοπίζουμε συχνά ότι για παράδειγμα σε μια περιοχή κατοικίας ή επιχειρήσεων, τα κτίρια εμφανίζουν συγκεκριμένες ομοιότητες στην υφή ή την γεωμετρία. Δηλαδή, τα χωρικά χαρακτηριστικά των κτιρίων μπορούν να χρησιμοποιηθούν για να βρεθεί η λειτουργία ενός κτιρίου με την παραδοχή ότι κτίρια με παρόμοια χωρικά χαρακτηριστικά έχουν και ίδια χρήση/λειτουργία σε μια συγκεκριμένη περιοχή. Γι’ αυτό και είναι σημαντική η ανάπτυξη μίας υβριδικής μεθόδου αναγνώρισης που θα αξιοποιεί τόσο τη χωρική ομοιότητα, όσο και την κατανομή των σημείων ενδιαφέροντος.<br /> <br /> <br /> '''2. Μέθοδοι'''<br /> <br /> Η αναγνώριση της χρήσης των κτιρίων γίνεται σε τρία βήματα, την άμεση χρήση των δεδομένων σημείων ενδιαφέροντος, τον υπολογισμό της χωρικής ομοιότητας και τη δημιουργία αποτυπώματος γεωμετρίας και πυκνότητας Kernel των δεδομένων σημείων ενδιαφέροντος διαφορετικών κατηγοριών.<br /> Αρχικά, επανακατηγοριοποιούνται τα σημεία ενδιαφέροντος και στη συνέχεια ορίζεται η λειτουργία των κτιρίων. Σημεία χαμηλής σημασίας αλλά υψηλής πυκνότητας ορίζουν τη λειτουργία κτιρίων με βάση τη συχνότητα των δεδομένων, ενώ σημεία με υψηλή σημασία αλλά χαμηλή πυκνότητα την ορίζουν με βάση σειρά προτεραιότητας. Στη συνέχεια, προσδιορίζεται η χωρική ομοιότητα για την αναγνώριση των λειτουργιών κτιρίων που δεν περιέχουν δεδομένα σημείων ενδιαφέροντος εντός τους. Τέλος, υπολογίζονται και κανονικοποιούνται οι πυκνότητες kernel προκειμένου να βελτιωθεί το ποσοστό αναγνώρισης της χρήσης κτιρίων. <br /> Παρατηρείται ότι κτίρια με παρόμοια λειτουργία εμφανίζουν παρόμοια χαρακτηριστικά στη γεωμετρία και την υφή τους, τα οποία μπορούν να αξιοποιηθούν για την αναγνώριση της κτιριακής λειτουργίας όταν υπάρχουν αναγνωρισμένα κτίρια με παρόμοια χωρικά μοτίβα. Συγκεκριμένα, για κάθε κτίριο επιλέγονται και υπολογίζονται οκτώ κλασσικά γεωμετρικά χαρακτηριστικά, όπως η έκταση, η περίμετρος, η συμπαγότητα, ο αριθμός των κόμβων, ο δείκτης ακτίνας σχήματος, η κανονικότητα, η αναλογία της απεικόνισης και ο προσανατολισμός. Ταυτόχρονα, με την υφή υπολογίζεται η χωρική κατανομή των τόνων των εικονοστοιχείων σε μια τηλεπισκοπική εικόνα, το οποίο χρησιμοποιείται στην αναγνώριση αντικειμένων και την κατάτμηση της εικόνας. Μεταξύ των διαφόρων χαρακτηριστικών υφής, τα σημαντικότερα οκτώ που επιλέχθηκαν είναι η μέση τιμή, η διακύμανση, η ομοιογένεια, η αντίθεση, η ανομοιομορφία, η εντροπία και η συσχέτιση. Η χωρική ομοιότητα ανάμεσα στα μη αναγνωρισμένα κτίρια και τα τριγύρω αναγνωρισμένα κτίρια υπολογίζεται από την ομοιότητα του συνημίτονου. Όσο μεγαλύτερη η τιμή του συνημίτονου, τόσο μεγαλύτερη η χωρική συσχέτιση. Η λειτουργία των αναγνωρισμένων κτιρίων εκχωρείται στα περισσότερο όμοια μη αναγνωρισμένα.<br /> <br /> <br /> '''3. Περιοχή μελέτης και επεξεργασία δεδομένων'''<br /> <br /> Για κτίρια που δεν ταξινομούνται με βάση τη χωρική ομοιότητα εφαρμόζεται η μέθοδος της πυκνότητας Kernel για τα δεδομένα των σημείων ενδιαφέροντος. Τα σημεία ενδιαφέροντος μετατρέπονται σε μια συνεχή επιφάνεια πυκνότητας αναπαριστώντας την κατανομή των χαρακτηριστικών με τη μέθοδο KDE. Υπολογίζεται η πυκνότητα της συνεισφοράς κάθε σημείου δείγματος στο προκαθορισμένο εύρος στο κεντρικό σημείο κάθε καννάβου μέσω της λειτουργίας του kernel και τελικά δημιουργείται μια ομαλή επιφάνεια. Οι μέσες τιμές KDE εντός της γεωμετρίας του κτιρίου υπολογίζονται ως οι πυκνότητες kernel κάθε κτιρίου και τα αναγνωρισμένα κτίρια βασισμένα σε σημεία ενδιαφέροντος και χωρικές ομοιότητες επιλέγονται ως δείγματα εκπαίδευσης. Μεταξύ των τιμών διαφορετικών κατηγοριών, η κατηγορία με τη μικρότερη τιμή καταχωρείται στα μη αναγνωρισμένα κτίρια.<br /> Τα δεδομένα που χρησιμοποιήθηκαν προήλθαν από τρεις διαφορετικές βάσεις δεδομένων, εικόνες google earth, δεδομένα σημείων ενδιαφέροντος και γεωμετρικά αποτυπώματα κτιρίων. Οι εικόνες google earth έχουν ληφθεί τον Μάρτιο 2019 και έχουν κόκκινο, πράσινο και μπλε κανάλι με χωρική ανάλυση στα 1.2m. Τα γεωμετρικά αποτυπώματα των κτιρίων είναι σε μορφή shapefile από την Εθνική Πλατφόρμα για Κοινές Υπηρεσίες Γεωχωρικής Πληροφορίας. Τα δεδομένα των σημείων ενδιαφέροντος δεν περιέχουν μόνο χωρική τοποθεσία αλλά επίσης περιγραφικές πληροφορίες, όπως η διεύθυνση και ο τύπος που συμβάλλουν στην αναγνώριση της λειτουργίας των αστικών κτιρίων. Συλλέχθηκαν 120.589 σημεία μέσω του Amap, το οποίο φέρει υψηλή ακρίβεια, ευρεία κάλυψη και συχνές ενημερώσεις. Τα σημεία ενδιαφέροντος ταξινομούνται σε επτά κύριες κατηγορίες: Κατοικία (R), Διοίκηση και Δημόσιες Υπηρεσίες (A), Εμπορικές και Επιχειρηματικές εγκαταστάσεις (B), Δημοτικές Υπηρεσίες (U), Logistics και Αποθήκες (W), Δρόμοι, Οδοί και Μετακινήσεις (S), Βιομηχανία, Κατασκευές (M). Τα σημεία ενδιαφέροντος χωρίζονται σε δύο κατηγορίες, η πρώτη έχει χαμηλή σημαντικότητα αλλά υψηλή πυκνότητα (B, W) και η δεύτερη έχει υψηλή σημαντικότητα αλλά χαμηλή πυκνότητα (R, A, S, T, M). Ανάλογα τον τύπο καθορίζεται και ο τρόπος που αποφασίζεται η χρήση ενός κτιρίου. <br /> <br /> <br /> '''4. Αποτελέσματα'''<br /> <br /> Προκύπτει ότι μόνο το 35.15% των σημείων ενδιαφέροντος ήταν εντός των κτιρίων ή σε απόσταση 5 μέτρων και το 27.98% των κτιρίων ήταν αναγνωρισμένα. Η χωρική ετερογένεια των σημείων ενδιαφέροντος οδηγεί σε μη ισορροπημένο ρυθμό αναγνώρισης σε διαφορετικές περιοχές της πόλης. <br /> Στην περιοχή μελέτης υπολογίστηκαν για 77545 κτίρια, οκτώ χαρακτηριστικά υφής και 8 γεωμετρικά χαρακτηριστικά. Αν και η ανάλυση της υφής έγινε για το κόκκινο, το πράσινο και το μπλε κανάλι, χρησιμοποιήθηκαν μόνο αυτά του κόκκινου καναλιού. <br /> Με δεδομένο ότι τα κοντινά κτίρια με παρόμοια φασματικά χαρακτηριστικά έχουν παρόμοια χρήση, η χωρική ομοιότητα συμβάλλει για να αποδώσει χρήση στο 33.67% των κτιρίων από διαφορετικές κατηγορίες. Με τη μέθοδο που βασίζεται σε σημεία ενδιαφέροντος δεν παρέχονται σαφή παραδείγματα για να προσδίδεται χρήση σε κοντινά κτίρια πάντα.<br /> Για πλήρη χρήση των σημείων ενδιαφέροντος γίνεται χρήση της πυκνότητας kernel των σημείων ενδιαφέροντος διαφορετικών κατηγοριών, ενώ η συσχέτιση επιτυγχάνεται περισσότερο για επιχειρηματικές εγκαταστάσεις σε σχέση με κατοικίες.<br /> Το 27.98% των κτιρίων αναγνωρίστηκε απευθείας από τα δεδομένα σημείων ενδιαφέροντος, το 33.64% των κατοικιών και το 38.38% επιχειρηματικών κτιρίων εντοπίστηκε με συνδυασμό χωρικής ομοιότητας και της μεθόδου Kernel Density Estimation.<br /> <br /> <br /> '''5. Συζήτηση &amp; Συμπεράσματα'''<br /> <br /> Γίνεται διαχωρισμός των κτιρίων που αναγνωρίστηκαν με βάση τα δεδομένα των σημείων ενδιαφέροντος που χρησιμοποιήθηκαν ως δείγματα εκπαίδευσης προκειμένου να ελεγχθεί η απόδοση και η ακρίβεια της μεθόδου συνδυασμού χωρικής ομοιότητας και Kernel Density Estimation. Συνήθης είναι η σύγχυση μεταξύ λιανικού εμπορίου και εργοστασίων. <br /> Το ποσοστό ακρίβειας για τη μέθοδο Kernel Density Estimation είναι χαμηλότερο απ’ ότι με χωρική ομοιότητα για τις κατηγορίες κατοικίας και εμπορίου/επιχειρήσεων και αυξάνεται με αναγνώριση που βασίζεται στον συνδυασμό των μεθόδων. Ωστόσο, Η μέση χωρική ομοιότητα κτιρίων ίδιας κατηγορίας είναι σημαντικά υψηλότερη από αυτή διαφορετικών κατηγοριών. <br /> Η επιλογή ακατάλληλου εύρους ζώνης επηρεάζει σημαντικά την ακρίβεια του KDE, αν και η συγκεκριμένη παράμετρος συνήθως επιλέγεται με προσωπικά κριτήρια χωρίς συγκεκριμένη επαλήθευση. Πιθανόν λόγω μέσου μεγέθους των οικοδομικών τετραγώνων στην περιοχή μελέτης στα 200 μέτρα, η ακρίβεια υπολογισμού τείνει να αυξάνεται σε εύρος ζώνης μεταξύ 100 και 200 μέτρων και μετά τα 200 να μειώνεται. <br /> Η αναγνώριση της χρήσης γης δίνει νέες προοπτικές στον αστικό σχεδιασμό, τη μελέτη του περιβάλλοντος και τη διαχείριση έκτακτων αναγκών. Γι’ αυτό προτείνεται ένα σταδιακό πλαίσιο αναγνώρισης για χρήσεις αστικών κτιρίων, με ένωση χωρικών ομοιοτήτων των κτιρίων και τον υπολογισμό πυκνότητας kernel των σημείων ενδιαφέροντος.<br /> Συγκεκριμένα προτείνεται η χρήση χωρικών ομοιοτήτων με βάση τις εικόνες Google Earth και τη γεωμετρία των κτιρίων και ο υπολογισμός πυκνότητας kernel με βάση τα δεδομένα των σημείων ενδιαφέροντος. Τα αποτελέσματα της αναγνώρισης εξαρτώνται σημαντικά από το εύρος ζώνης της μεθόδου KDE, όπου στην περίπτωση μελέτης αυτό ήταν τα 200m. Οι διαφορετικές λειτουργίες κτιρίων φέρουν και διαφορετικές χωρικές συσχετίσεις και συνενώσεις. <br /> Σημαντικό επίσης είναι η βελτίωση της προτεινόμενης μεθόδου με ενσωμάτωση πολλαπλών UGC και τηλεπισκοπικών πηγών δεδομένων, όπως δεδομένα διαδρομών ταξί από GPS, δεδομένα μέσων κοινωνικής δικτύωσης, τηλεπισκόπηση νυχτερινής φωταγώγησης, προκειμένου να εμπλουτιστεί περαιτέρω η σημασιολογική πληροφορία όσον αφορά τις χρήσεις των αστικών κτιρίων, καθώς επίσης να ενισχυθεί το εύρος εφαρμογής του προτεινόμενου πλαισίου αναγνώρισης σε επιπλέον διαφορετικές πόλεις ανά τον κόσμο.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%A3%CE%99%CE%91%CE%A7%CE%9F%CE%A33.2.JPG 2022-03-23T20:26:44Z

<p>Siachospan: </p> <hr /> <div></div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%A3%CE%99%CE%91%CE%A7%CE%9F%CE%A33.1.JPG 2022-03-23T20:26:26Z

<p>Siachospan: </p> <hr /> <div></div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%B1%CE%B3%CE%BD%CF%89%CF%81%CE%AF%CE%B6%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7_%CE%BB%CE%B5%CE%B9%CF%84%CE%BF%CF%85%CF%81%CE%B3%CE%AF%CE%B1_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CE%BC%CE%B5_%CE%B5%CE%BD%CF%83%CF%89%CE%BC%CE%AC%CF%84%CF%89%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%83%CE%B7%CE%BC%CE%B5%CE%AF%CF%89%CE%BD_%CE%B5%CE%BD%CE%B4%CE%B9%CE%B1%CF%86%CE%AD%CF%81%CE%BF%CE%BD%CF%84%CE%BF%CF%82 2022-03-23T20:21:46Z

<p>Siachospan: </p> <hr /> <div>[[category:Αστικός και περιφερειακός σχεδιασμός]]<br /> '''Αναγνωρίζοντας τη λειτουργία αστικών κτιρίων με ενσωμάτωση τηλεπισκοπικών εικόνων και δεδομένων σημείων ενδιαφέροντος'''<br /> <br /> '''Identifying urban building function by integrating remote sensing imagery and POI data'''<br /> <br /> Anqi Lin, Xiaomeng Sun, Hao Wu, Wenting Luo, Danyang Wang, Dantong Zhong, Zhongming Wang, Lanting Zhao, and Jiang Zhu. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 14, pp. 8864-8875, 2021<br /> <br /> Πηγή: [https://www.researchgate.net/publication/354173429_Identifying_Urban_Building_Function_by_Integrating_Remote_Sensing_Imagery_and_POI_Data]<br /> <br /> <br /> Με τη συγκεκριμένη εργασία προτείνεται ένα πλαίσιο αναγνώρισης αστικών κτιρίων βασισμένο σε τηλεπισκοπικές εικόνες και δεδομένα σημείων ενδιαφέροντος. Ως περίπτωση μελέτης επιλέχθηκε η Wuhan για την οποία αξιοποιήθηκαν εικόνες και σημεία ενδιαφέροντος από το Google Earth για αναγνώριση των επτά κύριων κατηγοριών στον πυρήνα του αστικού ιστού.<br /> <br /> <br /> 1. Εισαγωγή<br /> <br /> Η αναγνώριση της λειτουργίας των κτιρίων είναι χρήσιμη όχι μόνο για την κατανόηση της μορφολογίας του αστικού ιστού, αλλά επίσης συμβάλλει σε διάφορες εφαρμογές περιστατικά έκτακτης ανάγκης, στη χάραξη πολιτικής, τη διαχείριση πόρων και λοιπά πεδία. Ένας αυτοματοποιημένος τρόπος αναγνώρισης της λειτουργίας των κτιρίων μιας πόλης είναι πιο αποδοτική διαδικασία από τις μέχρι τώρα επιτόπιες έρευνες που συνήθως είναι χρονοβόρες και σπάνια ανοιχτές προς το κοινό.<br /> Από το 1970 οι πρώτες δορυφορικές τηλεπισκοπικές παρατηρήσεις της γης παρέχουν τη δυνατότητα ποσοτικής ανάλυσης και δυναμικής παρατήρησης των αστικών χρήσεων γης και πιο πρόσφατα ψηφιακές παγκόσμιες πλατφόρμες όπως το Google Earth, το NASA World Wind και το Bing Maps αποτελούν μια ελεύθερη και ανοιχτή πηγή δεδομένων. Συγκεκριμένα, τα γεωμετρικά και φασματικά χαρακτηριστικά των εικόνων Google Earth παρέχουν λεπτομερείς πληροφορίες για την ταξινόμηση των χρήσεων γης σε επίπεδο αντικειμένου, αν και η τηλεπισκόπηση είναι πιο χρήσιμη για την οριοθέτηση της φυσικής διάταξης των αντικειμένων του εδάφους παρά για την αναγνώριση συγκεκριμένης λειτουργίας και ανθρώπινης δραστηριότητας εξαιτίας της έλλειψης σημασιολογικής πληροφορίας. Ωστόσο, η εμφάνιση του UGC (User Generate Content) επιτρέπει σε ενεργούς χρήστες να συμμετέχουν στη συλλογή, την ενημέρωση και κοινοποίηση μαζικών δεδομένων που αφορούν την ανθρώπινη δραστηριότητα. Τα σημεία ενδιαφέροντος (POIs) αντιμετωπίζουν πλέον σε μεγάλο βαθμό το σημασιολογικό κενό των τηλεπισκοπικών εικόνων. Πλέον αξιοποιούνται πολλαπλές πηγές δεδομένων για την αναγνώριση των διαφορετικών αστικών λειτουργικών ζωνών, όπως ο συνδυασμός χαρακτηριστικών του τοπίου από δορυφορικές εικόνες και της ανθρώπινης δραστηριότητας από σημεία ενδιαφέροντος και τα δεδομένα πλοήγησης των ταξί. <br /> Με χρήση της μεθόδου πυκνότητας Kernel γίνεται μετατροπή των δεδομένων σημείων ενδιαφέροντος σε συνεχή επιφανειακά χαρακτηριστικά. Επιπλέον, από τα χωρικά χαρακτηριστικά των κτιρίων εντοπίζουμε συχνά ότι για παράδειγμα σε μια περιοχή κατοικίας ή επιχειρήσεων, τα κτίρια εμφανίζουν συγκεκριμένες ομοιότητες στην υφή ή την γεωμετρία. Δηλαδή, τα χωρικά χαρακτηριστικά των κτιρίων μπορούν να χρησιμοποιηθούν για να βρεθεί η λειτουργία ενός κτιρίου με την παραδοχή ότι κτίρια με παρόμοια χωρικά χαρακτηριστικά έχουν και ίδια χρήση/λειτουργία σε μια συγκεκριμένη περιοχή. Γι’ αυτό και είναι σημαντική η ανάπτυξη μίας υβριδικής μεθόδου αναγνώρισης που θα αξιοποιεί τόσο τη χωρική ομοιότητα, όσο και την κατανομή των σημείων ενδιαφέροντος.<br /> <br /> <br /> 2. Μέθοδοι<br /> <br /> Η αναγνώριση της χρήσης των κτιρίων γίνεται σε τρία βήματα, την άμεση χρήση των δεδομένων σημείων ενδιαφέροντος, τον υπολογισμό της χωρικής ομοιότητας και τη δημιουργία αποτυπώματος γεωμετρίας και πυκνότητας Kernel των δεδομένων σημείων ενδιαφέροντος διαφορετικών κατηγοριών.<br /> Αρχικά, επανακατηγοριοποιούνται τα σημεία ενδιαφέροντος και στη συνέχεια ορίζεται η λειτουργία των κτιρίων. Σημεία χαμηλής σημασίας αλλά υψηλής πυκνότητας ορίζουν τη λειτουργία κτιρίων με βάση τη συχνότητα των δεδομένων, ενώ σημεία με υψηλή σημασία αλλά χαμηλή πυκνότητα την ορίζουν με βάση σειρά προτεραιότητας. Στη συνέχεια, προσδιορίζεται η χωρική ομοιότητα για την αναγνώριση των λειτουργιών κτιρίων που δεν περιέχουν δεδομένα σημείων ενδιαφέροντος εντός τους. Τέλος, υπολογίζονται και κανονικοποιούνται οι πυκνότητες kernel προκειμένου να βελτιωθεί το ποσοστό αναγνώρισης της χρήσης κτιρίων. <br /> Παρατηρείται ότι κτίρια με παρόμοια λειτουργία εμφανίζουν παρόμοια χαρακτηριστικά στη γεωμετρία και την υφή τους, τα οποία μπορούν να αξιοποιηθούν για την αναγνώριση της κτιριακής λειτουργίας όταν υπάρχουν αναγνωρισμένα κτίρια με παρόμοια χωρικά μοτίβα. Συγκεκριμένα, για κάθε κτίριο επιλέγονται και υπολογίζονται οκτώ κλασσικά γεωμετρικά χαρακτηριστικά, όπως η έκταση, η περίμετρος, η συμπαγότητα, ο αριθμός των κόμβων, ο δείκτης ακτίνας σχήματος, η κανονικότητα, η αναλογία της απεικόνισης και ο προσανατολισμός. Ταυτόχρονα, με την υφή υπολογίζεται η χωρική κατανομή των τόνων των εικονοστοιχείων σε μια τηλεπισκοπική εικόνα, το οποίο χρησιμοποιείται στην αναγνώριση αντικειμένων και την κατάτμηση της εικόνας. Μεταξύ των διαφόρων χαρακτηριστικών υφής, τα σημαντικότερα οκτώ που επιλέχθηκαν είναι η μέση τιμή, η διακύμανση, η ομοιογένεια, η αντίθεση, η ανομοιομορφία, η εντροπία και η συσχέτιση. Η χωρική ομοιότητα ανάμεσα στα μη αναγνωρισμένα κτίρια και τα τριγύρω αναγνωρισμένα κτίρια υπολογίζεται από την ομοιότητα του συνημίτονου. Όσο μεγαλύτερη η τιμή του συνημίτονου, τόσο μεγαλύτερη η χωρική συσχέτιση. Η λειτουργία των αναγνωρισμένων κτιρίων εκχωρείται στα περισσότερο όμοια μη αναγνωρισμένα.<br /> <br /> <br /> 3. Περιοχή μελέτης και επεξεργασία δεδομένων<br /> <br /> Για κτίρια που δεν ταξινομούνται με βάση τη χωρική ομοιότητα εφαρμόζεται η μέθοδος της πυκνότητας Kernel για τα δεδομένα των σημείων ενδιαφέροντος. Τα σημεία ενδιαφέροντος μετατρέπονται σε μια συνεχή επιφάνεια πυκνότητας αναπαριστώντας την κατανομή των χαρακτηριστικών με τη μέθοδο KDE. Υπολογίζεται η πυκνότητα της συνεισφοράς κάθε σημείου δείγματος στο προκαθορισμένο εύρος στο κεντρικό σημείο κάθε καννάβου μέσω της λειτουργίας του kernel και τελικά δημιουργείται μια ομαλή επιφάνεια. Οι μέσες τιμές KDE εντός της γεωμετρίας του κτιρίου υπολογίζονται ως οι πυκνότητες kernel κάθε κτιρίου και τα αναγνωρισμένα κτίρια βασισμένα σε σημεία ενδιαφέροντος και χωρικές ομοιότητες επιλέγονται ως δείγματα εκπαίδευσης. Μεταξύ των τιμών διαφορετικών κατηγοριών, η κατηγορία με τη μικρότερη τιμή καταχωρείται στα μη αναγνωρισμένα κτίρια.<br /> Τα δεδομένα που χρησιμοποιήθηκαν προήλθαν από τρεις διαφορετικές βάσεις δεδομένων, εικόνες google earth, δεδομένα σημείων ενδιαφέροντος και γεωμετρικά αποτυπώματα κτιρίων. Οι εικόνες google earth έχουν ληφθεί τον Μάρτιο 2019 και έχουν κόκκινο, πράσινο και μπλε κανάλι με χωρική ανάλυση στα 1.2m. Τα γεωμετρικά αποτυπώματα των κτιρίων είναι σε μορφή shapefile από την Εθνική Πλατφόρμα για Κοινές Υπηρεσίες Γεωχωρικής Πληροφορίας. Τα δεδομένα των σημείων ενδιαφέροντος δεν περιέχουν μόνο χωρική τοποθεσία αλλά επίσης περιγραφικές πληροφορίες, όπως η διεύθυνση και ο τύπος που συμβάλλουν στην αναγνώριση της λειτουργίας των αστικών κτιρίων. Συλλέχθηκαν 120.589 σημεία μέσω του Amap, το οποίο φέρει υψηλή ακρίβεια, ευρεία κάλυψη και συχνές ενημερώσεις. Τα σημεία ενδιαφέροντος ταξινομούνται σε επτά κύριες κατηγορίες: Κατοικία (R), Διοίκηση και Δημόσιες Υπηρεσίες (A), Εμπορικές και Επιχειρηματικές εγκαταστάσεις (B), Δημοτικές Υπηρεσίες (U), Logistics και Αποθήκες (W), Δρόμοι, Οδοί και Μετακινήσεις (S), Βιομηχανία, Κατασκευές (M). Τα σημεία ενδιαφέροντος χωρίζονται σε δύο κατηγορίες, η πρώτη έχει χαμηλή σημαντικότητα αλλά υψηλή πυκνότητα (B, W) και η δεύτερη έχει υψηλή σημαντικότητα αλλά χαμηλή πυκνότητα (R, A, S, T, M). Ανάλογα τον τύπο καθορίζεται και ο τρόπος που αποφασίζεται η χρήση ενός κτιρίου. <br /> <br /> <br /> 4. Αποτελέσματα<br /> <br /> Προκύπτει ότι μόνο το 35.15% των σημείων ενδιαφέροντος ήταν εντός των κτιρίων ή σε απόσταση 5 μέτρων και το 27.98% των κτιρίων ήταν αναγνωρισμένα. Η χωρική ετερογένεια των σημείων ενδιαφέροντος οδηγεί σε μη ισορροπημένο ρυθμό αναγνώρισης σε διαφορετικές περιοχές της πόλης. <br /> Στην περιοχή μελέτης υπολογίστηκαν για 77545 κτίρια, οκτώ χαρακτηριστικά υφής και 8 γεωμετρικά χαρακτηριστικά. Αν και η ανάλυση της υφής έγινε για το κόκκινο, το πράσινο και το μπλε κανάλι, χρησιμοποιήθηκαν μόνο αυτά του κόκκινου καναλιού. <br /> Με δεδομένο ότι τα κοντινά κτίρια με παρόμοια φασματικά χαρακτηριστικά έχουν παρόμοια χρήση, η χωρική ομοιότητα συμβάλλει για να αποδώσει χρήση στο 33.67% των κτιρίων από διαφορετικές κατηγορίες. Με τη μέθοδο που βασίζεται σε σημεία ενδιαφέροντος δεν παρέχονται σαφή παραδείγματα για να προσδίδεται χρήση σε κοντινά κτίρια πάντα.<br /> Για πλήρη χρήση των σημείων ενδιαφέροντος γίνεται χρήση της πυκνότητας kernel των σημείων ενδιαφέροντος διαφορετικών κατηγοριών, ενώ η συσχέτιση επιτυγχάνεται περισσότερο για επιχειρηματικές εγκαταστάσεις σε σχέση με κατοικίες.<br /> Το 27.98% των κτιρίων αναγνωρίστηκε απευθείας από τα δεδομένα σημείων ενδιαφέροντος, το 33.64% των κατοικιών και το 38.38% επιχειρηματικών κτιρίων εντοπίστηκε με συνδυασμό χωρικής ομοιότητας και της μεθόδου Kernel Density Estimation.<br /> <br /> <br /> 5. Συζήτηση &amp; Συμπεράσματα<br /> <br /> Γίνεται διαχωρισμός των κτιρίων που αναγνωρίστηκαν με βάση τα δεδομένα των σημείων ενδιαφέροντος που χρησιμοποιήθηκαν ως δείγματα εκπαίδευσης προκειμένου να ελεγχθεί η απόδοση και η ακρίβεια της μεθόδου συνδυασμού χωρικής ομοιότητας και Kernel Density Estimation. Συνήθης είναι η σύγχυση μεταξύ λιανικού εμπορίου και εργοστασίων. <br /> Το ποσοστό ακρίβειας για τη μέθοδο Kernel Density Estimation είναι χαμηλότερο απ’ ότι με χωρική ομοιότητα για τις κατηγορίες κατοικίας και εμπορίου/επιχειρήσεων και αυξάνεται με αναγνώριση που βασίζεται στον συνδυασμό των μεθόδων. Ωστόσο, Η μέση χωρική ομοιότητα κτιρίων ίδιας κατηγορίας είναι σημαντικά υψηλότερη από αυτή διαφορετικών κατηγοριών. <br /> Η επιλογή ακατάλληλου εύρους ζώνης επηρεάζει σημαντικά την ακρίβεια του KDE, αν και η συγκεκριμένη παράμετρος συνήθως επιλέγεται με προσωπικά κριτήρια χωρίς συγκεκριμένη επαλήθευση. Πιθανόν λόγω μέσου μεγέθους των οικοδομικών τετραγώνων στην περιοχή μελέτης στα 200 μέτρα, η ακρίβεια υπολογισμού τείνει να αυξάνεται σε εύρος ζώνης μεταξύ 100 και 200 μέτρων και μετά τα 200 να μειώνεται. <br /> Η αναγνώριση της χρήσης γης δίνει νέες προοπτικές στον αστικό σχεδιασμό, τη μελέτη του περιβάλλοντος και τη διαχείριση έκτακτων αναγκών. Γι’ αυτό προτείνεται ένα σταδιακό πλαίσιο αναγνώρισης για χρήσεις αστικών κτιρίων, με ένωση χωρικών ομοιοτήτων των κτιρίων και τον υπολογισμό πυκνότητας kernel των σημείων ενδιαφέροντος.<br /> Συγκεκριμένα προτείνεται η χρήση χωρικών ομοιοτήτων με βάση τις εικόνες Google Earth και τη γεωμετρία των κτιρίων και ο υπολογισμός πυκνότητας kernel με βάση τα δεδομένα των σημείων ενδιαφέροντος. Τα αποτελέσματα της αναγνώρισης εξαρτώνται σημαντικά από το εύρος ζώνης της μεθόδου KDE, όπου στην περίπτωση μελέτης αυτό ήταν τα 200m. Οι διαφορετικές λειτουργίες κτιρίων φέρουν και διαφορετικές χωρικές συσχετίσεις και συνενώσεις. <br /> Σημαντικό επίσης είναι η βελτίωση της προτεινόμενης μεθόδου με ενσωμάτωση πολλαπλών UGC και τηλεπισκοπικών πηγών δεδομένων, όπως δεδομένα διαδρομών ταξί από GPS, δεδομένα μέσων κοινωνικής δικτύωσης, τηλεπισκόπηση νυχτερινής φωταγώγησης, προκειμένου να εμπλουτιστεί περαιτέρω η σημασιολογική πληροφορία όσον αφορά τις χρήσεις των αστικών κτιρίων, καθώς επίσης να ενισχυθεί το εύρος εφαρμογής του προτεινόμενου πλαισίου αναγνώρισης σε επιπλέον διαφορετικές πόλεις ανά τον κόσμο.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%B1%CE%B3%CE%BD%CF%89%CF%81%CE%AF%CE%B6%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7_%CE%BB%CE%B5%CE%B9%CF%84%CE%BF%CF%85%CF%81%CE%B3%CE%AF%CE%B1_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CE%BC%CE%B5_%CE%B5%CE%BD%CF%83%CF%89%CE%BC%CE%AC%CF%84%CF%89%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%83%CE%B7%CE%BC%CE%B5%CE%AF%CF%89%CE%BD_%CE%B5%CE%BD%CE%B4%CE%B9%CE%B1%CF%86%CE%AD%CF%81%CE%BF%CE%BD%CF%84%CE%BF%CF%82 2022-03-23T20:20:47Z

<p>Siachospan: </p> <hr /> <div> [[category:Αστικός και περιφερειακός σχεδιασμός]]<br /> '''Αναγνωρίζοντας τη λειτουργία αστικών κτιρίων με ενσωμάτωση τηλεπισκοπικών εικόνων και δεδομένων σημείων ενδιαφέροντος'''<br /> <br /> '''Identifying urban building function by integrating remote sensing imagery and POI data'''<br /> <br /> Anqi Lin, Xiaomeng Sun, Hao Wu, Wenting Luo, Danyang Wang, Dantong Zhong, Zhongming Wang, Lanting Zhao, and Jiang Zhu. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 14, pp. 8864-8875, 2021<br /> <br /> Πηγή: [1]<br /> <br /> <br /> Με τη συγκεκριμένη εργασία προτείνεται ένα πλαίσιο αναγνώρισης αστικών κτιρίων βασισμένο σε τηλεπισκοπικές εικόνες και δεδομένα σημείων ενδιαφέροντος. Ως περίπτωση μελέτης επιλέχθηκε η Wuhan για την οποία αξιοποιήθηκαν εικόνες και σημεία ενδιαφέροντος από το Google Earth για αναγνώριση των επτά κύριων κατηγοριών στον πυρήνα του αστικού ιστού.<br /> <br /> <br /> 1. Εισαγωγή<br /> <br /> Η αναγνώριση της λειτουργίας των κτιρίων είναι χρήσιμη όχι μόνο για την κατανόηση της μορφολογίας του αστικού ιστού, αλλά επίσης συμβάλλει σε διάφορες εφαρμογές περιστατικά έκτακτης ανάγκης, στη χάραξη πολιτικής, τη διαχείριση πόρων και λοιπά πεδία. Ένας αυτοματοποιημένος τρόπος αναγνώρισης της λειτουργίας των κτιρίων μιας πόλης είναι πιο αποδοτική διαδικασία από τις μέχρι τώρα επιτόπιες έρευνες που συνήθως είναι χρονοβόρες και σπάνια ανοιχτές προς το κοινό.<br /> Από το 1970 οι πρώτες δορυφορικές τηλεπισκοπικές παρατηρήσεις της γης παρέχουν τη δυνατότητα ποσοτικής ανάλυσης και δυναμικής παρατήρησης των αστικών χρήσεων γης και πιο πρόσφατα ψηφιακές παγκόσμιες πλατφόρμες όπως το Google Earth, το NASA World Wind και το Bing Maps αποτελούν μια ελεύθερη και ανοιχτή πηγή δεδομένων. Συγκεκριμένα, τα γεωμετρικά και φασματικά χαρακτηριστικά των εικόνων Google Earth παρέχουν λεπτομερείς πληροφορίες για την ταξινόμηση των χρήσεων γης σε επίπεδο αντικειμένου, αν και η τηλεπισκόπηση είναι πιο χρήσιμη για την οριοθέτηση της φυσικής διάταξης των αντικειμένων του εδάφους παρά για την αναγνώριση συγκεκριμένης λειτουργίας και ανθρώπινης δραστηριότητας εξαιτίας της έλλειψης σημασιολογικής πληροφορίας. Ωστόσο, η εμφάνιση του UGC (User Generate Content) επιτρέπει σε ενεργούς χρήστες να συμμετέχουν στη συλλογή, την ενημέρωση και κοινοποίηση μαζικών δεδομένων που αφορούν την ανθρώπινη δραστηριότητα. Τα σημεία ενδιαφέροντος (POIs) αντιμετωπίζουν πλέον σε μεγάλο βαθμό το σημασιολογικό κενό των τηλεπισκοπικών εικόνων. Πλέον αξιοποιούνται πολλαπλές πηγές δεδομένων για την αναγνώριση των διαφορετικών αστικών λειτουργικών ζωνών, όπως ο συνδυασμός χαρακτηριστικών του τοπίου από δορυφορικές εικόνες και της ανθρώπινης δραστηριότητας από σημεία ενδιαφέροντος και τα δεδομένα πλοήγησης των ταξί. <br /> Με χρήση της μεθόδου πυκνότητας Kernel γίνεται μετατροπή των δεδομένων σημείων ενδιαφέροντος σε συνεχή επιφανειακά χαρακτηριστικά. Επιπλέον, από τα χωρικά χαρακτηριστικά των κτιρίων εντοπίζουμε συχνά ότι για παράδειγμα σε μια περιοχή κατοικίας ή επιχειρήσεων, τα κτίρια εμφανίζουν συγκεκριμένες ομοιότητες στην υφή ή την γεωμετρία. Δηλαδή, τα χωρικά χαρακτηριστικά των κτιρίων μπορούν να χρησιμοποιηθούν για να βρεθεί η λειτουργία ενός κτιρίου με την παραδοχή ότι κτίρια με παρόμοια χωρικά χαρακτηριστικά έχουν και ίδια χρήση/λειτουργία σε μια συγκεκριμένη περιοχή. Γι’ αυτό και είναι σημαντική η ανάπτυξη μίας υβριδικής μεθόδου αναγνώρισης που θα αξιοποιεί τόσο τη χωρική ομοιότητα, όσο και την κατανομή των σημείων ενδιαφέροντος.<br /> <br /> <br /> 2. Μέθοδοι<br /> <br /> Η αναγνώριση της χρήσης των κτιρίων γίνεται σε τρία βήματα, την άμεση χρήση των δεδομένων σημείων ενδιαφέροντος, τον υπολογισμό της χωρικής ομοιότητας και τη δημιουργία αποτυπώματος γεωμετρίας και πυκνότητας Kernel των δεδομένων σημείων ενδιαφέροντος διαφορετικών κατηγοριών.<br /> Αρχικά, επανακατηγοριοποιούνται τα σημεία ενδιαφέροντος και στη συνέχεια ορίζεται η λειτουργία των κτιρίων. Σημεία χαμηλής σημασίας αλλά υψηλής πυκνότητας ορίζουν τη λειτουργία κτιρίων με βάση τη συχνότητα των δεδομένων, ενώ σημεία με υψηλή σημασία αλλά χαμηλή πυκνότητα την ορίζουν με βάση σειρά προτεραιότητας. Στη συνέχεια, προσδιορίζεται η χωρική ομοιότητα για την αναγνώριση των λειτουργιών κτιρίων που δεν περιέχουν δεδομένα σημείων ενδιαφέροντος εντός τους. Τέλος, υπολογίζονται και κανονικοποιούνται οι πυκνότητες kernel προκειμένου να βελτιωθεί το ποσοστό αναγνώρισης της χρήσης κτιρίων. <br /> Παρατηρείται ότι κτίρια με παρόμοια λειτουργία εμφανίζουν παρόμοια χαρακτηριστικά στη γεωμετρία και την υφή τους, τα οποία μπορούν να αξιοποιηθούν για την αναγνώριση της κτιριακής λειτουργίας όταν υπάρχουν αναγνωρισμένα κτίρια με παρόμοια χωρικά μοτίβα. Συγκεκριμένα, για κάθε κτίριο επιλέγονται και υπολογίζονται οκτώ κλασσικά γεωμετρικά χαρακτηριστικά, όπως η έκταση, η περίμετρος, η συμπαγότητα, ο αριθμός των κόμβων, ο δείκτης ακτίνας σχήματος, η κανονικότητα, η αναλογία της απεικόνισης και ο προσανατολισμός. Ταυτόχρονα, με την υφή υπολογίζεται η χωρική κατανομή των τόνων των εικονοστοιχείων σε μια τηλεπισκοπική εικόνα, το οποίο χρησιμοποιείται στην αναγνώριση αντικειμένων και την κατάτμηση της εικόνας. Μεταξύ των διαφόρων χαρακτηριστικών υφής, τα σημαντικότερα οκτώ που επιλέχθηκαν είναι η μέση τιμή, η διακύμανση, η ομοιογένεια, η αντίθεση, η ανομοιομορφία, η εντροπία και η συσχέτιση. Η χωρική ομοιότητα ανάμεσα στα μη αναγνωρισμένα κτίρια και τα τριγύρω αναγνωρισμένα κτίρια υπολογίζεται από την ομοιότητα του συνημίτονου. Όσο μεγαλύτερη η τιμή του συνημίτονου, τόσο μεγαλύτερη η χωρική συσχέτιση. Η λειτουργία των αναγνωρισμένων κτιρίων εκχωρείται στα περισσότερο όμοια μη αναγνωρισμένα.<br /> <br /> <br /> 3. Περιοχή μελέτης και επεξεργασία δεδομένων<br /> <br /> Για κτίρια που δεν ταξινομούνται με βάση τη χωρική ομοιότητα εφαρμόζεται η μέθοδος της πυκνότητας Kernel για τα δεδομένα των σημείων ενδιαφέροντος. Τα σημεία ενδιαφέροντος μετατρέπονται σε μια συνεχή επιφάνεια πυκνότητας αναπαριστώντας την κατανομή των χαρακτηριστικών με τη μέθοδο KDE. Υπολογίζεται η πυκνότητα της συνεισφοράς κάθε σημείου δείγματος στο προκαθορισμένο εύρος στο κεντρικό σημείο κάθε καννάβου μέσω της λειτουργίας του kernel και τελικά δημιουργείται μια ομαλή επιφάνεια. Οι μέσες τιμές KDE εντός της γεωμετρίας του κτιρίου υπολογίζονται ως οι πυκνότητες kernel κάθε κτιρίου και τα αναγνωρισμένα κτίρια βασισμένα σε σημεία ενδιαφέροντος και χωρικές ομοιότητες επιλέγονται ως δείγματα εκπαίδευσης. Μεταξύ των τιμών διαφορετικών κατηγοριών, η κατηγορία με τη μικρότερη τιμή καταχωρείται στα μη αναγνωρισμένα κτίρια.<br /> Τα δεδομένα που χρησιμοποιήθηκαν προήλθαν από τρεις διαφορετικές βάσεις δεδομένων, εικόνες google earth, δεδομένα σημείων ενδιαφέροντος και γεωμετρικά αποτυπώματα κτιρίων. Οι εικόνες google earth έχουν ληφθεί τον Μάρτιο 2019 και έχουν κόκκινο, πράσινο και μπλε κανάλι με χωρική ανάλυση στα 1.2m. Τα γεωμετρικά αποτυπώματα των κτιρίων είναι σε μορφή shapefile από την Εθνική Πλατφόρμα για Κοινές Υπηρεσίες Γεωχωρικής Πληροφορίας. Τα δεδομένα των σημείων ενδιαφέροντος δεν περιέχουν μόνο χωρική τοποθεσία αλλά επίσης περιγραφικές πληροφορίες, όπως η διεύθυνση και ο τύπος που συμβάλλουν στην αναγνώριση της λειτουργίας των αστικών κτιρίων. Συλλέχθηκαν 120.589 σημεία μέσω του Amap, το οποίο φέρει υψηλή ακρίβεια, ευρεία κάλυψη και συχνές ενημερώσεις. Τα σημεία ενδιαφέροντος ταξινομούνται σε επτά κύριες κατηγορίες: Κατοικία (R), Διοίκηση και Δημόσιες Υπηρεσίες (A), Εμπορικές και Επιχειρηματικές εγκαταστάσεις (B), Δημοτικές Υπηρεσίες (U), Logistics και Αποθήκες (W), Δρόμοι, Οδοί και Μετακινήσεις (S), Βιομηχανία, Κατασκευές (M). Τα σημεία ενδιαφέροντος χωρίζονται σε δύο κατηγορίες, η πρώτη έχει χαμηλή σημαντικότητα αλλά υψηλή πυκνότητα (B, W) και η δεύτερη έχει υψηλή σημαντικότητα αλλά χαμηλή πυκνότητα (R, A, S, T, M). Ανάλογα τον τύπο καθορίζεται και ο τρόπος που αποφασίζεται η χρήση ενός κτιρίου. <br /> <br /> <br /> 4. Αποτελέσματα<br /> <br /> Προκύπτει ότι μόνο το 35.15% των σημείων ενδιαφέροντος ήταν εντός των κτιρίων ή σε απόσταση 5 μέτρων και το 27.98% των κτιρίων ήταν αναγνωρισμένα. Η χωρική ετερογένεια των σημείων ενδιαφέροντος οδηγεί σε μη ισορροπημένο ρυθμό αναγνώρισης σε διαφορετικές περιοχές της πόλης. <br /> Στην περιοχή μελέτης υπολογίστηκαν για 77545 κτίρια, οκτώ χαρακτηριστικά υφής και 8 γεωμετρικά χαρακτηριστικά. Αν και η ανάλυση της υφής έγινε για το κόκκινο, το πράσινο και το μπλε κανάλι, χρησιμοποιήθηκαν μόνο αυτά του κόκκινου καναλιού. <br /> Με δεδομένο ότι τα κοντινά κτίρια με παρόμοια φασματικά χαρακτηριστικά έχουν παρόμοια χρήση, η χωρική ομοιότητα συμβάλλει για να αποδώσει χρήση στο 33.67% των κτιρίων από διαφορετικές κατηγορίες. Με τη μέθοδο που βασίζεται σε σημεία ενδιαφέροντος δεν παρέχονται σαφή παραδείγματα για να προσδίδεται χρήση σε κοντινά κτίρια πάντα.<br /> Για πλήρη χρήση των σημείων ενδιαφέροντος γίνεται χρήση της πυκνότητας kernel των σημείων ενδιαφέροντος διαφορετικών κατηγοριών, ενώ η συσχέτιση επιτυγχάνεται περισσότερο για επιχειρηματικές εγκαταστάσεις σε σχέση με κατοικίες.<br /> Το 27.98% των κτιρίων αναγνωρίστηκε απευθείας από τα δεδομένα σημείων ενδιαφέροντος, το 33.64% των κατοικιών και το 38.38% επιχειρηματικών κτιρίων εντοπίστηκε με συνδυασμό χωρικής ομοιότητας και της μεθόδου Kernel Density Estimation.<br /> <br /> <br /> 5. Συζήτηση &amp; Συμπεράσματα<br /> <br /> Γίνεται διαχωρισμός των κτιρίων που αναγνωρίστηκαν με βάση τα δεδομένα των σημείων ενδιαφέροντος που χρησιμοποιήθηκαν ως δείγματα εκπαίδευσης προκειμένου να ελεγχθεί η απόδοση και η ακρίβεια της μεθόδου συνδυασμού χωρικής ομοιότητας και Kernel Density Estimation. Συνήθης είναι η σύγχυση μεταξύ λιανικού εμπορίου και εργοστασίων. <br /> Το ποσοστό ακρίβειας για τη μέθοδο Kernel Density Estimation είναι χαμηλότερο απ’ ότι με χωρική ομοιότητα για τις κατηγορίες κατοικίας και εμπορίου/επιχειρήσεων και αυξάνεται με αναγνώριση που βασίζεται στον συνδυασμό των μεθόδων. Ωστόσο, Η μέση χωρική ομοιότητα κτιρίων ίδιας κατηγορίας είναι σημαντικά υψηλότερη από αυτή διαφορετικών κατηγοριών. <br /> Η επιλογή ακατάλληλου εύρους ζώνης επηρεάζει σημαντικά την ακρίβεια του KDE, αν και η συγκεκριμένη παράμετρος συνήθως επιλέγεται με προσωπικά κριτήρια χωρίς συγκεκριμένη επαλήθευση. Πιθανόν λόγω μέσου μεγέθους των οικοδομικών τετραγώνων στην περιοχή μελέτης στα 200 μέτρα, η ακρίβεια υπολογισμού τείνει να αυξάνεται σε εύρος ζώνης μεταξύ 100 και 200 μέτρων και μετά τα 200 να μειώνεται. <br /> Η αναγνώριση της χρήσης γης δίνει νέες προοπτικές στον αστικό σχεδιασμό, τη μελέτη του περιβάλλοντος και τη διαχείριση έκτακτων αναγκών. Γι’ αυτό προτείνεται ένα σταδιακό πλαίσιο αναγνώρισης για χρήσεις αστικών κτιρίων, με ένωση χωρικών ομοιοτήτων των κτιρίων και τον υπολογισμό πυκνότητας kernel των σημείων ενδιαφέροντος.<br /> Συγκεκριμένα προτείνεται η χρήση χωρικών ομοιοτήτων με βάση τις εικόνες Google Earth και τη γεωμετρία των κτιρίων και ο υπολογισμός πυκνότητας kernel με βάση τα δεδομένα των σημείων ενδιαφέροντος. Τα αποτελέσματα της αναγνώρισης εξαρτώνται σημαντικά από το εύρος ζώνης της μεθόδου KDE, όπου στην περίπτωση μελέτης αυτό ήταν τα 200m. Οι διαφορετικές λειτουργίες κτιρίων φέρουν και διαφορετικές χωρικές συσχετίσεις και συνενώσεις. <br /> Σημαντικό επίσης είναι η βελτίωση της προτεινόμενης μεθόδου με ενσωμάτωση πολλαπλών UGC και τηλεπισκοπικών πηγών δεδομένων, όπως δεδομένα διαδρομών ταξί από GPS, δεδομένα μέσων κοινωνικής δικτύωσης, τηλεπισκόπηση νυχτερινής φωταγώγησης, προκειμένου να εμπλουτιστεί περαιτέρω η σημασιολογική πληροφορία όσον αφορά τις χρήσεις των αστικών κτιρίων, καθώς επίσης να ενισχυθεί το εύρος εφαρμογής του προτεινόμενου πλαισίου αναγνώρισης σε επιπλέον διαφορετικές πόλεις ανά τον κόσμο.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%B1%CE%B3%CE%BD%CF%89%CF%81%CE%AF%CE%B6%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%84%CE%B7_%CE%BB%CE%B5%CE%B9%CF%84%CE%BF%CF%85%CF%81%CE%B3%CE%AF%CE%B1_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CE%BC%CE%B5_%CE%B5%CE%BD%CF%83%CF%89%CE%BC%CE%AC%CF%84%CF%89%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%83%CE%B7%CE%BC%CE%B5%CE%AF%CF%89%CE%BD_%CE%B5%CE%BD%CE%B4%CE%B9%CE%B1%CF%86%CE%AD%CF%81%CE%BF%CE%BD%CF%84%CE%BF%CF%82 2022-03-23T20:19:34Z

