RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Παπαρίζος Στέργιος

2017-02-14T23:15:54Z

Stergios Paparizos: Νέα σελίδα με '*Υπολογισμός τιμών ορατότητας με χρήση τηλεπισκοπικών δεδομένων *[[Αξιολόγηση παράκτιας τρ...'

*[[Υπολογισμός τιμών ορατότητας με χρήση τηλεπισκοπικών δεδομένων]]
*[[Αξιολόγηση παράκτιας τρωτότητας/διάβρωσης με χρήση τηλεπισκοπικής τεχνολογίας]]
*[[Αναγνώριση της αγροτικής ξηρασίας]]
*[[Ανίχνευση σεισμικά ενεργών περιοχών με χρήση θερμικής τηλεπισκόπησης]]
*[[Εκτίμηση ποιότητας εδάφους με χρήση μικροκυματικής τηλεπισκόπησης]]
*[[Παρακολούθηση χιονοκάλυψης με χρήση τηλεπισκοπικών μεθόδων]]
*[[Ολοκληρωμένη διαδικτυακή πλατφόρμα για εντοπισμό πετρελαιοκηλίδων με χρήση εικόνων SAR]]
*[[Εντοπισμός περιοχών διάθεσης αποβλήτων στην Κρήτη με χρήση δεδομένων υψηλής ανάλυσης]]
*[[Χωρο-χρονική ανάλυση τάσεων χρήσης/αλλαγή κάλυψης γης σε σχέση με τη θερμοκρασία με χρήση τηλεπισκοπικών δεδομένων]]
*[[Ταχεία αναγνώριση περιβαλλοντικών επιπτώσεων μετά από ατυχήματα οχημάτων με επικίνδυνα φορτία]]

ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα) 2016-2017

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

Ταχεία αναγνώριση περιβαλλοντικών επιπτώσεων μετά από ατυχήματα οχημάτων με επικίνδυνα φορτία

2017-02-14T23:15:19Z

Stergios Paparizos: Νέα σελίδα με '[[Εικόνα:SPL_art10_pic1.png|thumb|right|Εικόνα 1: Δειγματοληπτική εικόνα (GSD με 0,14m) που λαμβάνεται με AGplane και ...'

[[Εικόνα:SPL_art10_pic1.png|thumb|right|Εικόνα 1: Δειγματοληπτική εικόνα (GSD με 0,14m) που λαμβάνεται με AGplane και ψηφιακή ταξινόμηση]]

<h2>Rapid acquisition of environmental information after accidents with hazardous cargo through remote sensing by UAV</h2>

G. A. Longhitano and J. A. Quintanilh
PROCAM – University of São Paulo, Brazil
EP – University of São Paulo, Brazil

πηγή: [[http://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XL-1-W1/201/2013/]]

<h3>Μετάφραση και Περίληψη</h3>

'''Περίληψη'''

Ο σκοπός της μελέτης ήταν να παρουσιάσει τις διαδικασίες της χρήσης της τηλεπισκόπησης από UAV για να βοηθήσουν στην ταχεία αξιολόγηση και παρακολούθηση των περιβαλλοντικών επιπτώσεων που προκαλούνται από ατυχήματα που αφορούν τη μεταφορά επικίνδυνων φορτίων στις εθνικές οδούς.

'''Εισαγωγή'''

Η μεταφορά επικίνδυνων προϊόντων γίνεται στη Βραζιλία, περίπου στο 70% οδικώς. Τα ατυχήματα που σχετίζονται με τη μεταφορά επικίνδυνων υλικών μπορεί να προκαλέσουν περιβαλλοντικές επιπτώσεις αλλά και βλάβη στην υγεία και την ευημερία του ανθρώπου. Εξαιτίας αυτού, πρέπει να υπάρχει μια εκτίμηση των περιβαλλοντικών επιπτώσεων για το σχεδιασμό δράσεων για τον έλεγχο, μετριασμό και αντιστάθμιση των επιπτώσεων αυτών. Η ταυτοποίηση, ποσοτικοποίηση και παρακολούθηση των περιβαλλοντικών επιπτώσεων που προκαλούνται από αυτού του είδους τα ατυχήματα αποτελούν μια πρόκληση, επειδή υπάρχει μια ευρεία ποικιλία των σεναρίων για τη φροντίδα έκτακτης ανάγκης. Σε περιβαλλοντικές μελέτες, η τηλεπισκόπηση έχει αναγνωριστεί ως ένα πολύ χρήσιμο εργαλείο. Μια εναλλακτική λύση, σχετικά πρόσφατη, είναι μέσω της χρήσης των UAVs, η οποία είναι σε θέση να αποκτήσουν εικόνες με πολύ υψηλή χωρική και χρονική ανάλυση ταυτόχρονα. Ο στόχος της παρούσης μελέτης ήταν να παρουσιάσει τις διαδικασίες της χρήσης της τηλεπισκόπησης UAV για να βοηθήσει στην ταχεία αξιολόγηση και παρακολούθηση των περιβαλλοντικών επιπτώσεων που προκαλούνται από ατυχήματα που αφορούν τη μεταφορά επικίνδυνων φορτίων στις εθνικές οδούς.