<p>Siachospan: Νέα σελίδα με ' category:Αστικός και περιφερειακός σχεδιασμός '''Αναγνωρίζοντας τη λειτουργία αστικών κτιρίων...'</p> <hr /> <div> [[category:Αστικός και περιφερειακός σχεδιασμός]]<br /> '''Αναγνωρίζοντας τη λειτουργία αστικών κτιρίων με ενσωμάτωση τηλεπισκοπικών εικόνων και δεδομένων σημείων ενδιαφέροντος'''<br /> <br /> '''Identifying urban building function by integrating remote sensing imagery and POI data'''<br /> <br /> Anqi Lin, Xiaomeng Sun, Hao Wu, Wenting Luo, Danyang Wang, Dantong Zhong, Zhongming Wang, Lanting Zhao, and Jiang Zhu. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 14, pp. 8864-8875, 2021<br /> Πηγή: [1]<br /> <br /> Με τη συγκεκριμένη εργασία προτείνεται ένα πλαίσιο αναγνώρισης αστικών κτιρίων βασισμένο σε τηλεπισκοπικές εικόνες και δεδομένα σημείων ενδιαφέροντος. Ως περίπτωση μελέτης επιλέχθηκε η Wuhan για την οποία αξιοποιήθηκαν εικόνες και σημεία ενδιαφέροντος από το Google Earth για αναγνώριση των επτά κύριων κατηγοριών στον πυρήνα του αστικού ιστού.<br /> <br /> <br /> 1. Εισαγωγή<br /> <br /> Η αναγνώριση της λειτουργίας των κτιρίων είναι χρήσιμη όχι μόνο για την κατανόηση της μορφολογίας του αστικού ιστού, αλλά επίσης συμβάλλει σε διάφορες εφαρμογές περιστατικά έκτακτης ανάγκης, στη χάραξη πολιτικής, τη διαχείριση πόρων και λοιπά πεδία. Ένας αυτοματοποιημένος τρόπος αναγνώρισης της λειτουργίας των κτιρίων μιας πόλης είναι πιο αποδοτική διαδικασία από τις μέχρι τώρα επιτόπιες έρευνες που συνήθως είναι χρονοβόρες και σπάνια ανοιχτές προς το κοινό.<br /> Από το 1970 οι πρώτες δορυφορικές τηλεπισκοπικές παρατηρήσεις της γης παρέχουν τη δυνατότητα ποσοτικής ανάλυσης και δυναμικής παρατήρησης των αστικών χρήσεων γης και πιο πρόσφατα ψηφιακές παγκόσμιες πλατφόρμες όπως το Google Earth, το NASA World Wind και το Bing Maps αποτελούν μια ελεύθερη και ανοιχτή πηγή δεδομένων. Συγκεκριμένα, τα γεωμετρικά και φασματικά χαρακτηριστικά των εικόνων Google Earth παρέχουν λεπτομερείς πληροφορίες για την ταξινόμηση των χρήσεων γης σε επίπεδο αντικειμένου, αν και η τηλεπισκόπηση είναι πιο χρήσιμη για την οριοθέτηση της φυσικής διάταξης των αντικειμένων του εδάφους παρά για την αναγνώριση συγκεκριμένης λειτουργίας και ανθρώπινης δραστηριότητας εξαιτίας της έλλειψης σημασιολογικής πληροφορίας. Ωστόσο, η εμφάνιση του UGC (User Generate Content) επιτρέπει σε ενεργούς χρήστες να συμμετέχουν στη συλλογή, την ενημέρωση και κοινοποίηση μαζικών δεδομένων που αφορούν την ανθρώπινη δραστηριότητα. Τα σημεία ενδιαφέροντος (POIs) αντιμετωπίζουν πλέον σε μεγάλο βαθμό το σημασιολογικό κενό των τηλεπισκοπικών εικόνων. Πλέον αξιοποιούνται πολλαπλές πηγές δεδομένων για την αναγνώριση των διαφορετικών αστικών λειτουργικών ζωνών, όπως ο συνδυασμός χαρακτηριστικών του τοπίου από δορυφορικές εικόνες και της ανθρώπινης δραστηριότητας από σημεία ενδιαφέροντος και τα δεδομένα πλοήγησης των ταξί. <br /> Με χρήση της μεθόδου πυκνότητας Kernel γίνεται μετατροπή των δεδομένων σημείων ενδιαφέροντος σε συνεχή επιφανειακά χαρακτηριστικά. Επιπλέον, από τα χωρικά χαρακτηριστικά των κτιρίων εντοπίζουμε συχνά ότι για παράδειγμα σε μια περιοχή κατοικίας ή επιχειρήσεων, τα κτίρια εμφανίζουν συγκεκριμένες ομοιότητες στην υφή ή την γεωμετρία. Δηλαδή, τα χωρικά χαρακτηριστικά των κτιρίων μπορούν να χρησιμοποιηθούν για να βρεθεί η λειτουργία ενός κτιρίου με την παραδοχή ότι κτίρια με παρόμοια χωρικά χαρακτηριστικά έχουν και ίδια χρήση/λειτουργία σε μια συγκεκριμένη περιοχή. Γι’ αυτό και είναι σημαντική η ανάπτυξη μίας υβριδικής μεθόδου αναγνώρισης που θα αξιοποιεί τόσο τη χωρική ομοιότητα, όσο και την κατανομή των σημείων ενδιαφέροντος.<br /> <br /> <br /> 2. Μέθοδοι<br /> <br /> Η αναγνώριση της χρήσης των κτιρίων γίνεται σε τρία βήματα, την άμεση χρήση των δεδομένων σημείων ενδιαφέροντος, τον υπολογισμό της χωρικής ομοιότητας και τη δημιουργία αποτυπώματος γεωμετρίας και πυκνότητας Kernel των δεδομένων σημείων ενδιαφέροντος διαφορετικών κατηγοριών.<br /> Αρχικά, επανακατηγοριοποιούνται τα σημεία ενδιαφέροντος και στη συνέχεια ορίζεται η λειτουργία των κτιρίων. Σημεία χαμηλής σημασίας αλλά υψηλής πυκνότητας ορίζουν τη λειτουργία κτιρίων με βάση τη συχνότητα των δεδομένων, ενώ σημεία με υψηλή σημασία αλλά χαμηλή πυκνότητα την ορίζουν με βάση σειρά προτεραιότητας. Στη συνέχεια, προσδιορίζεται η χωρική ομοιότητα για την αναγνώριση των λειτουργιών κτιρίων που δεν περιέχουν δεδομένα σημείων ενδιαφέροντος εντός τους. Τέλος, υπολογίζονται και κανονικοποιούνται οι πυκνότητες kernel προκειμένου να βελτιωθεί το ποσοστό αναγνώρισης της χρήσης κτιρίων. <br /> Παρατηρείται ότι κτίρια με παρόμοια λειτουργία εμφανίζουν παρόμοια χαρακτηριστικά στη γεωμετρία και την υφή τους, τα οποία μπορούν να αξιοποιηθούν για την αναγνώριση της κτιριακής λειτουργίας όταν υπάρχουν αναγνωρισμένα κτίρια με παρόμοια χωρικά μοτίβα. Συγκεκριμένα, για κάθε κτίριο επιλέγονται και υπολογίζονται οκτώ κλασσικά γεωμετρικά χαρακτηριστικά, όπως η έκταση, η περίμετρος, η συμπαγότητα, ο αριθμός των κόμβων, ο δείκτης ακτίνας σχήματος, η κανονικότητα, η αναλογία της απεικόνισης και ο προσανατολισμός. Ταυτόχρονα, με την υφή υπολογίζεται η χωρική κατανομή των τόνων των εικονοστοιχείων σε μια τηλεπισκοπική εικόνα, το οποίο χρησιμοποιείται στην αναγνώριση αντικειμένων και την κατάτμηση της εικόνας. Μεταξύ των διαφόρων χαρακτηριστικών υφής, τα σημαντικότερα οκτώ που επιλέχθηκαν είναι η μέση τιμή, η διακύμανση, η ομοιογένεια, η αντίθεση, η ανομοιομορφία, η εντροπία και η συσχέτιση. Η χωρική ομοιότητα ανάμεσα στα μη αναγνωρισμένα κτίρια και τα τριγύρω αναγνωρισμένα κτίρια υπολογίζεται από την ομοιότητα του συνημίτονου. Όσο μεγαλύτερη η τιμή του συνημίτονου, τόσο μεγαλύτερη η χωρική συσχέτιση. Η λειτουργία των αναγνωρισμένων κτιρίων εκχωρείται στα περισσότερο όμοια μη αναγνωρισμένα.<br /> <br /> <br /> 3. Περιοχή μελέτης και επεξεργασία δεδομένων<br /> <br /> Για κτίρια που δεν ταξινομούνται με βάση τη χωρική ομοιότητα εφαρμόζεται η μέθοδος της πυκνότητας Kernel για τα δεδομένα των σημείων ενδιαφέροντος. Τα σημεία ενδιαφέροντος μετατρέπονται σε μια συνεχή επιφάνεια πυκνότητας αναπαριστώντας την κατανομή των χαρακτηριστικών με τη μέθοδο KDE. Υπολογίζεται η πυκνότητα της συνεισφοράς κάθε σημείου δείγματος στο προκαθορισμένο εύρος στο κεντρικό σημείο κάθε καννάβου μέσω της λειτουργίας του kernel και τελικά δημιουργείται μια ομαλή επιφάνεια. Οι μέσες τιμές KDE εντός της γεωμετρίας του κτιρίου υπολογίζονται ως οι πυκνότητες kernel κάθε κτιρίου και τα αναγνωρισμένα κτίρια βασισμένα σε σημεία ενδιαφέροντος και χωρικές ομοιότητες επιλέγονται ως δείγματα εκπαίδευσης. Μεταξύ των τιμών διαφορετικών κατηγοριών, η κατηγορία με τη μικρότερη τιμή καταχωρείται στα μη αναγνωρισμένα κτίρια.<br /> Τα δεδομένα που χρησιμοποιήθηκαν προήλθαν από τρεις διαφορετικές βάσεις δεδομένων, εικόνες google earth, δεδομένα σημείων ενδιαφέροντος και γεωμετρικά αποτυπώματα κτιρίων. Οι εικόνες google earth έχουν ληφθεί τον Μάρτιο 2019 και έχουν κόκκινο, πράσινο και μπλε κανάλι με χωρική ανάλυση στα 1.2m. Τα γεωμετρικά αποτυπώματα των κτιρίων είναι σε μορφή shapefile από την Εθνική Πλατφόρμα για Κοινές Υπηρεσίες Γεωχωρικής Πληροφορίας. Τα δεδομένα των σημείων ενδιαφέροντος δεν περιέχουν μόνο χωρική τοποθεσία αλλά επίσης περιγραφικές πληροφορίες, όπως η διεύθυνση και ο τύπος που συμβάλλουν στην αναγνώριση της λειτουργίας των αστικών κτιρίων. Συλλέχθηκαν 120.589 σημεία μέσω του Amap, το οποίο φέρει υψηλή ακρίβεια, ευρεία κάλυψη και συχνές ενημερώσεις. Τα σημεία ενδιαφέροντος ταξινομούνται σε επτά κύριες κατηγορίες: Κατοικία (R), Διοίκηση και Δημόσιες Υπηρεσίες (A), Εμπορικές και Επιχειρηματικές εγκαταστάσεις (B), Δημοτικές Υπηρεσίες (U), Logistics και Αποθήκες (W), Δρόμοι, Οδοί και Μετακινήσεις (S), Βιομηχανία, Κατασκευές (M). Τα σημεία ενδιαφέροντος χωρίζονται σε δύο κατηγορίες, η πρώτη έχει χαμηλή σημαντικότητα αλλά υψηλή πυκνότητα (B, W) και η δεύτερη έχει υψηλή σημαντικότητα αλλά χαμηλή πυκνότητα (R, A, S, T, M). Ανάλογα τον τύπο καθορίζεται και ο τρόπος που αποφασίζεται η χρήση ενός κτιρίου. <br /> <br /> <br /> 4. Αποτελέσματα<br /> <br /> Προκύπτει ότι μόνο το 35.15% των σημείων ενδιαφέροντος ήταν εντός των κτιρίων ή σε απόσταση 5 μέτρων και το 27.98% των κτιρίων ήταν αναγνωρισμένα. Η χωρική ετερογένεια των σημείων ενδιαφέροντος οδηγεί σε μη ισορροπημένο ρυθμό αναγνώρισης σε διαφορετικές περιοχές της πόλης. <br /> Στην περιοχή μελέτης υπολογίστηκαν για 77545 κτίρια, οκτώ χαρακτηριστικά υφής και 8 γεωμετρικά χαρακτηριστικά. Αν και η ανάλυση της υφής έγινε για το κόκκινο, το πράσινο και το μπλε κανάλι, χρησιμοποιήθηκαν μόνο αυτά του κόκκινου καναλιού. <br /> Με δεδομένο ότι τα κοντινά κτίρια με παρόμοια φασματικά χαρακτηριστικά έχουν παρόμοια χρήση, η χωρική ομοιότητα συμβάλλει για να αποδώσει χρήση στο 33.67% των κτιρίων από διαφορετικές κατηγορίες. Με τη μέθοδο που βασίζεται σε σημεία ενδιαφέροντος δεν παρέχονται σαφή παραδείγματα για να προσδίδεται χρήση σε κοντινά κτίρια πάντα.<br /> Για πλήρη χρήση των σημείων ενδιαφέροντος γίνεται χρήση της πυκνότητας kernel των σημείων ενδιαφέροντος διαφορετικών κατηγοριών, ενώ η συσχέτιση επιτυγχάνεται περισσότερο για επιχειρηματικές εγκαταστάσεις σε σχέση με κατοικίες.<br /> Το 27.98% των κτιρίων αναγνωρίστηκε απευθείας από τα δεδομένα σημείων ενδιαφέροντος, το 33.64% των κατοικιών και το 38.38% επιχειρηματικών κτιρίων εντοπίστηκε με συνδυασμό χωρικής ομοιότητας και της μεθόδου Kernel Density Estimation.<br /> <br /> <br /> 5. Συζήτηση &amp; Συμπεράσματα<br /> <br /> Γίνεται διαχωρισμός των κτιρίων που αναγνωρίστηκαν με βάση τα δεδομένα των σημείων ενδιαφέροντος που χρησιμοποιήθηκαν ως δείγματα εκπαίδευσης προκειμένου να ελεγχθεί η απόδοση και η ακρίβεια της μεθόδου συνδυασμού χωρικής ομοιότητας και Kernel Density Estimation. Συνήθης είναι η σύγχυση μεταξύ λιανικού εμπορίου και εργοστασίων. <br /> Το ποσοστό ακρίβειας για τη μέθοδο Kernel Density Estimation είναι χαμηλότερο απ’ ότι με χωρική ομοιότητα για τις κατηγορίες κατοικίας και εμπορίου/επιχειρήσεων και αυξάνεται με αναγνώριση που βασίζεται στον συνδυασμό των μεθόδων. Ωστόσο, Η μέση χωρική ομοιότητα κτιρίων ίδιας κατηγορίας είναι σημαντικά υψηλότερη από αυτή διαφορετικών κατηγοριών. <br /> Η επιλογή ακατάλληλου εύρους ζώνης επηρεάζει σημαντικά την ακρίβεια του KDE, αν και η συγκεκριμένη παράμετρος συνήθως επιλέγεται με προσωπικά κριτήρια χωρίς συγκεκριμένη επαλήθευση. Πιθανόν λόγω μέσου μεγέθους των οικοδομικών τετραγώνων στην περιοχή μελέτης στα 200 μέτρα, η ακρίβεια υπολογισμού τείνει να αυξάνεται σε εύρος ζώνης μεταξύ 100 και 200 μέτρων και μετά τα 200 να μειώνεται. <br /> Η αναγνώριση της χρήσης γης δίνει νέες προοπτικές στον αστικό σχεδιασμό, τη μελέτη του περιβάλλοντος και τη διαχείριση έκτακτων αναγκών. Γι’ αυτό προτείνεται ένα σταδιακό πλαίσιο αναγνώρισης για χρήσεις αστικών κτιρίων, με ένωση χωρικών ομοιοτήτων των κτιρίων και τον υπολογισμό πυκνότητας kernel των σημείων ενδιαφέροντος.<br /> Συγκεκριμένα προτείνεται η χρήση χωρικών ομοιοτήτων με βάση τις εικόνες Google Earth και τη γεωμετρία των κτιρίων και ο υπολογισμός πυκνότητας kernel με βάση τα δεδομένα των σημείων ενδιαφέροντος. Τα αποτελέσματα της αναγνώρισης εξαρτώνται σημαντικά από το εύρος ζώνης της μεθόδου KDE, όπου στην περίπτωση μελέτης αυτό ήταν τα 200m. Οι διαφορετικές λειτουργίες κτιρίων φέρουν και διαφορετικές χωρικές συσχετίσεις και συνενώσεις. <br /> Σημαντικό επίσης είναι η βελτίωση της προτεινόμενης μεθόδου με ενσωμάτωση πολλαπλών UGC και τηλεπισκοπικών πηγών δεδομένων, όπως δεδομένα διαδρομών ταξί από GPS, δεδομένα μέσων κοινωνικής δικτύωσης, τηλεπισκόπηση νυχτερινής φωταγώγησης, προκειμένου να εμπλουτιστεί περαιτέρω η σημασιολογική πληροφορία όσον αφορά τις χρήσεις των αστικών κτιρίων, καθώς επίσης να ενισχυθεί το εύρος εφαρμογής του προτεινόμενου πλαισίου αναγνώρισης σε επιπλέον διαφορετικές πόλεις ανά τον κόσμο.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CE%AF_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CF%8C%CF%81%CE%BF%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%9A%CE%AF%CE%BD%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%BF%CF%85%CF%82 2022-03-23T20:16:56Z

<p>Siachospan: </p> <hr /> <div> [[category:Διαστημική Τηλεπισκόπηση]]<br /> <br /> '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους<br /> <br /> China’s high-resolution optical remote sensing satellites and their mapping applications'''<br /> <br /> Li, Deren, Mi Wang and Jie Jiang. Geo-spatial Information Science 24 (2021): 85 - 94.<br /> <br /> Πηγή: [1]<br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ2.3.jpeg‎|thumb|right|'''Εικόνα 1''': Ρεαλιστική απεικόνιση του δορυφόρου GF-1]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.1.JPG‎|thumb|right|'''Εικόνα 2''': Αποτελέσματα χαρτογράφησης ψηλών βουνών από την Κίνα. α) Χαρτογραφικό αποτέλεσμα υψηλής ακρίβειας. β) Χαρτογραφικό αποτέλεσμα της περιοχής Nanga Parbat]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.2.JPG‎|thumb|right|'''Εικόνα 3''': Λειτουργία στερεοεικόνας SAC]]<br /> <br /> '''1. Εισαγωγή – Ιστορία και εξέλιξη της δορυφορικής τηλεπισκόπησης'''<br /> <br /> 1.1. Η δορυφορική τηλεπισκόπηση σε παγκόσμιο επίπεδο<br /> Η πρώην Σοβιετική Ένωση ήταν εκείνη που άνοιξε τον δρόμο για τη διαστημική παρατήρηση της γης, παρουσιάζοντας τον πρώτο τεχνητό δορυφόρο το 1957. Ακολούθησαν οι Ηνωμένες Πολιτείες το 1972 με την εκτόξευση του πρώτου τους δορυφόρου παρατήρησης εδάφους, τον Landsat-1. Έπειτα από 14 χρόνια, το 1986, η Γαλλία παρουσίασε τον δορυφόρο SPOT-1, ενώ από το 1994 με την οδηγία PDD-23 των ΗΠΑ επιτρέπεται η εξαγωγή τηλεπισκοπικών δεδομένων υψηλής ανάλυσης, με την οποία προωθείται και η ανάπτυξη των αντίστοιχων δορυφόρων. Το 1999 παρουσιάζεται στις ΗΠΑ ο πρώτος υψηλής ανάλυσης εμπορικός δορυφόρος με χωρική ανάλυση 1m με σημαντικά στρατιωτικά και οικονομικά οφέλη από τη χρήση του.<br /> 1.2. Η δορυφορική τηλεπισκόπηση στην Κίνα<br /> Όπως αρκετές χώρες, έτσι και η Κίνα από τις αρχές του 21ου αιώνα παρουσιαζεί σημαντική πρόοδο στην εξέλιξη της δορυφορικής τηλεπισκόπησης. Αναπτύσσει συνεχώς καινοτομίες στην πρόοδο των τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης και αξιοποιεί την ανάπτυξη των τηλεπισκοπικών δορυφορών υψηλής ανάλυσης, για τον εμπλουτισμό των σύγχρονων χαρτογραφικών μεθόδων και τεχνολογιών.<br /> Ένα Υψηλής Ανάλυσης Σύστημα Παρατήρησης της Γης (HREOS), αποτελεί σημαντικό επιστημονικό και τεχνολογικό έργο για την Κίνα. Το GaoFenproject όπως ονομάστηκε, παρουσιάστηκε το 2010 με σκοπό τη δημιουργία ενός ανεξάρτητου και αναβαθμισμένου HREOS. Το 2020 αποτελεί τον τελευταίο χρόνο του GaoFenproject, ενώ μέσα σε αυτή τη δεκαετία η Κίνα έχει αναπτύξει, παρουσιάσει και λειτουργήσει πολλαπλούς υψηλής ανάλυσης δορυφόρους. Έχει καταφέρει να μικρύνει το τεχνολογικό κενό με άλλες χώρες, φτάνοντας ακόμα και το επίπεδο ηγετικών δορυφόρων που παρουσιάστηκαν από αυτές. Έτσι, το HREOSτης Κίνας με τους δορυφόρους του GaoFenProject αλλά και άλλους εγχώριους δορυφόρους, σχεδιάστηκε για να βελτιωθεί το ποσοστό επάρκειας των ανεξάρτητων υψηλής ανάλυσης τηλεπισκοπικών δεδομένων, καθώς επίσης την επικαιρότητα απόκτησης δεδομένων. <br /> <br /> <br /> '''2. Εξέλιξη τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Η Κίνα ξεκίνησε την ανάπτυξη υψηλής ανάλυσης τηλεπισκοπικών δορυφόρων από το 2007 με τον CBERS-02Bμε κάμερα υψηλής ανάλυσης 2.36m, ο οποίος αντικαταστάθηκε το 2011 από τον δορυφόρο ZY-1 02C με αντίστοιχες ικανότητες.<br /> Το 2012 εκτοξεύτηκε ο δορυφόρος ZY-3 με TLC (Three-LineArrayCamera) που πετυχαίνει τριών όψεων στερεοαπεικόνιση με ανάλυση 2.1m στο ναδίρ και 3.5m στις εμπρός και πίσω όψεις. Οι στερεοεικόνες απ’ τον ZY-3 χρησιμοποιούνται για την παραγωγή τοπογραφικών χαρτών κλίμακας 1:50.000. Αντικαταστάθηκε το 2016 από τον πιο εξελιγμένο ZY-3 02 με βελτιωμένη χωρική ανάλυση εμπρός και πίσω όψεων στα 2.5m.<br /> Το 2013 ο GF-1 ήταν ο πρώτος δορυφόρος του GaoFenProject και έφερε υψηλή ανάλυση 2m και πλάτος λήψης 800km. Το 2014 εκτοξέυτηκε ο GF-2 με χωρική ανάλυση καλύτερη του 1m. Τα επόμενα χρόνια εκτοξεύτηκαν επιτυχώς ο γεωστατικός δορυφόρος GF-4 με υψηλή ανάλυση και μέγιστο ρυθμό δεδομένων τριών εικονολήψεων το λεπτό, ο υπερφασματικός GF-5 με ενσωματωμένη δυνατότητα παρατήρησης γης και ατμόσφαιρας, ο GF-6 για παρατήρηση καλλιεργειών ακριβείας και ο GF-7 για στερεογραφική χαρτογράφηση με ανάλυση κάτω του ενός μέτρου.<br /> Το 2018 δημιουργήθηκε ο πρώτος σχηματισμός δορυφόρων υψηλής ανάλυσης της Κίνας, από τους δορυφόρους GF-1 02/03/04, οι οποίοι επιτυγχάνουν ικανότητα απεικόνισης 15 ημερών παγκόσμιας κάλυψης και 2 ημερών επανακάλυψη ανά σημείο. Σε συνεργασία με τον GF-1 του 2013, αυτά τα νούμερα γίνονται 11 και 1 ημέρα αντίστοιχα.<br /> <br /> <br /> '''3. Εξέλιξη εμπορικών τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Το 2015 εκτοξεύτηκε ένας σχηματισμός τριών δορυφόρων με χωρική ανάλυση 1m παγχρωματικής και 4m πολυφασματικής απεικόνισης, ο οποίος επιτυγχάνει 1 ημέρα επανακάλυψη περιοχής. Επιπλέον, εκτοξέυτηκαν τέσσερεις από τους δορυφόρους της σειράς Jilin-1, τον πρώτο πραγματικά ανεξάρτητο εμπορικό δορυφόρο τηλεπισκόπησης της Κίνας. Οι τέσσερεις δορυφόροι είναι ο GXA με 0.72m παγχρωματική και 2.88m πολυφασματική ικανότητα απεικόνισης, δύο δορυφόροι βιντεοσκόπησης SP01 και SP02 με χωρική ανάλυση 1.12m και ο έξυπνος επαληθευτικός δορυφόρος LQ με ανάλυση 5m. Επιπλέον, χρησιμοποιούνται έξι δορυφόροι βίντεο, δύο πολυφασματικοί δορυφόροι 26 καναλιών, τρεις παγχρωματικοί και πολυφασματικοί οπτικοί δορυφόροι και ένας ευρέος πλάτους λωρίδας δορυφόρος. Ένας σχηματισμός 16 δορυφόρων είναι σε τροχιά και λειτουργεί σε ένα δίκτυο το οποίο περνάει κάθε σημείο στον κόσμο 5-7 φορές την ημέρα.<br /> Με έναν πύραυλο το 2016 εκτοξεύθηκαν οι δορυφόροι SuperView-1 01 και 02, ενώ οι 03 και 04 το 2018. Και οι τέσσερις δορυφόροι της σειράς με κοινές παραμέτρους σχεδίασης, λειτουργούν στο ίδιο τροχιακό δίκτυο με ανάλυση 0.5m και μπορούν να πραγματοποιούν λήψη από οποιονδήποτε στόχο κάθε μέρα. Από το 2017, εκτοξέυτηκε και ο σχηματισμός Zhuhai-1 για τον οποίο σχεδιάζεται η εκτόξευση 34 δορυφόρων.<br /> <br /> <br /> '''4. Εξέλιξη χαρτογράφησης από υψηλής ανάλυσης οπτικούς δορυφόρους και εφαρμογές'''<br /> <br /> Η χαρτογράφηση από υψηλής ανάλυσης δορυφόρους αποτελεί ένα επιτυχημένο μέσο για την απόκτηση της απαραίτητης γεωγραφικής πληροφορίας, όπου αξιοποιώντας τις αρχές της φωτογραμμετρίας, ένας υψηλής ανάλυσης δορυφόρος ολοκληρώνει την καταγραφή των υψομέτρων αξιοποιώντας στερεοζεύγη εικόνων ίδιας ή διαφορετικής τροχιάς με διαφορετικές οπτικές γωνίες της ίδιας περιοχής.<br /> 4.1. Δορυφόρος ZY-3<br /> Ο δορυφόρος ZY-3 είναι πρώτης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας. Για τη λειτουργία στερεοεικόνων του TLC, ο αισθητήρας τους ναδίρ είναι κάθετος στο σημείο με χωρική ανάλυση 2.5m, ο εμπρός αισθητήρας έχει κλίση +22ο και ο οπίσθιος αισθητήρας έχει κλίση κατά -22ο με χωρική ανάλυση και για τους δύο στα 3.5m. Κατά μήκος της κατεύθυνσης της πτήσης παράγονται συνεχώς τρεις επικαλυπτόμενες εικόνες λωρίδας πλάτους 52km. Οι συντεταγμένες των αντικειμένων των εικόνων υπολογίζονται μέσα από τις αυστηρές χωρικές σχέσεις μεταξύ αντικειμένου και εικόνας, επιτρέποντας έτσι το σχεδιασμό ενός τοπογραφικού χάρτη.<br /> Με χρήση των εικόνων ναδίρ παράγονται ορθοφωτογραφίες υψηλής ανάλυσης και με τα στερεοζεύγη τέτοιων εικόνων υπολογίζεται το υψόμετρο. Ο ZY-3 εξοπλίζεται επίσης μέ έναν πολυφασματικό αισθητήρα ανάλυσης 6.8m που περιλαμβάνει μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο φασματικό κανάλι. Η ακρίβεια της ερμηνείας των αντικειμένων στο έδαφος βελτιώνεται με την ένωση των πολυφασματικών με τις παγχρωματικές υψηλής ανάλυσης εικόνες.<br /> Από το 2012 και την εκτόξευσή του, ο ZY-3 έχει χρησιμοποιηθεί σε πολλές χαρτογραφικές εφαρμογές, όπως την δυναμική αναβάθμιση της βασικής εθνικής γεωχωρικής βάσης δεδεομένων κλίμακας 1:50.000, την πρώτη εθνική γεωγραφική καταγραφή και την παραγωγή μοντέλου εδάφους 1:25000 στις δυτικές περιοχές.<br /> Η ακρίβεια του δορυφόρου ZY-3 ελέγχθηκε με τη χρήση 1090 σημείων ελέγχου που μετρήθηκαν στο πεδίο με μεθόδους υψηλής ακρίβειας, ενώ όσον αφορά τα υψόμετρα η ακρίβεια υπολογισμού τους εμφανίζει περιθώριο βελτίωσης της τάξης των 3m με χρήση LAD (LaserAltimeterData).<br /> Το Πανεπιστημίο της Γουχάν και άλλα ερευνητικά κέντρα έχουν μελετήσει τεχνολογίες χαρτογράφησης μεγάλης κλίμακας υψηλής ακρίβειας και λογισμικά που δεν απαιτούν τη χρήση σημείων ελέγχου, παρουσιάζοντας εφαρμογές που χρησιμοποιούν χιλιάδες εικόνες TCL από τον δορυφόρο ZY-3. Αντίστοιχα, στο Πανεπιστήμιο του Πεκίνου διεξήχθη έρευνα παγκόσμιας συνεργασίας στη χαρτογράφηση ψηλών βουνών, σε συνεργασία με το Πανεπιστήμιο του Ανόβερο, την Ευρωπαϊκή Ακαδημία Επιστημών και Τεχνών στο Σάλτζμπουργκ και το Ινστιτόυτο Έρευνας Περιβαλλοντικών Συστημάτων.<br /> Βασιζόμενη στην τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο της Γουχάν, η Κίνα έχει ολοκληρώσει την χαρτογράφηση των ψηλών βουνών της περιοχής NangaParbat στο δυτικότερο τμήμα των Ιμαλαΐων, κάνοντας χρήση εικόνων του δορυφόρου ZY-3. <br /> Δορυφόρος GF-7<br /> Ο δορυφόρος GF-7 είναι δεύτερης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας, με κύριο στόχο χαρτογράφηση κλίμακας 1:10.000 στην Κίνα. Εξοπλίζεται με DLC ανάλυσης κάτω του ενός μέτρου, καθώς ο εμπρόσθιος αισθητήρας έχει κλίση +26ο για τη λήψη παγχρωματικών εικόνων ανάλυσης 0,8m και ο οπίσθιος αισθητήρας με κλίση -5ο πραγματοποιεί λήψεις παγχρωματικών εικόνων με ανάλυση 0,65m και πολυφασματικών εικόνων με ανάλυση 2,6m. <br /> Επιπλέον, λόγω μειωμένου αριθμού σημείων ελέγχου σε πολλές περιοχές και την ανάγκη κλίμακας 1:10.000, ο GF-7 εξοπλίζεται με διπλής δέσμης laser υψομέτρου που μπορεί να υπολογίζει το υψόμετρο με ακρίβεια καλύτερη του 1m. Με αυτόν τον τρόπο φαίνεται ότι οι επιδόσεις του GF-7 μπορεί να ικανοποιήσουν την χαρτογράφησης κλίμακας 1:10.000. <br /> 4.2. Χρήση ελιγμών δορυφόρων για υπό γωνία λήψεις<br /> Αντίθετα από δορυφόρους όπως οι ZY-3 και GF-7, οι υψηλής ανάλυσης δορυφόροι με μία κάμερα εξοπλίζονται με SLC ή SAC και χρησιμοποιούν κυρίως διαφορετικούς ελιγμούς προκειμένου να επιτύχουν παρατήρηση πολλαπλής προβολής του ίδιου αντικειμένου ή περιοχής με προσαρμογή της θέσης τους. Τέτοιοι δορυφόροι απαιτούν υψηλής ακρίβειας έλεγχο της θέσης τους και υπολογισμού της τροχιάς τους. Επιπλέον, παρότι έχουν ικανότητα ανάλυσης λιγότερο του 1m, παρουσιάζουν αδυναμίες στον έλεγχο της γεωμετρίας των εικόνων σε σχέση με τις στατικές μεθόδους χαρτογράφησης TLC και DLC, απαιτώντας σημαντικό έλεγχο εδάφους για χαρτογραφήσεις μεγάλης κλίμακας. Επιπλέον, το πλάτος των εικόνων SLC και SAC περιορίζεται λόγω της ανάλυσης κάτω του ενός μέτρου, όπως το πλάτος του SuperView-1 με χωρική ανάλυση 0.5m που είναι 12km.<br /> <br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Η ανάπτυξη των δορυφόρων υψηλής ανάλυσης της Κίνας παρουσιάζει σημαντική πρόοδο με την απόδοση των απλών μονών δορύφορων να αυξάνεται, τα δίκτυα πολλαπλών δορύφορων να αναδεικνύονται ως τάση και η εμπορευματοποίηση δορυφόρων να αναπτύσσεται σταθεράκαι το σύστημα δορυφορικής τηλεπισκόπησης να γίνεται όλο και πιο άφθονο και πλήρες.<br /> Παρ’ όλα αυτά, ο στόχος της παγκόσμιας κάλυψης και χαρτογραφικής ενημέρωσης παραμένει δύσκολος, καθώς ένα σύστημα χαρτογράφησης χωρίς την ανάγκη επίγειου ελέγχου χρειάζεται περαιτέρω ανάπτυξη και νέες τεχνολογίες όπωςδορυφόρους radar και laserυψομέτρων. Απαιτείται δηλαδή μια περαιτέρω βελτίωση του συστήματος δορυφορικής τηλεπισκοπικής παρατήρησης υψηλής ανάλυσης, προκειμένου να εξυπηρετεί με βέλτιστο τρόπο τις εφαρμογές χαρτογράφησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CE%AF_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CF%8C%CF%81%CE%BF%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%9A%CE%AF%CE%BD%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%BF%CF%85%CF%82 2022-03-23T20:16:44Z