'''Μεθοδολογία'''

Πέραν της βιβλιογραφικής έρευνας, διεξήχθησαν κάποιες συνεντεύξεις και χορηγήθηκαν ερωτηματολόγια σε βραζιλιάνικες εταιρίες UAVs, για τον προσδιορισμό υποθετικών περιβαλλοντικών σενάρια που μπορεί να συμβούν μετά από ατυχήματα που αφορούν τη μεταφορά επικίνδυνων υλικών. Λαμβάνοντας υπόψη την ποικιλία των σεναρίων καθώς και τις δυνατότητες των UAVs, συλλέχθηκαν τα οφέλη που η τεχνολογία μπορεί να φέρει σχετικά με συνήθεις τεχνικές διαδικασίες. Ορίστηκαν οι καλύτερες παράμετροι και οι ικανότητες ενός UAV και αναπτύχθηκε μια μεθοδολογία λειτουργίας ενός UAV με την απαιτούμενη χρήση. Οι εικόνες που παρέχονται συνδυάζουν την υψηλή χρονική με την υψηλή χωρική ανάλυση.
Τέλος, μελετήθηκε ο βραζιλιάνικος νόμος για τη χρήση των UAVs για εξασφάλιση της νομικής προστασίας.

'''Αποτελέσματα'''

''α. Περιβαλλοντικά Σενάρια Μετά από Οδικά Ατυχήματα με Επικίνδυνο Φορτίο''

Χαρακτηριστικά των περιβαλλοντικών επιπτώσεων μετά από οδικά ατυχήματα με επικίνδυνο φορτίο είναι τα κάτωθι:
<ol>
<li>χρονική εκδήλωση: βραχυπρόθεσμη – μεσοπρόθεσμη
<li>έκταση του φαινομένου. Οι πληγείσες περιοχές συνήθως κυμαίνονται από δεκάδες τετραγωνικά μέτρα έως 10.000m². Σε γενικές γραμμές, οι περιοχές που επηρεάζονται άμεσα έχουν μερικές εκατοντάδες τετραγωνικά μέτρα.
<li>τύπος του εδάφους της περιοχής μελέτης και η αποστράγγιση του
<li>αμεσότητα. Μερικά παραδείγματα των άμεσων περιβαλλοντικών επιπτώσεων είναι: μόλυνση του εδάφους, η ρύπανση των επιφανειακών υδάτων, η μόλυνση των υπόγειων υδάτων, η μόλυνση των ανθρώπων, επίγεια μόλυνση της πανίδας, υδρόβια μόλυνση της πανίδας, η μόλυνση της βλάστησης, η απώλεια των γεωργικών δραστηριοτήτων και η απώλεια της δημόσιας ή ιδιωτικής περιουσίας. Υπάρχει επίσης η δυνατότητα των έμμεσων περιβαλλοντικών επιπτώσεων, όπως η διακοπή της υδροδότησης της πόλης, λόγω της μόλυνσης από πηγές νερού επιφανειακά ή υπόγεια ύδατα, για παράδειγμα.
</ol>

''β. Χαρακτηριστικά ενός UAV για την Εφαρμογή''