<p>Siachospan: </p> <hr /> <div> [[category:Διαστημική Τηλεπισκόπηση]]<br /> <br /> '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους<br /> <br /> China’s high-resolution optical remote sensing satellites and their mapping applications'''<br /> <br /> Li, Deren, Mi Wang and Jie Jiang. Geo-spatial Information Science 24 (2021): 85 - 94.<br /> <br /> Πηγή: [1]<br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ2.3.jpeg‎|thumb|right|'''Εικόνα 1''': Ρεαλιστική απεικόνιση του δορυφόρου GF-1]]<br /> <br /> <br /> <br /> '''1. Εισαγωγή – Ιστορία και εξέλιξη της δορυφορικής τηλεπισκόπησης'''<br /> <br /> 1.1. Η δορυφορική τηλεπισκόπηση σε παγκόσμιο επίπεδο<br /> Η πρώην Σοβιετική Ένωση ήταν εκείνη που άνοιξε τον δρόμο για τη διαστημική παρατήρηση της γης, παρουσιάζοντας τον πρώτο τεχνητό δορυφόρο το 1957. Ακολούθησαν οι Ηνωμένες Πολιτείες το 1972 με την εκτόξευση του πρώτου τους δορυφόρου παρατήρησης εδάφους, τον Landsat-1. Έπειτα από 14 χρόνια, το 1986, η Γαλλία παρουσίασε τον δορυφόρο SPOT-1, ενώ από το 1994 με την οδηγία PDD-23 των ΗΠΑ επιτρέπεται η εξαγωγή τηλεπισκοπικών δεδομένων υψηλής ανάλυσης, με την οποία προωθείται και η ανάπτυξη των αντίστοιχων δορυφόρων. Το 1999 παρουσιάζεται στις ΗΠΑ ο πρώτος υψηλής ανάλυσης εμπορικός δορυφόρος με χωρική ανάλυση 1m με σημαντικά στρατιωτικά και οικονομικά οφέλη από τη χρήση του.<br /> 1.2. Η δορυφορική τηλεπισκόπηση στην Κίνα<br /> Όπως αρκετές χώρες, έτσι και η Κίνα από τις αρχές του 21ου αιώνα παρουσιαζεί σημαντική πρόοδο στην εξέλιξη της δορυφορικής τηλεπισκόπησης. Αναπτύσσει συνεχώς καινοτομίες στην πρόοδο των τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης και αξιοποιεί την ανάπτυξη των τηλεπισκοπικών δορυφορών υψηλής ανάλυσης, για τον εμπλουτισμό των σύγχρονων χαρτογραφικών μεθόδων και τεχνολογιών.<br /> Ένα Υψηλής Ανάλυσης Σύστημα Παρατήρησης της Γης (HREOS), αποτελεί σημαντικό επιστημονικό και τεχνολογικό έργο για την Κίνα. Το GaoFenproject όπως ονομάστηκε, παρουσιάστηκε το 2010 με σκοπό τη δημιουργία ενός ανεξάρτητου και αναβαθμισμένου HREOS. Το 2020 αποτελεί τον τελευταίο χρόνο του GaoFenproject, ενώ μέσα σε αυτή τη δεκαετία η Κίνα έχει αναπτύξει, παρουσιάσει και λειτουργήσει πολλαπλούς υψηλής ανάλυσης δορυφόρους. Έχει καταφέρει να μικρύνει το τεχνολογικό κενό με άλλες χώρες, φτάνοντας ακόμα και το επίπεδο ηγετικών δορυφόρων που παρουσιάστηκαν από αυτές. Έτσι, το HREOSτης Κίνας με τους δορυφόρους του GaoFenProject αλλά και άλλους εγχώριους δορυφόρους, σχεδιάστηκε για να βελτιωθεί το ποσοστό επάρκειας των ανεξάρτητων υψηλής ανάλυσης τηλεπισκοπικών δεδομένων, καθώς επίσης την επικαιρότητα απόκτησης δεδομένων. <br /> <br /> <br /> '''2. Εξέλιξη τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Η Κίνα ξεκίνησε την ανάπτυξη υψηλής ανάλυσης τηλεπισκοπικών δορυφόρων από το 2007 με τον CBERS-02Bμε κάμερα υψηλής ανάλυσης 2.36m, ο οποίος αντικαταστάθηκε το 2011 από τον δορυφόρο ZY-1 02C με αντίστοιχες ικανότητες.<br /> Το 2012 εκτοξεύτηκε ο δορυφόρος ZY-3 με TLC (Three-LineArrayCamera) που πετυχαίνει τριών όψεων στερεοαπεικόνιση με ανάλυση 2.1m στο ναδίρ και 3.5m στις εμπρός και πίσω όψεις. Οι στερεοεικόνες απ’ τον ZY-3 χρησιμοποιούνται για την παραγωγή τοπογραφικών χαρτών κλίμακας 1:50.000. Αντικαταστάθηκε το 2016 από τον πιο εξελιγμένο ZY-3 02 με βελτιωμένη χωρική ανάλυση εμπρός και πίσω όψεων στα 2.5m.<br /> Το 2013 ο GF-1 ήταν ο πρώτος δορυφόρος του GaoFenProject και έφερε υψηλή ανάλυση 2m και πλάτος λήψης 800km. Το 2014 εκτοξέυτηκε ο GF-2 με χωρική ανάλυση καλύτερη του 1m. Τα επόμενα χρόνια εκτοξεύτηκαν επιτυχώς ο γεωστατικός δορυφόρος GF-4 με υψηλή ανάλυση και μέγιστο ρυθμό δεδομένων τριών εικονολήψεων το λεπτό, ο υπερφασματικός GF-5 με ενσωματωμένη δυνατότητα παρατήρησης γης και ατμόσφαιρας, ο GF-6 για παρατήρηση καλλιεργειών ακριβείας και ο GF-7 για στερεογραφική χαρτογράφηση με ανάλυση κάτω του ενός μέτρου.<br /> Το 2018 δημιουργήθηκε ο πρώτος σχηματισμός δορυφόρων υψηλής ανάλυσης της Κίνας, από τους δορυφόρους GF-1 02/03/04, οι οποίοι επιτυγχάνουν ικανότητα απεικόνισης 15 ημερών παγκόσμιας κάλυψης και 2 ημερών επανακάλυψη ανά σημείο. Σε συνεργασία με τον GF-1 του 2013, αυτά τα νούμερα γίνονται 11 και 1 ημέρα αντίστοιχα.<br /> <br /> <br /> '''3. Εξέλιξη εμπορικών τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Το 2015 εκτοξεύτηκε ένας σχηματισμός τριών δορυφόρων με χωρική ανάλυση 1m παγχρωματικής και 4m πολυφασματικής απεικόνισης, ο οποίος επιτυγχάνει 1 ημέρα επανακάλυψη περιοχής. Επιπλέον, εκτοξέυτηκαν τέσσερεις από τους δορυφόρους της σειράς Jilin-1, τον πρώτο πραγματικά ανεξάρτητο εμπορικό δορυφόρο τηλεπισκόπησης της Κίνας. Οι τέσσερεις δορυφόροι είναι ο GXA με 0.72m παγχρωματική και 2.88m πολυφασματική ικανότητα απεικόνισης, δύο δορυφόροι βιντεοσκόπησης SP01 και SP02 με χωρική ανάλυση 1.12m και ο έξυπνος επαληθευτικός δορυφόρος LQ με ανάλυση 5m. Επιπλέον, χρησιμοποιούνται έξι δορυφόροι βίντεο, δύο πολυφασματικοί δορυφόροι 26 καναλιών, τρεις παγχρωματικοί και πολυφασματικοί οπτικοί δορυφόροι και ένας ευρέος πλάτους λωρίδας δορυφόρος. Ένας σχηματισμός 16 δορυφόρων είναι σε τροχιά και λειτουργεί σε ένα δίκτυο το οποίο περνάει κάθε σημείο στον κόσμο 5-7 φορές την ημέρα.<br /> Με έναν πύραυλο το 2016 εκτοξεύθηκαν οι δορυφόροι SuperView-1 01 και 02, ενώ οι 03 και 04 το 2018. Και οι τέσσερις δορυφόροι της σειράς με κοινές παραμέτρους σχεδίασης, λειτουργούν στο ίδιο τροχιακό δίκτυο με ανάλυση 0.5m και μπορούν να πραγματοποιούν λήψη από οποιονδήποτε στόχο κάθε μέρα. Από το 2017, εκτοξέυτηκε και ο σχηματισμός Zhuhai-1 για τον οποίο σχεδιάζεται η εκτόξευση 34 δορυφόρων.<br /> <br /> <br /> '''4. Εξέλιξη χαρτογράφησης από υψηλής ανάλυσης οπτικούς δορυφόρους και εφαρμογές'''<br /> <br /> Η χαρτογράφηση από υψηλής ανάλυσης δορυφόρους αποτελεί ένα επιτυχημένο μέσο για την απόκτηση της απαραίτητης γεωγραφικής πληροφορίας, όπου αξιοποιώντας τις αρχές της φωτογραμμετρίας, ένας υψηλής ανάλυσης δορυφόρος ολοκληρώνει την καταγραφή των υψομέτρων αξιοποιώντας στερεοζεύγη εικόνων ίδιας ή διαφορετικής τροχιάς με διαφορετικές οπτικές γωνίες της ίδιας περιοχής.<br /> 4.1. Δορυφόρος ZY-3<br /> Ο δορυφόρος ZY-3 είναι πρώτης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας. Για τη λειτουργία στερεοεικόνων του TLC, ο αισθητήρας τους ναδίρ είναι κάθετος στο σημείο με χωρική ανάλυση 2.5m, ο εμπρός αισθητήρας έχει κλίση +22ο και ο οπίσθιος αισθητήρας έχει κλίση κατά -22ο με χωρική ανάλυση και για τους δύο στα 3.5m. Κατά μήκος της κατεύθυνσης της πτήσης παράγονται συνεχώς τρεις επικαλυπτόμενες εικόνες λωρίδας πλάτους 52km. Οι συντεταγμένες των αντικειμένων των εικόνων υπολογίζονται μέσα από τις αυστηρές χωρικές σχέσεις μεταξύ αντικειμένου και εικόνας, επιτρέποντας έτσι το σχεδιασμό ενός τοπογραφικού χάρτη.<br /> Με χρήση των εικόνων ναδίρ παράγονται ορθοφωτογραφίες υψηλής ανάλυσης και με τα στερεοζεύγη τέτοιων εικόνων υπολογίζεται το υψόμετρο. Ο ZY-3 εξοπλίζεται επίσης μέ έναν πολυφασματικό αισθητήρα ανάλυσης 6.8m που περιλαμβάνει μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο φασματικό κανάλι. Η ακρίβεια της ερμηνείας των αντικειμένων στο έδαφος βελτιώνεται με την ένωση των πολυφασματικών με τις παγχρωματικές υψηλής ανάλυσης εικόνες.<br /> Από το 2012 και την εκτόξευσή του, ο ZY-3 έχει χρησιμοποιηθεί σε πολλές χαρτογραφικές εφαρμογές, όπως την δυναμική αναβάθμιση της βασικής εθνικής γεωχωρικής βάσης δεδεομένων κλίμακας 1:50.000, την πρώτη εθνική γεωγραφική καταγραφή και την παραγωγή μοντέλου εδάφους 1:25000 στις δυτικές περιοχές.<br /> Η ακρίβεια του δορυφόρου ZY-3 ελέγχθηκε με τη χρήση 1090 σημείων ελέγχου που μετρήθηκαν στο πεδίο με μεθόδους υψηλής ακρίβειας, ενώ όσον αφορά τα υψόμετρα η ακρίβεια υπολογισμού τους εμφανίζει περιθώριο βελτίωσης της τάξης των 3m με χρήση LAD (LaserAltimeterData).<br /> Το Πανεπιστημίο της Γουχάν και άλλα ερευνητικά κέντρα έχουν μελετήσει τεχνολογίες χαρτογράφησης μεγάλης κλίμακας υψηλής ακρίβειας και λογισμικά που δεν απαιτούν τη χρήση σημείων ελέγχου, παρουσιάζοντας εφαρμογές που χρησιμοποιούν χιλιάδες εικόνες TCL από τον δορυφόρο ZY-3. Αντίστοιχα, στο Πανεπιστήμιο του Πεκίνου διεξήχθη έρευνα παγκόσμιας συνεργασίας στη χαρτογράφηση ψηλών βουνών, σε συνεργασία με το Πανεπιστήμιο του Ανόβερο, την Ευρωπαϊκή Ακαδημία Επιστημών και Τεχνών στο Σάλτζμπουργκ και το Ινστιτόυτο Έρευνας Περιβαλλοντικών Συστημάτων.<br /> Βασιζόμενη στην τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο της Γουχάν, η Κίνα έχει ολοκληρώσει την χαρτογράφηση των ψηλών βουνών της περιοχής NangaParbat στο δυτικότερο τμήμα των Ιμαλαΐων, κάνοντας χρήση εικόνων του δορυφόρου ZY-3. <br /> Δορυφόρος GF-7<br /> Ο δορυφόρος GF-7 είναι δεύτερης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας, με κύριο στόχο χαρτογράφηση κλίμακας 1:10.000 στην Κίνα. Εξοπλίζεται με DLC ανάλυσης κάτω του ενός μέτρου, καθώς ο εμπρόσθιος αισθητήρας έχει κλίση +26ο για τη λήψη παγχρωματικών εικόνων ανάλυσης 0,8m και ο οπίσθιος αισθητήρας με κλίση -5ο πραγματοποιεί λήψεις παγχρωματικών εικόνων με ανάλυση 0,65m και πολυφασματικών εικόνων με ανάλυση 2,6m. <br /> Επιπλέον, λόγω μειωμένου αριθμού σημείων ελέγχου σε πολλές περιοχές και την ανάγκη κλίμακας 1:10.000, ο GF-7 εξοπλίζεται με διπλής δέσμης laser υψομέτρου που μπορεί να υπολογίζει το υψόμετρο με ακρίβεια καλύτερη του 1m. Με αυτόν τον τρόπο φαίνεται ότι οι επιδόσεις του GF-7 μπορεί να ικανοποιήσουν την χαρτογράφησης κλίμακας 1:10.000. <br /> 4.2. Χρήση ελιγμών δορυφόρων για υπό γωνία λήψεις<br /> Αντίθετα από δορυφόρους όπως οι ZY-3 και GF-7, οι υψηλής ανάλυσης δορυφόροι με μία κάμερα εξοπλίζονται με SLC ή SAC και χρησιμοποιούν κυρίως διαφορετικούς ελιγμούς προκειμένου να επιτύχουν παρατήρηση πολλαπλής προβολής του ίδιου αντικειμένου ή περιοχής με προσαρμογή της θέσης τους. Τέτοιοι δορυφόροι απαιτούν υψηλής ακρίβειας έλεγχο της θέσης τους και υπολογισμού της τροχιάς τους. Επιπλέον, παρότι έχουν ικανότητα ανάλυσης λιγότερο του 1m, παρουσιάζουν αδυναμίες στον έλεγχο της γεωμετρίας των εικόνων σε σχέση με τις στατικές μεθόδους χαρτογράφησης TLC και DLC, απαιτώντας σημαντικό έλεγχο εδάφους για χαρτογραφήσεις μεγάλης κλίμακας. Επιπλέον, το πλάτος των εικόνων SLC και SAC περιορίζεται λόγω της ανάλυσης κάτω του ενός μέτρου, όπως το πλάτος του SuperView-1 με χωρική ανάλυση 0.5m που είναι 12km.<br /> <br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Η ανάπτυξη των δορυφόρων υψηλής ανάλυσης της Κίνας παρουσιάζει σημαντική πρόοδο με την απόδοση των απλών μονών δορύφορων να αυξάνεται, τα δίκτυα πολλαπλών δορύφορων να αναδεικνύονται ως τάση και η εμπορευματοποίηση δορυφόρων να αναπτύσσεται σταθεράκαι το σύστημα δορυφορικής τηλεπισκόπησης να γίνεται όλο και πιο άφθονο και πλήρες.<br /> Παρ’ όλα αυτά, ο στόχος της παγκόσμιας κάλυψης και χαρτογραφικής ενημέρωσης παραμένει δύσκολος, καθώς ένα σύστημα χαρτογράφησης χωρίς την ανάγκη επίγειου ελέγχου χρειάζεται περαιτέρω ανάπτυξη και νέες τεχνολογίες όπωςδορυφόρους radar και laserυψομέτρων. Απαιτείται δηλαδή μια περαιτέρω βελτίωση του συστήματος δορυφορικής τηλεπισκοπικής παρατήρησης υψηλής ανάλυσης, προκειμένου να εξυπηρετεί με βέλτιστο τρόπο τις εφαρμογές χαρτογράφησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CE%AF_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CF%8C%CF%81%CE%BF%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%9A%CE%AF%CE%BD%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%BF%CF%85%CF%82 2022-03-23T20:16:33Z

<p>Siachospan: </p> <hr /> <div> [[category:Διαστημική Τηλεπισκόπηση]]<br /> <br /> '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους<br /> <br /> China’s high-resolution optical remote sensing satellites and their mapping applications'''<br /> <br /> Li, Deren, Mi Wang and Jie Jiang. Geo-spatial Information Science 24 (2021): 85 - 94.<br /> <br /> Πηγή: [1]<br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ2.3.jpeg‎|thumb|right|'''Εικόνα 1''': Ρεαλιστική απεικόνιση του δορυφόρου GF-1]]<br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ2.1.JPG‎|thumb|right|'''Εικόνα 2''': Αποτελέσματα χαρτογράφησης ψηλών βουνών από την Κίνα. α) Χαρτογραφικό αποτέλεσμα υψηλής ακρίβειας. β) Χαρτογραφικό αποτέλεσμα της περιοχής Nanga Parbat]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.2.JPG‎|thumb|right|'''Εικόνα 3''': Λειτουργία στερεοεικόνας SAC]]<br /> <br /> '''1. Εισαγωγή – Ιστορία και εξέλιξη της δορυφορικής τηλεπισκόπησης'''<br /> <br /> 1.1. Η δορυφορική τηλεπισκόπηση σε παγκόσμιο επίπεδο<br /> Η πρώην Σοβιετική Ένωση ήταν εκείνη που άνοιξε τον δρόμο για τη διαστημική παρατήρηση της γης, παρουσιάζοντας τον πρώτο τεχνητό δορυφόρο το 1957. Ακολούθησαν οι Ηνωμένες Πολιτείες το 1972 με την εκτόξευση του πρώτου τους δορυφόρου παρατήρησης εδάφους, τον Landsat-1. Έπειτα από 14 χρόνια, το 1986, η Γαλλία παρουσίασε τον δορυφόρο SPOT-1, ενώ από το 1994 με την οδηγία PDD-23 των ΗΠΑ επιτρέπεται η εξαγωγή τηλεπισκοπικών δεδομένων υψηλής ανάλυσης, με την οποία προωθείται και η ανάπτυξη των αντίστοιχων δορυφόρων. Το 1999 παρουσιάζεται στις ΗΠΑ ο πρώτος υψηλής ανάλυσης εμπορικός δορυφόρος με χωρική ανάλυση 1m με σημαντικά στρατιωτικά και οικονομικά οφέλη από τη χρήση του.<br /> 1.2. Η δορυφορική τηλεπισκόπηση στην Κίνα<br /> Όπως αρκετές χώρες, έτσι και η Κίνα από τις αρχές του 21ου αιώνα παρουσιαζεί σημαντική πρόοδο στην εξέλιξη της δορυφορικής τηλεπισκόπησης. Αναπτύσσει συνεχώς καινοτομίες στην πρόοδο των τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης και αξιοποιεί την ανάπτυξη των τηλεπισκοπικών δορυφορών υψηλής ανάλυσης, για τον εμπλουτισμό των σύγχρονων χαρτογραφικών μεθόδων και τεχνολογιών.<br /> Ένα Υψηλής Ανάλυσης Σύστημα Παρατήρησης της Γης (HREOS), αποτελεί σημαντικό επιστημονικό και τεχνολογικό έργο για την Κίνα. Το GaoFenproject όπως ονομάστηκε, παρουσιάστηκε το 2010 με σκοπό τη δημιουργία ενός ανεξάρτητου και αναβαθμισμένου HREOS. Το 2020 αποτελεί τον τελευταίο χρόνο του GaoFenproject, ενώ μέσα σε αυτή τη δεκαετία η Κίνα έχει αναπτύξει, παρουσιάσει και λειτουργήσει πολλαπλούς υψηλής ανάλυσης δορυφόρους. Έχει καταφέρει να μικρύνει το τεχνολογικό κενό με άλλες χώρες, φτάνοντας ακόμα και το επίπεδο ηγετικών δορυφόρων που παρουσιάστηκαν από αυτές. Έτσι, το HREOSτης Κίνας με τους δορυφόρους του GaoFenProject αλλά και άλλους εγχώριους δορυφόρους, σχεδιάστηκε για να βελτιωθεί το ποσοστό επάρκειας των ανεξάρτητων υψηλής ανάλυσης τηλεπισκοπικών δεδομένων, καθώς επίσης την επικαιρότητα απόκτησης δεδομένων. <br /> <br /> <br /> '''2. Εξέλιξη τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Η Κίνα ξεκίνησε την ανάπτυξη υψηλής ανάλυσης τηλεπισκοπικών δορυφόρων από το 2007 με τον CBERS-02Bμε κάμερα υψηλής ανάλυσης 2.36m, ο οποίος αντικαταστάθηκε το 2011 από τον δορυφόρο ZY-1 02C με αντίστοιχες ικανότητες.<br /> Το 2012 εκτοξεύτηκε ο δορυφόρος ZY-3 με TLC (Three-LineArrayCamera) που πετυχαίνει τριών όψεων στερεοαπεικόνιση με ανάλυση 2.1m στο ναδίρ και 3.5m στις εμπρός και πίσω όψεις. Οι στερεοεικόνες απ’ τον ZY-3 χρησιμοποιούνται για την παραγωγή τοπογραφικών χαρτών κλίμακας 1:50.000. Αντικαταστάθηκε το 2016 από τον πιο εξελιγμένο ZY-3 02 με βελτιωμένη χωρική ανάλυση εμπρός και πίσω όψεων στα 2.5m.<br /> Το 2013 ο GF-1 ήταν ο πρώτος δορυφόρος του GaoFenProject και έφερε υψηλή ανάλυση 2m και πλάτος λήψης 800km. Το 2014 εκτοξέυτηκε ο GF-2 με χωρική ανάλυση καλύτερη του 1m. Τα επόμενα χρόνια εκτοξεύτηκαν επιτυχώς ο γεωστατικός δορυφόρος GF-4 με υψηλή ανάλυση και μέγιστο ρυθμό δεδομένων τριών εικονολήψεων το λεπτό, ο υπερφασματικός GF-5 με ενσωματωμένη δυνατότητα παρατήρησης γης και ατμόσφαιρας, ο GF-6 για παρατήρηση καλλιεργειών ακριβείας και ο GF-7 για στερεογραφική χαρτογράφηση με ανάλυση κάτω του ενός μέτρου.<br /> Το 2018 δημιουργήθηκε ο πρώτος σχηματισμός δορυφόρων υψηλής ανάλυσης της Κίνας, από τους δορυφόρους GF-1 02/03/04, οι οποίοι επιτυγχάνουν ικανότητα απεικόνισης 15 ημερών παγκόσμιας κάλυψης και 2 ημερών επανακάλυψη ανά σημείο. Σε συνεργασία με τον GF-1 του 2013, αυτά τα νούμερα γίνονται 11 και 1 ημέρα αντίστοιχα.<br /> <br /> <br /> '''3. Εξέλιξη εμπορικών τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Το 2015 εκτοξεύτηκε ένας σχηματισμός τριών δορυφόρων με χωρική ανάλυση 1m παγχρωματικής και 4m πολυφασματικής απεικόνισης, ο οποίος επιτυγχάνει 1 ημέρα επανακάλυψη περιοχής. Επιπλέον, εκτοξέυτηκαν τέσσερεις από τους δορυφόρους της σειράς Jilin-1, τον πρώτο πραγματικά ανεξάρτητο εμπορικό δορυφόρο τηλεπισκόπησης της Κίνας. Οι τέσσερεις δορυφόροι είναι ο GXA με 0.72m παγχρωματική και 2.88m πολυφασματική ικανότητα απεικόνισης, δύο δορυφόροι βιντεοσκόπησης SP01 και SP02 με χωρική ανάλυση 1.12m και ο έξυπνος επαληθευτικός δορυφόρος LQ με ανάλυση 5m. Επιπλέον, χρησιμοποιούνται έξι δορυφόροι βίντεο, δύο πολυφασματικοί δορυφόροι 26 καναλιών, τρεις παγχρωματικοί και πολυφασματικοί οπτικοί δορυφόροι και ένας ευρέος πλάτους λωρίδας δορυφόρος. Ένας σχηματισμός 16 δορυφόρων είναι σε τροχιά και λειτουργεί σε ένα δίκτυο το οποίο περνάει κάθε σημείο στον κόσμο 5-7 φορές την ημέρα.<br /> Με έναν πύραυλο το 2016 εκτοξεύθηκαν οι δορυφόροι SuperView-1 01 και 02, ενώ οι 03 και 04 το 2018. Και οι τέσσερις δορυφόροι της σειράς με κοινές παραμέτρους σχεδίασης, λειτουργούν στο ίδιο τροχιακό δίκτυο με ανάλυση 0.5m και μπορούν να πραγματοποιούν λήψη από οποιονδήποτε στόχο κάθε μέρα. Από το 2017, εκτοξέυτηκε και ο σχηματισμός Zhuhai-1 για τον οποίο σχεδιάζεται η εκτόξευση 34 δορυφόρων.<br /> <br /> <br /> '''4. Εξέλιξη χαρτογράφησης από υψηλής ανάλυσης οπτικούς δορυφόρους και εφαρμογές'''<br /> <br /> Η χαρτογράφηση από υψηλής ανάλυσης δορυφόρους αποτελεί ένα επιτυχημένο μέσο για την απόκτηση της απαραίτητης γεωγραφικής πληροφορίας, όπου αξιοποιώντας τις αρχές της φωτογραμμετρίας, ένας υψηλής ανάλυσης δορυφόρος ολοκληρώνει την καταγραφή των υψομέτρων αξιοποιώντας στερεοζεύγη εικόνων ίδιας ή διαφορετικής τροχιάς με διαφορετικές οπτικές γωνίες της ίδιας περιοχής.<br /> 4.1. Δορυφόρος ZY-3<br /> Ο δορυφόρος ZY-3 είναι πρώτης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας. Για τη λειτουργία στερεοεικόνων του TLC, ο αισθητήρας τους ναδίρ είναι κάθετος στο σημείο με χωρική ανάλυση 2.5m, ο εμπρός αισθητήρας έχει κλίση +22ο και ο οπίσθιος αισθητήρας έχει κλίση κατά -22ο με χωρική ανάλυση και για τους δύο στα 3.5m. Κατά μήκος της κατεύθυνσης της πτήσης παράγονται συνεχώς τρεις επικαλυπτόμενες εικόνες λωρίδας πλάτους 52km. Οι συντεταγμένες των αντικειμένων των εικόνων υπολογίζονται μέσα από τις αυστηρές χωρικές σχέσεις μεταξύ αντικειμένου και εικόνας, επιτρέποντας έτσι το σχεδιασμό ενός τοπογραφικού χάρτη.<br /> Με χρήση των εικόνων ναδίρ παράγονται ορθοφωτογραφίες υψηλής ανάλυσης και με τα στερεοζεύγη τέτοιων εικόνων υπολογίζεται το υψόμετρο. Ο ZY-3 εξοπλίζεται επίσης μέ έναν πολυφασματικό αισθητήρα ανάλυσης 6.8m που περιλαμβάνει μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο φασματικό κανάλι. Η ακρίβεια της ερμηνείας των αντικειμένων στο έδαφος βελτιώνεται με την ένωση των πολυφασματικών με τις παγχρωματικές υψηλής ανάλυσης εικόνες.<br /> Από το 2012 και την εκτόξευσή του, ο ZY-3 έχει χρησιμοποιηθεί σε πολλές χαρτογραφικές εφαρμογές, όπως την δυναμική αναβάθμιση της βασικής εθνικής γεωχωρικής βάσης δεδεομένων κλίμακας 1:50.000, την πρώτη εθνική γεωγραφική καταγραφή και την παραγωγή μοντέλου εδάφους 1:25000 στις δυτικές περιοχές.<br /> Η ακρίβεια του δορυφόρου ZY-3 ελέγχθηκε με τη χρήση 1090 σημείων ελέγχου που μετρήθηκαν στο πεδίο με μεθόδους υψηλής ακρίβειας, ενώ όσον αφορά τα υψόμετρα η ακρίβεια υπολογισμού τους εμφανίζει περιθώριο βελτίωσης της τάξης των 3m με χρήση LAD (LaserAltimeterData).<br /> Το Πανεπιστημίο της Γουχάν και άλλα ερευνητικά κέντρα έχουν μελετήσει τεχνολογίες χαρτογράφησης μεγάλης κλίμακας υψηλής ακρίβειας και λογισμικά που δεν απαιτούν τη χρήση σημείων ελέγχου, παρουσιάζοντας εφαρμογές που χρησιμοποιούν χιλιάδες εικόνες TCL από τον δορυφόρο ZY-3. Αντίστοιχα, στο Πανεπιστήμιο του Πεκίνου διεξήχθη έρευνα παγκόσμιας συνεργασίας στη χαρτογράφηση ψηλών βουνών, σε συνεργασία με το Πανεπιστήμιο του Ανόβερο, την Ευρωπαϊκή Ακαδημία Επιστημών και Τεχνών στο Σάλτζμπουργκ και το Ινστιτόυτο Έρευνας Περιβαλλοντικών Συστημάτων.<br /> Βασιζόμενη στην τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο της Γουχάν, η Κίνα έχει ολοκληρώσει την χαρτογράφηση των ψηλών βουνών της περιοχής NangaParbat στο δυτικότερο τμήμα των Ιμαλαΐων, κάνοντας χρήση εικόνων του δορυφόρου ZY-3. <br /> Δορυφόρος GF-7<br /> Ο δορυφόρος GF-7 είναι δεύτερης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας, με κύριο στόχο χαρτογράφηση κλίμακας 1:10.000 στην Κίνα. Εξοπλίζεται με DLC ανάλυσης κάτω του ενός μέτρου, καθώς ο εμπρόσθιος αισθητήρας έχει κλίση +26ο για τη λήψη παγχρωματικών εικόνων ανάλυσης 0,8m και ο οπίσθιος αισθητήρας με κλίση -5ο πραγματοποιεί λήψεις παγχρωματικών εικόνων με ανάλυση 0,65m και πολυφασματικών εικόνων με ανάλυση 2,6m. <br /> Επιπλέον, λόγω μειωμένου αριθμού σημείων ελέγχου σε πολλές περιοχές και την ανάγκη κλίμακας 1:10.000, ο GF-7 εξοπλίζεται με διπλής δέσμης laser υψομέτρου που μπορεί να υπολογίζει το υψόμετρο με ακρίβεια καλύτερη του 1m. Με αυτόν τον τρόπο φαίνεται ότι οι επιδόσεις του GF-7 μπορεί να ικανοποιήσουν την χαρτογράφησης κλίμακας 1:10.000. <br /> 4.2. Χρήση ελιγμών δορυφόρων για υπό γωνία λήψεις<br /> Αντίθετα από δορυφόρους όπως οι ZY-3 και GF-7, οι υψηλής ανάλυσης δορυφόροι με μία κάμερα εξοπλίζονται με SLC ή SAC και χρησιμοποιούν κυρίως διαφορετικούς ελιγμούς προκειμένου να επιτύχουν παρατήρηση πολλαπλής προβολής του ίδιου αντικειμένου ή περιοχής με προσαρμογή της θέσης τους. Τέτοιοι δορυφόροι απαιτούν υψηλής ακρίβειας έλεγχο της θέσης τους και υπολογισμού της τροχιάς τους. Επιπλέον, παρότι έχουν ικανότητα ανάλυσης λιγότερο του 1m, παρουσιάζουν αδυναμίες στον έλεγχο της γεωμετρίας των εικόνων σε σχέση με τις στατικές μεθόδους χαρτογράφησης TLC και DLC, απαιτώντας σημαντικό έλεγχο εδάφους για χαρτογραφήσεις μεγάλης κλίμακας. Επιπλέον, το πλάτος των εικόνων SLC και SAC περιορίζεται λόγω της ανάλυσης κάτω του ενός μέτρου, όπως το πλάτος του SuperView-1 με χωρική ανάλυση 0.5m που είναι 12km.<br /> <br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Η ανάπτυξη των δορυφόρων υψηλής ανάλυσης της Κίνας παρουσιάζει σημαντική πρόοδο με την απόδοση των απλών μονών δορύφορων να αυξάνεται, τα δίκτυα πολλαπλών δορύφορων να αναδεικνύονται ως τάση και η εμπορευματοποίηση δορυφόρων να αναπτύσσεται σταθεράκαι το σύστημα δορυφορικής τηλεπισκόπησης να γίνεται όλο και πιο άφθονο και πλήρες.<br /> Παρ’ όλα αυτά, ο στόχος της παγκόσμιας κάλυψης και χαρτογραφικής ενημέρωσης παραμένει δύσκολος, καθώς ένα σύστημα χαρτογράφησης χωρίς την ανάγκη επίγειου ελέγχου χρειάζεται περαιτέρω ανάπτυξη και νέες τεχνολογίες όπωςδορυφόρους radar και laserυψομέτρων. Απαιτείται δηλαδή μια περαιτέρω βελτίωση του συστήματος δορυφορικής τηλεπισκοπικής παρατήρησης υψηλής ανάλυσης, προκειμένου να εξυπηρετεί με βέλτιστο τρόπο τις εφαρμογές χαρτογράφησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CE%AF_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CF%8C%CF%81%CE%BF%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%9A%CE%AF%CE%BD%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%BF%CF%85%CF%82 2022-03-23T20:16:12Z

<p>Siachospan: </p> <hr /> <div> [[category:Διαστημική Τηλεπισκόπηση]]<br /> <br /> '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους<br /> <br /> China’s high-resolution optical remote sensing satellites and their mapping applications'''<br /> <br /> Li, Deren, Mi Wang and Jie Jiang. Geo-spatial Information Science 24 (2021): 85 - 94.<br /> <br /> Πηγή: [1]<br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ2.3.jpeg‎|thumb|right|'''Εικόνα 1''': Ρεαλιστική απεικόνιση του δορυφόρου GF-1]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.1.JPG‎|thumb|right|'''Εικόνα 2''': Αποτελέσματα χαρτογράφησης ψηλών βουνών από την Κίνα. α) Χαρτογραφικό αποτέλεσμα υψηλής ακρίβειας. β) Χαρτογραφικό αποτέλεσμα της περιοχής Nanga Parbat]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.2.JPG‎|thumb|right|'''Εικόνα 3''': Λειτουργία στερεοεικόνας SAC]]<br /> <br /> '''1. Εισαγωγή – Ιστορία και εξέλιξη της δορυφορικής τηλεπισκόπησης'''<br /> <br /> 1.1. Η δορυφορική τηλεπισκόπηση σε παγκόσμιο επίπεδο<br /> Η πρώην Σοβιετική Ένωση ήταν εκείνη που άνοιξε τον δρόμο για τη διαστημική παρατήρηση της γης, παρουσιάζοντας τον πρώτο τεχνητό δορυφόρο το 1957. Ακολούθησαν οι Ηνωμένες Πολιτείες το 1972 με την εκτόξευση του πρώτου τους δορυφόρου παρατήρησης εδάφους, τον Landsat-1. Έπειτα από 14 χρόνια, το 1986, η Γαλλία παρουσίασε τον δορυφόρο SPOT-1, ενώ από το 1994 με την οδηγία PDD-23 των ΗΠΑ επιτρέπεται η εξαγωγή τηλεπισκοπικών δεδομένων υψηλής ανάλυσης, με την οποία προωθείται και η ανάπτυξη των αντίστοιχων δορυφόρων. Το 1999 παρουσιάζεται στις ΗΠΑ ο πρώτος υψηλής ανάλυσης εμπορικός δορυφόρος με χωρική ανάλυση 1m με σημαντικά στρατιωτικά και οικονομικά οφέλη από τη χρήση του.<br /> 1.2. Η δορυφορική τηλεπισκόπηση στην Κίνα<br /> Όπως αρκετές χώρες, έτσι και η Κίνα από τις αρχές του 21ου αιώνα παρουσιαζεί σημαντική πρόοδο στην εξέλιξη της δορυφορικής τηλεπισκόπησης. Αναπτύσσει συνεχώς καινοτομίες στην πρόοδο των τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης και αξιοποιεί την ανάπτυξη των τηλεπισκοπικών δορυφορών υψηλής ανάλυσης, για τον εμπλουτισμό των σύγχρονων χαρτογραφικών μεθόδων και τεχνολογιών.<br /> Ένα Υψηλής Ανάλυσης Σύστημα Παρατήρησης της Γης (HREOS), αποτελεί σημαντικό επιστημονικό και τεχνολογικό έργο για την Κίνα. Το GaoFenproject όπως ονομάστηκε, παρουσιάστηκε το 2010 με σκοπό τη δημιουργία ενός ανεξάρτητου και αναβαθμισμένου HREOS. Το 2020 αποτελεί τον τελευταίο χρόνο του GaoFenproject, ενώ μέσα σε αυτή τη δεκαετία η Κίνα έχει αναπτύξει, παρουσιάσει και λειτουργήσει πολλαπλούς υψηλής ανάλυσης δορυφόρους. Έχει καταφέρει να μικρύνει το τεχνολογικό κενό με άλλες χώρες, φτάνοντας ακόμα και το επίπεδο ηγετικών δορυφόρων που παρουσιάστηκαν από αυτές. Έτσι, το HREOSτης Κίνας με τους δορυφόρους του GaoFenProject αλλά και άλλους εγχώριους δορυφόρους, σχεδιάστηκε για να βελτιωθεί το ποσοστό επάρκειας των ανεξάρτητων υψηλής ανάλυσης τηλεπισκοπικών δεδομένων, καθώς επίσης την επικαιρότητα απόκτησης δεδομένων. <br /> <br /> <br /> '''2. Εξέλιξη τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Η Κίνα ξεκίνησε την ανάπτυξη υψηλής ανάλυσης τηλεπισκοπικών δορυφόρων από το 2007 με τον CBERS-02Bμε κάμερα υψηλής ανάλυσης 2.36m, ο οποίος αντικαταστάθηκε το 2011 από τον δορυφόρο ZY-1 02C με αντίστοιχες ικανότητες.<br /> Το 2012 εκτοξεύτηκε ο δορυφόρος ZY-3 με TLC (Three-LineArrayCamera) που πετυχαίνει τριών όψεων στερεοαπεικόνιση με ανάλυση 2.1m στο ναδίρ και 3.5m στις εμπρός και πίσω όψεις. Οι στερεοεικόνες απ’ τον ZY-3 χρησιμοποιούνται για την παραγωγή τοπογραφικών χαρτών κλίμακας 1:50.000. Αντικαταστάθηκε το 2016 από τον πιο εξελιγμένο ZY-3 02 με βελτιωμένη χωρική ανάλυση εμπρός και πίσω όψεων στα 2.5m.<br /> Το 2013 ο GF-1 ήταν ο πρώτος δορυφόρος του GaoFenProject και έφερε υψηλή ανάλυση 2m και πλάτος λήψης 800km. Το 2014 εκτοξέυτηκε ο GF-2 με χωρική ανάλυση καλύτερη του 1m. Τα επόμενα χρόνια εκτοξεύτηκαν επιτυχώς ο γεωστατικός δορυφόρος GF-4 με υψηλή ανάλυση και μέγιστο ρυθμό δεδομένων τριών εικονολήψεων το λεπτό, ο υπερφασματικός GF-5 με ενσωματωμένη δυνατότητα παρατήρησης γης και ατμόσφαιρας, ο GF-6 για παρατήρηση καλλιεργειών ακριβείας και ο GF-7 για στερεογραφική χαρτογράφηση με ανάλυση κάτω του ενός μέτρου.<br /> Το 2018 δημιουργήθηκε ο πρώτος σχηματισμός δορυφόρων υψηλής ανάλυσης της Κίνας, από τους δορυφόρους GF-1 02/03/04, οι οποίοι επιτυγχάνουν ικανότητα απεικόνισης 15 ημερών παγκόσμιας κάλυψης και 2 ημερών επανακάλυψη ανά σημείο. Σε συνεργασία με τον GF-1 του 2013, αυτά τα νούμερα γίνονται 11 και 1 ημέρα αντίστοιχα.<br /> <br /> <br /> '''3. Εξέλιξη εμπορικών τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Το 2015 εκτοξεύτηκε ένας σχηματισμός τριών δορυφόρων με χωρική ανάλυση 1m παγχρωματικής και 4m πολυφασματικής απεικόνισης, ο οποίος επιτυγχάνει 1 ημέρα επανακάλυψη περιοχής. Επιπλέον, εκτοξέυτηκαν τέσσερεις από τους δορυφόρους της σειράς Jilin-1, τον πρώτο πραγματικά ανεξάρτητο εμπορικό δορυφόρο τηλεπισκόπησης της Κίνας. Οι τέσσερεις δορυφόροι είναι ο GXA με 0.72m παγχρωματική και 2.88m πολυφασματική ικανότητα απεικόνισης, δύο δορυφόροι βιντεοσκόπησης SP01 και SP02 με χωρική ανάλυση 1.12m και ο έξυπνος επαληθευτικός δορυφόρος LQ με ανάλυση 5m. Επιπλέον, χρησιμοποιούνται έξι δορυφόροι βίντεο, δύο πολυφασματικοί δορυφόροι 26 καναλιών, τρεις παγχρωματικοί και πολυφασματικοί οπτικοί δορυφόροι και ένας ευρέος πλάτους λωρίδας δορυφόρος. Ένας σχηματισμός 16 δορυφόρων είναι σε τροχιά και λειτουργεί σε ένα δίκτυο το οποίο περνάει κάθε σημείο στον κόσμο 5-7 φορές την ημέρα.<br /> Με έναν πύραυλο το 2016 εκτοξεύθηκαν οι δορυφόροι SuperView-1 01 και 02, ενώ οι 03 και 04 το 2018. Και οι τέσσερις δορυφόροι της σειράς με κοινές παραμέτρους σχεδίασης, λειτουργούν στο ίδιο τροχιακό δίκτυο με ανάλυση 0.5m και μπορούν να πραγματοποιούν λήψη από οποιονδήποτε στόχο κάθε μέρα. Από το 2017, εκτοξέυτηκε και ο σχηματισμός Zhuhai-1 για τον οποίο σχεδιάζεται η εκτόξευση 34 δορυφόρων.<br /> <br /> <br /> '''4. Εξέλιξη χαρτογράφησης από υψηλής ανάλυσης οπτικούς δορυφόρους και εφαρμογές'''<br /> <br /> Η χαρτογράφηση από υψηλής ανάλυσης δορυφόρους αποτελεί ένα επιτυχημένο μέσο για την απόκτηση της απαραίτητης γεωγραφικής πληροφορίας, όπου αξιοποιώντας τις αρχές της φωτογραμμετρίας, ένας υψηλής ανάλυσης δορυφόρος ολοκληρώνει την καταγραφή των υψομέτρων αξιοποιώντας στερεοζεύγη εικόνων ίδιας ή διαφορετικής τροχιάς με διαφορετικές οπτικές γωνίες της ίδιας περιοχής.<br /> 4.1. Δορυφόρος ZY-3<br /> Ο δορυφόρος ZY-3 είναι πρώτης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας. Για τη λειτουργία στερεοεικόνων του TLC, ο αισθητήρας τους ναδίρ είναι κάθετος στο σημείο με χωρική ανάλυση 2.5m, ο εμπρός αισθητήρας έχει κλίση +22ο και ο οπίσθιος αισθητήρας έχει κλίση κατά -22ο με χωρική ανάλυση και για τους δύο στα 3.5m. Κατά μήκος της κατεύθυνσης της πτήσης παράγονται συνεχώς τρεις επικαλυπτόμενες εικόνες λωρίδας πλάτους 52km. Οι συντεταγμένες των αντικειμένων των εικόνων υπολογίζονται μέσα από τις αυστηρές χωρικές σχέσεις μεταξύ αντικειμένου και εικόνας, επιτρέποντας έτσι το σχεδιασμό ενός τοπογραφικού χάρτη.<br /> Με χρήση των εικόνων ναδίρ παράγονται ορθοφωτογραφίες υψηλής ανάλυσης και με τα στερεοζεύγη τέτοιων εικόνων υπολογίζεται το υψόμετρο. Ο ZY-3 εξοπλίζεται επίσης μέ έναν πολυφασματικό αισθητήρα ανάλυσης 6.8m που περιλαμβάνει μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο φασματικό κανάλι. Η ακρίβεια της ερμηνείας των αντικειμένων στο έδαφος βελτιώνεται με την ένωση των πολυφασματικών με τις παγχρωματικές υψηλής ανάλυσης εικόνες.<br /> Από το 2012 και την εκτόξευσή του, ο ZY-3 έχει χρησιμοποιηθεί σε πολλές χαρτογραφικές εφαρμογές, όπως την δυναμική αναβάθμιση της βασικής εθνικής γεωχωρικής βάσης δεδεομένων κλίμακας 1:50.000, την πρώτη εθνική γεωγραφική καταγραφή και την παραγωγή μοντέλου εδάφους 1:25000 στις δυτικές περιοχές.<br /> Η ακρίβεια του δορυφόρου ZY-3 ελέγχθηκε με τη χρήση 1090 σημείων ελέγχου που μετρήθηκαν στο πεδίο με μεθόδους υψηλής ακρίβειας, ενώ όσον αφορά τα υψόμετρα η ακρίβεια υπολογισμού τους εμφανίζει περιθώριο βελτίωσης της τάξης των 3m με χρήση LAD (LaserAltimeterData).<br /> Το Πανεπιστημίο της Γουχάν και άλλα ερευνητικά κέντρα έχουν μελετήσει τεχνολογίες χαρτογράφησης μεγάλης κλίμακας υψηλής ακρίβειας και λογισμικά που δεν απαιτούν τη χρήση σημείων ελέγχου, παρουσιάζοντας εφαρμογές που χρησιμοποιούν χιλιάδες εικόνες TCL από τον δορυφόρο ZY-3. Αντίστοιχα, στο Πανεπιστήμιο του Πεκίνου διεξήχθη έρευνα παγκόσμιας συνεργασίας στη χαρτογράφηση ψηλών βουνών, σε συνεργασία με το Πανεπιστήμιο του Ανόβερο, την Ευρωπαϊκή Ακαδημία Επιστημών και Τεχνών στο Σάλτζμπουργκ και το Ινστιτόυτο Έρευνας Περιβαλλοντικών Συστημάτων.<br /> Βασιζόμενη στην τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο της Γουχάν, η Κίνα έχει ολοκληρώσει την χαρτογράφηση των ψηλών βουνών της περιοχής NangaParbat στο δυτικότερο τμήμα των Ιμαλαΐων, κάνοντας χρήση εικόνων του δορυφόρου ZY-3. <br /> Δορυφόρος GF-7<br /> Ο δορυφόρος GF-7 είναι δεύτερης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας, με κύριο στόχο χαρτογράφηση κλίμακας 1:10.000 στην Κίνα. Εξοπλίζεται με DLC ανάλυσης κάτω του ενός μέτρου, καθώς ο εμπρόσθιος αισθητήρας έχει κλίση +26ο για τη λήψη παγχρωματικών εικόνων ανάλυσης 0,8m και ο οπίσθιος αισθητήρας με κλίση -5ο πραγματοποιεί λήψεις παγχρωματικών εικόνων με ανάλυση 0,65m και πολυφασματικών εικόνων με ανάλυση 2,6m. <br /> Επιπλέον, λόγω μειωμένου αριθμού σημείων ελέγχου σε πολλές περιοχές και την ανάγκη κλίμακας 1:10.000, ο GF-7 εξοπλίζεται με διπλής δέσμης laser υψομέτρου που μπορεί να υπολογίζει το υψόμετρο με ακρίβεια καλύτερη του 1m. Με αυτόν τον τρόπο φαίνεται ότι οι επιδόσεις του GF-7 μπορεί να ικανοποιήσουν την χαρτογράφησης κλίμακας 1:10.000. <br /> 4.2. Χρήση ελιγμών δορυφόρων για υπό γωνία λήψεις<br /> Αντίθετα από δορυφόρους όπως οι ZY-3 και GF-7, οι υψηλής ανάλυσης δορυφόροι με μία κάμερα εξοπλίζονται με SLC ή SAC και χρησιμοποιούν κυρίως διαφορετικούς ελιγμούς προκειμένου να επιτύχουν παρατήρηση πολλαπλής προβολής του ίδιου αντικειμένου ή περιοχής με προσαρμογή της θέσης τους. Τέτοιοι δορυφόροι απαιτούν υψηλής ακρίβειας έλεγχο της θέσης τους και υπολογισμού της τροχιάς τους. Επιπλέον, παρότι έχουν ικανότητα ανάλυσης λιγότερο του 1m, παρουσιάζουν αδυναμίες στον έλεγχο της γεωμετρίας των εικόνων σε σχέση με τις στατικές μεθόδους χαρτογράφησης TLC και DLC, απαιτώντας σημαντικό έλεγχο εδάφους για χαρτογραφήσεις μεγάλης κλίμακας. Επιπλέον, το πλάτος των εικόνων SLC και SAC περιορίζεται λόγω της ανάλυσης κάτω του ενός μέτρου, όπως το πλάτος του SuperView-1 με χωρική ανάλυση 0.5m που είναι 12km.<br /> <br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Η ανάπτυξη των δορυφόρων υψηλής ανάλυσης της Κίνας παρουσιάζει σημαντική πρόοδο με την απόδοση των απλών μονών δορύφορων να αυξάνεται, τα δίκτυα πολλαπλών δορύφορων να αναδεικνύονται ως τάση και η εμπορευματοποίηση δορυφόρων να αναπτύσσεται σταθεράκαι το σύστημα δορυφορικής τηλεπισκόπησης να γίνεται όλο και πιο άφθονο και πλήρες.<br /> Παρ’ όλα αυτά, ο στόχος της παγκόσμιας κάλυψης και χαρτογραφικής ενημέρωσης παραμένει δύσκολος, καθώς ένα σύστημα χαρτογράφησης χωρίς την ανάγκη επίγειου ελέγχου χρειάζεται περαιτέρω ανάπτυξη και νέες τεχνολογίες όπωςδορυφόρους radar και laserυψομέτρων. Απαιτείται δηλαδή μια περαιτέρω βελτίωση του συστήματος δορυφορικής τηλεπισκοπικής παρατήρησης υψηλής ανάλυσης, προκειμένου να εξυπηρετεί με βέλτιστο τρόπο τις εφαρμογές χαρτογράφησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CE%AF_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CF%8C%CF%81%CE%BF%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%9A%CE%AF%CE%BD%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%BF%CF%85%CF%82 2022-03-23T20:15:54Z

<p>Siachospan: </p> <hr /> <div> [[category:Διαστημική Τηλεπισκόπηση]]<br /> <br /> '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους<br /> <br /> China’s high-resolution optical remote sensing satellites and their mapping applications'''<br /> <br /> Li, Deren, Mi Wang and Jie Jiang. Geo-spatial Information Science 24 (2021): 85 - 94.<br /> <br /> Πηγή: [1]<br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ2.1.JPG‎|thumb|right|'''Εικόνα 2''': Αποτελέσματα χαρτογράφησης ψηλών βουνών από την Κίνα. α) Χαρτογραφικό αποτέλεσμα υψηλής ακρίβειας. β) Χαρτογραφικό αποτέλεσμα της περιοχής Nanga Parbat]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.2.JPG‎|thumb|right|'''Εικόνα 3''': Λειτουργία στερεοεικόνας SAC]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.3.jpeg‎|thumb|right|'''Εικόνα 1''': Ρεαλιστική απεικόνιση του δορυφόρου GF-1]]<br /> <br /> '''1. Εισαγωγή – Ιστορία και εξέλιξη της δορυφορικής τηλεπισκόπησης'''<br /> <br /> 1.1. Η δορυφορική τηλεπισκόπηση σε παγκόσμιο επίπεδο<br /> Η πρώην Σοβιετική Ένωση ήταν εκείνη που άνοιξε τον δρόμο για τη διαστημική παρατήρηση της γης, παρουσιάζοντας τον πρώτο τεχνητό δορυφόρο το 1957. Ακολούθησαν οι Ηνωμένες Πολιτείες το 1972 με την εκτόξευση του πρώτου τους δορυφόρου παρατήρησης εδάφους, τον Landsat-1. Έπειτα από 14 χρόνια, το 1986, η Γαλλία παρουσίασε τον δορυφόρο SPOT-1, ενώ από το 1994 με την οδηγία PDD-23 των ΗΠΑ επιτρέπεται η εξαγωγή τηλεπισκοπικών δεδομένων υψηλής ανάλυσης, με την οποία προωθείται και η ανάπτυξη των αντίστοιχων δορυφόρων. Το 1999 παρουσιάζεται στις ΗΠΑ ο πρώτος υψηλής ανάλυσης εμπορικός δορυφόρος με χωρική ανάλυση 1m με σημαντικά στρατιωτικά και οικονομικά οφέλη από τη χρήση του.<br /> 1.2. Η δορυφορική τηλεπισκόπηση στην Κίνα<br /> Όπως αρκετές χώρες, έτσι και η Κίνα από τις αρχές του 21ου αιώνα παρουσιαζεί σημαντική πρόοδο στην εξέλιξη της δορυφορικής τηλεπισκόπησης. Αναπτύσσει συνεχώς καινοτομίες στην πρόοδο των τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης και αξιοποιεί την ανάπτυξη των τηλεπισκοπικών δορυφορών υψηλής ανάλυσης, για τον εμπλουτισμό των σύγχρονων χαρτογραφικών μεθόδων και τεχνολογιών.<br /> Ένα Υψηλής Ανάλυσης Σύστημα Παρατήρησης της Γης (HREOS), αποτελεί σημαντικό επιστημονικό και τεχνολογικό έργο για την Κίνα. Το GaoFenproject όπως ονομάστηκε, παρουσιάστηκε το 2010 με σκοπό τη δημιουργία ενός ανεξάρτητου και αναβαθμισμένου HREOS. Το 2020 αποτελεί τον τελευταίο χρόνο του GaoFenproject, ενώ μέσα σε αυτή τη δεκαετία η Κίνα έχει αναπτύξει, παρουσιάσει και λειτουργήσει πολλαπλούς υψηλής ανάλυσης δορυφόρους. Έχει καταφέρει να μικρύνει το τεχνολογικό κενό με άλλες χώρες, φτάνοντας ακόμα και το επίπεδο ηγετικών δορυφόρων που παρουσιάστηκαν από αυτές. Έτσι, το HREOSτης Κίνας με τους δορυφόρους του GaoFenProject αλλά και άλλους εγχώριους δορυφόρους, σχεδιάστηκε για να βελτιωθεί το ποσοστό επάρκειας των ανεξάρτητων υψηλής ανάλυσης τηλεπισκοπικών δεδομένων, καθώς επίσης την επικαιρότητα απόκτησης δεδομένων. <br /> <br /> <br /> '''2. Εξέλιξη τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Η Κίνα ξεκίνησε την ανάπτυξη υψηλής ανάλυσης τηλεπισκοπικών δορυφόρων από το 2007 με τον CBERS-02Bμε κάμερα υψηλής ανάλυσης 2.36m, ο οποίος αντικαταστάθηκε το 2011 από τον δορυφόρο ZY-1 02C με αντίστοιχες ικανότητες.<br /> Το 2012 εκτοξεύτηκε ο δορυφόρος ZY-3 με TLC (Three-LineArrayCamera) που πετυχαίνει τριών όψεων στερεοαπεικόνιση με ανάλυση 2.1m στο ναδίρ και 3.5m στις εμπρός και πίσω όψεις. Οι στερεοεικόνες απ’ τον ZY-3 χρησιμοποιούνται για την παραγωγή τοπογραφικών χαρτών κλίμακας 1:50.000. Αντικαταστάθηκε το 2016 από τον πιο εξελιγμένο ZY-3 02 με βελτιωμένη χωρική ανάλυση εμπρός και πίσω όψεων στα 2.5m.<br /> Το 2013 ο GF-1 ήταν ο πρώτος δορυφόρος του GaoFenProject και έφερε υψηλή ανάλυση 2m και πλάτος λήψης 800km. Το 2014 εκτοξέυτηκε ο GF-2 με χωρική ανάλυση καλύτερη του 1m. Τα επόμενα χρόνια εκτοξεύτηκαν επιτυχώς ο γεωστατικός δορυφόρος GF-4 με υψηλή ανάλυση και μέγιστο ρυθμό δεδομένων τριών εικονολήψεων το λεπτό, ο υπερφασματικός GF-5 με ενσωματωμένη δυνατότητα παρατήρησης γης και ατμόσφαιρας, ο GF-6 για παρατήρηση καλλιεργειών ακριβείας και ο GF-7 για στερεογραφική χαρτογράφηση με ανάλυση κάτω του ενός μέτρου.<br /> Το 2018 δημιουργήθηκε ο πρώτος σχηματισμός δορυφόρων υψηλής ανάλυσης της Κίνας, από τους δορυφόρους GF-1 02/03/04, οι οποίοι επιτυγχάνουν ικανότητα απεικόνισης 15 ημερών παγκόσμιας κάλυψης και 2 ημερών επανακάλυψη ανά σημείο. Σε συνεργασία με τον GF-1 του 2013, αυτά τα νούμερα γίνονται 11 και 1 ημέρα αντίστοιχα.<br /> <br /> <br /> '''3. Εξέλιξη εμπορικών τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Το 2015 εκτοξεύτηκε ένας σχηματισμός τριών δορυφόρων με χωρική ανάλυση 1m παγχρωματικής και 4m πολυφασματικής απεικόνισης, ο οποίος επιτυγχάνει 1 ημέρα επανακάλυψη περιοχής. Επιπλέον, εκτοξέυτηκαν τέσσερεις από τους δορυφόρους της σειράς Jilin-1, τον πρώτο πραγματικά ανεξάρτητο εμπορικό δορυφόρο τηλεπισκόπησης της Κίνας. Οι τέσσερεις δορυφόροι είναι ο GXA με 0.72m παγχρωματική και 2.88m πολυφασματική ικανότητα απεικόνισης, δύο δορυφόροι βιντεοσκόπησης SP01 και SP02 με χωρική ανάλυση 1.12m και ο έξυπνος επαληθευτικός δορυφόρος LQ με ανάλυση 5m. Επιπλέον, χρησιμοποιούνται έξι δορυφόροι βίντεο, δύο πολυφασματικοί δορυφόροι 26 καναλιών, τρεις παγχρωματικοί και πολυφασματικοί οπτικοί δορυφόροι και ένας ευρέος πλάτους λωρίδας δορυφόρος. Ένας σχηματισμός 16 δορυφόρων είναι σε τροχιά και λειτουργεί σε ένα δίκτυο το οποίο περνάει κάθε σημείο στον κόσμο 5-7 φορές την ημέρα.<br /> Με έναν πύραυλο το 2016 εκτοξεύθηκαν οι δορυφόροι SuperView-1 01 και 02, ενώ οι 03 και 04 το 2018. Και οι τέσσερις δορυφόροι της σειράς με κοινές παραμέτρους σχεδίασης, λειτουργούν στο ίδιο τροχιακό δίκτυο με ανάλυση 0.5m και μπορούν να πραγματοποιούν λήψη από οποιονδήποτε στόχο κάθε μέρα. Από το 2017, εκτοξέυτηκε και ο σχηματισμός Zhuhai-1 για τον οποίο σχεδιάζεται η εκτόξευση 34 δορυφόρων.<br /> <br /> <br /> '''4. Εξέλιξη χαρτογράφησης από υψηλής ανάλυσης οπτικούς δορυφόρους και εφαρμογές'''<br /> <br /> Η χαρτογράφηση από υψηλής ανάλυσης δορυφόρους αποτελεί ένα επιτυχημένο μέσο για την απόκτηση της απαραίτητης γεωγραφικής πληροφορίας, όπου αξιοποιώντας τις αρχές της φωτογραμμετρίας, ένας υψηλής ανάλυσης δορυφόρος ολοκληρώνει την καταγραφή των υψομέτρων αξιοποιώντας στερεοζεύγη εικόνων ίδιας ή διαφορετικής τροχιάς με διαφορετικές οπτικές γωνίες της ίδιας περιοχής.<br /> 4.1. Δορυφόρος ZY-3<br /> Ο δορυφόρος ZY-3 είναι πρώτης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας. Για τη λειτουργία στερεοεικόνων του TLC, ο αισθητήρας τους ναδίρ είναι κάθετος στο σημείο με χωρική ανάλυση 2.5m, ο εμπρός αισθητήρας έχει κλίση +22ο και ο οπίσθιος αισθητήρας έχει κλίση κατά -22ο με χωρική ανάλυση και για τους δύο στα 3.5m. Κατά μήκος της κατεύθυνσης της πτήσης παράγονται συνεχώς τρεις επικαλυπτόμενες εικόνες λωρίδας πλάτους 52km. Οι συντεταγμένες των αντικειμένων των εικόνων υπολογίζονται μέσα από τις αυστηρές χωρικές σχέσεις μεταξύ αντικειμένου και εικόνας, επιτρέποντας έτσι το σχεδιασμό ενός τοπογραφικού χάρτη.<br /> Με χρήση των εικόνων ναδίρ παράγονται ορθοφωτογραφίες υψηλής ανάλυσης και με τα στερεοζεύγη τέτοιων εικόνων υπολογίζεται το υψόμετρο. Ο ZY-3 εξοπλίζεται επίσης μέ έναν πολυφασματικό αισθητήρα ανάλυσης 6.8m που περιλαμβάνει μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο φασματικό κανάλι. Η ακρίβεια της ερμηνείας των αντικειμένων στο έδαφος βελτιώνεται με την ένωση των πολυφασματικών με τις παγχρωματικές υψηλής ανάλυσης εικόνες.<br /> Από το 2012 και την εκτόξευσή του, ο ZY-3 έχει χρησιμοποιηθεί σε πολλές χαρτογραφικές εφαρμογές, όπως την δυναμική αναβάθμιση της βασικής εθνικής γεωχωρικής βάσης δεδεομένων κλίμακας 1:50.000, την πρώτη εθνική γεωγραφική καταγραφή και την παραγωγή μοντέλου εδάφους 1:25000 στις δυτικές περιοχές.<br /> Η ακρίβεια του δορυφόρου ZY-3 ελέγχθηκε με τη χρήση 1090 σημείων ελέγχου που μετρήθηκαν στο πεδίο με μεθόδους υψηλής ακρίβειας, ενώ όσον αφορά τα υψόμετρα η ακρίβεια υπολογισμού τους εμφανίζει περιθώριο βελτίωσης της τάξης των 3m με χρήση LAD (LaserAltimeterData).<br /> Το Πανεπιστημίο της Γουχάν και άλλα ερευνητικά κέντρα έχουν μελετήσει τεχνολογίες χαρτογράφησης μεγάλης κλίμακας υψηλής ακρίβειας και λογισμικά που δεν απαιτούν τη χρήση σημείων ελέγχου, παρουσιάζοντας εφαρμογές που χρησιμοποιούν χιλιάδες εικόνες TCL από τον δορυφόρο ZY-3. Αντίστοιχα, στο Πανεπιστήμιο του Πεκίνου διεξήχθη έρευνα παγκόσμιας συνεργασίας στη χαρτογράφηση ψηλών βουνών, σε συνεργασία με το Πανεπιστήμιο του Ανόβερο, την Ευρωπαϊκή Ακαδημία Επιστημών και Τεχνών στο Σάλτζμπουργκ και το Ινστιτόυτο Έρευνας Περιβαλλοντικών Συστημάτων.<br /> Βασιζόμενη στην τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο της Γουχάν, η Κίνα έχει ολοκληρώσει την χαρτογράφηση των ψηλών βουνών της περιοχής NangaParbat στο δυτικότερο τμήμα των Ιμαλαΐων, κάνοντας χρήση εικόνων του δορυφόρου ZY-3. <br /> Δορυφόρος GF-7<br /> Ο δορυφόρος GF-7 είναι δεύτερης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας, με κύριο στόχο χαρτογράφηση κλίμακας 1:10.000 στην Κίνα. Εξοπλίζεται με DLC ανάλυσης κάτω του ενός μέτρου, καθώς ο εμπρόσθιος αισθητήρας έχει κλίση +26ο για τη λήψη παγχρωματικών εικόνων ανάλυσης 0,8m και ο οπίσθιος αισθητήρας με κλίση -5ο πραγματοποιεί λήψεις παγχρωματικών εικόνων με ανάλυση 0,65m και πολυφασματικών εικόνων με ανάλυση 2,6m. <br /> Επιπλέον, λόγω μειωμένου αριθμού σημείων ελέγχου σε πολλές περιοχές και την ανάγκη κλίμακας 1:10.000, ο GF-7 εξοπλίζεται με διπλής δέσμης laser υψομέτρου που μπορεί να υπολογίζει το υψόμετρο με ακρίβεια καλύτερη του 1m. Με αυτόν τον τρόπο φαίνεται ότι οι επιδόσεις του GF-7 μπορεί να ικανοποιήσουν την χαρτογράφησης κλίμακας 1:10.000. <br /> 4.2. Χρήση ελιγμών δορυφόρων για υπό γωνία λήψεις<br /> Αντίθετα από δορυφόρους όπως οι ZY-3 και GF-7, οι υψηλής ανάλυσης δορυφόροι με μία κάμερα εξοπλίζονται με SLC ή SAC και χρησιμοποιούν κυρίως διαφορετικούς ελιγμούς προκειμένου να επιτύχουν παρατήρηση πολλαπλής προβολής του ίδιου αντικειμένου ή περιοχής με προσαρμογή της θέσης τους. Τέτοιοι δορυφόροι απαιτούν υψηλής ακρίβειας έλεγχο της θέσης τους και υπολογισμού της τροχιάς τους. Επιπλέον, παρότι έχουν ικανότητα ανάλυσης λιγότερο του 1m, παρουσιάζουν αδυναμίες στον έλεγχο της γεωμετρίας των εικόνων σε σχέση με τις στατικές μεθόδους χαρτογράφησης TLC και DLC, απαιτώντας σημαντικό έλεγχο εδάφους για χαρτογραφήσεις μεγάλης κλίμακας. Επιπλέον, το πλάτος των εικόνων SLC και SAC περιορίζεται λόγω της ανάλυσης κάτω του ενός μέτρου, όπως το πλάτος του SuperView-1 με χωρική ανάλυση 0.5m που είναι 12km.<br /> <br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Η ανάπτυξη των δορυφόρων υψηλής ανάλυσης της Κίνας παρουσιάζει σημαντική πρόοδο με την απόδοση των απλών μονών δορύφορων να αυξάνεται, τα δίκτυα πολλαπλών δορύφορων να αναδεικνύονται ως τάση και η εμπορευματοποίηση δορυφόρων να αναπτύσσεται σταθεράκαι το σύστημα δορυφορικής τηλεπισκόπησης να γίνεται όλο και πιο άφθονο και πλήρες.<br /> Παρ’ όλα αυτά, ο στόχος της παγκόσμιας κάλυψης και χαρτογραφικής ενημέρωσης παραμένει δύσκολος, καθώς ένα σύστημα χαρτογράφησης χωρίς την ανάγκη επίγειου ελέγχου χρειάζεται περαιτέρω ανάπτυξη και νέες τεχνολογίες όπωςδορυφόρους radar και laserυψομέτρων. Απαιτείται δηλαδή μια περαιτέρω βελτίωση του συστήματος δορυφορικής τηλεπισκοπικής παρατήρησης υψηλής ανάλυσης, προκειμένου να εξυπηρετεί με βέλτιστο τρόπο τις εφαρμογές χαρτογράφησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CE%AF_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CF%8C%CF%81%CE%BF%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%9A%CE%AF%CE%BD%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%BF%CF%85%CF%82 2022-03-23T20:14:40Z

<p>Siachospan: </p> <hr /> <div> [[category:Διαστημική Τηλεπισκόπηση]]<br /> <br /> '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους<br /> <br /> China’s high-resolution optical remote sensing satellites and their mapping applications'''<br /> <br /> Li, Deren, Mi Wang and Jie Jiang. Geo-spatial Information Science 24 (2021): 85 - 94.<br /> <br /> Πηγή: [1]<br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ2.1.jpg‎|thumb|right|'''Εικόνα 2''': Αποτελέσματα χαρτογράφησης ψηλών βουνών από την Κίνα. α) Χαρτογραφικό αποτέλεσμα υψηλής ακρίβειας. β) Χαρτογραφικό αποτέλεσμα της περιοχής Nanga Parbat]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.2.jpg‎|thumb|right|'''Εικόνα 3''': Λειτουργία στερεοεικόνας SAC]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.3.jpeg‎|thumb|right|'''Εικόνα 1''': Ρεαλιστική απεικόνιση του δορυφόρου GF-1]]<br /> <br /> '''1. Εισαγωγή – Ιστορία και εξέλιξη της δορυφορικής τηλεπισκόπησης'''<br /> <br /> 1.1. Η δορυφορική τηλεπισκόπηση σε παγκόσμιο επίπεδο<br /> Η πρώην Σοβιετική Ένωση ήταν εκείνη που άνοιξε τον δρόμο για τη διαστημική παρατήρηση της γης, παρουσιάζοντας τον πρώτο τεχνητό δορυφόρο το 1957. Ακολούθησαν οι Ηνωμένες Πολιτείες το 1972 με την εκτόξευση του πρώτου τους δορυφόρου παρατήρησης εδάφους, τον Landsat-1. Έπειτα από 14 χρόνια, το 1986, η Γαλλία παρουσίασε τον δορυφόρο SPOT-1, ενώ από το 1994 με την οδηγία PDD-23 των ΗΠΑ επιτρέπεται η εξαγωγή τηλεπισκοπικών δεδομένων υψηλής ανάλυσης, με την οποία προωθείται και η ανάπτυξη των αντίστοιχων δορυφόρων. Το 1999 παρουσιάζεται στις ΗΠΑ ο πρώτος υψηλής ανάλυσης εμπορικός δορυφόρος με χωρική ανάλυση 1m με σημαντικά στρατιωτικά και οικονομικά οφέλη από τη χρήση του.<br /> 1.2. Η δορυφορική τηλεπισκόπηση στην Κίνα<br /> Όπως αρκετές χώρες, έτσι και η Κίνα από τις αρχές του 21ου αιώνα παρουσιαζεί σημαντική πρόοδο στην εξέλιξη της δορυφορικής τηλεπισκόπησης. Αναπτύσσει συνεχώς καινοτομίες στην πρόοδο των τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης και αξιοποιεί την ανάπτυξη των τηλεπισκοπικών δορυφορών υψηλής ανάλυσης, για τον εμπλουτισμό των σύγχρονων χαρτογραφικών μεθόδων και τεχνολογιών.<br /> Ένα Υψηλής Ανάλυσης Σύστημα Παρατήρησης της Γης (HREOS), αποτελεί σημαντικό επιστημονικό και τεχνολογικό έργο για την Κίνα. Το GaoFenproject όπως ονομάστηκε, παρουσιάστηκε το 2010 με σκοπό τη δημιουργία ενός ανεξάρτητου και αναβαθμισμένου HREOS. Το 2020 αποτελεί τον τελευταίο χρόνο του GaoFenproject, ενώ μέσα σε αυτή τη δεκαετία η Κίνα έχει αναπτύξει, παρουσιάσει και λειτουργήσει πολλαπλούς υψηλής ανάλυσης δορυφόρους. Έχει καταφέρει να μικρύνει το τεχνολογικό κενό με άλλες χώρες, φτάνοντας ακόμα και το επίπεδο ηγετικών δορυφόρων που παρουσιάστηκαν από αυτές. Έτσι, το HREOSτης Κίνας με τους δορυφόρους του GaoFenProject αλλά και άλλους εγχώριους δορυφόρους, σχεδιάστηκε για να βελτιωθεί το ποσοστό επάρκειας των ανεξάρτητων υψηλής ανάλυσης τηλεπισκοπικών δεδομένων, καθώς επίσης την επικαιρότητα απόκτησης δεδομένων. <br /> <br /> <br /> '''2. Εξέλιξη τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Η Κίνα ξεκίνησε την ανάπτυξη υψηλής ανάλυσης τηλεπισκοπικών δορυφόρων από το 2007 με τον CBERS-02Bμε κάμερα υψηλής ανάλυσης 2.36m, ο οποίος αντικαταστάθηκε το 2011 από τον δορυφόρο ZY-1 02C με αντίστοιχες ικανότητες.<br /> Το 2012 εκτοξεύτηκε ο δορυφόρος ZY-3 με TLC (Three-LineArrayCamera) που πετυχαίνει τριών όψεων στερεοαπεικόνιση με ανάλυση 2.1m στο ναδίρ και 3.5m στις εμπρός και πίσω όψεις. Οι στερεοεικόνες απ’ τον ZY-3 χρησιμοποιούνται για την παραγωγή τοπογραφικών χαρτών κλίμακας 1:50.000. Αντικαταστάθηκε το 2016 από τον πιο εξελιγμένο ZY-3 02 με βελτιωμένη χωρική ανάλυση εμπρός και πίσω όψεων στα 2.5m.<br /> Το 2013 ο GF-1 ήταν ο πρώτος δορυφόρος του GaoFenProject και έφερε υψηλή ανάλυση 2m και πλάτος λήψης 800km. Το 2014 εκτοξέυτηκε ο GF-2 με χωρική ανάλυση καλύτερη του 1m. Τα επόμενα χρόνια εκτοξεύτηκαν επιτυχώς ο γεωστατικός δορυφόρος GF-4 με υψηλή ανάλυση και μέγιστο ρυθμό δεδομένων τριών εικονολήψεων το λεπτό, ο υπερφασματικός GF-5 με ενσωματωμένη δυνατότητα παρατήρησης γης και ατμόσφαιρας, ο GF-6 για παρατήρηση καλλιεργειών ακριβείας και ο GF-7 για στερεογραφική χαρτογράφηση με ανάλυση κάτω του ενός μέτρου.<br /> Το 2018 δημιουργήθηκε ο πρώτος σχηματισμός δορυφόρων υψηλής ανάλυσης της Κίνας, από τους δορυφόρους GF-1 02/03/04, οι οποίοι επιτυγχάνουν ικανότητα απεικόνισης 15 ημερών παγκόσμιας κάλυψης και 2 ημερών επανακάλυψη ανά σημείο. Σε συνεργασία με τον GF-1 του 2013, αυτά τα νούμερα γίνονται 11 και 1 ημέρα αντίστοιχα.<br /> <br /> <br /> '''3. Εξέλιξη εμπορικών τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Το 2015 εκτοξεύτηκε ένας σχηματισμός τριών δορυφόρων με χωρική ανάλυση 1m παγχρωματικής και 4m πολυφασματικής απεικόνισης, ο οποίος επιτυγχάνει 1 ημέρα επανακάλυψη περιοχής. Επιπλέον, εκτοξέυτηκαν τέσσερεις από τους δορυφόρους της σειράς Jilin-1, τον πρώτο πραγματικά ανεξάρτητο εμπορικό δορυφόρο τηλεπισκόπησης της Κίνας. Οι τέσσερεις δορυφόροι είναι ο GXA με 0.72m παγχρωματική και 2.88m πολυφασματική ικανότητα απεικόνισης, δύο δορυφόροι βιντεοσκόπησης SP01 και SP02 με χωρική ανάλυση 1.12m και ο έξυπνος επαληθευτικός δορυφόρος LQ με ανάλυση 5m. Επιπλέον, χρησιμοποιούνται έξι δορυφόροι βίντεο, δύο πολυφασματικοί δορυφόροι 26 καναλιών, τρεις παγχρωματικοί και πολυφασματικοί οπτικοί δορυφόροι και ένας ευρέος πλάτους λωρίδας δορυφόρος. Ένας σχηματισμός 16 δορυφόρων είναι σε τροχιά και λειτουργεί σε ένα δίκτυο το οποίο περνάει κάθε σημείο στον κόσμο 5-7 φορές την ημέρα.<br /> Με έναν πύραυλο το 2016 εκτοξεύθηκαν οι δορυφόροι SuperView-1 01 και 02, ενώ οι 03 και 04 το 2018. Και οι τέσσερις δορυφόροι της σειράς με κοινές παραμέτρους σχεδίασης, λειτουργούν στο ίδιο τροχιακό δίκτυο με ανάλυση 0.5m και μπορούν να πραγματοποιούν λήψη από οποιονδήποτε στόχο κάθε μέρα. Από το 2017, εκτοξέυτηκε και ο σχηματισμός Zhuhai-1 για τον οποίο σχεδιάζεται η εκτόξευση 34 δορυφόρων.<br /> <br /> <br /> '''4. Εξέλιξη χαρτογράφησης από υψηλής ανάλυσης οπτικούς δορυφόρους και εφαρμογές'''<br /> <br /> Η χαρτογράφηση από υψηλής ανάλυσης δορυφόρους αποτελεί ένα επιτυχημένο μέσο για την απόκτηση της απαραίτητης γεωγραφικής πληροφορίας, όπου αξιοποιώντας τις αρχές της φωτογραμμετρίας, ένας υψηλής ανάλυσης δορυφόρος ολοκληρώνει την καταγραφή των υψομέτρων αξιοποιώντας στερεοζεύγη εικόνων ίδιας ή διαφορετικής τροχιάς με διαφορετικές οπτικές γωνίες της ίδιας περιοχής.<br /> 4.1. Δορυφόρος ZY-3<br /> Ο δορυφόρος ZY-3 είναι πρώτης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας. Για τη λειτουργία στερεοεικόνων του TLC, ο αισθητήρας τους ναδίρ είναι κάθετος στο σημείο με χωρική ανάλυση 2.5m, ο εμπρός αισθητήρας έχει κλίση +22ο και ο οπίσθιος αισθητήρας έχει κλίση κατά -22ο με χωρική ανάλυση και για τους δύο στα 3.5m. Κατά μήκος της κατεύθυνσης της πτήσης παράγονται συνεχώς τρεις επικαλυπτόμενες εικόνες λωρίδας πλάτους 52km. Οι συντεταγμένες των αντικειμένων των εικόνων υπολογίζονται μέσα από τις αυστηρές χωρικές σχέσεις μεταξύ αντικειμένου και εικόνας, επιτρέποντας έτσι το σχεδιασμό ενός τοπογραφικού χάρτη.<br /> Με χρήση των εικόνων ναδίρ παράγονται ορθοφωτογραφίες υψηλής ανάλυσης και με τα στερεοζεύγη τέτοιων εικόνων υπολογίζεται το υψόμετρο. Ο ZY-3 εξοπλίζεται επίσης μέ έναν πολυφασματικό αισθητήρα ανάλυσης 6.8m που περιλαμβάνει μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο φασματικό κανάλι. Η ακρίβεια της ερμηνείας των αντικειμένων στο έδαφος βελτιώνεται με την ένωση των πολυφασματικών με τις παγχρωματικές υψηλής ανάλυσης εικόνες.<br /> Από το 2012 και την εκτόξευσή του, ο ZY-3 έχει χρησιμοποιηθεί σε πολλές χαρτογραφικές εφαρμογές, όπως την δυναμική αναβάθμιση της βασικής εθνικής γεωχωρικής βάσης δεδεομένων κλίμακας 1:50.000, την πρώτη εθνική γεωγραφική καταγραφή και την παραγωγή μοντέλου εδάφους 1:25000 στις δυτικές περιοχές.<br /> Η ακρίβεια του δορυφόρου ZY-3 ελέγχθηκε με τη χρήση 1090 σημείων ελέγχου που μετρήθηκαν στο πεδίο με μεθόδους υψηλής ακρίβειας, ενώ όσον αφορά τα υψόμετρα η ακρίβεια υπολογισμού τους εμφανίζει περιθώριο βελτίωσης της τάξης των 3m με χρήση LAD (LaserAltimeterData).<br /> Το Πανεπιστημίο της Γουχάν και άλλα ερευνητικά κέντρα έχουν μελετήσει τεχνολογίες χαρτογράφησης μεγάλης κλίμακας υψηλής ακρίβειας και λογισμικά που δεν απαιτούν τη χρήση σημείων ελέγχου, παρουσιάζοντας εφαρμογές που χρησιμοποιούν χιλιάδες εικόνες TCL από τον δορυφόρο ZY-3. Αντίστοιχα, στο Πανεπιστήμιο του Πεκίνου διεξήχθη έρευνα παγκόσμιας συνεργασίας στη χαρτογράφηση ψηλών βουνών, σε συνεργασία με το Πανεπιστήμιο του Ανόβερο, την Ευρωπαϊκή Ακαδημία Επιστημών και Τεχνών στο Σάλτζμπουργκ και το Ινστιτόυτο Έρευνας Περιβαλλοντικών Συστημάτων.<br /> Βασιζόμενη στην τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο της Γουχάν, η Κίνα έχει ολοκληρώσει την χαρτογράφηση των ψηλών βουνών της περιοχής NangaParbat στο δυτικότερο τμήμα των Ιμαλαΐων, κάνοντας χρήση εικόνων του δορυφόρου ZY-3. <br /> Δορυφόρος GF-7<br /> Ο δορυφόρος GF-7 είναι δεύτερης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας, με κύριο στόχο χαρτογράφηση κλίμακας 1:10.000 στην Κίνα. Εξοπλίζεται με DLC ανάλυσης κάτω του ενός μέτρου, καθώς ο εμπρόσθιος αισθητήρας έχει κλίση +26ο για τη λήψη παγχρωματικών εικόνων ανάλυσης 0,8m και ο οπίσθιος αισθητήρας με κλίση -5ο πραγματοποιεί λήψεις παγχρωματικών εικόνων με ανάλυση 0,65m και πολυφασματικών εικόνων με ανάλυση 2,6m. <br /> Επιπλέον, λόγω μειωμένου αριθμού σημείων ελέγχου σε πολλές περιοχές και την ανάγκη κλίμακας 1:10.000, ο GF-7 εξοπλίζεται με διπλής δέσμης laser υψομέτρου που μπορεί να υπολογίζει το υψόμετρο με ακρίβεια καλύτερη του 1m. Με αυτόν τον τρόπο φαίνεται ότι οι επιδόσεις του GF-7 μπορεί να ικανοποιήσουν την χαρτογράφησης κλίμακας 1:10.000. <br /> 4.2. Χρήση ελιγμών δορυφόρων για υπό γωνία λήψεις<br /> Αντίθετα από δορυφόρους όπως οι ZY-3 και GF-7, οι υψηλής ανάλυσης δορυφόροι με μία κάμερα εξοπλίζονται με SLC ή SAC και χρησιμοποιούν κυρίως διαφορετικούς ελιγμούς προκειμένου να επιτύχουν παρατήρηση πολλαπλής προβολής του ίδιου αντικειμένου ή περιοχής με προσαρμογή της θέσης τους. Τέτοιοι δορυφόροι απαιτούν υψηλής ακρίβειας έλεγχο της θέσης τους και υπολογισμού της τροχιάς τους. Επιπλέον, παρότι έχουν ικανότητα ανάλυσης λιγότερο του 1m, παρουσιάζουν αδυναμίες στον έλεγχο της γεωμετρίας των εικόνων σε σχέση με τις στατικές μεθόδους χαρτογράφησης TLC και DLC, απαιτώντας σημαντικό έλεγχο εδάφους για χαρτογραφήσεις μεγάλης κλίμακας. Επιπλέον, το πλάτος των εικόνων SLC και SAC περιορίζεται λόγω της ανάλυσης κάτω του ενός μέτρου, όπως το πλάτος του SuperView-1 με χωρική ανάλυση 0.5m που είναι 12km.<br /> <br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Η ανάπτυξη των δορυφόρων υψηλής ανάλυσης της Κίνας παρουσιάζει σημαντική πρόοδο με την απόδοση των απλών μονών δορύφορων να αυξάνεται, τα δίκτυα πολλαπλών δορύφορων να αναδεικνύονται ως τάση και η εμπορευματοποίηση δορυφόρων να αναπτύσσεται σταθεράκαι το σύστημα δορυφορικής τηλεπισκόπησης να γίνεται όλο και πιο άφθονο και πλήρες.<br /> Παρ’ όλα αυτά, ο στόχος της παγκόσμιας κάλυψης και χαρτογραφικής ενημέρωσης παραμένει δύσκολος, καθώς ένα σύστημα χαρτογράφησης χωρίς την ανάγκη επίγειου ελέγχου χρειάζεται περαιτέρω ανάπτυξη και νέες τεχνολογίες όπωςδορυφόρους radar και laserυψομέτρων. Απαιτείται δηλαδή μια περαιτέρω βελτίωση του συστήματος δορυφορικής τηλεπισκοπικής παρατήρησης υψηλής ανάλυσης, προκειμένου να εξυπηρετεί με βέλτιστο τρόπο τις εφαρμογές χαρτογράφησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CE%AF_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CF%8C%CF%81%CE%BF%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%9A%CE%AF%CE%BD%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%BF%CF%85%CF%82 2022-03-23T20:12:54Z

<p>Siachospan: </p> <hr /> <div> [[category:Διαστημική Τηλεπισκόπηση]]<br /> <br /> '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους<br /> <br /> China’s high-resolution optical remote sensing satellites and their mapping applications'''<br /> <br /> Li, Deren, Mi Wang and Jie Jiang. Geo-spatial Information Science 24 (2021): 85 - 94.<br /> <br /> Πηγή: [1]<br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ2.1.jpg‎|thumb|right|'''Εικόνα 2''': Αποτελέσματα χαρτογράφησης ψηλών βουνών από την Κίνα. α) Χαρτογραφικό αποτέλεσμα υψηλής ακρίβειας. β) Χαρτογραφικό αποτέλεσμα της περιοχής Nanga Parbat]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.2.jpg‎|thumb|right|'''Εικόνα 3''': Λειτουργία στερεοεικόνας SAC]]<br /> [[Αρχείο:ΣΙΑΧΟΣ2.3.jpg‎|thumb|right|'''Εικόνα 1''': Ρεαλιστική απεικόνιση του δορυφόρου GF-1]]<br /> <br /> '''1. Εισαγωγή – Ιστορία και εξέλιξη της δορυφορικής τηλεπισκόπησης'''<br /> <br /> 1.1. Η δορυφορική τηλεπισκόπηση σε παγκόσμιο επίπεδο<br /> Η πρώην Σοβιετική Ένωση ήταν εκείνη που άνοιξε τον δρόμο για τη διαστημική παρατήρηση της γης, παρουσιάζοντας τον πρώτο τεχνητό δορυφόρο το 1957. Ακολούθησαν οι Ηνωμένες Πολιτείες το 1972 με την εκτόξευση του πρώτου τους δορυφόρου παρατήρησης εδάφους, τον Landsat-1. Έπειτα από 14 χρόνια, το 1986, η Γαλλία παρουσίασε τον δορυφόρο SPOT-1, ενώ από το 1994 με την οδηγία PDD-23 των ΗΠΑ επιτρέπεται η εξαγωγή τηλεπισκοπικών δεδομένων υψηλής ανάλυσης, με την οποία προωθείται και η ανάπτυξη των αντίστοιχων δορυφόρων. Το 1999 παρουσιάζεται στις ΗΠΑ ο πρώτος υψηλής ανάλυσης εμπορικός δορυφόρος με χωρική ανάλυση 1m με σημαντικά στρατιωτικά και οικονομικά οφέλη από τη χρήση του.<br /> 1.2. Η δορυφορική τηλεπισκόπηση στην Κίνα<br /> Όπως αρκετές χώρες, έτσι και η Κίνα από τις αρχές του 21ου αιώνα παρουσιαζεί σημαντική πρόοδο στην εξέλιξη της δορυφορικής τηλεπισκόπησης. Αναπτύσσει συνεχώς καινοτομίες στην πρόοδο των τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης και αξιοποιεί την ανάπτυξη των τηλεπισκοπικών δορυφορών υψηλής ανάλυσης, για τον εμπλουτισμό των σύγχρονων χαρτογραφικών μεθόδων και τεχνολογιών.<br /> Ένα Υψηλής Ανάλυσης Σύστημα Παρατήρησης της Γης (HREOS), αποτελεί σημαντικό επιστημονικό και τεχνολογικό έργο για την Κίνα. Το GaoFenproject όπως ονομάστηκε, παρουσιάστηκε το 2010 με σκοπό τη δημιουργία ενός ανεξάρτητου και αναβαθμισμένου HREOS. Το 2020 αποτελεί τον τελευταίο χρόνο του GaoFenproject, ενώ μέσα σε αυτή τη δεκαετία η Κίνα έχει αναπτύξει, παρουσιάσει και λειτουργήσει πολλαπλούς υψηλής ανάλυσης δορυφόρους. Έχει καταφέρει να μικρύνει το τεχνολογικό κενό με άλλες χώρες, φτάνοντας ακόμα και το επίπεδο ηγετικών δορυφόρων που παρουσιάστηκαν από αυτές. Έτσι, το HREOSτης Κίνας με τους δορυφόρους του GaoFenProject αλλά και άλλους εγχώριους δορυφόρους, σχεδιάστηκε για να βελτιωθεί το ποσοστό επάρκειας των ανεξάρτητων υψηλής ανάλυσης τηλεπισκοπικών δεδομένων, καθώς επίσης την επικαιρότητα απόκτησης δεδομένων. <br /> <br /> <br /> '''2. Εξέλιξη τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Η Κίνα ξεκίνησε την ανάπτυξη υψηλής ανάλυσης τηλεπισκοπικών δορυφόρων από το 2007 με τον CBERS-02Bμε κάμερα υψηλής ανάλυσης 2.36m, ο οποίος αντικαταστάθηκε το 2011 από τον δορυφόρο ZY-1 02C με αντίστοιχες ικανότητες.<br /> Το 2012 εκτοξεύτηκε ο δορυφόρος ZY-3 με TLC (Three-LineArrayCamera) που πετυχαίνει τριών όψεων στερεοαπεικόνιση με ανάλυση 2.1m στο ναδίρ και 3.5m στις εμπρός και πίσω όψεις. Οι στερεοεικόνες απ’ τον ZY-3 χρησιμοποιούνται για την παραγωγή τοπογραφικών χαρτών κλίμακας 1:50.000. Αντικαταστάθηκε το 2016 από τον πιο εξελιγμένο ZY-3 02 με βελτιωμένη χωρική ανάλυση εμπρός και πίσω όψεων στα 2.5m.<br /> Το 2013 ο GF-1 ήταν ο πρώτος δορυφόρος του GaoFenProject και έφερε υψηλή ανάλυση 2m και πλάτος λήψης 800km. Το 2014 εκτοξέυτηκε ο GF-2 με χωρική ανάλυση καλύτερη του 1m. Τα επόμενα χρόνια εκτοξεύτηκαν επιτυχώς ο γεωστατικός δορυφόρος GF-4 με υψηλή ανάλυση και μέγιστο ρυθμό δεδομένων τριών εικονολήψεων το λεπτό, ο υπερφασματικός GF-5 με ενσωματωμένη δυνατότητα παρατήρησης γης και ατμόσφαιρας, ο GF-6 για παρατήρηση καλλιεργειών ακριβείας και ο GF-7 για στερεογραφική χαρτογράφηση με ανάλυση κάτω του ενός μέτρου.<br /> Το 2018 δημιουργήθηκε ο πρώτος σχηματισμός δορυφόρων υψηλής ανάλυσης της Κίνας, από τους δορυφόρους GF-1 02/03/04, οι οποίοι επιτυγχάνουν ικανότητα απεικόνισης 15 ημερών παγκόσμιας κάλυψης και 2 ημερών επανακάλυψη ανά σημείο. Σε συνεργασία με τον GF-1 του 2013, αυτά τα νούμερα γίνονται 11 και 1 ημέρα αντίστοιχα.<br /> <br /> <br /> '''3. Εξέλιξη εμπορικών τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Το 2015 εκτοξεύτηκε ένας σχηματισμός τριών δορυφόρων με χωρική ανάλυση 1m παγχρωματικής και 4m πολυφασματικής απεικόνισης, ο οποίος επιτυγχάνει 1 ημέρα επανακάλυψη περιοχής. Επιπλέον, εκτοξέυτηκαν τέσσερεις από τους δορυφόρους της σειράς Jilin-1, τον πρώτο πραγματικά ανεξάρτητο εμπορικό δορυφόρο τηλεπισκόπησης της Κίνας. Οι τέσσερεις δορυφόροι είναι ο GXA με 0.72m παγχρωματική και 2.88m πολυφασματική ικανότητα απεικόνισης, δύο δορυφόροι βιντεοσκόπησης SP01 και SP02 με χωρική ανάλυση 1.12m και ο έξυπνος επαληθευτικός δορυφόρος LQ με ανάλυση 5m. Επιπλέον, χρησιμοποιούνται έξι δορυφόροι βίντεο, δύο πολυφασματικοί δορυφόροι 26 καναλιών, τρεις παγχρωματικοί και πολυφασματικοί οπτικοί δορυφόροι και ένας ευρέος πλάτους λωρίδας δορυφόρος. Ένας σχηματισμός 16 δορυφόρων είναι σε τροχιά και λειτουργεί σε ένα δίκτυο το οποίο περνάει κάθε σημείο στον κόσμο 5-7 φορές την ημέρα.<br /> Με έναν πύραυλο το 2016 εκτοξεύθηκαν οι δορυφόροι SuperView-1 01 και 02, ενώ οι 03 και 04 το 2018. Και οι τέσσερις δορυφόροι της σειράς με κοινές παραμέτρους σχεδίασης, λειτουργούν στο ίδιο τροχιακό δίκτυο με ανάλυση 0.5m και μπορούν να πραγματοποιούν λήψη από οποιονδήποτε στόχο κάθε μέρα. Από το 2017, εκτοξέυτηκε και ο σχηματισμός Zhuhai-1 για τον οποίο σχεδιάζεται η εκτόξευση 34 δορυφόρων.<br /> <br /> <br /> '''4. Εξέλιξη χαρτογράφησης από υψηλής ανάλυσης οπτικούς δορυφόρους και εφαρμογές'''<br /> <br /> Η χαρτογράφηση από υψηλής ανάλυσης δορυφόρους αποτελεί ένα επιτυχημένο μέσο για την απόκτηση της απαραίτητης γεωγραφικής πληροφορίας, όπου αξιοποιώντας τις αρχές της φωτογραμμετρίας, ένας υψηλής ανάλυσης δορυφόρος ολοκληρώνει την καταγραφή των υψομέτρων αξιοποιώντας στερεοζεύγη εικόνων ίδιας ή διαφορετικής τροχιάς με διαφορετικές οπτικές γωνίες της ίδιας περιοχής.<br /> 4.1. Δορυφόρος ZY-3<br /> Ο δορυφόρος ZY-3 είναι πρώτης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας. Για τη λειτουργία στερεοεικόνων του TLC, ο αισθητήρας τους ναδίρ είναι κάθετος στο σημείο με χωρική ανάλυση 2.5m, ο εμπρός αισθητήρας έχει κλίση +22ο και ο οπίσθιος αισθητήρας έχει κλίση κατά -22ο με χωρική ανάλυση και για τους δύο στα 3.5m. Κατά μήκος της κατεύθυνσης της πτήσης παράγονται συνεχώς τρεις επικαλυπτόμενες εικόνες λωρίδας πλάτους 52km. Οι συντεταγμένες των αντικειμένων των εικόνων υπολογίζονται μέσα από τις αυστηρές χωρικές σχέσεις μεταξύ αντικειμένου και εικόνας, επιτρέποντας έτσι το σχεδιασμό ενός τοπογραφικού χάρτη.<br /> Με χρήση των εικόνων ναδίρ παράγονται ορθοφωτογραφίες υψηλής ανάλυσης και με τα στερεοζεύγη τέτοιων εικόνων υπολογίζεται το υψόμετρο. Ο ZY-3 εξοπλίζεται επίσης μέ έναν πολυφασματικό αισθητήρα ανάλυσης 6.8m που περιλαμβάνει μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο φασματικό κανάλι. Η ακρίβεια της ερμηνείας των αντικειμένων στο έδαφος βελτιώνεται με την ένωση των πολυφασματικών με τις παγχρωματικές υψηλής ανάλυσης εικόνες.<br /> Από το 2012 και την εκτόξευσή του, ο ZY-3 έχει χρησιμοποιηθεί σε πολλές χαρτογραφικές εφαρμογές, όπως την δυναμική αναβάθμιση της βασικής εθνικής γεωχωρικής βάσης δεδεομένων κλίμακας 1:50.000, την πρώτη εθνική γεωγραφική καταγραφή και την παραγωγή μοντέλου εδάφους 1:25000 στις δυτικές περιοχές.<br /> Η ακρίβεια του δορυφόρου ZY-3 ελέγχθηκε με τη χρήση 1090 σημείων ελέγχου που μετρήθηκαν στο πεδίο με μεθόδους υψηλής ακρίβειας, ενώ όσον αφορά τα υψόμετρα η ακρίβεια υπολογισμού τους εμφανίζει περιθώριο βελτίωσης της τάξης των 3m με χρήση LAD (LaserAltimeterData).<br /> Το Πανεπιστημίο της Γουχάν και άλλα ερευνητικά κέντρα έχουν μελετήσει τεχνολογίες χαρτογράφησης μεγάλης κλίμακας υψηλής ακρίβειας και λογισμικά που δεν απαιτούν τη χρήση σημείων ελέγχου, παρουσιάζοντας εφαρμογές που χρησιμοποιούν χιλιάδες εικόνες TCL από τον δορυφόρο ZY-3. Αντίστοιχα, στο Πανεπιστήμιο του Πεκίνου διεξήχθη έρευνα παγκόσμιας συνεργασίας στη χαρτογράφηση ψηλών βουνών, σε συνεργασία με το Πανεπιστήμιο του Ανόβερο, την Ευρωπαϊκή Ακαδημία Επιστημών και Τεχνών στο Σάλτζμπουργκ και το Ινστιτόυτο Έρευνας Περιβαλλοντικών Συστημάτων.<br /> Βασιζόμενη στην τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο της Γουχάν, η Κίνα έχει ολοκληρώσει την χαρτογράφηση των ψηλών βουνών της περιοχής NangaParbat στο δυτικότερο τμήμα των Ιμαλαΐων, κάνοντας χρήση εικόνων του δορυφόρου ZY-3. <br /> Δορυφόρος GF-7<br /> Ο δορυφόρος GF-7 είναι δεύτερης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας, με κύριο στόχο χαρτογράφηση κλίμακας 1:10.000 στην Κίνα. Εξοπλίζεται με DLC ανάλυσης κάτω του ενός μέτρου, καθώς ο εμπρόσθιος αισθητήρας έχει κλίση +26ο για τη λήψη παγχρωματικών εικόνων ανάλυσης 0,8m και ο οπίσθιος αισθητήρας με κλίση -5ο πραγματοποιεί λήψεις παγχρωματικών εικόνων με ανάλυση 0,65m και πολυφασματικών εικόνων με ανάλυση 2,6m. <br /> Επιπλέον, λόγω μειωμένου αριθμού σημείων ελέγχου σε πολλές περιοχές και την ανάγκη κλίμακας 1:10.000, ο GF-7 εξοπλίζεται με διπλής δέσμης laser υψομέτρου που μπορεί να υπολογίζει το υψόμετρο με ακρίβεια καλύτερη του 1m. Με αυτόν τον τρόπο φαίνεται ότι οι επιδόσεις του GF-7 μπορεί να ικανοποιήσουν την χαρτογράφησης κλίμακας 1:10.000. <br /> 4.2. Χρήση ελιγμών δορυφόρων για υπό γωνία λήψεις<br /> Αντίθετα από δορυφόρους όπως οι ZY-3 και GF-7, οι υψηλής ανάλυσης δορυφόροι με μία κάμερα εξοπλίζονται με SLC ή SAC και χρησιμοποιούν κυρίως διαφορετικούς ελιγμούς προκειμένου να επιτύχουν παρατήρηση πολλαπλής προβολής του ίδιου αντικειμένου ή περιοχής με προσαρμογή της θέσης τους. Τέτοιοι δορυφόροι απαιτούν υψηλής ακρίβειας έλεγχο της θέσης τους και υπολογισμού της τροχιάς τους. Επιπλέον, παρότι έχουν ικανότητα ανάλυσης λιγότερο του 1m, παρουσιάζουν αδυναμίες στον έλεγχο της γεωμετρίας των εικόνων σε σχέση με τις στατικές μεθόδους χαρτογράφησης TLC και DLC, απαιτώντας σημαντικό έλεγχο εδάφους για χαρτογραφήσεις μεγάλης κλίμακας. Επιπλέον, το πλάτος των εικόνων SLC και SAC περιορίζεται λόγω της ανάλυσης κάτω του ενός μέτρου, όπως το πλάτος του SuperView-1 με χωρική ανάλυση 0.5m που είναι 12km.<br /> <br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Η ανάπτυξη των δορυφόρων υψηλής ανάλυσης της Κίνας παρουσιάζει σημαντική πρόοδο με την απόδοση των απλών μονών δορύφορων να αυξάνεται, τα δίκτυα πολλαπλών δορύφορων να αναδεικνύονται ως τάση και η εμπορευματοποίηση δορυφόρων να αναπτύσσεται σταθεράκαι το σύστημα δορυφορικής τηλεπισκόπησης να γίνεται όλο και πιο άφθονο και πλήρες.<br /> Παρ’ όλα αυτά, ο στόχος της παγκόσμιας κάλυψης και χαρτογραφικής ενημέρωσης παραμένει δύσκολος, καθώς ένα σύστημα χαρτογράφησης χωρίς την ανάγκη επίγειου ελέγχου χρειάζεται περαιτέρω ανάπτυξη και νέες τεχνολογίες όπωςδορυφόρους radar και laserυψομέτρων. Απαιτείται δηλαδή μια περαιτέρω βελτίωση του συστήματος δορυφορικής τηλεπισκοπικής παρατήρησης υψηλής ανάλυσης, προκειμένου να εξυπηρετεί με βέλτιστο τρόπο τις εφαρμογές χαρτογράφησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%A3%CE%99%CE%91%CE%A7%CE%9F%CE%A32.3.jpeg 2022-03-23T20:09:49Z