Για την παρούσα εφαρμογή συνίσταται UAV με τα κάτωθι χαρακτηριστικά:
<ol>
<li>τάξεως Mini ή κοντινής
<li>εμβέλεια έως και 8 χιλιομέτρων
<li>αυτονομία τουλάχιστον 30 λεπτών
<li>ύψος πτήσης 2000μ
<li>πτήση μέρα και νύχτα και ως επί το πλείστον, η ικανότητα να λειτουργούν κάτω από αντίξοες καιρικές συνθήκες όπως βροχή και μέτριους ανέμους
<li>μετάδοση πληροφοριών και εικόνων σε πραγματικό χρόνο
<li>ο αισθητήρας να παράγει έγχρωμες εικόνες τουλάχιστον της ορατής περιοχής, αν και αισθητήρας πολυφασματικής πληροφορίας με κανάλι εγγύς υπερύθρου θα ήταν χρήσιμο.
</ol>
Το UAV AGplane, της AGX Company χρησιμοποιήθηκε στην παρούσα μελέτη.

''γ. Διαδικασίες για Χρήση Τηλεπισκόπησης από UAV''

Η εφαρμογή των διαδικασιών θα εξαρτηθεί από τα Σχέδια Έκτακτης Ανάγκης των αυτοκινητοδρόμων. Μόλις ενεργοποιηθεί, το εξοπλισμένο προσωπικό με το UAV θα πρέπει να αναχωρήσει αμέσως για τη λήψη αεροφωτογραφιών, κατά προτίμηση εντός μισής ώρας. Αρχικά, λαμβάνεται μια τυπική περιοχή που καλύπτει περίπου 300 μέτρα από το ακριβές σημείο του ατυχήματος. Η λήψη δεδομένων κατά τη διάρκεια της νύχτας απαιτεί αισθητήρες NIR και καλύτερα εκπαιδευμένους επαγγελματίες σε ερμηνεία της εικόνας. Οι αεροφωτογραφίες που δημιουργούνται πρέπει να έχουν ορισμένα χαρακτηριστικά, όπως: πολυφασματικά GSD καλύτερα από 0,5cm και ακρίβεια γεωγραφικής αναφοράς 15m (παράδειγμα της εικόνας από UAV AGplane φαίνεται στην εικόνα 1). Υπάρχουν διάφορες μέθοδοι και τεχνικές, αναλογικές ή ψηφιακές, χωρίς επίβλεψη ή με εποπτεία των διαδικασιών, για αναγνώριση, διαίρεση και ομαδοποίηση των κατηγοριών που αντιστοιχούν στην υπάρχουσα επιφάνεια. Η αξιολόγηση πρέπει να πραγματοποιείται με βάση κάποια κριτήρια για κάθε μία από τις προσδιοριζόμενες επιπτώσεις, τα οποία θα πρέπει να βοηθήσουν στην ποιοτική μέτρηση και τον προσδιορισμό των δράσεων διαχείρισης που πρέπει να ληφθούν για κάθε μία από αυτές. Λαμβάνοντας υπόψη τις πιθανές επιπτώσεις των ατυχημάτων που σχετίζονται με τη μεταφορά επικίνδυνων εμπορευμάτων, μερικά κριτήρια μπορούν να εφαρμοστούν ως εξής: αναστρεψιμότητα, κάλυψη, συνάφεια, μέγεθος, διάρκεια, εμφάνιση, συχνότητα και χρόνος εμφάνισης. Χρησιμοποιώντας τα κριτήρια που παρατίθενται, η εταιρεία που είναι υπεύθυνη για την έκθεση, η CETESB, μπορεί να εκτιμήσει τη σημασία των περιβαλλοντικών επιπτώσεων που προκαλούνται από το ατύχημα με σαφήνεια.

''δ. Ζητήματα Σχετικά με το Νόμο της Βραζιλίας''

Η δραστηριότητα των UAVs θα πρέπει να ρυθμίζεται, δεδομένου ότι μπορεί να προκαλέσει σοβαρές βλάβες και κινδύνους για την αεροπορία και τον πληθυσμό. Στη Βραζιλία, υπάρχουν κανόνες, αλλά ακόμα υπανάπτυκτες. Για να λειτουργήσει μια UAVs στη Βραζιλία, απαιτείται άδεια έγγραφο άδεια που εκδίδεται από τα όργανα της Πολιτικής Αεροπορίας και Στρατιωτικών.

'''Επίλογος'''

Τα UAV είναι τεχνικά σε θέση να παράγουν εικόνες γρήγορα για την αξιολόγηση των περιβαλλοντικών επιπτώσεων μετά από ατύχημα με επικίνδυνα φορτία.