<p>Siachospan: </p> <hr /> <div></div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%A3%CE%99%CE%91%CE%A7%CE%9F%CE%A32.2.JPG 2022-03-23T20:09:35Z

<p>Siachospan: </p> <hr /> <div></div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%A3%CE%99%CE%91%CE%A7%CE%9F%CE%A32.1.JPG 2022-03-23T20:09:18Z

<p>Siachospan: </p> <hr /> <div></div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CE%AF_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CF%8C%CF%81%CE%BF%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%9A%CE%AF%CE%BD%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%BF%CF%85%CF%82 2022-03-23T20:08:32Z

<p>Siachospan: </p> <hr /> <div> [[category:Διαστημική Τηλεπισκόπηση]]<br /> <br /> '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους<br /> <br /> China’s high-resolution optical remote sensing satellites and their mapping applications'''<br /> <br /> Li, Deren, Mi Wang and Jie Jiang. Geo-spatial Information Science 24 (2021): 85 - 94.<br /> <br /> Πηγή: [1]<br /> <br /> <br /> '''1. Εισαγωγή – Ιστορία και εξέλιξη της δορυφορικής τηλεπισκόπησης'''<br /> <br /> 1.1. Η δορυφορική τηλεπισκόπηση σε παγκόσμιο επίπεδο<br /> Η πρώην Σοβιετική Ένωση ήταν εκείνη που άνοιξε τον δρόμο για τη διαστημική παρατήρηση της γης, παρουσιάζοντας τον πρώτο τεχνητό δορυφόρο το 1957. Ακολούθησαν οι Ηνωμένες Πολιτείες το 1972 με την εκτόξευση του πρώτου τους δορυφόρου παρατήρησης εδάφους, τον Landsat-1. Έπειτα από 14 χρόνια, το 1986, η Γαλλία παρουσίασε τον δορυφόρο SPOT-1, ενώ από το 1994 με την οδηγία PDD-23 των ΗΠΑ επιτρέπεται η εξαγωγή τηλεπισκοπικών δεδομένων υψηλής ανάλυσης, με την οποία προωθείται και η ανάπτυξη των αντίστοιχων δορυφόρων. Το 1999 παρουσιάζεται στις ΗΠΑ ο πρώτος υψηλής ανάλυσης εμπορικός δορυφόρος με χωρική ανάλυση 1m με σημαντικά στρατιωτικά και οικονομικά οφέλη από τη χρήση του.<br /> 1.2. Η δορυφορική τηλεπισκόπηση στην Κίνα<br /> Όπως αρκετές χώρες, έτσι και η Κίνα από τις αρχές του 21ου αιώνα παρουσιαζεί σημαντική πρόοδο στην εξέλιξη της δορυφορικής τηλεπισκόπησης. Αναπτύσσει συνεχώς καινοτομίες στην πρόοδο των τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης και αξιοποιεί την ανάπτυξη των τηλεπισκοπικών δορυφορών υψηλής ανάλυσης, για τον εμπλουτισμό των σύγχρονων χαρτογραφικών μεθόδων και τεχνολογιών.<br /> Ένα Υψηλής Ανάλυσης Σύστημα Παρατήρησης της Γης (HREOS), αποτελεί σημαντικό επιστημονικό και τεχνολογικό έργο για την Κίνα. Το GaoFenproject όπως ονομάστηκε, παρουσιάστηκε το 2010 με σκοπό τη δημιουργία ενός ανεξάρτητου και αναβαθμισμένου HREOS. Το 2020 αποτελεί τον τελευταίο χρόνο του GaoFenproject, ενώ μέσα σε αυτή τη δεκαετία η Κίνα έχει αναπτύξει, παρουσιάσει και λειτουργήσει πολλαπλούς υψηλής ανάλυσης δορυφόρους. Έχει καταφέρει να μικρύνει το τεχνολογικό κενό με άλλες χώρες, φτάνοντας ακόμα και το επίπεδο ηγετικών δορυφόρων που παρουσιάστηκαν από αυτές. Έτσι, το HREOSτης Κίνας με τους δορυφόρους του GaoFenProject αλλά και άλλους εγχώριους δορυφόρους, σχεδιάστηκε για να βελτιωθεί το ποσοστό επάρκειας των ανεξάρτητων υψηλής ανάλυσης τηλεπισκοπικών δεδομένων, καθώς επίσης την επικαιρότητα απόκτησης δεδομένων. <br /> <br /> <br /> '''2. Εξέλιξη τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Η Κίνα ξεκίνησε την ανάπτυξη υψηλής ανάλυσης τηλεπισκοπικών δορυφόρων από το 2007 με τον CBERS-02Bμε κάμερα υψηλής ανάλυσης 2.36m, ο οποίος αντικαταστάθηκε το 2011 από τον δορυφόρο ZY-1 02C με αντίστοιχες ικανότητες.<br /> Το 2012 εκτοξεύτηκε ο δορυφόρος ZY-3 με TLC (Three-LineArrayCamera) που πετυχαίνει τριών όψεων στερεοαπεικόνιση με ανάλυση 2.1m στο ναδίρ και 3.5m στις εμπρός και πίσω όψεις. Οι στερεοεικόνες απ’ τον ZY-3 χρησιμοποιούνται για την παραγωγή τοπογραφικών χαρτών κλίμακας 1:50.000. Αντικαταστάθηκε το 2016 από τον πιο εξελιγμένο ZY-3 02 με βελτιωμένη χωρική ανάλυση εμπρός και πίσω όψεων στα 2.5m.<br /> Το 2013 ο GF-1 ήταν ο πρώτος δορυφόρος του GaoFenProject και έφερε υψηλή ανάλυση 2m και πλάτος λήψης 800km. Το 2014 εκτοξέυτηκε ο GF-2 με χωρική ανάλυση καλύτερη του 1m. Τα επόμενα χρόνια εκτοξεύτηκαν επιτυχώς ο γεωστατικός δορυφόρος GF-4 με υψηλή ανάλυση και μέγιστο ρυθμό δεδομένων τριών εικονολήψεων το λεπτό, ο υπερφασματικός GF-5 με ενσωματωμένη δυνατότητα παρατήρησης γης και ατμόσφαιρας, ο GF-6 για παρατήρηση καλλιεργειών ακριβείας και ο GF-7 για στερεογραφική χαρτογράφηση με ανάλυση κάτω του ενός μέτρου.<br /> Το 2018 δημιουργήθηκε ο πρώτος σχηματισμός δορυφόρων υψηλής ανάλυσης της Κίνας, από τους δορυφόρους GF-1 02/03/04, οι οποίοι επιτυγχάνουν ικανότητα απεικόνισης 15 ημερών παγκόσμιας κάλυψης και 2 ημερών επανακάλυψη ανά σημείο. Σε συνεργασία με τον GF-1 του 2013, αυτά τα νούμερα γίνονται 11 και 1 ημέρα αντίστοιχα.<br /> <br /> <br /> '''3. Εξέλιξη εμπορικών τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Το 2015 εκτοξεύτηκε ένας σχηματισμός τριών δορυφόρων με χωρική ανάλυση 1m παγχρωματικής και 4m πολυφασματικής απεικόνισης, ο οποίος επιτυγχάνει 1 ημέρα επανακάλυψη περιοχής. Επιπλέον, εκτοξέυτηκαν τέσσερεις από τους δορυφόρους της σειράς Jilin-1, τον πρώτο πραγματικά ανεξάρτητο εμπορικό δορυφόρο τηλεπισκόπησης της Κίνας. Οι τέσσερεις δορυφόροι είναι ο GXA με 0.72m παγχρωματική και 2.88m πολυφασματική ικανότητα απεικόνισης, δύο δορυφόροι βιντεοσκόπησης SP01 και SP02 με χωρική ανάλυση 1.12m και ο έξυπνος επαληθευτικός δορυφόρος LQ με ανάλυση 5m. Επιπλέον, χρησιμοποιούνται έξι δορυφόροι βίντεο, δύο πολυφασματικοί δορυφόροι 26 καναλιών, τρεις παγχρωματικοί και πολυφασματικοί οπτικοί δορυφόροι και ένας ευρέος πλάτους λωρίδας δορυφόρος. Ένας σχηματισμός 16 δορυφόρων είναι σε τροχιά και λειτουργεί σε ένα δίκτυο το οποίο περνάει κάθε σημείο στον κόσμο 5-7 φορές την ημέρα.<br /> Με έναν πύραυλο το 2016 εκτοξεύθηκαν οι δορυφόροι SuperView-1 01 και 02, ενώ οι 03 και 04 το 2018. Και οι τέσσερις δορυφόροι της σειράς με κοινές παραμέτρους σχεδίασης, λειτουργούν στο ίδιο τροχιακό δίκτυο με ανάλυση 0.5m και μπορούν να πραγματοποιούν λήψη από οποιονδήποτε στόχο κάθε μέρα. Από το 2017, εκτοξέυτηκε και ο σχηματισμός Zhuhai-1 για τον οποίο σχεδιάζεται η εκτόξευση 34 δορυφόρων.<br /> <br /> <br /> '''4. Εξέλιξη χαρτογράφησης από υψηλής ανάλυσης οπτικούς δορυφόρους και εφαρμογές'''<br /> <br /> Η χαρτογράφηση από υψηλής ανάλυσης δορυφόρους αποτελεί ένα επιτυχημένο μέσο για την απόκτηση της απαραίτητης γεωγραφικής πληροφορίας, όπου αξιοποιώντας τις αρχές της φωτογραμμετρίας, ένας υψηλής ανάλυσης δορυφόρος ολοκληρώνει την καταγραφή των υψομέτρων αξιοποιώντας στερεοζεύγη εικόνων ίδιας ή διαφορετικής τροχιάς με διαφορετικές οπτικές γωνίες της ίδιας περιοχής.<br /> 4.1. Δορυφόρος ZY-3<br /> Ο δορυφόρος ZY-3 είναι πρώτης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας. Για τη λειτουργία στερεοεικόνων του TLC, ο αισθητήρας τους ναδίρ είναι κάθετος στο σημείο με χωρική ανάλυση 2.5m, ο εμπρός αισθητήρας έχει κλίση +22ο και ο οπίσθιος αισθητήρας έχει κλίση κατά -22ο με χωρική ανάλυση και για τους δύο στα 3.5m. Κατά μήκος της κατεύθυνσης της πτήσης παράγονται συνεχώς τρεις επικαλυπτόμενες εικόνες λωρίδας πλάτους 52km. Οι συντεταγμένες των αντικειμένων των εικόνων υπολογίζονται μέσα από τις αυστηρές χωρικές σχέσεις μεταξύ αντικειμένου και εικόνας, επιτρέποντας έτσι το σχεδιασμό ενός τοπογραφικού χάρτη.<br /> Με χρήση των εικόνων ναδίρ παράγονται ορθοφωτογραφίες υψηλής ανάλυσης και με τα στερεοζεύγη τέτοιων εικόνων υπολογίζεται το υψόμετρο. Ο ZY-3 εξοπλίζεται επίσης μέ έναν πολυφασματικό αισθητήρα ανάλυσης 6.8m που περιλαμβάνει μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο φασματικό κανάλι. Η ακρίβεια της ερμηνείας των αντικειμένων στο έδαφος βελτιώνεται με την ένωση των πολυφασματικών με τις παγχρωματικές υψηλής ανάλυσης εικόνες.<br /> Από το 2012 και την εκτόξευσή του, ο ZY-3 έχει χρησιμοποιηθεί σε πολλές χαρτογραφικές εφαρμογές, όπως την δυναμική αναβάθμιση της βασικής εθνικής γεωχωρικής βάσης δεδεομένων κλίμακας 1:50.000, την πρώτη εθνική γεωγραφική καταγραφή και την παραγωγή μοντέλου εδάφους 1:25000 στις δυτικές περιοχές.<br /> Η ακρίβεια του δορυφόρου ZY-3 ελέγχθηκε με τη χρήση 1090 σημείων ελέγχου που μετρήθηκαν στο πεδίο με μεθόδους υψηλής ακρίβειας, ενώ όσον αφορά τα υψόμετρα η ακρίβεια υπολογισμού τους εμφανίζει περιθώριο βελτίωσης της τάξης των 3m με χρήση LAD (LaserAltimeterData).<br /> Το Πανεπιστημίο της Γουχάν και άλλα ερευνητικά κέντρα έχουν μελετήσει τεχνολογίες χαρτογράφησης μεγάλης κλίμακας υψηλής ακρίβειας και λογισμικά που δεν απαιτούν τη χρήση σημείων ελέγχου, παρουσιάζοντας εφαρμογές που χρησιμοποιούν χιλιάδες εικόνες TCL από τον δορυφόρο ZY-3. Αντίστοιχα, στο Πανεπιστήμιο του Πεκίνου διεξήχθη έρευνα παγκόσμιας συνεργασίας στη χαρτογράφηση ψηλών βουνών, σε συνεργασία με το Πανεπιστήμιο του Ανόβερο, την Ευρωπαϊκή Ακαδημία Επιστημών και Τεχνών στο Σάλτζμπουργκ και το Ινστιτόυτο Έρευνας Περιβαλλοντικών Συστημάτων.<br /> Βασιζόμενη στην τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο της Γουχάν, η Κίνα έχει ολοκληρώσει την χαρτογράφηση των ψηλών βουνών της περιοχής NangaParbat στο δυτικότερο τμήμα των Ιμαλαΐων, κάνοντας χρήση εικόνων του δορυφόρου ZY-3. <br /> Δορυφόρος GF-7<br /> Ο δορυφόρος GF-7 είναι δεύτερης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας, με κύριο στόχο χαρτογράφηση κλίμακας 1:10.000 στην Κίνα. Εξοπλίζεται με DLC ανάλυσης κάτω του ενός μέτρου, καθώς ο εμπρόσθιος αισθητήρας έχει κλίση +26ο για τη λήψη παγχρωματικών εικόνων ανάλυσης 0,8m και ο οπίσθιος αισθητήρας με κλίση -5ο πραγματοποιεί λήψεις παγχρωματικών εικόνων με ανάλυση 0,65m και πολυφασματικών εικόνων με ανάλυση 2,6m. <br /> Επιπλέον, λόγω μειωμένου αριθμού σημείων ελέγχου σε πολλές περιοχές και την ανάγκη κλίμακας 1:10.000, ο GF-7 εξοπλίζεται με διπλής δέσμης laser υψομέτρου που μπορεί να υπολογίζει το υψόμετρο με ακρίβεια καλύτερη του 1m. Με αυτόν τον τρόπο φαίνεται ότι οι επιδόσεις του GF-7 μπορεί να ικανοποιήσουν την χαρτογράφησης κλίμακας 1:10.000. <br /> 4.2. Χρήση ελιγμών δορυφόρων για υπό γωνία λήψεις<br /> Αντίθετα από δορυφόρους όπως οι ZY-3 και GF-7, οι υψηλής ανάλυσης δορυφόροι με μία κάμερα εξοπλίζονται με SLC ή SAC και χρησιμοποιούν κυρίως διαφορετικούς ελιγμούς προκειμένου να επιτύχουν παρατήρηση πολλαπλής προβολής του ίδιου αντικειμένου ή περιοχής με προσαρμογή της θέσης τους. Τέτοιοι δορυφόροι απαιτούν υψηλής ακρίβειας έλεγχο της θέσης τους και υπολογισμού της τροχιάς τους. Επιπλέον, παρότι έχουν ικανότητα ανάλυσης λιγότερο του 1m, παρουσιάζουν αδυναμίες στον έλεγχο της γεωμετρίας των εικόνων σε σχέση με τις στατικές μεθόδους χαρτογράφησης TLC και DLC, απαιτώντας σημαντικό έλεγχο εδάφους για χαρτογραφήσεις μεγάλης κλίμακας. Επιπλέον, το πλάτος των εικόνων SLC και SAC περιορίζεται λόγω της ανάλυσης κάτω του ενός μέτρου, όπως το πλάτος του SuperView-1 με χωρική ανάλυση 0.5m που είναι 12km.<br /> <br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Η ανάπτυξη των δορυφόρων υψηλής ανάλυσης της Κίνας παρουσιάζει σημαντική πρόοδο με την απόδοση των απλών μονών δορύφορων να αυξάνεται, τα δίκτυα πολλαπλών δορύφορων να αναδεικνύονται ως τάση και η εμπορευματοποίηση δορυφόρων να αναπτύσσεται σταθεράκαι το σύστημα δορυφορικής τηλεπισκόπησης να γίνεται όλο και πιο άφθονο και πλήρες.<br /> Παρ’ όλα αυτά, ο στόχος της παγκόσμιας κάλυψης και χαρτογραφικής ενημέρωσης παραμένει δύσκολος, καθώς ένα σύστημα χαρτογράφησης χωρίς την ανάγκη επίγειου ελέγχου χρειάζεται περαιτέρω ανάπτυξη και νέες τεχνολογίες όπωςδορυφόρους radar και laserυψομέτρων. Απαιτείται δηλαδή μια περαιτέρω βελτίωση του συστήματος δορυφορικής τηλεπισκοπικής παρατήρησης υψηλής ανάλυσης, προκειμένου να εξυπηρετεί με βέλτιστο τρόπο τις εφαρμογές χαρτογράφησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CE%AF_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CF%8C%CF%81%CE%BF%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%9A%CE%AF%CE%BD%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%BF%CF%85%CF%82 2022-03-23T20:08:14Z

<p>Siachospan: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Διαστημική Τηλεπισκόπηση]]<br /> <br /> '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους<br /> <br /> China’s high-resolution optical remote sensing satellites and their mapping applications'''<br /> <br /> Li, Deren, Mi Wang and Jie Jiang. Geo-spatial Information Science 24 (2021): 85 - 94.<br /> <br /> Πηγή: [1]<br /> <br /> <br /> '''1. Εισαγωγή – Ιστορία και εξέλιξη της δορυφορικής τηλεπισκόπησης'''<br /> <br /> 1.1. Η δορυφορική τηλεπισκόπηση σε παγκόσμιο επίπεδο<br /> Η πρώην Σοβιετική Ένωση ήταν εκείνη που άνοιξε τον δρόμο για τη διαστημική παρατήρηση της γης, παρουσιάζοντας τον πρώτο τεχνητό δορυφόρο το 1957. Ακολούθησαν οι Ηνωμένες Πολιτείες το 1972 με την εκτόξευση του πρώτου τους δορυφόρου παρατήρησης εδάφους, τον Landsat-1. Έπειτα από 14 χρόνια, το 1986, η Γαλλία παρουσίασε τον δορυφόρο SPOT-1, ενώ από το 1994 με την οδηγία PDD-23 των ΗΠΑ επιτρέπεται η εξαγωγή τηλεπισκοπικών δεδομένων υψηλής ανάλυσης, με την οποία προωθείται και η ανάπτυξη των αντίστοιχων δορυφόρων. Το 1999 παρουσιάζεται στις ΗΠΑ ο πρώτος υψηλής ανάλυσης εμπορικός δορυφόρος με χωρική ανάλυση 1m με σημαντικά στρατιωτικά και οικονομικά οφέλη από τη χρήση του.<br /> 1.2. Η δορυφορική τηλεπισκόπηση στην Κίνα<br /> Όπως αρκετές χώρες, έτσι και η Κίνα από τις αρχές του 21ου αιώνα παρουσιαζεί σημαντική πρόοδο στην εξέλιξη της δορυφορικής τηλεπισκόπησης. Αναπτύσσει συνεχώς καινοτομίες στην πρόοδο των τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης και αξιοποιεί την ανάπτυξη των τηλεπισκοπικών δορυφορών υψηλής ανάλυσης, για τον εμπλουτισμό των σύγχρονων χαρτογραφικών μεθόδων και τεχνολογιών.<br /> Ένα Υψηλής Ανάλυσης Σύστημα Παρατήρησης της Γης (HREOS), αποτελεί σημαντικό επιστημονικό και τεχνολογικό έργο για την Κίνα. Το GaoFenproject όπως ονομάστηκε, παρουσιάστηκε το 2010 με σκοπό τη δημιουργία ενός ανεξάρτητου και αναβαθμισμένου HREOS. Το 2020 αποτελεί τον τελευταίο χρόνο του GaoFenproject, ενώ μέσα σε αυτή τη δεκαετία η Κίνα έχει αναπτύξει, παρουσιάσει και λειτουργήσει πολλαπλούς υψηλής ανάλυσης δορυφόρους. Έχει καταφέρει να μικρύνει το τεχνολογικό κενό με άλλες χώρες, φτάνοντας ακόμα και το επίπεδο ηγετικών δορυφόρων που παρουσιάστηκαν από αυτές. Έτσι, το HREOSτης Κίνας με τους δορυφόρους του GaoFenProject αλλά και άλλους εγχώριους δορυφόρους, σχεδιάστηκε για να βελτιωθεί το ποσοστό επάρκειας των ανεξάρτητων υψηλής ανάλυσης τηλεπισκοπικών δεδομένων, καθώς επίσης την επικαιρότητα απόκτησης δεδομένων. <br /> <br /> <br /> '''2. Εξέλιξη τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Η Κίνα ξεκίνησε την ανάπτυξη υψηλής ανάλυσης τηλεπισκοπικών δορυφόρων από το 2007 με τον CBERS-02Bμε κάμερα υψηλής ανάλυσης 2.36m, ο οποίος αντικαταστάθηκε το 2011 από τον δορυφόρο ZY-1 02C με αντίστοιχες ικανότητες.<br /> Το 2012 εκτοξεύτηκε ο δορυφόρος ZY-3 με TLC (Three-LineArrayCamera) που πετυχαίνει τριών όψεων στερεοαπεικόνιση με ανάλυση 2.1m στο ναδίρ και 3.5m στις εμπρός και πίσω όψεις. Οι στερεοεικόνες απ’ τον ZY-3 χρησιμοποιούνται για την παραγωγή τοπογραφικών χαρτών κλίμακας 1:50.000. Αντικαταστάθηκε το 2016 από τον πιο εξελιγμένο ZY-3 02 με βελτιωμένη χωρική ανάλυση εμπρός και πίσω όψεων στα 2.5m.<br /> Το 2013 ο GF-1 ήταν ο πρώτος δορυφόρος του GaoFenProject και έφερε υψηλή ανάλυση 2m και πλάτος λήψης 800km. Το 2014 εκτοξέυτηκε ο GF-2 με χωρική ανάλυση καλύτερη του 1m. Τα επόμενα χρόνια εκτοξεύτηκαν επιτυχώς ο γεωστατικός δορυφόρος GF-4 με υψηλή ανάλυση και μέγιστο ρυθμό δεδομένων τριών εικονολήψεων το λεπτό, ο υπερφασματικός GF-5 με ενσωματωμένη δυνατότητα παρατήρησης γης και ατμόσφαιρας, ο GF-6 για παρατήρηση καλλιεργειών ακριβείας και ο GF-7 για στερεογραφική χαρτογράφηση με ανάλυση κάτω του ενός μέτρου.<br /> Το 2018 δημιουργήθηκε ο πρώτος σχηματισμός δορυφόρων υψηλής ανάλυσης της Κίνας, από τους δορυφόρους GF-1 02/03/04, οι οποίοι επιτυγχάνουν ικανότητα απεικόνισης 15 ημερών παγκόσμιας κάλυψης και 2 ημερών επανακάλυψη ανά σημείο. Σε συνεργασία με τον GF-1 του 2013, αυτά τα νούμερα γίνονται 11 και 1 ημέρα αντίστοιχα.<br /> <br /> <br /> '''3. Εξέλιξη εμπορικών τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Το 2015 εκτοξεύτηκε ένας σχηματισμός τριών δορυφόρων με χωρική ανάλυση 1m παγχρωματικής και 4m πολυφασματικής απεικόνισης, ο οποίος επιτυγχάνει 1 ημέρα επανακάλυψη περιοχής. Επιπλέον, εκτοξέυτηκαν τέσσερεις από τους δορυφόρους της σειράς Jilin-1, τον πρώτο πραγματικά ανεξάρτητο εμπορικό δορυφόρο τηλεπισκόπησης της Κίνας. Οι τέσσερεις δορυφόροι είναι ο GXA με 0.72m παγχρωματική και 2.88m πολυφασματική ικανότητα απεικόνισης, δύο δορυφόροι βιντεοσκόπησης SP01 και SP02 με χωρική ανάλυση 1.12m και ο έξυπνος επαληθευτικός δορυφόρος LQ με ανάλυση 5m. Επιπλέον, χρησιμοποιούνται έξι δορυφόροι βίντεο, δύο πολυφασματικοί δορυφόροι 26 καναλιών, τρεις παγχρωματικοί και πολυφασματικοί οπτικοί δορυφόροι και ένας ευρέος πλάτους λωρίδας δορυφόρος. Ένας σχηματισμός 16 δορυφόρων είναι σε τροχιά και λειτουργεί σε ένα δίκτυο το οποίο περνάει κάθε σημείο στον κόσμο 5-7 φορές την ημέρα.<br /> Με έναν πύραυλο το 2016 εκτοξεύθηκαν οι δορυφόροι SuperView-1 01 και 02, ενώ οι 03 και 04 το 2018. Και οι τέσσερις δορυφόροι της σειράς με κοινές παραμέτρους σχεδίασης, λειτουργούν στο ίδιο τροχιακό δίκτυο με ανάλυση 0.5m και μπορούν να πραγματοποιούν λήψη από οποιονδήποτε στόχο κάθε μέρα. Από το 2017, εκτοξέυτηκε και ο σχηματισμός Zhuhai-1 για τον οποίο σχεδιάζεται η εκτόξευση 34 δορυφόρων.<br /> <br /> <br /> '''4. Εξέλιξη χαρτογράφησης από υψηλής ανάλυσης οπτικούς δορυφόρους και εφαρμογές'''<br /> <br /> Η χαρτογράφηση από υψηλής ανάλυσης δορυφόρους αποτελεί ένα επιτυχημένο μέσο για την απόκτηση της απαραίτητης γεωγραφικής πληροφορίας, όπου αξιοποιώντας τις αρχές της φωτογραμμετρίας, ένας υψηλής ανάλυσης δορυφόρος ολοκληρώνει την καταγραφή των υψομέτρων αξιοποιώντας στερεοζεύγη εικόνων ίδιας ή διαφορετικής τροχιάς με διαφορετικές οπτικές γωνίες της ίδιας περιοχής.<br /> 4.1. Δορυφόρος ZY-3<br /> Ο δορυφόρος ZY-3 είναι πρώτης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας. Για τη λειτουργία στερεοεικόνων του TLC, ο αισθητήρας τους ναδίρ είναι κάθετος στο σημείο με χωρική ανάλυση 2.5m, ο εμπρός αισθητήρας έχει κλίση +22ο και ο οπίσθιος αισθητήρας έχει κλίση κατά -22ο με χωρική ανάλυση και για τους δύο στα 3.5m. Κατά μήκος της κατεύθυνσης της πτήσης παράγονται συνεχώς τρεις επικαλυπτόμενες εικόνες λωρίδας πλάτους 52km. Οι συντεταγμένες των αντικειμένων των εικόνων υπολογίζονται μέσα από τις αυστηρές χωρικές σχέσεις μεταξύ αντικειμένου και εικόνας, επιτρέποντας έτσι το σχεδιασμό ενός τοπογραφικού χάρτη.<br /> Με χρήση των εικόνων ναδίρ παράγονται ορθοφωτογραφίες υψηλής ανάλυσης και με τα στερεοζεύγη τέτοιων εικόνων υπολογίζεται το υψόμετρο. Ο ZY-3 εξοπλίζεται επίσης μέ έναν πολυφασματικό αισθητήρα ανάλυσης 6.8m που περιλαμβάνει μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο φασματικό κανάλι. Η ακρίβεια της ερμηνείας των αντικειμένων στο έδαφος βελτιώνεται με την ένωση των πολυφασματικών με τις παγχρωματικές υψηλής ανάλυσης εικόνες.<br /> Από το 2012 και την εκτόξευσή του, ο ZY-3 έχει χρησιμοποιηθεί σε πολλές χαρτογραφικές εφαρμογές, όπως την δυναμική αναβάθμιση της βασικής εθνικής γεωχωρικής βάσης δεδεομένων κλίμακας 1:50.000, την πρώτη εθνική γεωγραφική καταγραφή και την παραγωγή μοντέλου εδάφους 1:25000 στις δυτικές περιοχές.<br /> Η ακρίβεια του δορυφόρου ZY-3 ελέγχθηκε με τη χρήση 1090 σημείων ελέγχου που μετρήθηκαν στο πεδίο με μεθόδους υψηλής ακρίβειας, ενώ όσον αφορά τα υψόμετρα η ακρίβεια υπολογισμού τους εμφανίζει περιθώριο βελτίωσης της τάξης των 3m με χρήση LAD (LaserAltimeterData).<br /> Το Πανεπιστημίο της Γουχάν και άλλα ερευνητικά κέντρα έχουν μελετήσει τεχνολογίες χαρτογράφησης μεγάλης κλίμακας υψηλής ακρίβειας και λογισμικά που δεν απαιτούν τη χρήση σημείων ελέγχου, παρουσιάζοντας εφαρμογές που χρησιμοποιούν χιλιάδες εικόνες TCL από τον δορυφόρο ZY-3. Αντίστοιχα, στο Πανεπιστήμιο του Πεκίνου διεξήχθη έρευνα παγκόσμιας συνεργασίας στη χαρτογράφηση ψηλών βουνών, σε συνεργασία με το Πανεπιστήμιο του Ανόβερο, την Ευρωπαϊκή Ακαδημία Επιστημών και Τεχνών στο Σάλτζμπουργκ και το Ινστιτόυτο Έρευνας Περιβαλλοντικών Συστημάτων.<br /> Βασιζόμενη στην τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο της Γουχάν, η Κίνα έχει ολοκληρώσει την χαρτογράφηση των ψηλών βουνών της περιοχής NangaParbat στο δυτικότερο τμήμα των Ιμαλαΐων, κάνοντας χρήση εικόνων του δορυφόρου ZY-3. <br /> Δορυφόρος GF-7<br /> Ο δορυφόρος GF-7 είναι δεύτερης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας, με κύριο στόχο χαρτογράφηση κλίμακας 1:10.000 στην Κίνα. Εξοπλίζεται με DLC ανάλυσης κάτω του ενός μέτρου, καθώς ο εμπρόσθιος αισθητήρας έχει κλίση +26ο για τη λήψη παγχρωματικών εικόνων ανάλυσης 0,8m και ο οπίσθιος αισθητήρας με κλίση -5ο πραγματοποιεί λήψεις παγχρωματικών εικόνων με ανάλυση 0,65m και πολυφασματικών εικόνων με ανάλυση 2,6m. <br /> Επιπλέον, λόγω μειωμένου αριθμού σημείων ελέγχου σε πολλές περιοχές και την ανάγκη κλίμακας 1:10.000, ο GF-7 εξοπλίζεται με διπλής δέσμης laser υψομέτρου που μπορεί να υπολογίζει το υψόμετρο με ακρίβεια καλύτερη του 1m. Με αυτόν τον τρόπο φαίνεται ότι οι επιδόσεις του GF-7 μπορεί να ικανοποιήσουν την χαρτογράφησης κλίμακας 1:10.000. <br /> 4.2. Χρήση ελιγμών δορυφόρων για υπό γωνία λήψεις<br /> Αντίθετα από δορυφόρους όπως οι ZY-3 και GF-7, οι υψηλής ανάλυσης δορυφόροι με μία κάμερα εξοπλίζονται με SLC ή SAC και χρησιμοποιούν κυρίως διαφορετικούς ελιγμούς προκειμένου να επιτύχουν παρατήρηση πολλαπλής προβολής του ίδιου αντικειμένου ή περιοχής με προσαρμογή της θέσης τους. Τέτοιοι δορυφόροι απαιτούν υψηλής ακρίβειας έλεγχο της θέσης τους και υπολογισμού της τροχιάς τους. Επιπλέον, παρότι έχουν ικανότητα ανάλυσης λιγότερο του 1m, παρουσιάζουν αδυναμίες στον έλεγχο της γεωμετρίας των εικόνων σε σχέση με τις στατικές μεθόδους χαρτογράφησης TLC και DLC, απαιτώντας σημαντικό έλεγχο εδάφους για χαρτογραφήσεις μεγάλης κλίμακας. Επιπλέον, το πλάτος των εικόνων SLC και SAC περιορίζεται λόγω της ανάλυσης κάτω του ενός μέτρου, όπως το πλάτος του SuperView-1 με χωρική ανάλυση 0.5m που είναι 12km.<br /> <br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Η ανάπτυξη των δορυφόρων υψηλής ανάλυσης της Κίνας παρουσιάζει σημαντική πρόοδο με την απόδοση των απλών μονών δορύφορων να αυξάνεται, τα δίκτυα πολλαπλών δορύφορων να αναδεικνύονται ως τάση και η εμπορευματοποίηση δορυφόρων να αναπτύσσεται σταθεράκαι το σύστημα δορυφορικής τηλεπισκόπησης να γίνεται όλο και πιο άφθονο και πλήρες.<br /> Παρ’ όλα αυτά, ο στόχος της παγκόσμιας κάλυψης και χαρτογραφικής ενημέρωσης παραμένει δύσκολος, καθώς ένα σύστημα χαρτογράφησης χωρίς την ανάγκη επίγειου ελέγχου χρειάζεται περαιτέρω ανάπτυξη και νέες τεχνολογίες όπωςδορυφόρους radar και laserυψομέτρων. Απαιτείται δηλαδή μια περαιτέρω βελτίωση του συστήματος δορυφορικής τηλεπισκοπικής παρατήρησης υψηλής ανάλυσης, προκειμένου να εξυπηρετεί με βέλτιστο τρόπο τις εφαρμογές χαρτογράφησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CE%AF_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CF%8C%CF%81%CE%BF%CE%B9_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%9A%CE%AF%CE%BD%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%BF%CF%85%CF%82 2022-03-23T20:07:24Z

<p>Siachospan: Νέα σελίδα με 'Add Your Content Here category:Διαστημική Τηλεπισκόπηση '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκ...'</p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Διαστημική Τηλεπισκόπηση]]<br /> <br /> '''Υψηλής Ανάλυσης οπτικοί δορυφόροι τηλεπισκόπησης της Κίνας και οι χαρτογραφικές εφαρμογές τους<br /> <br /> China’s high-resolution optical remote sensing satellites and their mapping applications'''<br /> <br /> Li, Deren, Mi Wang and Jie Jiang. Geo-spatial Information Science 24 (2021): 85 - 94.<br /> Πηγή: [1]<br /> <br /> '''1. Εισαγωγή – Ιστορία και εξέλιξη της δορυφορικής τηλεπισκόπησης'''<br /> <br /> 1.1. Η δορυφορική τηλεπισκόπηση σε παγκόσμιο επίπεδο<br /> Η πρώην Σοβιετική Ένωση ήταν εκείνη που άνοιξε τον δρόμο για τη διαστημική παρατήρηση της γης, παρουσιάζοντας τον πρώτο τεχνητό δορυφόρο το 1957. Ακολούθησαν οι Ηνωμένες Πολιτείες το 1972 με την εκτόξευση του πρώτου τους δορυφόρου παρατήρησης εδάφους, τον Landsat-1. Έπειτα από 14 χρόνια, το 1986, η Γαλλία παρουσίασε τον δορυφόρο SPOT-1, ενώ από το 1994 με την οδηγία PDD-23 των ΗΠΑ επιτρέπεται η εξαγωγή τηλεπισκοπικών δεδομένων υψηλής ανάλυσης, με την οποία προωθείται και η ανάπτυξη των αντίστοιχων δορυφόρων. Το 1999 παρουσιάζεται στις ΗΠΑ ο πρώτος υψηλής ανάλυσης εμπορικός δορυφόρος με χωρική ανάλυση 1m με σημαντικά στρατιωτικά και οικονομικά οφέλη από τη χρήση του.<br /> 1.2. Η δορυφορική τηλεπισκόπηση στην Κίνα<br /> Όπως αρκετές χώρες, έτσι και η Κίνα από τις αρχές του 21ου αιώνα παρουσιαζεί σημαντική πρόοδο στην εξέλιξη της δορυφορικής τηλεπισκόπησης. Αναπτύσσει συνεχώς καινοτομίες στην πρόοδο των τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης και αξιοποιεί την ανάπτυξη των τηλεπισκοπικών δορυφορών υψηλής ανάλυσης, για τον εμπλουτισμό των σύγχρονων χαρτογραφικών μεθόδων και τεχνολογιών.<br /> Ένα Υψηλής Ανάλυσης Σύστημα Παρατήρησης της Γης (HREOS), αποτελεί σημαντικό επιστημονικό και τεχνολογικό έργο για την Κίνα. Το GaoFenproject όπως ονομάστηκε, παρουσιάστηκε το 2010 με σκοπό τη δημιουργία ενός ανεξάρτητου και αναβαθμισμένου HREOS. Το 2020 αποτελεί τον τελευταίο χρόνο του GaoFenproject, ενώ μέσα σε αυτή τη δεκαετία η Κίνα έχει αναπτύξει, παρουσιάσει και λειτουργήσει πολλαπλούς υψηλής ανάλυσης δορυφόρους. Έχει καταφέρει να μικρύνει το τεχνολογικό κενό με άλλες χώρες, φτάνοντας ακόμα και το επίπεδο ηγετικών δορυφόρων που παρουσιάστηκαν από αυτές. Έτσι, το HREOSτης Κίνας με τους δορυφόρους του GaoFenProject αλλά και άλλους εγχώριους δορυφόρους, σχεδιάστηκε για να βελτιωθεί το ποσοστό επάρκειας των ανεξάρτητων υψηλής ανάλυσης τηλεπισκοπικών δεδομένων, καθώς επίσης την επικαιρότητα απόκτησης δεδομένων. <br /> <br /> '''2. Εξέλιξη τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Η Κίνα ξεκίνησε την ανάπτυξη υψηλής ανάλυσης τηλεπισκοπικών δορυφόρων από το 2007 με τον CBERS-02Bμε κάμερα υψηλής ανάλυσης 2.36m, ο οποίος αντικαταστάθηκε το 2011 από τον δορυφόρο ZY-1 02C με αντίστοιχες ικανότητες.<br /> Το 2012 εκτοξεύτηκε ο δορυφόρος ZY-3 με TLC (Three-LineArrayCamera) που πετυχαίνει τριών όψεων στερεοαπεικόνιση με ανάλυση 2.1m στο ναδίρ και 3.5m στις εμπρός και πίσω όψεις. Οι στερεοεικόνες απ’ τον ZY-3 χρησιμοποιούνται για την παραγωγή τοπογραφικών χαρτών κλίμακας 1:50.000. Αντικαταστάθηκε το 2016 από τον πιο εξελιγμένο ZY-3 02 με βελτιωμένη χωρική ανάλυση εμπρός και πίσω όψεων στα 2.5m.<br /> Το 2013 ο GF-1 ήταν ο πρώτος δορυφόρος του GaoFenProject και έφερε υψηλή ανάλυση 2m και πλάτος λήψης 800km. Το 2014 εκτοξέυτηκε ο GF-2 με χωρική ανάλυση καλύτερη του 1m. Τα επόμενα χρόνια εκτοξεύτηκαν επιτυχώς ο γεωστατικός δορυφόρος GF-4 με υψηλή ανάλυση και μέγιστο ρυθμό δεδομένων τριών εικονολήψεων το λεπτό, ο υπερφασματικός GF-5 με ενσωματωμένη δυνατότητα παρατήρησης γης και ατμόσφαιρας, ο GF-6 για παρατήρηση καλλιεργειών ακριβείας και ο GF-7 για στερεογραφική χαρτογράφηση με ανάλυση κάτω του ενός μέτρου.<br /> Το 2018 δημιουργήθηκε ο πρώτος σχηματισμός δορυφόρων υψηλής ανάλυσης της Κίνας, από τους δορυφόρους GF-1 02/03/04, οι οποίοι επιτυγχάνουν ικανότητα απεικόνισης 15 ημερών παγκόσμιας κάλυψης και 2 ημερών επανακάλυψη ανά σημείο. Σε συνεργασία με τον GF-1 του 2013, αυτά τα νούμερα γίνονται 11 και 1 ημέρα αντίστοιχα.<br /> <br /> '''3. Εξέλιξη εμπορικών τηλεπισκοπικών δορυφόρων υψηλής ανάλυσης στην Κίνα'''<br /> <br /> Το 2015 εκτοξεύτηκε ένας σχηματισμός τριών δορυφόρων με χωρική ανάλυση 1m παγχρωματικής και 4m πολυφασματικής απεικόνισης, ο οποίος επιτυγχάνει 1 ημέρα επανακάλυψη περιοχής. Επιπλέον, εκτοξέυτηκαν τέσσερεις από τους δορυφόρους της σειράς Jilin-1, τον πρώτο πραγματικά ανεξάρτητο εμπορικό δορυφόρο τηλεπισκόπησης της Κίνας. Οι τέσσερεις δορυφόροι είναι ο GXA με 0.72m παγχρωματική και 2.88m πολυφασματική ικανότητα απεικόνισης, δύο δορυφόροι βιντεοσκόπησης SP01 και SP02 με χωρική ανάλυση 1.12m και ο έξυπνος επαληθευτικός δορυφόρος LQ με ανάλυση 5m. Επιπλέον, χρησιμοποιούνται έξι δορυφόροι βίντεο, δύο πολυφασματικοί δορυφόροι 26 καναλιών, τρεις παγχρωματικοί και πολυφασματικοί οπτικοί δορυφόροι και ένας ευρέος πλάτους λωρίδας δορυφόρος. Ένας σχηματισμός 16 δορυφόρων είναι σε τροχιά και λειτουργεί σε ένα δίκτυο το οποίο περνάει κάθε σημείο στον κόσμο 5-7 φορές την ημέρα.<br /> Με έναν πύραυλο το 2016 εκτοξεύθηκαν οι δορυφόροι SuperView-1 01 και 02, ενώ οι 03 και 04 το 2018. Και οι τέσσερις δορυφόροι της σειράς με κοινές παραμέτρους σχεδίασης, λειτουργούν στο ίδιο τροχιακό δίκτυο με ανάλυση 0.5m και μπορούν να πραγματοποιούν λήψη από οποιονδήποτε στόχο κάθε μέρα. Από το 2017, εκτοξέυτηκε και ο σχηματισμός Zhuhai-1 για τον οποίο σχεδιάζεται η εκτόξευση 34 δορυφόρων.<br /> <br /> '''4. Εξέλιξη χαρτογράφησης από υψηλής ανάλυσης οπτικούς δορυφόρους και εφαρμογές'''<br /> <br /> Η χαρτογράφηση από υψηλής ανάλυσης δορυφόρους αποτελεί ένα επιτυχημένο μέσο για την απόκτηση της απαραίτητης γεωγραφικής πληροφορίας, όπου αξιοποιώντας τις αρχές της φωτογραμμετρίας, ένας υψηλής ανάλυσης δορυφόρος ολοκληρώνει την καταγραφή των υψομέτρων αξιοποιώντας στερεοζεύγη εικόνων ίδιας ή διαφορετικής τροχιάς με διαφορετικές οπτικές γωνίες της ίδιας περιοχής.<br /> 4.1. Δορυφόρος ZY-3<br /> Ο δορυφόρος ZY-3 είναι πρώτης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας. Για τη λειτουργία στερεοεικόνων του TLC, ο αισθητήρας τους ναδίρ είναι κάθετος στο σημείο με χωρική ανάλυση 2.5m, ο εμπρός αισθητήρας έχει κλίση +22ο και ο οπίσθιος αισθητήρας έχει κλίση κατά -22ο με χωρική ανάλυση και για τους δύο στα 3.5m. Κατά μήκος της κατεύθυνσης της πτήσης παράγονται συνεχώς τρεις επικαλυπτόμενες εικόνες λωρίδας πλάτους 52km. Οι συντεταγμένες των αντικειμένων των εικόνων υπολογίζονται μέσα από τις αυστηρές χωρικές σχέσεις μεταξύ αντικειμένου και εικόνας, επιτρέποντας έτσι το σχεδιασμό ενός τοπογραφικού χάρτη.<br /> Με χρήση των εικόνων ναδίρ παράγονται ορθοφωτογραφίες υψηλής ανάλυσης και με τα στερεοζεύγη τέτοιων εικόνων υπολογίζεται το υψόμετρο. Ο ZY-3 εξοπλίζεται επίσης μέ έναν πολυφασματικό αισθητήρα ανάλυσης 6.8m που περιλαμβάνει μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο φασματικό κανάλι. Η ακρίβεια της ερμηνείας των αντικειμένων στο έδαφος βελτιώνεται με την ένωση των πολυφασματικών με τις παγχρωματικές υψηλής ανάλυσης εικόνες.<br /> Από το 2012 και την εκτόξευσή του, ο ZY-3 έχει χρησιμοποιηθεί σε πολλές χαρτογραφικές εφαρμογές, όπως την δυναμική αναβάθμιση της βασικής εθνικής γεωχωρικής βάσης δεδεομένων κλίμακας 1:50.000, την πρώτη εθνική γεωγραφική καταγραφή και την παραγωγή μοντέλου εδάφους 1:25000 στις δυτικές περιοχές.<br /> Η ακρίβεια του δορυφόρου ZY-3 ελέγχθηκε με τη χρήση 1090 σημείων ελέγχου που μετρήθηκαν στο πεδίο με μεθόδους υψηλής ακρίβειας, ενώ όσον αφορά τα υψόμετρα η ακρίβεια υπολογισμού τους εμφανίζει περιθώριο βελτίωσης της τάξης των 3m με χρήση LAD (LaserAltimeterData).<br /> Το Πανεπιστημίο της Γουχάν και άλλα ερευνητικά κέντρα έχουν μελετήσει τεχνολογίες χαρτογράφησης μεγάλης κλίμακας υψηλής ακρίβειας και λογισμικά που δεν απαιτούν τη χρήση σημείων ελέγχου, παρουσιάζοντας εφαρμογές που χρησιμοποιούν χιλιάδες εικόνες TCL από τον δορυφόρο ZY-3. Αντίστοιχα, στο Πανεπιστήμιο του Πεκίνου διεξήχθη έρευνα παγκόσμιας συνεργασίας στη χαρτογράφηση ψηλών βουνών, σε συνεργασία με το Πανεπιστήμιο του Ανόβερο, την Ευρωπαϊκή Ακαδημία Επιστημών και Τεχνών στο Σάλτζμπουργκ και το Ινστιτόυτο Έρευνας Περιβαλλοντικών Συστημάτων.<br /> Βασιζόμενη στην τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο της Γουχάν, η Κίνα έχει ολοκληρώσει την χαρτογράφηση των ψηλών βουνών της περιοχής NangaParbat στο δυτικότερο τμήμα των Ιμαλαΐων, κάνοντας χρήση εικόνων του δορυφόρου ZY-3. <br /> Δορυφόρος GF-7<br /> Ο δορυφόρος GF-7 είναι δεύτερης γενιάς υψηλής ανάλυσης πολιτικός δορυφόρος στερεοχαρτογραφίας, με κύριο στόχο χαρτογράφηση κλίμακας 1:10.000 στην Κίνα. Εξοπλίζεται με DLC ανάλυσης κάτω του ενός μέτρου, καθώς ο εμπρόσθιος αισθητήρας έχει κλίση +26ο για τη λήψη παγχρωματικών εικόνων ανάλυσης 0,8m και ο οπίσθιος αισθητήρας με κλίση -5ο πραγματοποιεί λήψεις παγχρωματικών εικόνων με ανάλυση 0,65m και πολυφασματικών εικόνων με ανάλυση 2,6m. <br /> Επιπλέον, λόγω μειωμένου αριθμού σημείων ελέγχου σε πολλές περιοχές και την ανάγκη κλίμακας 1:10.000, ο GF-7 εξοπλίζεται με διπλής δέσμης laser υψομέτρου που μπορεί να υπολογίζει το υψόμετρο με ακρίβεια καλύτερη του 1m. Με αυτόν τον τρόπο φαίνεται ότι οι επιδόσεις του GF-7 μπορεί να ικανοποιήσουν την χαρτογράφησης κλίμακας 1:10.000. <br /> 4.2. Χρήση ελιγμών δορυφόρων για υπό γωνία λήψεις<br /> Αντίθετα από δορυφόρους όπως οι ZY-3 και GF-7, οι υψηλής ανάλυσης δορυφόροι με μία κάμερα εξοπλίζονται με SLC ή SAC και χρησιμοποιούν κυρίως διαφορετικούς ελιγμούς προκειμένου να επιτύχουν παρατήρηση πολλαπλής προβολής του ίδιου αντικειμένου ή περιοχής με προσαρμογή της θέσης τους. Τέτοιοι δορυφόροι απαιτούν υψηλής ακρίβειας έλεγχο της θέσης τους και υπολογισμού της τροχιάς τους. Επιπλέον, παρότι έχουν ικανότητα ανάλυσης λιγότερο του 1m, παρουσιάζουν αδυναμίες στον έλεγχο της γεωμετρίας των εικόνων σε σχέση με τις στατικές μεθόδους χαρτογράφησης TLC και DLC, απαιτώντας σημαντικό έλεγχο εδάφους για χαρτογραφήσεις μεγάλης κλίμακας. Επιπλέον, το πλάτος των εικόνων SLC και SAC περιορίζεται λόγω της ανάλυσης κάτω του ενός μέτρου, όπως το πλάτος του SuperView-1 με χωρική ανάλυση 0.5m που είναι 12km.<br /> <br /> '''5. Συμπεράσματα'''<br /> <br /> Η ανάπτυξη των δορυφόρων υψηλής ανάλυσης της Κίνας παρουσιάζει σημαντική πρόοδο με την απόδοση των απλών μονών δορύφορων να αυξάνεται, τα δίκτυα πολλαπλών δορύφορων να αναδεικνύονται ως τάση και η εμπορευματοποίηση δορυφόρων να αναπτύσσεται σταθεράκαι το σύστημα δορυφορικής τηλεπισκόπησης να γίνεται όλο και πιο άφθονο και πλήρες.<br /> Παρ’ όλα αυτά, ο στόχος της παγκόσμιας κάλυψης και χαρτογραφικής ενημέρωσης παραμένει δύσκολος, καθώς ένα σύστημα χαρτογράφησης χωρίς την ανάγκη επίγειου ελέγχου χρειάζεται περαιτέρω ανάπτυξη και νέες τεχνολογίες όπωςδορυφόρους radar και laserυψομέτρων. Απαιτείται δηλαδή μια περαιτέρω βελτίωση του συστήματος δορυφορικής τηλεπισκοπικής παρατήρησης υψηλής ανάλυσης, προκειμένου να εξυπηρετεί με βέλτιστο τρόπο τις εφαρμογές χαρτογράφησης.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%88%CE%BD%CE%B1_%CF%80%CE%BB%CE%B1%CE%AF%CF%83%CE%B9%CE%BF_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%80%CE%B9%CE%B8%CE%B1%CE%BD%CF%8E%CE%BD_%CF%84%CE%BF%CE%BE%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%B9%CF%87%CE%B5%CE%AF%CF%89%CE%BD_%CF%83%CE%B5_%CE%B1%CE%B3%CF%81%CE%BF%CF%84%CE%B9%CE%BA%CE%AC_%CE%B5%CE%B4%CE%AC%CF%86%CE%B7_%CF%85%CE%B3%CF%81%CF%8E%CE%BD_%CF%84%CF%81%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD 2022-03-23T20:02:04Z

<p>Siachospan: </p> <hr /> <div> [[category:Γεωργία]]<br /> '''Ένα πλαίσιο τηλεπισκόπησης για την χαρτογράφηση πιθανών τοξικών στοιχείων σε αγροτικά εδάφη υγρών τροπικών περιοχών'''<br /> <br /> '''A remote sensing framework to map potential toxic elements in agricultural soils in the humid tropics''' <br /> <br /> Wanderson de Sousa Mendes, Jose A.M. Dematte, Maria Eduarda B. de <br /> Resende, Luiz Fernando Chimelo Ruiz, Danilo Cesar de Mello, Jorge <br /> Tadeu Fim Rosas, Nelida Elizabet Quinonez Silvero, Luís Reynaldo <br /> Ferracciú Alleoni, Marina Colzato, Nícolas Augusto Rosin, Lucas Rabelo <br /> Campos. Environmental Pollution,Volume 292, Part B (2022), 118397. <br /> <br /> Πηγή: [1] <br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ1.1.jpg‎|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης και κατανομή εδαφικής δειγματοληψίας]]<br /> <br /> <br /> '''1. Εισαγωγή''' <br /> Η εδαφική μόλυνση από πιθανόν τοξικά στοιχεία (PTEs) είναι σημαντικό ζήτημα <br /> παγκοσμίως εδικά σε αγροτικές περιοχές με κινδύνους στην ασφάλεια της <br /> τροφής. Περίπου 5 εκατομμύρια περιπτώσεις μόλυνσης εδάφους από μέταλλα <br /> ή μεταλλοειδή έχουν αναφερθεί σε παγκόσμιο επίπεδο σε μια έκταση πάνω <br /> από 500 εκατομμύρια εκτάρια. <br /> Η ανθρώπινη δραστηριότητα μπορεί να προκαλέσει συσσώρευση των PTEs <br /> στο περιβάλλον, κυρίως από αγροχημικά ή και από βιομηχανικές <br /> δραστηριότητες, ανεξέλεγκτες χωματερές, λυματολάσπη, κοπριά ζώων, <br /> υπολείμματα καύσης άνθρακα και βιομηχανικά απόβλητα. Επιπλέον, οι <br /> εξορυκτικές δραστηριότητες παράγουν κατάλοιπα με υψηλή πιθανότητα <br /> μόλυνσης στο έδαφος. <br /> Στοιχεία όπως ο σίδηρος (Fe), ο ψευδάργυρος (Zn) και το χρώμιο (Cr) <br /> απαιτούνται από τα φυτά ως θρεπτικά, αλλά όταν η συγκέντρωσή τους <br /> ξεπερνά τα νόμιμα όρια θεωρούνται μολυσματικά στοιχεία ή πιθανώς τοξικά <br /> στοιχεία. Γι’ αυτό, η κατανόηση της δυναμικής και η παρακολούθηση των <br /> επιπέδων PTEs στο έδαφος μπορεί να αποτρέψει περαιτέρω περιβαλλοντική <br /> υποβάθμιση. <br /> Οι συμβατικές μέθοδοι αξιολόγησης και παρακολούθησης των PTEs και άλλων <br /> μολυσματικών στοιχείων είναι η δειγματοληψία εδάφους και η χημική <br /> εργαστηριακή ανάλυση που όμως είναι χρονοβόρα και ακριβή διαδικασία. Γι’ <br /> αυτό χρειάζεται η ανάπτυξη οικονομικά αποδοτικών και γρήγορων μεθόδων <br /> για την παρακολούθηση τέτοιων στοιχείων. Τέτοιες είναι η χρήση τεχνικών <br /> ψηφιακής τηλεπισκόπησης για τη χαρτογράφηση PTEs στο έδαφος. <br /> Οι πλατφόρμες δορυφορικών εικόνων χρησιμοποιούνται για την αξιολόγηση <br /> μεγάλων εκτάσεων γης, όπως οι χρονοσειρές δεδομένων Landsat που <br /> ανακτώνται εύκολα και χρησιμοποιούνται για την χαρτογράφηση των <br /> ιδιοτήτων του εδάφους. Ένας από τους περιορισμούς της χρήσης <br /> τηλεπισκόπησης είναι η φυτοκάλυψη που καλύπτει το έδαφος, αν και πλέον <br /> αυτό μπορεί να αντιμετωπιστεί. Τα PTEs στο έδαφος έχουν ισχυρή σχέση με τα <br /> μητρικά υλικά του και η μηχανική μάθηση αποτελεί ένα ισχυρό εργαλείο στην <br /> ποσοτικοποίηση και χωροθέτηση ιδιοτήτων του εδάφους. Καθώς τα φάσματα <br /> του εδάφους φέρουν τέτοιες πληροφορίες, γίνεται εκτίμηση ότι τα PTE μπορούν <br /> να ανιχνευθούν με τηλεπισκόπηση στο γυμνό έδαφος. Έγινε χρήση οπτικών <br /> δεδομένων από τους Landsat TM/ETM/ETM+, Landsat OLI και Sentinel και <br /> ελέγχθηκε η ποιότητα της πρόβλεψης σε χωρική, χρονική και φασματική <br /> ανάλυση. Η καταγραφή στοιχείων μόλυνσης μπορεί να βοηθήσει στις <br /> αποφάσεις που αφορούν τις χρήσεις γης, πρακτικές διαχείρισης και δημόσιες <br /> πολιτικές. <br /> <br /> '''2. Υλικά και μέθοδοι''' <br /> Η περιοχή μελέτης καλύπτει 2574χμ2 και περιλαμβάνει οκτώ Δήμους της <br /> πολιτείας του Σάο Πάολο τη Βραζιλία. Συλλέχθηκαν 360 δείγματα εδάφους σε <br /> βάθος 0-20cm τα οποία αποξηράθηκαν στον αέρα σε 45οC για 48 ώρες και <br /> κοσκινίστηκαν κάτω από 2mm. Η εκχύλιση πραγματοποιήθηκε με νιτρικό και <br /> υδροχλωρικό οξύ σε κλειστά δοχεία για τα Al, As, B, Ba, Ca, Cd, Co, Cr, Cu, Fe, <br /> K, Mg, Mn, Mo, Na, Ni, P, Pb, S, Si και Zn. <br /> <br /> Οι δορυφορικοί δέκτες ανακτούν πολυφασματικά δεδομένα από το ορατό, το <br /> εγγύς υπέρυθρο, το μικροκυματικό υπέρυθρο και άλλα συγκεκριμένα εύρη. Οι <br /> εικόνες Sentinel και Landsat OLI αφορούσαν την περίοδο 2016-2019 και για <br /> τους δορυφόρους Landsat TM οι εικόνες αφορούσαν την περίοδο 1984-2019. <br /> Έγινε επιλογή εικόνων με νεφοκάλυψη έως και 20%, ενώ οι εικόνες Sentinel με <br /> ανάλυση 10 μέτρα τροποποιήθηκαν στα 20 μέτρα έτσι ώστε να υπάρχει η ίδια <br /> χωρική ανάλυση μεταξύ των εικόνων. <br /> Ο αλγόριθμος GEOS3 χρησιμοποιήθηκε για περιοχές που το γυμνό έδαφος <br /> κρύβεται, χρησιμοποιώντας φασματικούς δείκτες. Το αποτέλεσμα αυτής της <br /> μεθόδου ονομάζεται Synthetic Soil Image (SYSI) που είναι ο φασματικός <br /> διάμεσος των περιοχών γυμνού εδάφους στις δορυφορικές εικόνες. <br /> Εφαρμόστηκαν οι αρχές ψηφιακής χαρτογράφησης του εδάφους για τη <br /> συσχέτιση των παρατηρήσεων από την ανάλυση του εργαστηρίου στα <br /> κανάλια της SYSI ως μεταβλητές χρησιμοποιώντας τον αλγόριθμο Τυχαία Δάση <br /> (RF). Τα δεδομένα χωρίστηκαν τυχαία σε 80% για εκπαίδευση/βαθμονόμηση και <br /> 20% για επαλήθευση. Τα δύο τρίτα των δειγμάτων χρησιμοποιήθηκαν για το <br /> χτίσιμο του δέντρου απόφασης, ενώ τα υπόλοιπα χρησιμοποιήθηκαν για την <br /> αξιολόγηση της απόδοσης του μοντέλου και την επιλογή υποσυνόλου <br /> εκπαίδευσης με καλύτερη ακρίβεια. Η επιλογή του RF έναντι άλλων μεθόδων <br /> μηχανικής μάθησης έγινε μεταξύ άλλων γιατί πρόκειται για εδραιωμένη στην <br /> ψηφιακή χαρτογράφηση εδάφους, ενώ η μοντελοποίηση έγινε σε γλώσσα <br /> προγραμματισμού Python. <br /> <br /> '''3. Αποτελέσματα''' <br /> Η οργανική ουσία του εδάφους (SOM) και τα περιεχόμενα της λάσπης <br /> κυμαίνονταν μεταξύ 1-40 g kg-1 και μεταξύ 8-665 g kg-1 με μέσες τιμές 14 και 210 <br /> g kg-1 αντίστοιχα, που είναι οι τυπικές τιμές σε υγρά τροπικά εδάφη. Τα εύρη <br /> των Cr, Fe, Ni, and Zn ήταν 89, 83291 (83 g kg−1), 33, and 119 mg kg−1, που <br /> δείχνει υψηλή μεταβλητότητα και μέσες τιμές 14, 11692 (12 g kg−1), 4, and 15 mg <br /> kg−1, αντίστοιχα. <br /> Τα νόμιμα όρια για Cr, Ni και Zn είναι στα 75, 30 και 300 mg kg-1 αντίστοιχα. <br /> Ωστόσο, ελάχιστες τιμές QRV για τη μόλυνση σε αγροτικές περιοχές έχει οριστεί <br /> σε 150, 70 και 450 mg kg-1 για τα Cr, Ni και Zn αντίστοιχα. Στην περίπτωση της <br /> μελέτης οι μέγιστες τιμές των Cr και Ni ήταν πάνω από τα όρια, αλλά κάτω από <br /> τα όρια τιμών για ρύπους. Υψηλή συγκέντρωση Fe στο έδαφος μπορεί να είναι <br /> επιβλαβές για τους καρπούς, όπως το καλαμπόκι και το ρύζι. Η μακροχρόνια <br /> καλλιέργεια ζαχαροκάλαμου έχει επίσης αναφερθεί ως μία από τις πηγές <br /> συσσώρευσης ρύπων στην περιοχή, εξηγώντας τις υψηλές συγκεντρώσεις Cr <br /> και Ni. <br /> Έγινε συσχέτιση 21 στοιχείων γεωπονικής και περιβαλλοντικής σημασίας με τα <br /> κανάλια SYSI και τα περισσότερα στοιχεία έδειξαν χαμηλή συσχέτιση, εκτός από <br /> τα Al, B, Cr, Fe, Ni, P, Pb, S και Zn. Ισχυρή συσχέτιση εντοπίστηκε στα κανάλια <br /> SYSI των Landsat TM με τιμές που κυμαίνονται από -0,44 έως -0,52, -0,58 έως -<br /> 0,65, -0,31 έως -0,35 και -0,4 έως -0,43 για τα Cr, Fe, Ni και Zn, αντίστοιχα. <br /> Χαρακτηριστική είναι η ισχυρή σχέση μεταξύ των επιλεγμένων PTEs και των <br /> καναλιών NIR και μικροκυματικό υπέρυθρο και για τους δύο δορυφόρους, η <br /> οποία θέτει τις βάσεις για την ανίχνευση των PTEs στο έδαφος. <br /> Καθώς τα PTEs απορροφώνται από τη λάσπη και τα SOM, συνήθως δεν <br /> εμφανίζουν συγκεκριμένα χαρακτηριστικά απορρόφησης στα φασματικά <br /> κανάλια. Το έδαφος είναι μια μίξη ανόργανων και οργανικών ουσιών που <br /> αλληλεπιδρά με τα PTEs, των οποίων η φασματική συμπεριφορά σχετίζεται με <br /> τα κανάλια NIR και SWIR. <br /> Εάν η συγκέντρωση των PTEs δεν ξεπερνάει τα 4.0 mg g-1, μερικές φορές είναι <br /> δύσκολη ή αδύνατη η ανίχνευση των φασματικών σημάτων τους, ενώ επίσης <br /> τα PTEs δεν εμφανίζουν συγκεκριμένα χαρακτηριστικά ανάκλασης στα <br /> πολυφασματικά δεδομένα. Η πιο πολύτιμη διάκριση έγινε από τη μέθοδο SYSI με <br /> δεδομένα 35ετίας από τους Landsat TM. <br /> Έγιναν χωρικά τα τέσσερα πιο σχετικά PTEs με χρήση SYSI σε συνδυασμό με τον <br /> αλγόριθμο RF. Αξιολογήθηκε η ποιότητα του μοντέλου πρόβλεψης και <br /> προσδιορίστηκε ότι οι χαμηλότερες τιμές MAEval και υψηλότερες τιμές R2val για <br /> όλα τα PTEs μπορούν να επιτευχθούν με χρήση εικόνων Landsat από τη <br /> συλλογή 35-ετίας. <br /> Η μεγαλύτερη χρονική κάλυψη των Landsat TM επέτρεψε την ανάκτηση <br /> περισσότερων εκτάσεων γυμνού εδάφους και γι’ αυτό τα PTEs μπορούσαν να <br /> χαρτογραφηθούν σε μεγαλύτερες αγροτικές περιοχές απ’ ότι με εικόνες <br /> Sentinel και Landsat OLI που κάλυπταν μόνο 4 χρόνια. Σ’ αυτή την περίπτωση <br /> η μεγαλύτερη χωρική κάλυψη μέσω της μεγαλύτερης χρονικής έκτασης, είναι <br /> πιο σημαντική από τη μεγαλύτερη φασματική και χωρική ανάλυση, όπως έχει <br /> για παράδειγμα ο Sentinel. <br /> Το ενδεχόμενο ανίχνευσης και χαρτογράφησης από δορυφορικές πλατφόρμες <br /> των PTEs και των δυναμικών τους στο περιβάλλον μπορεί να βοηθήσει τις <br /> διαδικασίες λήψης αποφάσεων, ερευνητές, περιβαλλοντικές διαγνώσεις, <br /> τροφική ασφάλεια και περιβαλλοντικές πολιτικές. Αφού τα φάσματα έχουν <br /> εσωτερική σχέση με πολλές ιδιότητες του εδάφους, τα περιεχόμενα των PTEs <br /> μπορούν να προβλεφθούν καλά. <br /> Με τη συγκεκριμένη μελέτη γίνεται συμβολή στην παρακολούθηση των <br /> υποδεικνυόμενων στοιχείων, οριοθετώντας ζώνες πιθανών υψηλών τιμών. Αν <br /> και κανένας από τους χάρτες PTEs δεν παρουσιάζει τιμές πάνω από τα νόμιμα <br /> όρια της Βραζιλίας, δύναται ακόμα μια οριοθέτηση των περιοχών κινδύνου. Οι <br /> υψηλότερες συγκεντρώσεις στοιχείων προκαλούνται σε περιοχές βασάλτη, <br /> εκτός από το στοιχείο Cr. <br /> <br /> Η πιθανότητα μόλυνσης υπόγειων υδάτων ή πηγών νερού από PTEs είναι <br /> υψηλότερη σε περιοχές κοντά σε φυσικές πηγές εάν τα επίπεδα συγκέντρωσης <br /> είναι ήδη υψηλά. Η αναγνώριση ζωνών με υψηλές συγκεντρώσεις PTEs μπορεί <br /> να αποτρέψει τη μετατόπιση του κινδύνου μόλυνσης, ενώ επιτρέπει οικολογικές <br /> προσεγγίσεις όπως η τόνωση των φυσικών εδαφικών διεργασιών για την <br /> επαναφορά σε ανεκτά σταθερή κατάσταση. <br /> <br /> '''4. Συμπεράσματα''' <br /> Με δορυφορικά δεδομένα ανιχνεύονται τα περιεχόμενα των PTEs στο έδαφος <br /> από διαφορετικά μητρικά υλικά. Η παρούσα μεθοδολογία εφαρμόστηκε για την <br /> αναγνώριση και παρακολούθηση των ζωνών κινδύνου για PTEs. Επιπλέον, η <br /> χρήση της μεθόδου SYSI που λαμβάνει τις εκτάσεις γυμνού εδάφους στις <br /> αγροτικές περιοχές βοηθάει στην ανεύρεση των πιο ευάλωτων ζωνών για PTEs. <br /> Αντί για τον Sentinel με καλύτερη χωρική πληροφορία, η καλύτερη κάλυψη <br /> επιτεύχθηκε με τη συλλογή 35 ετών από τους Landsat TM. <br /> Αν και τα δορυφορικά δεδομένα είναι αποδοτικό εργαλείο για την ανίχνευση και <br /> χαρτογράφηση PTEs στο έδαφος, έχει μερικούς περιορισμούς, με τον <br /> βασικότερο να είναι η πολυπλοκότητα της δυναμικής του τοπίου, τα <br /> χαρακτηριστικά του εδάφους, η επιλογή φασματικών μεταβλητών, η πυκνότητα <br /> δειγματοληψίας του εδάφους και οι μέθοδοι μοντελοποίησης. Η απορρόφηση <br /> και η προσρόφηση των PTEs στο έδαφος επηρεάζονται από τη δυναμική του <br /> εδάφους, το οποίο μπορεί να αυξήσει τη μόλυνση ή να μειώσει την ανίχνευσή <br /> τους. Ένας ακόμη περιορισμός στην ανίχνευση των PTEs από δωρεάν <br /> διαθέσιμες δορυφορικές εικόνες, μπορεί να είναι η χαμηλή φασματική και <br /> χωρική ανάλυση. Τέλος, η πυκνότητα δειγματοληψίας μπορεί να περιορίσει τη <br /> χωρική κάλυψη των PTEs, η οποία παρεμβαίνει στην απόδοση της μεθόδου <br /> μοντελοποίησης. Επομένως, από την έρευνα αυτή γίνεται προσπάθεια να <br /> ξεπεραστούν κάποια από τα κενά σε αυτό το πεδίο, προτείνοντας μια νέα <br /> καινοτόμο μέθοδο.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%88%CE%BD%CE%B1_%CF%80%CE%BB%CE%B1%CE%AF%CF%83%CE%B9%CE%BF_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%80%CE%B9%CE%B8%CE%B1%CE%BD%CF%8E%CE%BD_%CF%84%CE%BF%CE%BE%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%B9%CF%87%CE%B5%CE%AF%CF%89%CE%BD_%CF%83%CE%B5_%CE%B1%CE%B3%CF%81%CE%BF%CF%84%CE%B9%CE%BA%CE%AC_%CE%B5%CE%B4%CE%AC%CF%86%CE%B7_%CF%85%CE%B3%CF%81%CF%8E%CE%BD_%CF%84%CF%81%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD 2022-03-23T20:01:12Z

<p>Siachospan: </p> <hr /> <div> [[category:Γεωργία]]<br /> '''Ένα πλαίσιο τηλεπισκόπησης για την χαρτογράφηση πιθανών τοξικών στοιχείων σε αγροτικά εδάφη υγρών τροπικών περιοχών'''<br /> <br /> '''A remote sensing framework to map potential toxic elements in agricultural soils in the humid tropics''' <br /> <br /> Wanderson de Sousa Mendes, Jose A.M. Dematte, Maria Eduarda B. de <br /> Resende, Luiz Fernando Chimelo Ruiz, Danilo Cesar de Mello, Jorge <br /> Tadeu Fim Rosas, Nelida Elizabet Quinonez Silvero, Luís Reynaldo <br /> Ferracciú Alleoni, Marina Colzato, Nícolas Augusto Rosin, Lucas Rabelo <br /> Campos. Environmental Pollution,Volume 292, Part B (2022), 118397. <br /> <br /> Πηγή: [1] <br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ1.1.jpg‎|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης και κατανομή εδαφικής δειγματοληψίας]]<br /> <br /> <br /> '''1. Εισαγωγή''' <br /> Η εδαφική μόλυνση από πιθανόν τοξικά στοιχεία (PTEs) είναι σημαντικό ζήτημα <br /> παγκοσμίως εδικά σε αγροτικές περιοχές με κινδύνους στην ασφάλεια της <br /> τροφής. Περίπου 5 εκατομμύρια περιπτώσεις μόλυνσης εδάφους από μέταλλα <br /> ή μεταλλοειδή έχουν αναφερθεί σε παγκόσμιο επίπεδο σε μια έκταση πάνω <br /> από 500 εκατομμύρια εκτάρια. <br /> Η ανθρώπινη δραστηριότητα μπορεί να προκαλέσει συσσώρευση των PTEs <br /> στο περιβάλλον, κυρίως από αγροχημικά ή και από βιομηχανικές <br /> δραστηριότητες, ανεξέλεγκτες χωματερές, λυματολάσπη, κοπριά ζώων, <br /> υπολείμματα καύσης άνθρακα και βιομηχανικά απόβλητα. Επιπλέον, οι <br /> εξορυκτικές δραστηριότητες παράγουν κατάλοιπα με υψηλή πιθανότητα <br /> μόλυνσης στο έδαφος. <br /> Στοιχεία όπως ο σίδηρος (Fe), ο ψευδάργυρος (Zn) και το χρώμιο (Cr) <br /> απαιτούνται από τα φυτά ως θρεπτικά, αλλά όταν η συγκέντρωσή τους <br /> ξεπερνά τα νόμιμα όρια θεωρούνται μολυσματικά στοιχεία ή πιθανώς τοξικά <br /> στοιχεία. Γι’ αυτό, η κατανόηση της δυναμικής και η παρακολούθηση των <br /> επιπέδων PTEs στο έδαφος μπορεί να αποτρέψει περαιτέρω περιβαλλοντική <br /> υποβάθμιση. <br /> Οι συμβατικές μέθοδοι αξιολόγησης και παρακολούθησης των PTEs και άλλων <br /> μολυσματικών στοιχείων είναι η δειγματοληψία εδάφους και η χημική <br /> εργαστηριακή ανάλυση που όμως είναι χρονοβόρα και ακριβή διαδικασία. Γι’ <br /> αυτό χρειάζεται η ανάπτυξη οικονομικά αποδοτικών και γρήγορων μεθόδων <br /> για την παρακολούθηση τέτοιων στοιχείων. Τέτοιες είναι η χρήση τεχνικών <br /> ψηφιακής τηλεπισκόπησης για τη χαρτογράφηση PTEs στο έδαφος. <br /> Οι πλατφόρμες δορυφορικών εικόνων χρησιμοποιούνται για την αξιολόγηση <br /> μεγάλων εκτάσεων γης, όπως οι χρονοσειρές δεδομένων Landsat που <br /> <br /> <br /> ανακτώνται εύκολα και χρησιμοποιούνται για την χαρτογράφηση των <br /> ιδιοτήτων του εδάφους. Ένας από τους περιορισμούς της χρήσης <br /> τηλεπισκόπησης είναι η φυτοκάλυψη που καλύπτει το έδαφος, αν και πλέον <br /> αυτό μπορεί να αντιμετωπιστεί. Τα PTEs στο έδαφος έχουν ισχυρή σχέση με τα <br /> μητρικά υλικά του και η μηχανική μάθηση αποτελεί ένα ισχυρό εργαλείο στην <br /> ποσοτικοποίηση και χωροθέτηση ιδιοτήτων του εδάφους. Καθώς τα φάσματα <br /> του εδάφους φέρουν τέτοιες πληροφορίες, γίνεται εκτίμηση ότι τα PTE μπορούν <br /> να ανιχνευθούν με τηλεπισκόπηση στο γυμνό έδαφος. Έγινε χρήση οπτικών <br /> δεδομένων από τους Landsat TM/ETM/ETM+, Landsat OLI και Sentinel και <br /> ελέγχθηκε η ποιότητα της πρόβλεψης σε χωρική, χρονική και φασματική <br /> ανάλυση. Η καταγραφή στοιχείων μόλυνσης μπορεί να βοηθήσει στις <br /> αποφάσεις που αφορούν τις χρήσεις γης, πρακτικές διαχείρισης και δημόσιες <br /> πολιτικές. <br /> <br /> '''2. Υλικά και μέθοδοι''' <br /> Η περιοχή μελέτης καλύπτει 2574χμ2 και περιλαμβάνει οκτώ Δήμους της <br /> πολιτείας του Σάο Πάολο τη Βραζιλία. Συλλέχθηκαν 360 δείγματα εδάφους σε <br /> βάθος 0-20cm τα οποία αποξηράθηκαν στον αέρα σε 45οC για 48 ώρες και <br /> κοσκινίστηκαν κάτω από 2mm. Η εκχύλιση πραγματοποιήθηκε με νιτρικό και <br /> υδροχλωρικό οξύ σε κλειστά δοχεία για τα Al, As, B, Ba, Ca, Cd, Co, Cr, Cu, Fe, <br /> K, Mg, Mn, Mo, Na, Ni, P, Pb, S, Si και Zn. <br /> <br /> <br /> <br /> Εικόνα 1: Περιοχή μελέτης και κατανομή εδαφικής δειγματοληψίας <br /> <br /> <br /> Οι δορυφορικοί δέκτες ανακτούν πολυφασματικά δεδομένα από το ορατό, το <br /> εγγύς υπέρυθρο, το μικροκυματικό υπέρυθρο και άλλα συγκεκριμένα εύρη. Οι <br /> εικόνες Sentinel και Landsat OLI αφορούσαν την περίοδο 2016-2019 και για <br /> τους δορυφόρους Landsat TM οι εικόνες αφορούσαν την περίοδο 1984-2019. <br /> Έγινε επιλογή εικόνων με νεφοκάλυψη έως και 20%, ενώ οι εικόνες Sentinel με <br /> ανάλυση 10 μέτρα τροποποιήθηκαν στα 20 μέτρα έτσι ώστε να υπάρχει η ίδια <br /> χωρική ανάλυση μεταξύ των εικόνων. <br /> Ο αλγόριθμος GEOS3 χρησιμοποιήθηκε για περιοχές που το γυμνό έδαφος <br /> κρύβεται, χρησιμοποιώντας φασματικούς δείκτες. Το αποτέλεσμα αυτής της <br /> μεθόδου ονομάζεται Synthetic Soil Image (SYSI) που είναι ο φασματικός <br /> διάμεσος των περιοχών γυμνού εδάφους στις δορυφορικές εικόνες. <br /> Εφαρμόστηκαν οι αρχές ψηφιακής χαρτογράφησης του εδάφους για τη <br /> συσχέτιση των παρατηρήσεων από την ανάλυση του εργαστηρίου στα <br /> κανάλια της SYSI ως μεταβλητές χρησιμοποιώντας τον αλγόριθμο Τυχαία Δάση <br /> (RF). Τα δεδομένα χωρίστηκαν τυχαία σε 80% για εκπαίδευση/βαθμονόμηση και <br /> 20% για επαλήθευση. Τα δύο τρίτα των δειγμάτων χρησιμοποιήθηκαν για το <br /> χτίσιμο του δέντρου απόφασης, ενώ τα υπόλοιπα χρησιμοποιήθηκαν για την <br /> αξιολόγηση της απόδοσης του μοντέλου και την επιλογή υποσυνόλου <br /> εκπαίδευσης με καλύτερη ακρίβεια. Η επιλογή του RF έναντι άλλων μεθόδων <br /> μηχανικής μάθησης έγινε μεταξύ άλλων γιατί πρόκειται για εδραιωμένη στην <br /> ψηφιακή χαρτογράφηση εδάφους, ενώ η μοντελοποίηση έγινε σε γλώσσα <br /> προγραμματισμού Python. <br /> <br /> '''3. Αποτελέσματα''' <br /> Η οργανική ουσία του εδάφους (SOM) και τα περιεχόμενα της λάσπης <br /> κυμαίνονταν μεταξύ 1-40 g kg-1 και μεταξύ 8-665 g kg-1 με μέσες τιμές 14 και 210 <br /> g kg-1 αντίστοιχα, που είναι οι τυπικές τιμές σε υγρά τροπικά εδάφη. Τα εύρη <br /> των Cr, Fe, Ni, and Zn ήταν 89, 83291 (83 g kg−1), 33, and 119 mg kg−1, που <br /> δείχνει υψηλή μεταβλητότητα και μέσες τιμές 14, 11692 (12 g kg−1), 4, and 15 mg <br /> kg−1, αντίστοιχα. <br /> Τα νόμιμα όρια για Cr, Ni και Zn είναι στα 75, 30 και 300 mg kg-1 αντίστοιχα. <br /> Ωστόσο, ελάχιστες τιμές QRV για τη μόλυνση σε αγροτικές περιοχές έχει οριστεί <br /> σε 150, 70 και 450 mg kg-1 για τα Cr, Ni και Zn αντίστοιχα. Στην περίπτωση της <br /> μελέτης οι μέγιστες τιμές των Cr και Ni ήταν πάνω από τα όρια, αλλά κάτω από <br /> τα όρια τιμών για ρύπους. Υψηλή συγκέντρωση Fe στο έδαφος μπορεί να είναι <br /> επιβλαβές για τους καρπούς, όπως το καλαμπόκι και το ρύζι. Η μακροχρόνια <br /> καλλιέργεια ζαχαροκάλαμου έχει επίσης αναφερθεί ως μία από τις πηγές <br /> συσσώρευσης ρύπων στην περιοχή, εξηγώντας τις υψηλές συγκεντρώσεις Cr <br /> και Ni. <br /> Έγινε συσχέτιση 21 στοιχείων γεωπονικής και περιβαλλοντικής σημασίας με τα <br /> κανάλια SYSI και τα περισσότερα στοιχεία έδειξαν χαμηλή συσχέτιση, εκτός από <br /> τα Al, B, Cr, Fe, Ni, P, Pb, S και Zn. Ισχυρή συσχέτιση εντοπίστηκε στα κανάλια <br /> SYSI των Landsat TM με τιμές που κυμαίνονται από -0,44 έως -0,52, -0,58 έως -<br /> 0,65, -0,31 έως -0,35 και -0,4 έως -0,43 για τα Cr, Fe, Ni και Zn, αντίστοιχα. <br /> Χαρακτηριστική είναι η ισχυρή σχέση μεταξύ των επιλεγμένων PTEs και των <br /> καναλιών NIR και μικροκυματικό υπέρυθρο και για τους δύο δορυφόρους, η <br /> οποία θέτει τις βάσεις για την ανίχνευση των PTEs στο έδαφος. <br /> Καθώς τα PTEs απορροφώνται από τη λάσπη και τα SOM, συνήθως δεν <br /> εμφανίζουν συγκεκριμένα χαρακτηριστικά απορρόφησης στα φασματικά <br /> κανάλια. Το έδαφος είναι μια μίξη ανόργανων και οργανικών ουσιών που <br /> αλληλεπιδρά με τα PTEs, των οποίων η φασματική συμπεριφορά σχετίζεται με <br /> τα κανάλια NIR και SWIR. <br /> Εάν η συγκέντρωση των PTEs δεν ξεπερνάει τα 4.0 mg g-1, μερικές φορές είναι <br /> δύσκολη ή αδύνατη η ανίχνευση των φασματικών σημάτων τους, ενώ επίσης <br /> τα PTEs δεν εμφανίζουν συγκεκριμένα χαρακτηριστικά ανάκλασης στα <br /> πολυφασματικά δεδομένα. Η πιο πολύτιμη διάκριση έγινε από τη μέθοδο SYSI με <br /> δεδομένα 35ετίας από τους Landsat TM. <br /> Έγιναν χωρικά τα τέσσερα πιο σχετικά PTEs με χρήση SYSI σε συνδυασμό με τον <br /> αλγόριθμο RF. Αξιολογήθηκε η ποιότητα του μοντέλου πρόβλεψης και <br /> προσδιορίστηκε ότι οι χαμηλότερες τιμές MAEval και υψηλότερες τιμές R2val για <br /> όλα τα PTEs μπορούν να επιτευχθούν με χρήση εικόνων Landsat από τη <br /> συλλογή 35-ετίας. <br /> Η μεγαλύτερη χρονική κάλυψη των Landsat TM επέτρεψε την ανάκτηση <br /> περισσότερων εκτάσεων γυμνού εδάφους και γι’ αυτό τα PTEs μπορούσαν να <br /> χαρτογραφηθούν σε μεγαλύτερες αγροτικές περιοχές απ’ ότι με εικόνες <br /> Sentinel και Landsat OLI που κάλυπταν μόνο 4 χρόνια. Σ’ αυτή την περίπτωση <br /> η μεγαλύτερη χωρική κάλυψη μέσω της μεγαλύτερης χρονικής έκτασης, είναι <br /> πιο σημαντική από τη μεγαλύτερη φασματική και χωρική ανάλυση, όπως έχει <br /> για παράδειγμα ο Sentinel. <br /> Το ενδεχόμενο ανίχνευσης και χαρτογράφησης από δορυφορικές πλατφόρμες <br /> των PTEs και των δυναμικών τους στο περιβάλλον μπορεί να βοηθήσει τις <br /> διαδικασίες λήψης αποφάσεων, ερευνητές, περιβαλλοντικές διαγνώσεις, <br /> τροφική ασφάλεια και περιβαλλοντικές πολιτικές. Αφού τα φάσματα έχουν <br /> εσωτερική σχέση με πολλές ιδιότητες του εδάφους, τα περιεχόμενα των PTEs <br /> μπορούν να προβλεφθούν καλά. <br /> Με τη συγκεκριμένη μελέτη γίνεται συμβολή στην παρακολούθηση των <br /> υποδεικνυόμενων στοιχείων, οριοθετώντας ζώνες πιθανών υψηλών τιμών. Αν <br /> και κανένας από τους χάρτες PTEs δεν παρουσιάζει τιμές πάνω από τα νόμιμα <br /> όρια της Βραζιλίας, δύναται ακόμα μια οριοθέτηση των περιοχών κινδύνου. Οι <br /> υψηλότερες συγκεντρώσεις στοιχείων προκαλούνται σε περιοχές βασάλτη, <br /> εκτός από το στοιχείο Cr. <br /> <br /> <br /> Η πιθανότητα μόλυνσης υπόγειων υδάτων ή πηγών νερού από PTEs είναι <br /> υψηλότερη σε περιοχές κοντά σε φυσικές πηγές εάν τα επίπεδα συγκέντρωσης <br /> είναι ήδη υψηλά. Η αναγνώριση ζωνών με υψηλές συγκεντρώσεις PTEs μπορεί <br /> να αποτρέψει τη μετατόπιση του κινδύνου μόλυνσης, ενώ επιτρέπει οικολογικές <br /> προσεγγίσεις όπως η τόνωση των φυσικών εδαφικών διεργασιών για την <br /> επαναφορά σε ανεκτά σταθερή κατάσταση. <br /> <br /> '''4. Συμπεράσματα''' <br /> Με δορυφορικά δεδομένα ανιχνεύονται τα περιεχόμενα των PTEs στο έδαφος <br /> από διαφορετικά μητρικά υλικά. Η παρούσα μεθοδολογία εφαρμόστηκε για την <br /> αναγνώριση και παρακολούθηση των ζωνών κινδύνου για PTEs. Επιπλέον, η <br /> χρήση της μεθόδου SYSI που λαμβάνει τις εκτάσεις γυμνού εδάφους στις <br /> αγροτικές περιοχές βοηθάει στην ανεύρεση των πιο ευάλωτων ζωνών για PTEs. <br /> Αντί για τον Sentinel με καλύτερη χωρική πληροφορία, η καλύτερη κάλυψη <br /> επιτεύχθηκε με τη συλλογή 35 ετών από τους Landsat TM. <br /> Αν και τα δορυφορικά δεδομένα είναι αποδοτικό εργαλείο για την ανίχνευση και <br /> χαρτογράφηση PTEs στο έδαφος, έχει μερικούς περιορισμούς, με τον <br /> βασικότερο να είναι η πολυπλοκότητα της δυναμικής του τοπίου, τα <br /> χαρακτηριστικά του εδάφους, η επιλογή φασματικών μεταβλητών, η πυκνότητα <br /> δειγματοληψίας του εδάφους και οι μέθοδοι μοντελοποίησης. Η απορρόφηση <br /> και η προσρόφηση των PTEs στο έδαφος επηρεάζονται από τη δυναμική του <br /> εδάφους, το οποίο μπορεί να αυξήσει τη μόλυνση ή να μειώσει την ανίχνευσή <br /> τους. Ένας ακόμη περιορισμός στην ανίχνευση των PTEs από δωρεάν <br /> διαθέσιμες δορυφορικές εικόνες, μπορεί να είναι η χαμηλή φασματική και <br /> χωρική ανάλυση. Τέλος, η πυκνότητα δειγματοληψίας μπορεί να περιορίσει τη <br /> χωρική κάλυψη των PTEs, η οποία παρεμβαίνει στην απόδοση της μεθόδου <br /> μοντελοποίησης. Επομένως, από την έρευνα αυτή γίνεται προσπάθεια να <br /> ξεπεραστούν κάποια από τα κενά σε αυτό το πεδίο, προτείνοντας μια νέα <br /> καινοτόμο μέθοδο.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%A3%CE%99%CE%91%CE%A7%CE%9F%CE%A31.1.jpg 2022-03-23T20:00:33Z

<p>Siachospan: </p> <hr /> <div></div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%88%CE%BD%CE%B1_%CF%80%CE%BB%CE%B1%CE%AF%CF%83%CE%B9%CE%BF_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%80%CE%B9%CE%B8%CE%B1%CE%BD%CF%8E%CE%BD_%CF%84%CE%BF%CE%BE%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%B9%CF%87%CE%B5%CE%AF%CF%89%CE%BD_%CF%83%CE%B5_%CE%B1%CE%B3%CF%81%CE%BF%CF%84%CE%B9%CE%BA%CE%AC_%CE%B5%CE%B4%CE%AC%CF%86%CE%B7_%CF%85%CE%B3%CF%81%CF%8E%CE%BD_%CF%84%CF%81%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD 2022-03-23T19:59:55Z