[[category:Επικίνδυνα απόβλητα]]

Αρχείο:SPL art10 pic1.png

2017-02-14T23:14:26Z

Stergios Paparizos:

Χωρο-χρονική ανάλυση τάσεων χρήσης/αλλαγή κάλυψης γης σε σχέση με τη θερμοκρασία με χρήση τηλεπισκοπικών δεδομένων

2017-02-14T22:59:11Z

Stergios Paparizos: Νέα σελίδα με 'Πίνακας 1: Κατηγοριοποίηση του δείκτη θερμοκρασίας [[Εικόνα:SPL_art9_pic2.p...'

[[Εικόνα:SPL_art9_pic1.png|thumb|right|Πίνακας 1: Κατηγοριοποίηση του δείκτη θερμοκρασίας]]
[[Εικόνα:SPL_art9_pic2.png|thumb|right|Πίνακας 2: Κάλυψη/χρήση γης για τα έτη 2003 – 2013]]
[[Εικόνα:SPL_art9_pic3.png|thumb|right|Εικόνα 1: Χάρτης αλλαγής χρήσης/κάλυψης γης τα έτη 2003 – 2013 ]]
[[Εικόνα:SPL_art9_pic4.png|thumb|right|Πίνακας 3: Μεταβολή της θερμοκρασίας της πόλης Malang]]
[[Εικόνα:SPL_art9_pic5.png|thumb|right|Εικόνα 2: Χάρτης χωρικής μεταβολής της θερμοκρασίας]]

<h2>Spatio Temporal Analysis Trend of Land Use and Land Cover Change Against Temperature Based on Remote Sensing Data in Malang City </h2>

Purwanto, Dwiyono Hari Utomo, Bharadhian Rizki Kurniawan

πηγή: [[http://www.sciencedirect.com/science/article/pii/S1877042816307510]]

<h3>Μετάφραση και Περίληψη</h3>

'''Περίληψη'''

Ο σκοπός αυτής της μελέτης είναι να εκτιμηθεί η μεταβολή της χρήσης/κάλυψης γης (LULC) σε σχέση με τη θερμοκρασία χρησιμοποιώντας τηλεπισκοπικά δεδομένα της περιόδου 2003-2013. Η μελέτη αυτή χρησιμοποιεί μία χωρο – χρονική προσέγγιση με τη χρήση ψηφιακών δεδομένων τηλεπισκόπησης (Landsat 7 ETM + και Landsat 8). Τα αποτελέσματα έδειξαν την χωρική επίδραση της LULC με την αύξηση της θερμοκρασίας στην πόλη Malang. Η αλλαγή αποδεικνύεται από τη μείωση των ακάλυπτων χώρων γης και της βλάστησης.

'''Εισαγωγή'''

Η τάση αύξησης της θερμοκρασίας συμβαίνει από φυσικές και ανθρωπογενείς παράγοντες. Ιδιαίτερα το CO2 που παράγεται από τις ανθρώπινες δραστηριότητες προκαλεί υψηλές συγκεντρώσεις αερίων του θερμοκηπίου. Η χρήση γης διαδραματίζει έναν πολύ σημαντικό ρόλο στον έλεγχο της αλλαγής της θερμοκρασίας κυρίως στις αστικές περιοχές. Η θερμοκρασία δείχνει επίσης την ποιότητα του αέρα σε μία περιοχή. Υψηλές θερμοκρασίες περιέχουν αέρια του θερμοκηπίου όπως CO και CO2 με υψηλές συγκεντρώσεις που είναι επιβλαβείς για την ανθρώπινη υγεία. Η δόμηση μπορεί να επηρεάσει τη θερμοκρασία μιας περιοχής. Αυτό συμβαίνει επειδή κάθε υλικού κάλυψης της γης έχει διαφορετική ικανότητα να απορροφά και να απελευθερώνει θερμότητα. Εξισορρόπηση της θερμοκρασίας μπορεί να γίνει με την αύξηση της περιοχής ανοιχτού πρασίνου και να αυξήσει τον αριθμό των φυτών στην περιοχή. Η πόλη Malang στην Ανατολική Ιάβα ορίζεται ως περιοχή μελέτης. Τα τελευταία χρόνια παρατηρήθηκε τάση αύξησης της θερμοκρασίας στην περιοχή. Η αξιοποίηση των τηλεπισκοπικών δεδομένων επιτρέπει τη συλλογή χωρικών δεδομένων σε σύντομο χρονικό διάστημα και για μεγάλες εκτάσεις, με πολύ υψηλή ακρίβεια και χαμηλό κόστος σε σύγκριση με το συμβατικό τρόπο.