<p>Siachospan: </p> <hr /> <div> [[category:Γεωργία]]<br /> '''Ένα πλαίσιο τηλεπισκόπησης για την χαρτογράφηση πιθανών τοξικών στοιχείων σε αγροτικά εδάφη υγρών τροπικών περιοχών'''<br /> <br /> '''A remote sensing framework to map potential toxic elements in agricultural soils in the humid tropics''' <br /> <br /> Wanderson de Sousa Mendes, Jose A.M. Dematte, Maria Eduarda B. de <br /> Resende, Luiz Fernando Chimelo Ruiz, Danilo Cesar de Mello, Jorge <br /> Tadeu Fim Rosas, Nelida Elizabet Quinonez Silvero, Luís Reynaldo <br /> Ferracciú Alleoni, Marina Colzato, Nícolas Augusto Rosin, Lucas Rabelo <br /> Campos. Environmental Pollution,Volume 292, Part B (2022), 118397. <br /> <br /> Πηγή: [1] <br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ_1.1.jpg‎|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης και κατανομή εδαφικής δειγματοληψίας]]<br /> <br /> <br /> '''1. Εισαγωγή''' <br /> Η εδαφική μόλυνση από πιθανόν τοξικά στοιχεία (PTEs) είναι σημαντικό ζήτημα <br /> παγκοσμίως εδικά σε αγροτικές περιοχές με κινδύνους στην ασφάλεια της <br /> τροφής. Περίπου 5 εκατομμύρια περιπτώσεις μόλυνσης εδάφους από μέταλλα <br /> ή μεταλλοειδή έχουν αναφερθεί σε παγκόσμιο επίπεδο σε μια έκταση πάνω <br /> από 500 εκατομμύρια εκτάρια. <br /> Η ανθρώπινη δραστηριότητα μπορεί να προκαλέσει συσσώρευση των PTEs <br /> στο περιβάλλον, κυρίως από αγροχημικά ή και από βιομηχανικές <br /> δραστηριότητες, ανεξέλεγκτες χωματερές, λυματολάσπη, κοπριά ζώων, <br /> υπολείμματα καύσης άνθρακα και βιομηχανικά απόβλητα. Επιπλέον, οι <br /> εξορυκτικές δραστηριότητες παράγουν κατάλοιπα με υψηλή πιθανότητα <br /> μόλυνσης στο έδαφος. <br /> Στοιχεία όπως ο σίδηρος (Fe), ο ψευδάργυρος (Zn) και το χρώμιο (Cr) <br /> απαιτούνται από τα φυτά ως θρεπτικά, αλλά όταν η συγκέντρωσή τους <br /> ξεπερνά τα νόμιμα όρια θεωρούνται μολυσματικά στοιχεία ή πιθανώς τοξικά <br /> στοιχεία. Γι’ αυτό, η κατανόηση της δυναμικής και η παρακολούθηση των <br /> επιπέδων PTEs στο έδαφος μπορεί να αποτρέψει περαιτέρω περιβαλλοντική <br /> υποβάθμιση. <br /> Οι συμβατικές μέθοδοι αξιολόγησης και παρακολούθησης των PTEs και άλλων <br /> μολυσματικών στοιχείων είναι η δειγματοληψία εδάφους και η χημική <br /> εργαστηριακή ανάλυση που όμως είναι χρονοβόρα και ακριβή διαδικασία. Γι’ <br /> αυτό χρειάζεται η ανάπτυξη οικονομικά αποδοτικών και γρήγορων μεθόδων <br /> για την παρακολούθηση τέτοιων στοιχείων. Τέτοιες είναι η χρήση τεχνικών <br /> ψηφιακής τηλεπισκόπησης για τη χαρτογράφηση PTEs στο έδαφος. <br /> Οι πλατφόρμες δορυφορικών εικόνων χρησιμοποιούνται για την αξιολόγηση <br /> μεγάλων εκτάσεων γης, όπως οι χρονοσειρές δεδομένων Landsat που <br /> <br /> <br /> ανακτώνται εύκολα και χρησιμοποιούνται για την χαρτογράφηση των <br /> ιδιοτήτων του εδάφους. Ένας από τους περιορισμούς της χρήσης <br /> τηλεπισκόπησης είναι η φυτοκάλυψη που καλύπτει το έδαφος, αν και πλέον <br /> αυτό μπορεί να αντιμετωπιστεί. Τα PTEs στο έδαφος έχουν ισχυρή σχέση με τα <br /> μητρικά υλικά του και η μηχανική μάθηση αποτελεί ένα ισχυρό εργαλείο στην <br /> ποσοτικοποίηση και χωροθέτηση ιδιοτήτων του εδάφους. Καθώς τα φάσματα <br /> του εδάφους φέρουν τέτοιες πληροφορίες, γίνεται εκτίμηση ότι τα PTE μπορούν <br /> να ανιχνευθούν με τηλεπισκόπηση στο γυμνό έδαφος. Έγινε χρήση οπτικών <br /> δεδομένων από τους Landsat TM/ETM/ETM+, Landsat OLI και Sentinel και <br /> ελέγχθηκε η ποιότητα της πρόβλεψης σε χωρική, χρονική και φασματική <br /> ανάλυση. Η καταγραφή στοιχείων μόλυνσης μπορεί να βοηθήσει στις <br /> αποφάσεις που αφορούν τις χρήσεις γης, πρακτικές διαχείρισης και δημόσιες <br /> πολιτικές. <br /> <br /> '''2. Υλικά και μέθοδοι''' <br /> Η περιοχή μελέτης καλύπτει 2574χμ2 και περιλαμβάνει οκτώ Δήμους της <br /> πολιτείας του Σάο Πάολο τη Βραζιλία. Συλλέχθηκαν 360 δείγματα εδάφους σε <br /> βάθος 0-20cm τα οποία αποξηράθηκαν στον αέρα σε 45οC για 48 ώρες και <br /> κοσκινίστηκαν κάτω από 2mm. Η εκχύλιση πραγματοποιήθηκε με νιτρικό και <br /> υδροχλωρικό οξύ σε κλειστά δοχεία για τα Al, As, B, Ba, Ca, Cd, Co, Cr, Cu, Fe, <br /> K, Mg, Mn, Mo, Na, Ni, P, Pb, S, Si και Zn. <br /> <br /> <br /> <br /> Εικόνα 1: Περιοχή μελέτης και κατανομή εδαφικής δειγματοληψίας <br /> <br /> <br /> Οι δορυφορικοί δέκτες ανακτούν πολυφασματικά δεδομένα από το ορατό, το <br /> εγγύς υπέρυθρο, το μικροκυματικό υπέρυθρο και άλλα συγκεκριμένα εύρη. Οι <br /> εικόνες Sentinel και Landsat OLI αφορούσαν την περίοδο 2016-2019 και για <br /> τους δορυφόρους Landsat TM οι εικόνες αφορούσαν την περίοδο 1984-2019. <br /> Έγινε επιλογή εικόνων με νεφοκάλυψη έως και 20%, ενώ οι εικόνες Sentinel με <br /> ανάλυση 10 μέτρα τροποποιήθηκαν στα 20 μέτρα έτσι ώστε να υπάρχει η ίδια <br /> χωρική ανάλυση μεταξύ των εικόνων. <br /> Ο αλγόριθμος GEOS3 χρησιμοποιήθηκε για περιοχές που το γυμνό έδαφος <br /> κρύβεται, χρησιμοποιώντας φασματικούς δείκτες. Το αποτέλεσμα αυτής της <br /> μεθόδου ονομάζεται Synthetic Soil Image (SYSI) που είναι ο φασματικός <br /> διάμεσος των περιοχών γυμνού εδάφους στις δορυφορικές εικόνες. <br /> Εφαρμόστηκαν οι αρχές ψηφιακής χαρτογράφησης του εδάφους για τη <br /> συσχέτιση των παρατηρήσεων από την ανάλυση του εργαστηρίου στα <br /> κανάλια της SYSI ως μεταβλητές χρησιμοποιώντας τον αλγόριθμο Τυχαία Δάση <br /> (RF). Τα δεδομένα χωρίστηκαν τυχαία σε 80% για εκπαίδευση/βαθμονόμηση και <br /> 20% για επαλήθευση. Τα δύο τρίτα των δειγμάτων χρησιμοποιήθηκαν για το <br /> χτίσιμο του δέντρου απόφασης, ενώ τα υπόλοιπα χρησιμοποιήθηκαν για την <br /> αξιολόγηση της απόδοσης του μοντέλου και την επιλογή υποσυνόλου <br /> εκπαίδευσης με καλύτερη ακρίβεια. Η επιλογή του RF έναντι άλλων μεθόδων <br /> μηχανικής μάθησης έγινε μεταξύ άλλων γιατί πρόκειται για εδραιωμένη στην <br /> ψηφιακή χαρτογράφηση εδάφους, ενώ η μοντελοποίηση έγινε σε γλώσσα <br /> προγραμματισμού Python. <br /> <br /> '''3. Αποτελέσματα''' <br /> Η οργανική ουσία του εδάφους (SOM) και τα περιεχόμενα της λάσπης <br /> κυμαίνονταν μεταξύ 1-40 g kg-1 και μεταξύ 8-665 g kg-1 με μέσες τιμές 14 και 210 <br /> g kg-1 αντίστοιχα, που είναι οι τυπικές τιμές σε υγρά τροπικά εδάφη. Τα εύρη <br /> των Cr, Fe, Ni, and Zn ήταν 89, 83291 (83 g kg−1), 33, and 119 mg kg−1, που <br /> δείχνει υψηλή μεταβλητότητα και μέσες τιμές 14, 11692 (12 g kg−1), 4, and 15 mg <br /> kg−1, αντίστοιχα. <br /> Τα νόμιμα όρια για Cr, Ni και Zn είναι στα 75, 30 και 300 mg kg-1 αντίστοιχα. <br /> Ωστόσο, ελάχιστες τιμές QRV για τη μόλυνση σε αγροτικές περιοχές έχει οριστεί <br /> σε 150, 70 και 450 mg kg-1 για τα Cr, Ni και Zn αντίστοιχα. Στην περίπτωση της <br /> μελέτης οι μέγιστες τιμές των Cr και Ni ήταν πάνω από τα όρια, αλλά κάτω από <br /> τα όρια τιμών για ρύπους. Υψηλή συγκέντρωση Fe στο έδαφος μπορεί να είναι <br /> επιβλαβές για τους καρπούς, όπως το καλαμπόκι και το ρύζι. Η μακροχρόνια <br /> καλλιέργεια ζαχαροκάλαμου έχει επίσης αναφερθεί ως μία από τις πηγές <br /> συσσώρευσης ρύπων στην περιοχή, εξηγώντας τις υψηλές συγκεντρώσεις Cr <br /> και Ni. <br /> Έγινε συσχέτιση 21 στοιχείων γεωπονικής και περιβαλλοντικής σημασίας με τα <br /> κανάλια SYSI και τα περισσότερα στοιχεία έδειξαν χαμηλή συσχέτιση, εκτός από <br /> τα Al, B, Cr, Fe, Ni, P, Pb, S και Zn. Ισχυρή συσχέτιση εντοπίστηκε στα κανάλια <br /> SYSI των Landsat TM με τιμές που κυμαίνονται από -0,44 έως -0,52, -0,58 έως -<br /> 0,65, -0,31 έως -0,35 και -0,4 έως -0,43 για τα Cr, Fe, Ni και Zn, αντίστοιχα. <br /> Χαρακτηριστική είναι η ισχυρή σχέση μεταξύ των επιλεγμένων PTEs και των <br /> καναλιών NIR και μικροκυματικό υπέρυθρο και για τους δύο δορυφόρους, η <br /> οποία θέτει τις βάσεις για την ανίχνευση των PTEs στο έδαφος. <br /> Καθώς τα PTEs απορροφώνται από τη λάσπη και τα SOM, συνήθως δεν <br /> εμφανίζουν συγκεκριμένα χαρακτηριστικά απορρόφησης στα φασματικά <br /> κανάλια. Το έδαφος είναι μια μίξη ανόργανων και οργανικών ουσιών που <br /> αλληλεπιδρά με τα PTEs, των οποίων η φασματική συμπεριφορά σχετίζεται με <br /> τα κανάλια NIR και SWIR. <br /> Εάν η συγκέντρωση των PTEs δεν ξεπερνάει τα 4.0 mg g-1, μερικές φορές είναι <br /> δύσκολη ή αδύνατη η ανίχνευση των φασματικών σημάτων τους, ενώ επίσης <br /> τα PTEs δεν εμφανίζουν συγκεκριμένα χαρακτηριστικά ανάκλασης στα <br /> πολυφασματικά δεδομένα. Η πιο πολύτιμη διάκριση έγινε από τη μέθοδο SYSI με <br /> δεδομένα 35ετίας από τους Landsat TM. <br /> Έγιναν χωρικά τα τέσσερα πιο σχετικά PTEs με χρήση SYSI σε συνδυασμό με τον <br /> αλγόριθμο RF. Αξιολογήθηκε η ποιότητα του μοντέλου πρόβλεψης και <br /> προσδιορίστηκε ότι οι χαμηλότερες τιμές MAEval και υψηλότερες τιμές R2val για <br /> όλα τα PTEs μπορούν να επιτευχθούν με χρήση εικόνων Landsat από τη <br /> συλλογή 35-ετίας. <br /> Η μεγαλύτερη χρονική κάλυψη των Landsat TM επέτρεψε την ανάκτηση <br /> περισσότερων εκτάσεων γυμνού εδάφους και γι’ αυτό τα PTEs μπορούσαν να <br /> χαρτογραφηθούν σε μεγαλύτερες αγροτικές περιοχές απ’ ότι με εικόνες <br /> Sentinel και Landsat OLI που κάλυπταν μόνο 4 χρόνια. Σ’ αυτή την περίπτωση <br /> η μεγαλύτερη χωρική κάλυψη μέσω της μεγαλύτερης χρονικής έκτασης, είναι <br /> πιο σημαντική από τη μεγαλύτερη φασματική και χωρική ανάλυση, όπως έχει <br /> για παράδειγμα ο Sentinel. <br /> Το ενδεχόμενο ανίχνευσης και χαρτογράφησης από δορυφορικές πλατφόρμες <br /> των PTEs και των δυναμικών τους στο περιβάλλον μπορεί να βοηθήσει τις <br /> διαδικασίες λήψης αποφάσεων, ερευνητές, περιβαλλοντικές διαγνώσεις, <br /> τροφική ασφάλεια και περιβαλλοντικές πολιτικές. Αφού τα φάσματα έχουν <br /> εσωτερική σχέση με πολλές ιδιότητες του εδάφους, τα περιεχόμενα των PTEs <br /> μπορούν να προβλεφθούν καλά. <br /> Με τη συγκεκριμένη μελέτη γίνεται συμβολή στην παρακολούθηση των <br /> υποδεικνυόμενων στοιχείων, οριοθετώντας ζώνες πιθανών υψηλών τιμών. Αν <br /> και κανένας από τους χάρτες PTEs δεν παρουσιάζει τιμές πάνω από τα νόμιμα <br /> όρια της Βραζιλίας, δύναται ακόμα μια οριοθέτηση των περιοχών κινδύνου. Οι <br /> υψηλότερες συγκεντρώσεις στοιχείων προκαλούνται σε περιοχές βασάλτη, <br /> εκτός από το στοιχείο Cr. <br /> <br /> <br /> Η πιθανότητα μόλυνσης υπόγειων υδάτων ή πηγών νερού από PTEs είναι <br /> υψηλότερη σε περιοχές κοντά σε φυσικές πηγές εάν τα επίπεδα συγκέντρωσης <br /> είναι ήδη υψηλά. Η αναγνώριση ζωνών με υψηλές συγκεντρώσεις PTEs μπορεί <br /> να αποτρέψει τη μετατόπιση του κινδύνου μόλυνσης, ενώ επιτρέπει οικολογικές <br /> προσεγγίσεις όπως η τόνωση των φυσικών εδαφικών διεργασιών για την <br /> επαναφορά σε ανεκτά σταθερή κατάσταση. <br /> <br /> '''4. Συμπεράσματα''' <br /> Με δορυφορικά δεδομένα ανιχνεύονται τα περιεχόμενα των PTEs στο έδαφος <br /> από διαφορετικά μητρικά υλικά. Η παρούσα μεθοδολογία εφαρμόστηκε για την <br /> αναγνώριση και παρακολούθηση των ζωνών κινδύνου για PTEs. Επιπλέον, η <br /> χρήση της μεθόδου SYSI που λαμβάνει τις εκτάσεις γυμνού εδάφους στις <br /> αγροτικές περιοχές βοηθάει στην ανεύρεση των πιο ευάλωτων ζωνών για PTEs. <br /> Αντί για τον Sentinel με καλύτερη χωρική πληροφορία, η καλύτερη κάλυψη <br /> επιτεύχθηκε με τη συλλογή 35 ετών από τους Landsat TM. <br /> Αν και τα δορυφορικά δεδομένα είναι αποδοτικό εργαλείο για την ανίχνευση και <br /> χαρτογράφηση PTEs στο έδαφος, έχει μερικούς περιορισμούς, με τον <br /> βασικότερο να είναι η πολυπλοκότητα της δυναμικής του τοπίου, τα <br /> χαρακτηριστικά του εδάφους, η επιλογή φασματικών μεταβλητών, η πυκνότητα <br /> δειγματοληψίας του εδάφους και οι μέθοδοι μοντελοποίησης. Η απορρόφηση <br /> και η προσρόφηση των PTEs στο έδαφος επηρεάζονται από τη δυναμική του <br /> εδάφους, το οποίο μπορεί να αυξήσει τη μόλυνση ή να μειώσει την ανίχνευσή <br /> τους. Ένας ακόμη περιορισμός στην ανίχνευση των PTEs από δωρεάν <br /> διαθέσιμες δορυφορικές εικόνες, μπορεί να είναι η χαμηλή φασματική και <br /> χωρική ανάλυση. Τέλος, η πυκνότητα δειγματοληψίας μπορεί να περιορίσει τη <br /> χωρική κάλυψη των PTEs, η οποία παρεμβαίνει στην απόδοση της μεθόδου <br /> μοντελοποίησης. Επομένως, από την έρευνα αυτή γίνεται προσπάθεια να <br /> ξεπεραστούν κάποια από τα κενά σε αυτό το πεδίο, προτείνοντας μια νέα <br /> καινοτόμο μέθοδο.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%88%CE%BD%CE%B1_%CF%80%CE%BB%CE%B1%CE%AF%CF%83%CE%B9%CE%BF_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%80%CE%B9%CE%B8%CE%B1%CE%BD%CF%8E%CE%BD_%CF%84%CE%BF%CE%BE%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%B9%CF%87%CE%B5%CE%AF%CF%89%CE%BD_%CF%83%CE%B5_%CE%B1%CE%B3%CF%81%CE%BF%CF%84%CE%B9%CE%BA%CE%AC_%CE%B5%CE%B4%CE%AC%CF%86%CE%B7_%CF%85%CE%B3%CF%81%CF%8E%CE%BD_%CF%84%CF%81%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD 2022-03-23T19:56:21Z

<p>Siachospan: </p> <hr /> <div> [[category:Γεωργία]]<br /> '''Ένα πλαίσιο τηλεπισκόπησης για την χαρτογράφηση πιθανών τοξικών στοιχείων σε αγροτικά εδάφη υγρών τροπικών περιοχών'''<br /> <br /> '''A remote sensing framework to map potential toxic elements in agricultural soils in the humid tropics''' <br /> <br /> Wanderson de Sousa Mendes, Jose A.M. Dematte, Maria Eduarda B. de <br /> Resende, Luiz Fernando Chimelo Ruiz, Danilo Cesar de Mello, Jorge <br /> Tadeu Fim Rosas, Nelida Elizabet Quinonez Silvero, Luís Reynaldo <br /> Ferracciú Alleoni, Marina Colzato, Nícolas Augusto Rosin, Lucas Rabelo <br /> Campos. Environmental Pollution,Volume 292, Part B (2022), 118397. <br /> <br /> Πηγή: [1] <br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ1.1.jpg‎|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης και κατανομή εδαφικής δειγματοληψίας]]<br /> <br /> <br /> '''1. Εισαγωγή''' <br /> Η εδαφική μόλυνση από πιθανόν τοξικά στοιχεία (PTEs) είναι σημαντικό ζήτημα <br /> παγκοσμίως εδικά σε αγροτικές περιοχές με κινδύνους στην ασφάλεια της <br /> τροφής. Περίπου 5 εκατομμύρια περιπτώσεις μόλυνσης εδάφους από μέταλλα <br /> ή μεταλλοειδή έχουν αναφερθεί σε παγκόσμιο επίπεδο σε μια έκταση πάνω <br /> από 500 εκατομμύρια εκτάρια. <br /> Η ανθρώπινη δραστηριότητα μπορεί να προκαλέσει συσσώρευση των PTEs <br /> στο περιβάλλον, κυρίως από αγροχημικά ή και από βιομηχανικές <br /> δραστηριότητες, ανεξέλεγκτες χωματερές, λυματολάσπη, κοπριά ζώων, <br /> υπολείμματα καύσης άνθρακα και βιομηχανικά απόβλητα. Επιπλέον, οι <br /> εξορυκτικές δραστηριότητες παράγουν κατάλοιπα με υψηλή πιθανότητα <br /> μόλυνσης στο έδαφος. <br /> Στοιχεία όπως ο σίδηρος (Fe), ο ψευδάργυρος (Zn) και το χρώμιο (Cr) <br /> απαιτούνται από τα φυτά ως θρεπτικά, αλλά όταν η συγκέντρωσή τους <br /> ξεπερνά τα νόμιμα όρια θεωρούνται μολυσματικά στοιχεία ή πιθανώς τοξικά <br /> στοιχεία. Γι’ αυτό, η κατανόηση της δυναμικής και η παρακολούθηση των <br /> επιπέδων PTEs στο έδαφος μπορεί να αποτρέψει περαιτέρω περιβαλλοντική <br /> υποβάθμιση. <br /> Οι συμβατικές μέθοδοι αξιολόγησης και παρακολούθησης των PTEs και άλλων <br /> μολυσματικών στοιχείων είναι η δειγματοληψία εδάφους και η χημική <br /> εργαστηριακή ανάλυση που όμως είναι χρονοβόρα και ακριβή διαδικασία. Γι’ <br /> αυτό χρειάζεται η ανάπτυξη οικονομικά αποδοτικών και γρήγορων μεθόδων <br /> για την παρακολούθηση τέτοιων στοιχείων. Τέτοιες είναι η χρήση τεχνικών <br /> ψηφιακής τηλεπισκόπησης για τη χαρτογράφηση PTEs στο έδαφος. <br /> Οι πλατφόρμες δορυφορικών εικόνων χρησιμοποιούνται για την αξιολόγηση <br /> μεγάλων εκτάσεων γης, όπως οι χρονοσειρές δεδομένων Landsat που <br /> <br /> <br /> ανακτώνται εύκολα και χρησιμοποιούνται για την χαρτογράφηση των <br /> ιδιοτήτων του εδάφους. Ένας από τους περιορισμούς της χρήσης <br /> τηλεπισκόπησης είναι η φυτοκάλυψη που καλύπτει το έδαφος, αν και πλέον <br /> αυτό μπορεί να αντιμετωπιστεί. Τα PTEs στο έδαφος έχουν ισχυρή σχέση με τα <br /> μητρικά υλικά του και η μηχανική μάθηση αποτελεί ένα ισχυρό εργαλείο στην <br /> ποσοτικοποίηση και χωροθέτηση ιδιοτήτων του εδάφους. Καθώς τα φάσματα <br /> του εδάφους φέρουν τέτοιες πληροφορίες, γίνεται εκτίμηση ότι τα PTE μπορούν <br /> να ανιχνευθούν με τηλεπισκόπηση στο γυμνό έδαφος. Έγινε χρήση οπτικών <br /> δεδομένων από τους Landsat TM/ETM/ETM+, Landsat OLI και Sentinel και <br /> ελέγχθηκε η ποιότητα της πρόβλεψης σε χωρική, χρονική και φασματική <br /> ανάλυση. Η καταγραφή στοιχείων μόλυνσης μπορεί να βοηθήσει στις <br /> αποφάσεις που αφορούν τις χρήσεις γης, πρακτικές διαχείρισης και δημόσιες <br /> πολιτικές. <br /> <br /> '''2. Υλικά και μέθοδοι''' <br /> Η περιοχή μελέτης καλύπτει 2574χμ2 και περιλαμβάνει οκτώ Δήμους της <br /> πολιτείας του Σάο Πάολο τη Βραζιλία. Συλλέχθηκαν 360 δείγματα εδάφους σε <br /> βάθος 0-20cm τα οποία αποξηράθηκαν στον αέρα σε 45οC για 48 ώρες και <br /> κοσκινίστηκαν κάτω από 2mm. Η εκχύλιση πραγματοποιήθηκε με νιτρικό και <br /> υδροχλωρικό οξύ σε κλειστά δοχεία για τα Al, As, B, Ba, Ca, Cd, Co, Cr, Cu, Fe, <br /> K, Mg, Mn, Mo, Na, Ni, P, Pb, S, Si και Zn. <br /> <br /> <br /> <br /> Εικόνα 1: Περιοχή μελέτης και κατανομή εδαφικής δειγματοληψίας <br /> <br /> <br /> Οι δορυφορικοί δέκτες ανακτούν πολυφασματικά δεδομένα από το ορατό, το <br /> εγγύς υπέρυθρο, το μικροκυματικό υπέρυθρο και άλλα συγκεκριμένα εύρη. Οι <br /> εικόνες Sentinel και Landsat OLI αφορούσαν την περίοδο 2016-2019 και για <br /> τους δορυφόρους Landsat TM οι εικόνες αφορούσαν την περίοδο 1984-2019. <br /> Έγινε επιλογή εικόνων με νεφοκάλυψη έως και 20%, ενώ οι εικόνες Sentinel με <br /> ανάλυση 10 μέτρα τροποποιήθηκαν στα 20 μέτρα έτσι ώστε να υπάρχει η ίδια <br /> χωρική ανάλυση μεταξύ των εικόνων. <br /> Ο αλγόριθμος GEOS3 χρησιμοποιήθηκε για περιοχές που το γυμνό έδαφος <br /> κρύβεται, χρησιμοποιώντας φασματικούς δείκτες. Το αποτέλεσμα αυτής της <br /> μεθόδου ονομάζεται Synthetic Soil Image (SYSI) που είναι ο φασματικός <br /> διάμεσος των περιοχών γυμνού εδάφους στις δορυφορικές εικόνες. <br /> Εφαρμόστηκαν οι αρχές ψηφιακής χαρτογράφησης του εδάφους για τη <br /> συσχέτιση των παρατηρήσεων από την ανάλυση του εργαστηρίου στα <br /> κανάλια της SYSI ως μεταβλητές χρησιμοποιώντας τον αλγόριθμο Τυχαία Δάση <br /> (RF). Τα δεδομένα χωρίστηκαν τυχαία σε 80% για εκπαίδευση/βαθμονόμηση και <br /> 20% για επαλήθευση. Τα δύο τρίτα των δειγμάτων χρησιμοποιήθηκαν για το <br /> χτίσιμο του δέντρου απόφασης, ενώ τα υπόλοιπα χρησιμοποιήθηκαν για την <br /> αξιολόγηση της απόδοσης του μοντέλου και την επιλογή υποσυνόλου <br /> εκπαίδευσης με καλύτερη ακρίβεια. Η επιλογή του RF έναντι άλλων μεθόδων <br /> μηχανικής μάθησης έγινε μεταξύ άλλων γιατί πρόκειται για εδραιωμένη στην <br /> ψηφιακή χαρτογράφηση εδάφους, ενώ η μοντελοποίηση έγινε σε γλώσσα <br /> προγραμματισμού Python. <br /> <br /> '''3. Αποτελέσματα''' <br /> Η οργανική ουσία του εδάφους (SOM) και τα περιεχόμενα της λάσπης <br /> κυμαίνονταν μεταξύ 1-40 g kg-1 και μεταξύ 8-665 g kg-1 με μέσες τιμές 14 και 210 <br /> g kg-1 αντίστοιχα, που είναι οι τυπικές τιμές σε υγρά τροπικά εδάφη. Τα εύρη <br /> των Cr, Fe, Ni, and Zn ήταν 89, 83291 (83 g kg−1), 33, and 119 mg kg−1, που <br /> δείχνει υψηλή μεταβλητότητα και μέσες τιμές 14, 11692 (12 g kg−1), 4, and 15 mg <br /> kg−1, αντίστοιχα. <br /> Τα νόμιμα όρια για Cr, Ni και Zn είναι στα 75, 30 και 300 mg kg-1 αντίστοιχα. <br /> Ωστόσο, ελάχιστες τιμές QRV για τη μόλυνση σε αγροτικές περιοχές έχει οριστεί <br /> σε 150, 70 και 450 mg kg-1 για τα Cr, Ni και Zn αντίστοιχα. Στην περίπτωση της <br /> μελέτης οι μέγιστες τιμές των Cr και Ni ήταν πάνω από τα όρια, αλλά κάτω από <br /> τα όρια τιμών για ρύπους. Υψηλή συγκέντρωση Fe στο έδαφος μπορεί να είναι <br /> επιβλαβές για τους καρπούς, όπως το καλαμπόκι και το ρύζι. Η μακροχρόνια <br /> καλλιέργεια ζαχαροκάλαμου έχει επίσης αναφερθεί ως μία από τις πηγές <br /> συσσώρευσης ρύπων στην περιοχή, εξηγώντας τις υψηλές συγκεντρώσεις Cr <br /> και Ni. <br /> Έγινε συσχέτιση 21 στοιχείων γεωπονικής και περιβαλλοντικής σημασίας με τα <br /> κανάλια SYSI και τα περισσότερα στοιχεία έδειξαν χαμηλή συσχέτιση, εκτός από <br /> τα Al, B, Cr, Fe, Ni, P, Pb, S και Zn. Ισχυρή συσχέτιση εντοπίστηκε στα κανάλια <br /> SYSI των Landsat TM με τιμές που κυμαίνονται από -0,44 έως -0,52, -0,58 έως -<br /> 0,65, -0,31 έως -0,35 και -0,4 έως -0,43 για τα Cr, Fe, Ni και Zn, αντίστοιχα. <br /> Χαρακτηριστική είναι η ισχυρή σχέση μεταξύ των επιλεγμένων PTEs και των <br /> καναλιών NIR και μικροκυματικό υπέρυθρο και για τους δύο δορυφόρους, η <br /> οποία θέτει τις βάσεις για την ανίχνευση των PTEs στο έδαφος. <br /> Καθώς τα PTEs απορροφώνται από τη λάσπη και τα SOM, συνήθως δεν <br /> εμφανίζουν συγκεκριμένα χαρακτηριστικά απορρόφησης στα φασματικά <br /> κανάλια. Το έδαφος είναι μια μίξη ανόργανων και οργανικών ουσιών που <br /> αλληλεπιδρά με τα PTEs, των οποίων η φασματική συμπεριφορά σχετίζεται με <br /> τα κανάλια NIR και SWIR. <br /> Εάν η συγκέντρωση των PTEs δεν ξεπερνάει τα 4.0 mg g-1, μερικές φορές είναι <br /> δύσκολη ή αδύνατη η ανίχνευση των φασματικών σημάτων τους, ενώ επίσης <br /> τα PTEs δεν εμφανίζουν συγκεκριμένα χαρακτηριστικά ανάκλασης στα <br /> πολυφασματικά δεδομένα. Η πιο πολύτιμη διάκριση έγινε από τη μέθοδο SYSI με <br /> δεδομένα 35ετίας από τους Landsat TM. <br /> Έγιναν χωρικά τα τέσσερα πιο σχετικά PTEs με χρήση SYSI σε συνδυασμό με τον <br /> αλγόριθμο RF. Αξιολογήθηκε η ποιότητα του μοντέλου πρόβλεψης και <br /> προσδιορίστηκε ότι οι χαμηλότερες τιμές MAEval και υψηλότερες τιμές R2val για <br /> όλα τα PTEs μπορούν να επιτευχθούν με χρήση εικόνων Landsat από τη <br /> συλλογή 35-ετίας. <br /> Η μεγαλύτερη χρονική κάλυψη των Landsat TM επέτρεψε την ανάκτηση <br /> περισσότερων εκτάσεων γυμνού εδάφους και γι’ αυτό τα PTEs μπορούσαν να <br /> χαρτογραφηθούν σε μεγαλύτερες αγροτικές περιοχές απ’ ότι με εικόνες <br /> Sentinel και Landsat OLI που κάλυπταν μόνο 4 χρόνια. Σ’ αυτή την περίπτωση <br /> η μεγαλύτερη χωρική κάλυψη μέσω της μεγαλύτερης χρονικής έκτασης, είναι <br /> πιο σημαντική από τη μεγαλύτερη φασματική και χωρική ανάλυση, όπως έχει <br /> για παράδειγμα ο Sentinel. <br /> Το ενδεχόμενο ανίχνευσης και χαρτογράφησης από δορυφορικές πλατφόρμες <br /> των PTEs και των δυναμικών τους στο περιβάλλον μπορεί να βοηθήσει τις <br /> διαδικασίες λήψης αποφάσεων, ερευνητές, περιβαλλοντικές διαγνώσεις, <br /> τροφική ασφάλεια και περιβαλλοντικές πολιτικές. Αφού τα φάσματα έχουν <br /> εσωτερική σχέση με πολλές ιδιότητες του εδάφους, τα περιεχόμενα των PTEs <br /> μπορούν να προβλεφθούν καλά. <br /> Με τη συγκεκριμένη μελέτη γίνεται συμβολή στην παρακολούθηση των <br /> υποδεικνυόμενων στοιχείων, οριοθετώντας ζώνες πιθανών υψηλών τιμών. Αν <br /> και κανένας από τους χάρτες PTEs δεν παρουσιάζει τιμές πάνω από τα νόμιμα <br /> όρια της Βραζιλίας, δύναται ακόμα μια οριοθέτηση των περιοχών κινδύνου. Οι <br /> υψηλότερες συγκεντρώσεις στοιχείων προκαλούνται σε περιοχές βασάλτη, <br /> εκτός από το στοιχείο Cr. <br /> <br /> <br /> Η πιθανότητα μόλυνσης υπόγειων υδάτων ή πηγών νερού από PTEs είναι <br /> υψηλότερη σε περιοχές κοντά σε φυσικές πηγές εάν τα επίπεδα συγκέντρωσης <br /> είναι ήδη υψηλά. Η αναγνώριση ζωνών με υψηλές συγκεντρώσεις PTEs μπορεί <br /> να αποτρέψει τη μετατόπιση του κινδύνου μόλυνσης, ενώ επιτρέπει οικολογικές <br /> προσεγγίσεις όπως η τόνωση των φυσικών εδαφικών διεργασιών για την <br /> επαναφορά σε ανεκτά σταθερή κατάσταση. <br /> <br /> '''4. Συμπεράσματα''' <br /> Με δορυφορικά δεδομένα ανιχνεύονται τα περιεχόμενα των PTEs στο έδαφος <br /> από διαφορετικά μητρικά υλικά. Η παρούσα μεθοδολογία εφαρμόστηκε για την <br /> αναγνώριση και παρακολούθηση των ζωνών κινδύνου για PTEs. Επιπλέον, η <br /> χρήση της μεθόδου SYSI που λαμβάνει τις εκτάσεις γυμνού εδάφους στις <br /> αγροτικές περιοχές βοηθάει στην ανεύρεση των πιο ευάλωτων ζωνών για PTEs. <br /> Αντί για τον Sentinel με καλύτερη χωρική πληροφορία, η καλύτερη κάλυψη <br /> επιτεύχθηκε με τη συλλογή 35 ετών από τους Landsat TM. <br /> Αν και τα δορυφορικά δεδομένα είναι αποδοτικό εργαλείο για την ανίχνευση και <br /> χαρτογράφηση PTEs στο έδαφος, έχει μερικούς περιορισμούς, με τον <br /> βασικότερο να είναι η πολυπλοκότητα της δυναμικής του τοπίου, τα <br /> χαρακτηριστικά του εδάφους, η επιλογή φασματικών μεταβλητών, η πυκνότητα <br /> δειγματοληψίας του εδάφους και οι μέθοδοι μοντελοποίησης. Η απορρόφηση <br /> και η προσρόφηση των PTEs στο έδαφος επηρεάζονται από τη δυναμική του <br /> εδάφους, το οποίο μπορεί να αυξήσει τη μόλυνση ή να μειώσει την ανίχνευσή <br /> τους. Ένας ακόμη περιορισμός στην ανίχνευση των PTEs από δωρεάν <br /> διαθέσιμες δορυφορικές εικόνες, μπορεί να είναι η χαμηλή φασματική και <br /> χωρική ανάλυση. Τέλος, η πυκνότητα δειγματοληψίας μπορεί να περιορίσει τη <br /> χωρική κάλυψη των PTEs, η οποία παρεμβαίνει στην απόδοση της μεθόδου <br /> μοντελοποίησης. Επομένως, από την έρευνα αυτή γίνεται προσπάθεια να <br /> ξεπεραστούν κάποια από τα κενά σε αυτό το πεδίο, προτείνοντας μια νέα <br /> καινοτόμο μέθοδο.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%88%CE%BD%CE%B1_%CF%80%CE%BB%CE%B1%CE%AF%CF%83%CE%B9%CE%BF_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%80%CE%B9%CE%B8%CE%B1%CE%BD%CF%8E%CE%BD_%CF%84%CE%BF%CE%BE%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%B9%CF%87%CE%B5%CE%AF%CF%89%CE%BD_%CF%83%CE%B5_%CE%B1%CE%B3%CF%81%CE%BF%CF%84%CE%B9%CE%BA%CE%AC_%CE%B5%CE%B4%CE%AC%CF%86%CE%B7_%CF%85%CE%B3%CF%81%CF%8E%CE%BD_%CF%84%CF%81%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD 2022-03-23T19:55:46Z

<p>Siachospan: </p> <hr /> <div> [[category:Γεωργία]]<br /> '''Ένα πλαίσιο τηλεπισκόπησης για την χαρτογράφηση πιθανών τοξικών στοιχείων σε αγροτικά εδάφη υγρών τροπικών περιοχών'''<br /> <br /> '''A remote sensing framework to map potential toxic elements in agricultural soils in the humid tropics''' <br /> <br /> Wanderson de Sousa Mendes, Jose A.M. Dematte, Maria Eduarda B. de <br /> Resende, Luiz Fernando Chimelo Ruiz, Danilo Cesar de Mello, Jorge <br /> Tadeu Fim Rosas, Nelida Elizabet Quinonez Silvero, Luís Reynaldo <br /> Ferracciú Alleoni, Marina Colzato, Nícolas Augusto Rosin, Lucas Rabelo <br /> Campos. Environmental Pollution,Volume 292, Part B (2022), 118397. <br /> <br /> Πηγή: [1] <br /> <br /> [[Αρχείο:ΣΙΑΧΟΣ 1.1.jpg‎|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης και κατανομή εδαφικής δειγματοληψίας]]<br /> <br /> <br /> '''1. Εισαγωγή''' <br /> Η εδαφική μόλυνση από πιθανόν τοξικά στοιχεία (PTEs) είναι σημαντικό ζήτημα <br /> παγκοσμίως εδικά σε αγροτικές περιοχές με κινδύνους στην ασφάλεια της <br /> τροφής. Περίπου 5 εκατομμύρια περιπτώσεις μόλυνσης εδάφους από μέταλλα <br /> ή μεταλλοειδή έχουν αναφερθεί σε παγκόσμιο επίπεδο σε μια έκταση πάνω <br /> από 500 εκατομμύρια εκτάρια. <br /> Η ανθρώπινη δραστηριότητα μπορεί να προκαλέσει συσσώρευση των PTEs <br /> στο περιβάλλον, κυρίως από αγροχημικά ή και από βιομηχανικές <br /> δραστηριότητες, ανεξέλεγκτες χωματερές, λυματολάσπη, κοπριά ζώων, <br /> υπολείμματα καύσης άνθρακα και βιομηχανικά απόβλητα. Επιπλέον, οι <br /> εξορυκτικές δραστηριότητες παράγουν κατάλοιπα με υψηλή πιθανότητα <br /> μόλυνσης στο έδαφος. <br /> Στοιχεία όπως ο σίδηρος (Fe), ο ψευδάργυρος (Zn) και το χρώμιο (Cr) <br /> απαιτούνται από τα φυτά ως θρεπτικά, αλλά όταν η συγκέντρωσή τους <br /> ξεπερνά τα νόμιμα όρια θεωρούνται μολυσματικά στοιχεία ή πιθανώς τοξικά <br /> στοιχεία. Γι’ αυτό, η κατανόηση της δυναμικής και η παρακολούθηση των <br /> επιπέδων PTEs στο έδαφος μπορεί να αποτρέψει περαιτέρω περιβαλλοντική <br /> υποβάθμιση. <br /> Οι συμβατικές μέθοδοι αξιολόγησης και παρακολούθησης των PTEs και άλλων <br /> μολυσματικών στοιχείων είναι η δειγματοληψία εδάφους και η χημική <br /> εργαστηριακή ανάλυση που όμως είναι χρονοβόρα και ακριβή διαδικασία. Γι’ <br /> αυτό χρειάζεται η ανάπτυξη οικονομικά αποδοτικών και γρήγορων μεθόδων <br /> για την παρακολούθηση τέτοιων στοιχείων. Τέτοιες είναι η χρήση τεχνικών <br /> ψηφιακής τηλεπισκόπησης για τη χαρτογράφηση PTEs στο έδαφος. <br /> Οι πλατφόρμες δορυφορικών εικόνων χρησιμοποιούνται για την αξιολόγηση <br /> μεγάλων εκτάσεων γης, όπως οι χρονοσειρές δεδομένων Landsat που <br /> <br /> <br /> ανακτώνται εύκολα και χρησιμοποιούνται για την χαρτογράφηση των <br /> ιδιοτήτων του εδάφους. Ένας από τους περιορισμούς της χρήσης <br /> τηλεπισκόπησης είναι η φυτοκάλυψη που καλύπτει το έδαφος, αν και πλέον <br /> αυτό μπορεί να αντιμετωπιστεί. Τα PTEs στο έδαφος έχουν ισχυρή σχέση με τα <br /> μητρικά υλικά του και η μηχανική μάθηση αποτελεί ένα ισχυρό εργαλείο στην <br /> ποσοτικοποίηση και χωροθέτηση ιδιοτήτων του εδάφους. Καθώς τα φάσματα <br /> του εδάφους φέρουν τέτοιες πληροφορίες, γίνεται εκτίμηση ότι τα PTE μπορούν <br /> να ανιχνευθούν με τηλεπισκόπηση στο γυμνό έδαφος. Έγινε χρήση οπτικών <br /> δεδομένων από τους Landsat TM/ETM/ETM+, Landsat OLI και Sentinel και <br /> ελέγχθηκε η ποιότητα της πρόβλεψης σε χωρική, χρονική και φασματική <br /> ανάλυση. Η καταγραφή στοιχείων μόλυνσης μπορεί να βοηθήσει στις <br /> αποφάσεις που αφορούν τις χρήσεις γης, πρακτικές διαχείρισης και δημόσιες <br /> πολιτικές. <br /> <br /> '''2. Υλικά και μέθοδοι''' <br /> Η περιοχή μελέτης καλύπτει 2574χμ2 και περιλαμβάνει οκτώ Δήμους της <br /> πολιτείας του Σάο Πάολο τη Βραζιλία. Συλλέχθηκαν 360 δείγματα εδάφους σε <br /> βάθος 0-20cm τα οποία αποξηράθηκαν στον αέρα σε 45οC για 48 ώρες και <br /> κοσκινίστηκαν κάτω από 2mm. Η εκχύλιση πραγματοποιήθηκε με νιτρικό και <br /> υδροχλωρικό οξύ σε κλειστά δοχεία για τα Al, As, B, Ba, Ca, Cd, Co, Cr, Cu, Fe, <br /> K, Mg, Mn, Mo, Na, Ni, P, Pb, S, Si και Zn. <br /> <br /> <br /> <br /> Εικόνα 1: Περιοχή μελέτης και κατανομή εδαφικής δειγματοληψίας <br /> <br /> <br /> Οι δορυφορικοί δέκτες ανακτούν πολυφασματικά δεδομένα από το ορατό, το <br /> εγγύς υπέρυθρο, το μικροκυματικό υπέρυθρο και άλλα συγκεκριμένα εύρη. Οι <br /> εικόνες Sentinel και Landsat OLI αφορούσαν την περίοδο 2016-2019 και για <br /> τους δορυφόρους Landsat TM οι εικόνες αφορούσαν την περίοδο 1984-2019. <br /> Έγινε επιλογή εικόνων με νεφοκάλυψη έως και 20%, ενώ οι εικόνες Sentinel με <br /> ανάλυση 10 μέτρα τροποποιήθηκαν στα 20 μέτρα έτσι ώστε να υπάρχει η ίδια <br /> χωρική ανάλυση μεταξύ των εικόνων. <br /> Ο αλγόριθμος GEOS3 χρησιμοποιήθηκε για περιοχές που το γυμνό έδαφος <br /> κρύβεται, χρησιμοποιώντας φασματικούς δείκτες. Το αποτέλεσμα αυτής της <br /> μεθόδου ονομάζεται Synthetic Soil Image (SYSI) που είναι ο φασματικός <br /> διάμεσος των περιοχών γυμνού εδάφους στις δορυφορικές εικόνες. <br /> Εφαρμόστηκαν οι αρχές ψηφιακής χαρτογράφησης του εδάφους για τη <br /> συσχέτιση των παρατηρήσεων από την ανάλυση του εργαστηρίου στα <br /> κανάλια της SYSI ως μεταβλητές χρησιμοποιώντας τον αλγόριθμο Τυχαία Δάση <br /> (RF). Τα δεδομένα χωρίστηκαν τυχαία σε 80% για εκπαίδευση/βαθμονόμηση και <br /> 20% για επαλήθευση. Τα δύο τρίτα των δειγμάτων χρησιμοποιήθηκαν για το <br /> χτίσιμο του δέντρου απόφασης, ενώ τα υπόλοιπα χρησιμοποιήθηκαν για την <br /> αξιολόγηση της απόδοσης του μοντέλου και την επιλογή υποσυνόλου <br /> εκπαίδευσης με καλύτερη ακρίβεια. Η επιλογή του RF έναντι άλλων μεθόδων <br /> μηχανικής μάθησης έγινε μεταξύ άλλων γιατί πρόκειται για εδραιωμένη στην <br /> ψηφιακή χαρτογράφηση εδάφους, ενώ η μοντελοποίηση έγινε σε γλώσσα <br /> προγραμματισμού Python. <br /> <br /> '''3. Αποτελέσματα''' <br /> Η οργανική ουσία του εδάφους (SOM) και τα περιεχόμενα της λάσπης <br /> κυμαίνονταν μεταξύ 1-40 g kg-1 και μεταξύ 8-665 g kg-1 με μέσες τιμές 14 και 210 <br /> g kg-1 αντίστοιχα, που είναι οι τυπικές τιμές σε υγρά τροπικά εδάφη. Τα εύρη <br /> των Cr, Fe, Ni, and Zn ήταν 89, 83291 (83 g kg−1), 33, and 119 mg kg−1, που <br /> δείχνει υψηλή μεταβλητότητα και μέσες τιμές 14, 11692 (12 g kg−1), 4, and 15 mg <br /> kg−1, αντίστοιχα. <br /> Τα νόμιμα όρια για Cr, Ni και Zn είναι στα 75, 30 και 300 mg kg-1 αντίστοιχα. <br /> Ωστόσο, ελάχιστες τιμές QRV για τη μόλυνση σε αγροτικές περιοχές έχει οριστεί <br /> σε 150, 70 και 450 mg kg-1 για τα Cr, Ni και Zn αντίστοιχα. Στην περίπτωση της <br /> μελέτης οι μέγιστες τιμές των Cr και Ni ήταν πάνω από τα όρια, αλλά κάτω από <br /> τα όρια τιμών για ρύπους. Υψηλή συγκέντρωση Fe στο έδαφος μπορεί να είναι <br /> επιβλαβές για τους καρπούς, όπως το καλαμπόκι και το ρύζι. Η μακροχρόνια <br /> καλλιέργεια ζαχαροκάλαμου έχει επίσης αναφερθεί ως μία από τις πηγές <br /> συσσώρευσης ρύπων στην περιοχή, εξηγώντας τις υψηλές συγκεντρώσεις Cr <br /> και Ni. <br /> Έγινε συσχέτιση 21 στοιχείων γεωπονικής και περιβαλλοντικής σημασίας με τα <br /> κανάλια SYSI και τα περισσότερα στοιχεία έδειξαν χαμηλή συσχέτιση, εκτός από <br /> τα Al, B, Cr, Fe, Ni, P, Pb, S και Zn. Ισχυρή συσχέτιση εντοπίστηκε στα κανάλια <br /> SYSI των Landsat TM με τιμές που κυμαίνονται από -0,44 έως -0,52, -0,58 έως -<br /> 0,65, -0,31 έως -0,35 και -0,4 έως -0,43 για τα Cr, Fe, Ni και Zn, αντίστοιχα. <br /> Χαρακτηριστική είναι η ισχυρή σχέση μεταξύ των επιλεγμένων PTEs και των <br /> καναλιών NIR και μικροκυματικό υπέρυθρο και για τους δύο δορυφόρους, η <br /> οποία θέτει τις βάσεις για την ανίχνευση των PTEs στο έδαφος. <br /> Καθώς τα PTEs απορροφώνται από τη λάσπη και τα SOM, συνήθως δεν <br /> εμφανίζουν συγκεκριμένα χαρακτηριστικά απορρόφησης στα φασματικά <br /> κανάλια. Το έδαφος είναι μια μίξη ανόργανων και οργανικών ουσιών που <br /> αλληλεπιδρά με τα PTEs, των οποίων η φασματική συμπεριφορά σχετίζεται με <br /> τα κανάλια NIR και SWIR. <br /> Εάν η συγκέντρωση των PTEs δεν ξεπερνάει τα 4.0 mg g-1, μερικές φορές είναι <br /> δύσκολη ή αδύνατη η ανίχνευση των φασματικών σημάτων τους, ενώ επίσης <br /> τα PTEs δεν εμφανίζουν συγκεκριμένα χαρακτηριστικά ανάκλασης στα <br /> πολυφασματικά δεδομένα. Η πιο πολύτιμη διάκριση έγινε από τη μέθοδο SYSI με <br /> δεδομένα 35ετίας από τους Landsat TM. <br /> Έγιναν χωρικά τα τέσσερα πιο σχετικά PTEs με χρήση SYSI σε συνδυασμό με τον <br /> αλγόριθμο RF. Αξιολογήθηκε η ποιότητα του μοντέλου πρόβλεψης και <br /> προσδιορίστηκε ότι οι χαμηλότερες τιμές MAEval και υψηλότερες τιμές R2val για <br /> όλα τα PTEs μπορούν να επιτευχθούν με χρήση εικόνων Landsat από τη <br /> συλλογή 35-ετίας. <br /> Η μεγαλύτερη χρονική κάλυψη των Landsat TM επέτρεψε την ανάκτηση <br /> περισσότερων εκτάσεων γυμνού εδάφους και γι’ αυτό τα PTEs μπορούσαν να <br /> χαρτογραφηθούν σε μεγαλύτερες αγροτικές περιοχές απ’ ότι με εικόνες <br /> Sentinel και Landsat OLI που κάλυπταν μόνο 4 χρόνια. Σ’ αυτή την περίπτωση <br /> η μεγαλύτερη χωρική κάλυψη μέσω της μεγαλύτερης χρονικής έκτασης, είναι <br /> πιο σημαντική από τη μεγαλύτερη φασματική και χωρική ανάλυση, όπως έχει <br /> για παράδειγμα ο Sentinel. <br /> Το ενδεχόμενο ανίχνευσης και χαρτογράφησης από δορυφορικές πλατφόρμες <br /> των PTEs και των δυναμικών τους στο περιβάλλον μπορεί να βοηθήσει τις <br /> διαδικασίες λήψης αποφάσεων, ερευνητές, περιβαλλοντικές διαγνώσεις, <br /> τροφική ασφάλεια και περιβαλλοντικές πολιτικές. Αφού τα φάσματα έχουν <br /> εσωτερική σχέση με πολλές ιδιότητες του εδάφους, τα περιεχόμενα των PTEs <br /> μπορούν να προβλεφθούν καλά. <br /> Με τη συγκεκριμένη μελέτη γίνεται συμβολή στην παρακολούθηση των <br /> υποδεικνυόμενων στοιχείων, οριοθετώντας ζώνες πιθανών υψηλών τιμών. Αν <br /> και κανένας από τους χάρτες PTEs δεν παρουσιάζει τιμές πάνω από τα νόμιμα <br /> όρια της Βραζιλίας, δύναται ακόμα μια οριοθέτηση των περιοχών κινδύνου. Οι <br /> υψηλότερες συγκεντρώσεις στοιχείων προκαλούνται σε περιοχές βασάλτη, <br /> εκτός από το στοιχείο Cr. <br /> <br /> <br /> Η πιθανότητα μόλυνσης υπόγειων υδάτων ή πηγών νερού από PTEs είναι <br /> υψηλότερη σε περιοχές κοντά σε φυσικές πηγές εάν τα επίπεδα συγκέντρωσης <br /> είναι ήδη υψηλά. Η αναγνώριση ζωνών με υψηλές συγκεντρώσεις PTEs μπορεί <br /> να αποτρέψει τη μετατόπιση του κινδύνου μόλυνσης, ενώ επιτρέπει οικολογικές <br /> προσεγγίσεις όπως η τόνωση των φυσικών εδαφικών διεργασιών για την <br /> επαναφορά σε ανεκτά σταθερή κατάσταση. <br /> <br /> '''4. Συμπεράσματα''' <br /> Με δορυφορικά δεδομένα ανιχνεύονται τα περιεχόμενα των PTEs στο έδαφος <br /> από διαφορετικά μητρικά υλικά. Η παρούσα μεθοδολογία εφαρμόστηκε για την <br /> αναγνώριση και παρακολούθηση των ζωνών κινδύνου για PTEs. Επιπλέον, η <br /> χρήση της μεθόδου SYSI που λαμβάνει τις εκτάσεις γυμνού εδάφους στις <br /> αγροτικές περιοχές βοηθάει στην ανεύρεση των πιο ευάλωτων ζωνών για PTEs. <br /> Αντί για τον Sentinel με καλύτερη χωρική πληροφορία, η καλύτερη κάλυψη <br /> επιτεύχθηκε με τη συλλογή 35 ετών από τους Landsat TM. <br /> Αν και τα δορυφορικά δεδομένα είναι αποδοτικό εργαλείο για την ανίχνευση και <br /> χαρτογράφηση PTEs στο έδαφος, έχει μερικούς περιορισμούς, με τον <br /> βασικότερο να είναι η πολυπλοκότητα της δυναμικής του τοπίου, τα <br /> χαρακτηριστικά του εδάφους, η επιλογή φασματικών μεταβλητών, η πυκνότητα <br /> δειγματοληψίας του εδάφους και οι μέθοδοι μοντελοποίησης. Η απορρόφηση <br /> και η προσρόφηση των PTEs στο έδαφος επηρεάζονται από τη δυναμική του <br /> εδάφους, το οποίο μπορεί να αυξήσει τη μόλυνση ή να μειώσει την ανίχνευσή <br /> τους. Ένας ακόμη περιορισμός στην ανίχνευση των PTEs από δωρεάν <br /> διαθέσιμες δορυφορικές εικόνες, μπορεί να είναι η χαμηλή φασματική και <br /> χωρική ανάλυση. Τέλος, η πυκνότητα δειγματοληψίας μπορεί να περιορίσει τη <br /> χωρική κάλυψη των PTEs, η οποία παρεμβαίνει στην απόδοση της μεθόδου <br /> μοντελοποίησης. Επομένως, από την έρευνα αυτή γίνεται προσπάθεια να <br /> ξεπεραστούν κάποια από τα κενά σε αυτό το πεδίο, προτείνοντας μια νέα <br /> καινοτόμο μέθοδο.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%A3%CE%99%CE%91%CE%A7%CE%9F%CE%A3_1.1.JPG 2022-03-23T19:53:09Z

<p>Siachospan: </p> <hr /> <div></div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%88%CE%BD%CE%B1_%CF%80%CE%BB%CE%B1%CE%AF%CF%83%CE%B9%CE%BF_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%80%CE%B9%CE%B8%CE%B1%CE%BD%CF%8E%CE%BD_%CF%84%CE%BF%CE%BE%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%B9%CF%87%CE%B5%CE%AF%CF%89%CE%BD_%CF%83%CE%B5_%CE%B1%CE%B3%CF%81%CE%BF%CF%84%CE%B9%CE%BA%CE%AC_%CE%B5%CE%B4%CE%AC%CF%86%CE%B7_%CF%85%CE%B3%CF%81%CF%8E%CE%BD_%CF%84%CF%81%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD 2022-03-23T19:51:25Z

<p>Siachospan: </p> <hr /> <div> [[category:Γεωργία]]<br /> '''Ένα πλαίσιο τηλεπισκόπησης για την χαρτογράφηση πιθανών τοξικών <br /> στοιχείων σε αγροτικά εδάφη υγρών τροπικών περιοχών'''<br /> <br /> '''A remote sensing framework to map potential toxic elements in <br /> agricultural soils in the humid tropics''' <br /> <br /> Wanderson de Sousa Mendes, Jose A.M. Dematte, Maria Eduarda B. de <br /> Resende, Luiz Fernando Chimelo Ruiz, Danilo Cesar de Mello, Jorge <br /> Tadeu Fim Rosas, Nelida Elizabet Quinonez Silvero, Luís Reynaldo <br /> Ferracciú Alleoni, Marina Colzato, Nícolas Augusto Rosin, Lucas Rabelo <br /> Campos. Environmental Pollution,Volume 292, Part B (2022), 118397. <br /> <br /> Πηγή: [1] <br /> <br /> <br /> <br /> '''1. Εισαγωγή''' <br /> Η εδαφική μόλυνση από πιθανόν τοξικά στοιχεία (PTEs) είναι σημαντικό ζήτημα <br /> παγκοσμίως εδικά σε αγροτικές περιοχές με κινδύνους στην ασφάλεια της <br /> τροφής. Περίπου 5 εκατομμύρια περιπτώσεις μόλυνσης εδάφους από μέταλλα <br /> ή μεταλλοειδή έχουν αναφερθεί σε παγκόσμιο επίπεδο σε μια έκταση πάνω <br /> από 500 εκατομμύρια εκτάρια. <br /> Η ανθρώπινη δραστηριότητα μπορεί να προκαλέσει συσσώρευση των PTEs <br /> στο περιβάλλον, κυρίως από αγροχημικά ή και από βιομηχανικές <br /> δραστηριότητες, ανεξέλεγκτες χωματερές, λυματολάσπη, κοπριά ζώων, <br /> υπολείμματα καύσης άνθρακα και βιομηχανικά απόβλητα. Επιπλέον, οι <br /> εξορυκτικές δραστηριότητες παράγουν κατάλοιπα με υψηλή πιθανότητα <br /> μόλυνσης στο έδαφος. <br /> Στοιχεία όπως ο σίδηρος (Fe), ο ψευδάργυρος (Zn) και το χρώμιο (Cr) <br /> απαιτούνται από τα φυτά ως θρεπτικά, αλλά όταν η συγκέντρωσή τους <br /> ξεπερνά τα νόμιμα όρια θεωρούνται μολυσματικά στοιχεία ή πιθανώς τοξικά <br /> στοιχεία. Γι’ αυτό, η κατανόηση της δυναμικής και η παρακολούθηση των <br /> επιπέδων PTEs στο έδαφος μπορεί να αποτρέψει περαιτέρω περιβαλλοντική <br /> υποβάθμιση. <br /> Οι συμβατικές μέθοδοι αξιολόγησης και παρακολούθησης των PTEs και άλλων <br /> μολυσματικών στοιχείων είναι η δειγματοληψία εδάφους και η χημική <br /> εργαστηριακή ανάλυση που όμως είναι χρονοβόρα και ακριβή διαδικασία. Γι’ <br /> αυτό χρειάζεται η ανάπτυξη οικονομικά αποδοτικών και γρήγορων μεθόδων <br /> για την παρακολούθηση τέτοιων στοιχείων. Τέτοιες είναι η χρήση τεχνικών <br /> ψηφιακής τηλεπισκόπησης για τη χαρτογράφηση PTEs στο έδαφος. <br /> Οι πλατφόρμες δορυφορικών εικόνων χρησιμοποιούνται για την αξιολόγηση <br /> μεγάλων εκτάσεων γης, όπως οι χρονοσειρές δεδομένων Landsat που <br /> <br /> <br /> ανακτώνται εύκολα και χρησιμοποιούνται για την χαρτογράφηση των <br /> ιδιοτήτων του εδάφους. Ένας από τους περιορισμούς της χρήσης <br /> τηλεπισκόπησης είναι η φυτοκάλυψη που καλύπτει το έδαφος, αν και πλέον <br /> αυτό μπορεί να αντιμετωπιστεί. Τα PTEs στο έδαφος έχουν ισχυρή σχέση με τα <br /> μητρικά υλικά του και η μηχανική μάθηση αποτελεί ένα ισχυρό εργαλείο στην <br /> ποσοτικοποίηση και χωροθέτηση ιδιοτήτων του εδάφους. Καθώς τα φάσματα <br /> του εδάφους φέρουν τέτοιες πληροφορίες, γίνεται εκτίμηση ότι τα PTE μπορούν <br /> να ανιχνευθούν με τηλεπισκόπηση στο γυμνό έδαφος. Έγινε χρήση οπτικών <br /> δεδομένων από τους Landsat TM/ETM/ETM+, Landsat OLI και Sentinel και <br /> ελέγχθηκε η ποιότητα της πρόβλεψης σε χωρική, χρονική και φασματική <br /> ανάλυση. Η καταγραφή στοιχείων μόλυνσης μπορεί να βοηθήσει στις <br /> αποφάσεις που αφορούν τις χρήσεις γης, πρακτικές διαχείρισης και δημόσιες <br /> πολιτικές. <br /> <br /> '''2. Υλικά και μέθοδοι''' <br /> Η περιοχή μελέτης καλύπτει 2574χμ2 και περιλαμβάνει οκτώ Δήμους της <br /> πολιτείας του Σάο Πάολο τη Βραζιλία. Συλλέχθηκαν 360 δείγματα εδάφους σε <br /> βάθος 0-20cm τα οποία αποξηράθηκαν στον αέρα σε 45οC για 48 ώρες και <br /> κοσκινίστηκαν κάτω από 2mm. Η εκχύλιση πραγματοποιήθηκε με νιτρικό και <br /> υδροχλωρικό οξύ σε κλειστά δοχεία για τα Al, As, B, Ba, Ca, Cd, Co, Cr, Cu, Fe, <br /> K, Mg, Mn, Mo, Na, Ni, P, Pb, S, Si και Zn. <br /> <br /> <br /> <br /> Εικόνα 1: Περιοχή μελέτης και κατανομή εδαφικής δειγματοληψίας <br /> <br /> <br /> Οι δορυφορικοί δέκτες ανακτούν πολυφασματικά δεδομένα από το ορατό, το <br /> εγγύς υπέρυθρο, το μικροκυματικό υπέρυθρο και άλλα συγκεκριμένα εύρη. Οι <br /> εικόνες Sentinel και Landsat OLI αφορούσαν την περίοδο 2016-2019 και για <br /> τους δορυφόρους Landsat TM οι εικόνες αφορούσαν την περίοδο 1984-2019. <br /> Έγινε επιλογή εικόνων με νεφοκάλυψη έως και 20%, ενώ οι εικόνες Sentinel με <br /> ανάλυση 10 μέτρα τροποποιήθηκαν στα 20 μέτρα έτσι ώστε να υπάρχει η ίδια <br /> χωρική ανάλυση μεταξύ των εικόνων. <br /> Ο αλγόριθμος GEOS3 χρησιμοποιήθηκε για περιοχές που το γυμνό έδαφος <br /> κρύβεται, χρησιμοποιώντας φασματικούς δείκτες. Το αποτέλεσμα αυτής της <br /> μεθόδου ονομάζεται Synthetic Soil Image (SYSI) που είναι ο φασματικός <br /> διάμεσος των περιοχών γυμνού εδάφους στις δορυφορικές εικόνες. <br /> Εφαρμόστηκαν οι αρχές ψηφιακής χαρτογράφησης του εδάφους για τη <br /> συσχέτιση των παρατηρήσεων από την ανάλυση του εργαστηρίου στα <br /> κανάλια της SYSI ως μεταβλητές χρησιμοποιώντας τον αλγόριθμο Τυχαία Δάση <br /> (RF). Τα δεδομένα χωρίστηκαν τυχαία σε 80% για εκπαίδευση/βαθμονόμηση και <br /> 20% για επαλήθευση. Τα δύο τρίτα των δειγμάτων χρησιμοποιήθηκαν για το <br /> χτίσιμο του δέντρου απόφασης, ενώ τα υπόλοιπα χρησιμοποιήθηκαν για την <br /> αξιολόγηση της απόδοσης του μοντέλου και την επιλογή υποσυνόλου <br /> εκπαίδευσης με καλύτερη ακρίβεια. Η επιλογή του RF έναντι άλλων μεθόδων <br /> μηχανικής μάθησης έγινε μεταξύ άλλων γιατί πρόκειται για εδραιωμένη στην <br /> ψηφιακή χαρτογράφηση εδάφους, ενώ η μοντελοποίηση έγινε σε γλώσσα <br /> προγραμματισμού Python. <br /> <br /> '''3. Αποτελέσματα''' <br /> Η οργανική ουσία του εδάφους (SOM) και τα περιεχόμενα της λάσπης <br /> κυμαίνονταν μεταξύ 1-40 g kg-1 και μεταξύ 8-665 g kg-1 με μέσες τιμές 14 και 210 <br /> g kg-1 αντίστοιχα, που είναι οι τυπικές τιμές σε υγρά τροπικά εδάφη. Τα εύρη <br /> των Cr, Fe, Ni, and Zn ήταν 89, 83291 (83 g kg−1), 33, and 119 mg kg−1, που <br /> δείχνει υψηλή μεταβλητότητα και μέσες τιμές 14, 11692 (12 g kg−1), 4, and 15 mg <br /> kg−1, αντίστοιχα. <br /> Τα νόμιμα όρια για Cr, Ni και Zn είναι στα 75, 30 και 300 mg kg-1 αντίστοιχα. <br /> Ωστόσο, ελάχιστες τιμές QRV για τη μόλυνση σε αγροτικές περιοχές έχει οριστεί <br /> σε 150, 70 και 450 mg kg-1 για τα Cr, Ni και Zn αντίστοιχα. Στην περίπτωση της <br /> μελέτης οι μέγιστες τιμές των Cr και Ni ήταν πάνω από τα όρια, αλλά κάτω από <br /> τα όρια τιμών για ρύπους. Υψηλή συγκέντρωση Fe στο έδαφος μπορεί να είναι <br /> επιβλαβές για τους καρπούς, όπως το καλαμπόκι και το ρύζι. Η μακροχρόνια <br /> καλλιέργεια ζαχαροκάλαμου έχει επίσης αναφερθεί ως μία από τις πηγές <br /> συσσώρευσης ρύπων στην περιοχή, εξηγώντας τις υψηλές συγκεντρώσεις Cr <br /> και Ni. <br /> Έγινε συσχέτιση 21 στοιχείων γεωπονικής και περιβαλλοντικής σημασίας με τα <br /> κανάλια SYSI και τα περισσότερα στοιχεία έδειξαν χαμηλή συσχέτιση, εκτός από <br /> τα Al, B, Cr, Fe, Ni, P, Pb, S και Zn. Ισχυρή συσχέτιση εντοπίστηκε στα κανάλια <br /> SYSI των Landsat TM με τιμές που κυμαίνονται από -0,44 έως -0,52, -0,58 έως -<br /> 0,65, -0,31 έως -0,35 και -0,4 έως -0,43 για τα Cr, Fe, Ni και Zn, αντίστοιχα. <br /> Χαρακτηριστική είναι η ισχυρή σχέση μεταξύ των επιλεγμένων PTEs και των <br /> καναλιών NIR και μικροκυματικό υπέρυθρο και για τους δύο δορυφόρους, η <br /> οποία θέτει τις βάσεις για την ανίχνευση των PTEs στο έδαφος. <br /> Καθώς τα PTEs απορροφώνται από τη λάσπη και τα SOM, συνήθως δεν <br /> εμφανίζουν συγκεκριμένα χαρακτηριστικά απορρόφησης στα φασματικά <br /> κανάλια. Το έδαφος είναι μια μίξη ανόργανων και οργανικών ουσιών που <br /> αλληλεπιδρά με τα PTEs, των οποίων η φασματική συμπεριφορά σχετίζεται με <br /> τα κανάλια NIR και SWIR. <br /> Εάν η συγκέντρωση των PTEs δεν ξεπερνάει τα 4.0 mg g-1, μερικές φορές είναι <br /> δύσκολη ή αδύνατη η ανίχνευση των φασματικών σημάτων τους, ενώ επίσης <br /> τα PTEs δεν εμφανίζουν συγκεκριμένα χαρακτηριστικά ανάκλασης στα <br /> πολυφασματικά δεδομένα. Η πιο πολύτιμη διάκριση έγινε από τη μέθοδο SYSI με <br /> δεδομένα 35ετίας από τους Landsat TM. <br /> Έγιναν χωρικά τα τέσσερα πιο σχετικά PTEs με χρήση SYSI σε συνδυασμό με τον <br /> αλγόριθμο RF. Αξιολογήθηκε η ποιότητα του μοντέλου πρόβλεψης και <br /> προσδιορίστηκε ότι οι χαμηλότερες τιμές MAEval και υψηλότερες τιμές R2val για <br /> όλα τα PTEs μπορούν να επιτευχθούν με χρήση εικόνων Landsat από τη <br /> συλλογή 35-ετίας. <br /> Η μεγαλύτερη χρονική κάλυψη των Landsat TM επέτρεψε την ανάκτηση <br /> περισσότερων εκτάσεων γυμνού εδάφους και γι’ αυτό τα PTEs μπορούσαν να <br /> χαρτογραφηθούν σε μεγαλύτερες αγροτικές περιοχές απ’ ότι με εικόνες <br /> Sentinel και Landsat OLI που κάλυπταν μόνο 4 χρόνια. Σ’ αυτή την περίπτωση <br /> η μεγαλύτερη χωρική κάλυψη μέσω της μεγαλύτερης χρονικής έκτασης, είναι <br /> πιο σημαντική από τη μεγαλύτερη φασματική και χωρική ανάλυση, όπως έχει <br /> για παράδειγμα ο Sentinel. <br /> Το ενδεχόμενο ανίχνευσης και χαρτογράφησης από δορυφορικές πλατφόρμες <br /> των PTEs και των δυναμικών τους στο περιβάλλον μπορεί να βοηθήσει τις <br /> διαδικασίες λήψης αποφάσεων, ερευνητές, περιβαλλοντικές διαγνώσεις, <br /> τροφική ασφάλεια και περιβαλλοντικές πολιτικές. Αφού τα φάσματα έχουν <br /> εσωτερική σχέση με πολλές ιδιότητες του εδάφους, τα περιεχόμενα των PTEs <br /> μπορούν να προβλεφθούν καλά. <br /> Με τη συγκεκριμένη μελέτη γίνεται συμβολή στην παρακολούθηση των <br /> υποδεικνυόμενων στοιχείων, οριοθετώντας ζώνες πιθανών υψηλών τιμών. Αν <br /> και κανένας από τους χάρτες PTEs δεν παρουσιάζει τιμές πάνω από τα νόμιμα <br /> όρια της Βραζιλίας, δύναται ακόμα μια οριοθέτηση των περιοχών κινδύνου. Οι <br /> υψηλότερες συγκεντρώσεις στοιχείων προκαλούνται σε περιοχές βασάλτη, <br /> εκτός από το στοιχείο Cr. <br /> <br /> <br /> Η πιθανότητα μόλυνσης υπόγειων υδάτων ή πηγών νερού από PTEs είναι <br /> υψηλότερη σε περιοχές κοντά σε φυσικές πηγές εάν τα επίπεδα συγκέντρωσης <br /> είναι ήδη υψηλά. Η αναγνώριση ζωνών με υψηλές συγκεντρώσεις PTEs μπορεί <br /> να αποτρέψει τη μετατόπιση του κινδύνου μόλυνσης, ενώ επιτρέπει οικολογικές <br /> προσεγγίσεις όπως η τόνωση των φυσικών εδαφικών διεργασιών για την <br /> επαναφορά σε ανεκτά σταθερή κατάσταση. <br /> <br /> '''4. Συμπεράσματα''' <br /> Με δορυφορικά δεδομένα ανιχνεύονται τα περιεχόμενα των PTEs στο έδαφος <br /> από διαφορετικά μητρικά υλικά. Η παρούσα μεθοδολογία εφαρμόστηκε για την <br /> αναγνώριση και παρακολούθηση των ζωνών κινδύνου για PTEs. Επιπλέον, η <br /> χρήση της μεθόδου SYSI που λαμβάνει τις εκτάσεις γυμνού εδάφους στις <br /> αγροτικές περιοχές βοηθάει στην ανεύρεση των πιο ευάλωτων ζωνών για PTEs. <br /> Αντί για τον Sentinel με καλύτερη χωρική πληροφορία, η καλύτερη κάλυψη <br /> επιτεύχθηκε με τη συλλογή 35 ετών από τους Landsat TM. <br /> Αν και τα δορυφορικά δεδομένα είναι αποδοτικό εργαλείο για την ανίχνευση και <br /> χαρτογράφηση PTEs στο έδαφος, έχει μερικούς περιορισμούς, με τον <br /> βασικότερο να είναι η πολυπλοκότητα της δυναμικής του τοπίου, τα <br /> χαρακτηριστικά του εδάφους, η επιλογή φασματικών μεταβλητών, η πυκνότητα <br /> δειγματοληψίας του εδάφους και οι μέθοδοι μοντελοποίησης. Η απορρόφηση <br /> και η προσρόφηση των PTEs στο έδαφος επηρεάζονται από τη δυναμική του <br /> εδάφους, το οποίο μπορεί να αυξήσει τη μόλυνση ή να μειώσει την ανίχνευσή <br /> τους. Ένας ακόμη περιορισμός στην ανίχνευση των PTEs από δωρεάν <br /> διαθέσιμες δορυφορικές εικόνες, μπορεί να είναι η χαμηλή φασματική και <br /> χωρική ανάλυση. Τέλος, η πυκνότητα δειγματοληψίας μπορεί να περιορίσει τη <br /> χωρική κάλυψη των PTEs, η οποία παρεμβαίνει στην απόδοση της μεθόδου <br /> μοντελοποίησης. Επομένως, από την έρευνα αυτή γίνεται προσπάθεια να <br /> ξεπεραστούν κάποια από τα κενά σε αυτό το πεδίο, προτείνοντας μια νέα <br /> καινοτόμο μέθοδο.</div>

Siachospan http://147.102.106.44/rs/wiki/index.php/%CE%88%CE%BD%CE%B1_%CF%80%CE%BB%CE%B1%CE%AF%CF%83%CE%B9%CE%BF_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%80%CE%B9%CE%B8%CE%B1%CE%BD%CF%8E%CE%BD_%CF%84%CE%BF%CE%BE%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%B9%CF%87%CE%B5%CE%AF%CF%89%CE%BD_%CF%83%CE%B5_%CE%B1%CE%B3%CF%81%CE%BF%CF%84%CE%B9%CE%BA%CE%AC_%CE%B5%CE%B4%CE%AC%CF%86%CE%B7_%CF%85%CE%B3%CF%81%CF%8E%CE%BD_%CF%84%CF%81%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD 2022-03-23T19:50:08Z

<p>Siachospan: Νέα σελίδα με ' category:Γεωργία '''Ένα πλαίσιο τηλεπισκόπησης για την χαρτογράφηση πιθανών τοξικών στοιχείω...'</p> <hr /> <div><br /> [[category:Γεωργία]]<br /> '''Ένα πλαίσιο τηλεπισκόπησης για την χαρτογράφηση πιθανών τοξικών <br /> στοιχείων σε αγροτικά εδάφη υγρών τροπικών περιοχών''' <br /> A remote sensing framework to map potential toxic elements in <br /> agricultural soils in the humid tropics <br /> Wanderson de Sousa Mendes, Jose A.M. Dematte, Maria Eduarda B. de <br /> Resende, Luiz Fernando Chimelo Ruiz, Danilo Cesar de Mello, Jorge <br /> Tadeu Fim Rosas, Nelida Elizabet Quinonez Silvero, Luís Reynaldo <br /> Ferracciú Alleoni, Marina Colzato, Nícolas Augusto Rosin, Lucas Rabelo <br /> Campos. Environmental Pollution,Volume 292, Part B (2022), 118397. <br /> Πηγή: [1] <br /> <br /> <br /> <br /> '''1. Εισαγωγή''' <br /> Η εδαφική μόλυνση από πιθανόν τοξικά στοιχεία (PTEs) είναι σημαντικό ζήτημα <br /> παγκοσμίως εδικά σε αγροτικές περιοχές με κινδύνους στην ασφάλεια της <br /> τροφής. Περίπου 5 εκατομμύρια περιπτώσεις μόλυνσης εδάφους από μέταλλα <br /> ή μεταλλοειδή έχουν αναφερθεί σε παγκόσμιο επίπεδο σε μια έκταση πάνω <br /> από 500 εκατομμύρια εκτάρια. <br /> Η ανθρώπινη δραστηριότητα μπορεί να προκαλέσει συσσώρευση των PTEs <br /> στο περιβάλλον, κυρίως από αγροχημικά ή και από βιομηχανικές <br /> δραστηριότητες, ανεξέλεγκτες χωματερές, λυματολάσπη, κοπριά ζώων, <br /> υπολείμματα καύσης άνθρακα και βιομηχανικά απόβλητα. Επιπλέον, οι <br /> εξορυκτικές δραστηριότητες παράγουν κατάλοιπα με υψηλή πιθανότητα <br /> μόλυνσης στο έδαφος. <br /> Στοιχεία όπως ο σίδηρος (Fe), ο ψευδάργυρος (Zn) και το χρώμιο (Cr) <br /> απαιτούνται από τα φυτά ως θρεπτικά, αλλά όταν η συγκέντρωσή τους <br /> ξεπερνά τα νόμιμα όρια θεωρούνται μολυσματικά στοιχεία ή πιθανώς τοξικά <br /> στοιχεία. Γι’ αυτό, η κατανόηση της δυναμικής και η παρακολούθηση των <br /> επιπέδων PTEs στο έδαφος μπορεί να αποτρέψει περαιτέρω περιβαλλοντική <br /> υποβάθμιση. <br /> Οι συμβατικές μέθοδοι αξιολόγησης και παρακολούθησης των PTEs και άλλων <br /> μολυσματικών στοιχείων είναι η δειγματοληψία εδάφους και η χημική <br /> εργαστηριακή ανάλυση που όμως είναι χρονοβόρα και ακριβή διαδικασία. Γι’ <br /> αυτό χρειάζεται η ανάπτυξη οικονομικά αποδοτικών και γρήγορων μεθόδων <br /> για την παρακολούθηση τέτοιων στοιχείων. Τέτοιες είναι η χρήση τεχνικών <br /> ψηφιακής τηλεπισκόπησης για τη χαρτογράφηση PTEs στο έδαφος. <br /> Οι πλατφόρμες δορυφορικών εικόνων χρησιμοποιούνται για την αξιολόγηση <br /> μεγάλων εκτάσεων γης, όπως οι χρονοσειρές δεδομένων Landsat που <br /> <br /> <br /> ανακτώνται εύκολα και χρησιμοποιούνται για την χαρτογράφηση των <br /> ιδιοτήτων του εδάφους. Ένας από τους περιορισμούς της χρήσης <br /> τηλεπισκόπησης είναι η φυτοκάλυψη που καλύπτει το έδαφος, αν και πλέον <br /> αυτό μπορεί να αντιμετωπιστεί. Τα PTEs στο έδαφος έχουν ισχυρή σχέση με τα <br /> μητρικά υλικά του και η μηχανική μάθηση αποτελεί ένα ισχυρό εργαλείο στην <br /> ποσοτικοποίηση και χωροθέτηση ιδιοτήτων του εδάφους. Καθώς τα φάσματα <br /> του εδάφους φέρουν τέτοιες πληροφορίες, γίνεται εκτίμηση ότι τα PTE μπορούν <br /> να ανιχνευθούν με τηλεπισκόπηση στο γυμνό έδαφος. Έγινε χρήση οπτικών <br /> δεδομένων από τους Landsat TM/ETM/ETM+, Landsat OLI και Sentinel και <br /> ελέγχθηκε η ποιότητα της πρόβλεψης σε χωρική, χρονική και φασματική <br /> ανάλυση. Η καταγραφή στοιχείων μόλυνσης μπορεί να βοηθήσει στις <br /> αποφάσεις που αφορούν τις χρήσεις γης, πρακτικές διαχείρισης και δημόσιες <br /> πολιτικές. <br /> <br /> '''2. Υλικά και μέθοδοι''' <br /> Η περιοχή μελέτης καλύπτει 2574χμ2 και περιλαμβάνει οκτώ Δήμους της <br /> πολιτείας του Σάο Πάολο τη Βραζιλία. Συλλέχθηκαν 360 δείγματα εδάφους σε <br /> βάθος 0-20cm τα οποία αποξηράθηκαν στον αέρα σε 45οC για 48 ώρες και <br /> κοσκινίστηκαν κάτω από 2mm. Η εκχύλιση πραγματοποιήθηκε με νιτρικό και <br /> υδροχλωρικό οξύ σε κλειστά δοχεία για τα Al, As, B, Ba, Ca, Cd, Co, Cr, Cu, Fe, <br /> K, Mg, Mn, Mo, Na, Ni, P, Pb, S, Si και Zn. <br /> <br /> <br /> <br /> Εικόνα 1: Περιοχή μελέτης και κατανομή εδαφικής δειγματοληψίας <br /> <br /> <br /> Οι δορυφορικοί δέκτες ανακτούν πολυφασματικά δεδομένα από το ορατό, το <br /> εγγύς υπέρυθρο, το μικροκυματικό υπέρυθρο και άλλα συγκεκριμένα εύρη. Οι <br /> εικόνες Sentinel και Landsat OLI αφορούσαν την περίοδο 2016-2019 και για <br /> τους δορυφόρους Landsat TM οι εικόνες αφορούσαν την περίοδο 1984-2019. <br /> Έγινε επιλογή εικόνων με νεφοκάλυψη έως και 20%, ενώ οι εικόνες Sentinel με <br /> ανάλυση 10 μέτρα τροποποιήθηκαν στα 20 μέτρα έτσι ώστε να υπάρχει η ίδια <br /> χωρική ανάλυση μεταξύ των εικόνων. <br /> Ο αλγόριθμος GEOS3 χρησιμοποιήθηκε για περιοχές που το γυμνό έδαφος <br /> κρύβεται, χρησιμοποιώντας φασματικούς δείκτες. Το αποτέλεσμα αυτής της <br /> μεθόδου ονομάζεται Synthetic Soil Image (SYSI) που είναι ο φασματικός <br /> διάμεσος των περιοχών γυμνού εδάφους στις δορυφορικές εικόνες. <br /> Εφαρμόστηκαν οι αρχές ψηφιακής χαρτογράφησης του εδάφους για τη <br /> συσχέτιση των παρατηρήσεων από την ανάλυση του εργαστηρίου στα <br /> κανάλια της SYSI ως μεταβλητές χρησιμοποιώντας τον αλγόριθμο Τυχαία Δάση <br /> (RF). Τα δεδομένα χωρίστηκαν τυχαία σε 80% για εκπαίδευση/βαθμονόμηση και <br /> 20% για επαλήθευση. Τα δύο τρίτα των δειγμάτων χρησιμοποιήθηκαν για το <br /> χτίσιμο του δέντρου απόφασης, ενώ τα υπόλοιπα χρησιμοποιήθηκαν για την <br /> αξιολόγηση της απόδοσης του μοντέλου και την επιλογή υποσυνόλου <br /> εκπαίδευσης με καλύτερη ακρίβεια. Η επιλογή του RF έναντι άλλων μεθόδων <br /> μηχανικής μάθησης έγινε μεταξύ άλλων γιατί πρόκειται για εδραιωμένη στην <br /> ψηφιακή χαρτογράφηση εδάφους, ενώ η μοντελοποίηση έγινε σε γλώσσα <br /> προγραμματισμού Python. <br /> <br /> '''3. Αποτελέσματα''' <br /> Η οργανική ουσία του εδάφους (SOM) και τα περιεχόμενα της λάσπης <br /> κυμαίνονταν μεταξύ 1-40 g kg-1 και μεταξύ 8-665 g kg-1 με μέσες τιμές 14 και 210 <br /> g kg-1 αντίστοιχα, που είναι οι τυπικές τιμές σε υγρά τροπικά εδάφη. Τα εύρη <br /> των Cr, Fe, Ni, and Zn ήταν 89, 83291 (83 g kg−1), 33, and 119 mg kg−1, που <br /> δείχνει υψηλή μεταβλητότητα και μέσες τιμές 14, 11692 (12 g kg−1), 4, and 15 mg <br /> kg−1, αντίστοιχα. <br /> Τα νόμιμα όρια για Cr, Ni και Zn είναι στα 75, 30 και 300 mg kg-1 αντίστοιχα. <br /> Ωστόσο, ελάχιστες τιμές QRV για τη μόλυνση σε αγροτικές περιοχές έχει οριστεί <br /> σε 150, 70 και 450 mg kg-1 για τα Cr, Ni και Zn αντίστοιχα. Στην περίπτωση της <br /> μελέτης οι μέγιστες τιμές των Cr και Ni ήταν πάνω από τα όρια, αλλά κάτω από <br /> τα όρια τιμών για ρύπους. Υψηλή συγκέντρωση Fe στο έδαφος μπορεί να είναι <br /> επιβλαβές για τους καρπούς, όπως το καλαμπόκι και το ρύζι. Η μακροχρόνια <br /> καλλιέργεια ζαχαροκάλαμου έχει επίσης αναφερθεί ως μία από τις πηγές <br /> συσσώρευσης ρύπων στην περιοχή, εξηγώντας τις υψηλές συγκεντρώσεις Cr <br /> και Ni. <br /> Έγινε συσχέτιση 21 στοιχείων γεωπονικής και περιβαλλοντικής σημασίας με τα <br /> κανάλια SYSI και τα περισσότερα στοιχεία έδειξαν χαμηλή συσχέτιση, εκτός από <br /> τα Al, B, Cr, Fe, Ni, P, Pb, S και Zn. Ισχυρή συσχέτιση εντοπίστηκε στα κανάλια <br /> SYSI των Landsat TM με τιμές που κυμαίνονται από -0,44 έως -0,52, -0,58 έως -<br /> 0,65, -0,31 έως -0,35 και -0,4 έως -0,43 για τα Cr, Fe, Ni και Zn, αντίστοιχα. <br /> Χαρακτηριστική είναι η ισχυρή σχέση μεταξύ των επιλεγμένων PTEs και των <br /> καναλιών NIR και μικροκυματικό υπέρυθρο και για τους δύο δορυφόρους, η <br /> οποία θέτει τις βάσεις για την ανίχνευση των PTEs στο έδαφος. <br /> Καθώς τα PTEs απορροφώνται από τη λάσπη και τα SOM, συνήθως δεν <br /> εμφανίζουν συγκεκριμένα χαρακτηριστικά απορρόφησης στα φασματικά <br /> κανάλια. Το έδαφος είναι μια μίξη ανόργανων και οργανικών ουσιών που <br /> αλληλεπιδρά με τα PTEs, των οποίων η φασματική συμπεριφορά σχετίζεται με <br /> τα κανάλια NIR και SWIR. <br /> Εάν η συγκέντρωση των PTEs δεν ξεπερνάει τα 4.0 mg g-1, μερικές φορές είναι <br /> δύσκολη ή αδύνατη η ανίχνευση των φασματικών σημάτων τους, ενώ επίσης <br /> τα PTEs δεν εμφανίζουν συγκεκριμένα χαρακτηριστικά ανάκλασης στα <br /> πολυφασματικά δεδομένα. Η πιο πολύτιμη διάκριση έγινε από τη μέθοδο SYSI με <br /> δεδομένα 35ετίας από τους Landsat TM. <br /> Έγιναν χωρικά τα τέσσερα πιο σχετικά PTEs με χρήση SYSI σε συνδυασμό με τον <br /> αλγόριθμο RF. Αξιολογήθηκε η ποιότητα του μοντέλου πρόβλεψης και <br /> προσδιορίστηκε ότι οι χαμηλότερες τιμές MAEval και υψηλότερες τιμές R2val για <br /> όλα τα PTEs μπορούν να επιτευχθούν με χρήση εικόνων Landsat από τη <br /> συλλογή 35-ετίας. <br /> Η μεγαλύτερη χρονική κάλυψη των Landsat TM επέτρεψε την ανάκτηση <br /> περισσότερων εκτάσεων γυμνού εδάφους και γι’ αυτό τα PTEs μπορούσαν να <br /> χαρτογραφηθούν σε μεγαλύτερες αγροτικές περιοχές απ’ ότι με εικόνες <br /> Sentinel και Landsat OLI που κάλυπταν μόνο 4 χρόνια. Σ’ αυτή την περίπτωση <br /> η μεγαλύτερη χωρική κάλυψη μέσω της μεγαλύτερης χρονικής έκτασης, είναι <br /> πιο σημαντική από τη μεγαλύτερη φασματική και χωρική ανάλυση, όπως έχει <br /> για παράδειγμα ο Sentinel. <br /> Το ενδεχόμενο ανίχνευσης και χαρτογράφησης από δορυφορικές πλατφόρμες <br /> των PTEs και των δυναμικών τους στο περιβάλλον μπορεί να βοηθήσει τις <br /> διαδικασίες λήψης αποφάσεων, ερευνητές, περιβαλλοντικές διαγνώσεις, <br /> τροφική ασφάλεια και περιβαλλοντικές πολιτικές. Αφού τα φάσματα έχουν <br /> εσωτερική σχέση με πολλές ιδιότητες του εδάφους, τα περιεχόμενα των PTEs <br /> μπορούν να προβλεφθούν καλά. <br /> Με τη συγκεκριμένη μελέτη γίνεται συμβολή στην παρακολούθηση των <br /> υποδεικνυόμενων στοιχείων, οριοθετώντας ζώνες πιθανών υψηλών τιμών. Αν <br /> και κανένας από τους χάρτες PTEs δεν παρουσιάζει τιμές πάνω από τα νόμιμα <br /> όρια της Βραζιλίας, δύναται ακόμα μια οριοθέτηση των περιοχών κινδύνου. Οι <br /> υψηλότερες συγκεντρώσεις στοιχείων προκαλούνται σε περιοχές βασάλτη, <br /> εκτός από το στοιχείο Cr. <br /> <br /> <br /> Η πιθανότητα μόλυνσης υπόγειων υδάτων ή πηγών νερού από PTEs είναι <br /> υψηλότερη σε περιοχές κοντά σε φυσικές πηγές εάν τα επίπεδα συγκέντρωσης <br /> είναι ήδη υψηλά. Η αναγνώριση ζωνών με υψηλές συγκεντρώσεις PTEs μπορεί <br /> να αποτρέψει τη μετατόπιση του κινδύνου μόλυνσης, ενώ επιτρέπει οικολογικές <br /> προσεγγίσεις όπως η τόνωση των φυσικών εδαφικών διεργασιών για την <br /> επαναφορά σε ανεκτά σταθερή κατάσταση. <br /> <br /> '''4. Συμπεράσματα''' <br /> Με δορυφορικά δεδομένα ανιχνεύονται τα περιεχόμενα των PTEs στο έδαφος <br /> από διαφορετικά μητρικά υλικά. Η παρούσα μεθοδολογία εφαρμόστηκε για την <br /> αναγνώριση και παρακολούθηση των ζωνών κινδύνου για PTEs. Επιπλέον, η <br /> χρήση της μεθόδου SYSI που λαμβάνει τις εκτάσεις γυμνού εδάφους στις <br /> αγροτικές περιοχές βοηθάει στην ανεύρεση των πιο ευάλωτων ζωνών για PTEs. <br /> Αντί για τον Sentinel με καλύτερη χωρική πληροφορία, η καλύτερη κάλυψη <br /> επιτεύχθηκε με τη συλλογή 35 ετών από τους Landsat TM. <br /> Αν και τα δορυφορικά δεδομένα είναι αποδοτικό εργαλείο για την ανίχνευση και <br /> χαρτογράφηση PTEs στο έδαφος, έχει μερικούς περιορισμούς, με τον <br /> βασικότερο να είναι η πολυπλοκότητα της δυναμικής του τοπίου, τα <br /> χαρακτηριστικά του εδάφους, η επιλογή φασματικών μεταβλητών, η πυκνότητα <br /> δειγματοληψίας του εδάφους και οι μέθοδοι μοντελοποίησης. Η απορρόφηση <br /> και η προσρόφηση των PTEs στο έδαφος επηρεάζονται από τη δυναμική του <br /> εδάφους, το οποίο μπορεί να αυξήσει τη μόλυνση ή να μειώσει την ανίχνευσή <br /> τους. Ένας ακόμη περιορισμός στην ανίχνευση των PTEs από δωρεάν <br /> διαθέσιμες δορυφορικές εικόνες, μπορεί να είναι η χαμηλή φασματική και <br /> χωρική ανάλυση. Τέλος, η πυκνότητα δειγματοληψίας μπορεί να περιορίσει τη <br /> χωρική κάλυψη των PTEs, η οποία παρεμβαίνει στην απόδοση της μεθόδου <br /> μοντελοποίησης. Επομένως, από την έρευνα αυτή γίνεται προσπάθεια να <br /> ξεπεραστούν κάποια από τα κενά σε αυτό το πεδίο, προτείνοντας μια νέα <br /> καινοτόμο μέθοδο.</div>

Siachospan