'''Μεθοδολογία'''

Η παρούσα μελέτη στοχεύει να ανακαλύψει την επίδραση της αλλαγής κάλυψης/χρήσης γης έναντι της θερμοκρασίας της επιφάνειας. Τα δεδομένα θερμοκρασίας λαμβάνονται από την Digital Number (DN) χρησιμοποιώντας το κανάλι 6 για εικόνες Landsat ETM + και τα κανάλια 10 και 11 για εικόνες Landsat 8. Η μετατροπή των δεδομένων εικόνας σε δεδομένα θερμοκρασίας γίνεται σε δύο στάδια:

''α. Μετατροπή του DN σε φασματική ακτινοβόληση (Lλ)''

Radiance (L_λ )=(gain*DN)+offset

Όπου:

Lλ= φασματική ακτινοβολία σε Watt

gain= σταθερά με τιμή 0,05518

DN (Digital Number)= από την τιμή των εικονοστοιχείων της εικόνας

offset= σταθερά με τιμή 1,2378

''β. Μετατροπή της ψηφιακής ακτινοβολίας σε θερμοκρασία''

T=K_2/ln⁡〖((K_1/L_λ )+1)〗

Όπου:

Τ= θερμοκρασία
Κ1= τιμή της σταθεράς σε Watt 666,09 για ΕΤΜ+ και 607,76 για ΤΜ

Κ2= τιμή της σταθεράς σε Kelvin 1282,71 για ΕΤΜ+ και 1260,56 για ΤΜ

Lλ= φασματική ακτινοβολία σε Watt

Η ταξινόμηση των θερμοκρασιών γίνεται σύμφωνα με Πίνακα 1:

'''Αποτελέσματα'''

''α. Αλλαγή Κάλυψης/Χρήσης Γης''

Στον Πίνακα 2 παρουσιάζεται η μεταβολή κάλυψης/χρήσης γης κατά τα έτη 2003 – 2013. Οι περιοχές οικισμών παρουσιάζουν θετική μεταβολή ενώ οι εκτάσεις ανοιχτού πράσινου και η βλάστηση αρνητική. Η μεταβολή της LULC απεικονίζεται σε ένα χάρτη (Εικόνα 1).
Με βάση την εικόνα 1, η τάση ανάπτυξης της Malang τα έτη 2003-2013 εμφανίζεται προς τα δυτικά και νοτιοανατολικά. Από αυτά τα δεδομένα, είναι σαφές ότι πολλές αλλαγές γης οφείλονται σε ανάπτυξη οικισμών σε περιοχές βλάστησης.

''β. Αλλαγή Θερμοκρασίας''

Η μεταβολή του LULC επηρεάζει επίσης την αύξηση της θερμοκρασίας του αέρα. Από την ανάλυση των δορυφορικών εικόνων Landsat ETM+ και Landsat 8 παρουσιάζεται μεταβολή θερμοκρασίας όπως παρουσιάζεται στον Πίνακα 3.
Σύμφωνα με τον παραπάνω πίνακα, το 2003 στην περιοχή κυριαρχούσε η “χαμηλή θερμοκρασία” σε έκταση 39%. Αντίθετα το 2013, η κυρίαρχη τάξη θερμοκρασίας είναι η “ζεστή θερμοκρασία” με κάλυψη 28%. Η χωρική μεταβολή της θερμοκρασίας μπορεί να φανεί στην εικόνα 2 κατωτέρω.
Τα αποτελέσματα έδειξαν ότι υπάρχει σημαντική επίδραση μεταξύ χρήσης γης και επιπέδων θερμοκρασίας.

[[category:Παρακολούθηση και εκτίμηση διαχρονικών αλλαγών και εξελίξεων]]

Αρχείο:SPL art9 pic5.png

2017-02-14T22:51:59Z

Stergios Paparizos:

Αρχείο:SPL art9 pic4.png

2017-02-14T22:51:48Z

Stergios Paparizos:

Αρχείο:SPL art9 pic3.png

2017-02-14T22:51:38Z

Stergios Paparizos:

Αρχείο:SPL art9 pic2.png

2017-02-14T22:51:26Z

Stergios Paparizos:

Αρχείο:SPL art9 pic1.png

2017-02-14T22:51:18Z

Stergios Paparizos:

Εντοπισμός περιοχών διάθεσης αποβλήτων στην Κρήτη με χρήση δεδομένων υψηλής ανάλυσης

2017-02-14T22:42:04Z

Stergios Paparizos: Νέα σελίδα με 'Εικόνα 1: Το νησί της Κρήτης ως περιοχή μελέτης [[Εικόνα:SPL_art8_pic2.png|thumb|...'

[[Εικόνα:SPL_art8_pic1.png|thumb|right|Εικόνα 1: Το νησί της Κρήτης ως περιοχή μελέτης]]
[[Εικόνα:SPL_art8_pic2.png|thumb|right|Πίνακας 1: Χαρακτηριστικά υψηλής ανάλυσης δορυφορικών δεδομένων]]
[[Εικόνα:SPL_art8_pic3.png|thumb|right|Εικόνα 2: Περιοχές απόθεσης αποβλήτων ελαιοτριβείων ως μαύροι στόχοι]]
[[Εικόνα:SPL_art8_pic4.png|thumb|right|Εικόνα 3: Περιοχές διάθεσης αποβλήτων ελαιοτριβείων μετά την εφαρμογή της μεθόδου NDVI]]
[[Εικόνα:SPL_art8_pic5.png|thumb|right|Εικόνα 4: Περιοχές διάθεσης αποβλήτων ελαιοτριβείων μετά την εφαρμογή της μεθόδου OOMW]]
[[Εικόνα:SPL_art8_pic6.png|thumb|right|Εικόνα 5: Περιοχές διάθεσης αποβλήτων ελαιοτριβείων μετά την εφαρμογή της μεθόδου μετασχηματισμού PCA]]
[[Εικόνα:SPL_art8_pic7.png|thumb|right|Εικόνα 6: Περιοχές διάθεσης αποβλήτων ελαιοτριβείων μετά την εφαρμογή της μεθόδου μετασχηματισμού HIS]]
[[Εικόνα:SPL_art8_pic8.png|thumb|right|Εικόνα 7: Περιοχές διάθεσης αποβλήτων ελαιοτριβείων μετά την εφαρμογή της μεθόδου ταξινόμησης ISODATA]]
[[Εικόνα:SPL_art8_pic9.png|thumb|right|Εικόνα 8: Περιοχές διάθεσης αποβλήτων ελαιοτριβείων με χρήση εικόνων WorldView – 2]]
[[Εικόνα:SPL_art8_pic10.png|thumb|right|Εικόνα 9: Περιοχές διάθεσης αποβλήτων ελαιοτριβείων με χρήση εικόνων ραντάρ ]]

<h2>Monitoring olive mills waste disposal areas in Crete using very high resolution satellite data</h2>

Athos Agapioua, Nikos Papadopoulosa, Apostolos Sarrisa,
a Laboratory of Geophysical-Satellite Remote Sensing & Archaeo-environment, Institute for Mediterranean Studies, Foundation for Research & Technology, Hellas (F.O.R.T.H.), Greece
b Department of Civil Engineering and Geomatics, Faculty of Engineering and Technology, Cyprus University of Technology, 2-6, Saripolou str., 3603 Limassol, Cyprus

πηγή: [[http://www.sciencedirect.com/science/article/pii/S1110982316300035]]

<h3>Μετάφραση και Περίληψη</h3>

'''Περίληψη'''

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

'''Εισαγωγή'''

Η βιομηχανία ελαιολάδου αποτελεί μία εκ των κινητήριων τομέων της αγροτικής οικονομίας στη λεκάνη της Μεσογείου. Ωστόσο, η διαδικασία παραγωγής του ελαιολάδου μπορεί να προκαλέσει σημαντικά περιβαλλοντικά προβλήματα. Για παράδειγμα, η ανεξέλεγκτη διάθεση των αποβλήτων ελαιοτριβείων στη γη (OOMW) μπορεί δυνητικά να οδηγήσει σε ρύπανση του εδάφους. Οι εικόνες τηλεπισκόπησης έχουν αξιοποιηθεί τα τελευταία χρόνια για την περιβαλλοντική εφαρμογή ως μια προσπάθεια να εντοπισθούν και να χαρτογραφηθούν οι περιοχές διάθεσης αποβλήτων ελαιοτριβείων.

'''Μεθοδολογία'''

''α. Περιοχή Μελέτης''

Ως περιοχή μελέτης επιλέχθηκε το νησί της Κρήτης, στο οποίο έχουν καταγραφεί στο παρελθόν πάνω από 1000 περιοχές διάθεσης OOMW χρησιμοποιώντας Παγκόσμιο Δορυφορικό Σύστημα Πλοήγησης (GNSS) και Γεωγραφικό Σύστημα Πληροφοριών (GIS).

''β. Δορυφορικά Δεδομένα''

Για τους σκοπούς της μελέτης έχουν αξιοποιηθεί εικόνες πολύ υψηλής ανάλυσης, με ανάλυση που κυμαίνεται από 0,4 έως 1,5m. Ο Πίνακας 1 παρέχει τα στοιχεία για το σύνολο των δεδομένων, ενώ η Εικόνα 2 παρουσιάζει κάποιες ενδεικτικές περιοχές διάθεσης αποβλήτων ελαιοτριβείων. Το σύνολο των δεδομένων που επιλέχτηκε κάλυπτε σχεδόν όλο το χρόνο, χωρίς να περιορίζονται σε περιόδους αμέσως μετά την παραγωγή ελαιόλαδου, έτσι ώστε να αξιολογηθεί επίσης η χρονική ανάλυση των εικόνων.

''γ. Επεξεργασία Εικόνας''

Ως NDVI ορίζεται η ομαλοποιημένη αναλογία της ανακλαστικότητας του κόκκινου και του εγγύς υπερύθρου και χρησιμοποιείται ευρέως σε απομακρυσμένη εφαρμογή τηλεπισκόπησης ως υποκατάστατο για την επίγεια ανάπτυξη της βλάστησης. Υπολογίζεται ως εξής:

(p_VNIR-p_red)/(p_VNIR+p_red)

όπου pVNIR η ανακλαστικότητα στο τμήμα VNIR του φάσματος και pred η ανάκλαση στο κόκκινο τμήμα του φάσματος.

Ο δείκτης αποβλήτων ελαιοτριβίων (OOMW), υπολογίζεται ως:

(p_VNIR-p_blue)/(p_VNIR+p_blue)

όπου pVNIR η ανακλαστικότητα στο τμήμα VNIR του φάσματος και pBlue η ανακλαστικότητα στο μπλε τμήμα του φάσματος.

Η Ανάλυση Κύριων Συνιστωσών (PCA) δοκιμάστηκε επίσης σε ολόκληρο το σύνολο δεδομένων. Στην ουσία, η PCA προσδιορίζει τους βέλτιστους γραμμικούς συνδυασμούς των αρχικών συγκροτημάτων που μπορεί να ευθύνονται για μεταβολή των τιμών των εικονοστοιχείων εντός μίας εικόνας, όπως αποδεικνύεται παρακάτω:

C_1=b_11*(X_1 )+b_12*(X_2 )+⋯+b_1p*(X_p )

Όπου, C1 η βαθμολογία του θέματος στο κύριο συστατικό 1, b1p ο συντελεστής παλινδρόμησης (ή το βάρος) για παρατηρούμενη μεταβλητή p και Xp η βαθμολογία για παρατηρούμενη μεταβλητή p.

Ο μετασχηματισμός Έντασης Απόχρωσης Κορεσμού (IHS) είναι άλλη μία τεχνική που εφαρμόζεται στο σύνολο των δορυφορικών δεδομένων. Η ένταση σχετίζεται με τη συνολική φωτεινότητα ενός χρώματος, η απόχρωση αναφέρεται στο κυρίαρχο ή μέσο μήκος κύματος του φωτός που συμβάλλει σε ένα χρώμα και ο κορεσμός διευκρινίζει την καθαρότητα του χρώματος σε σχέση με το γκρι.

Εφαρμόστηκε ταξινόμηση Linear Spectral Unmixing (LSU) με χρήση του αλγορίθμου ISODATA έτσι ώστε να προσδιοριστεί η σχετική αφθονία των περιοχών διάθεσης OOMW που απεικονίζονται στις πολυφασματικές εικόνες.

Τέλος, όσον αφορά την εικόνα ραντάρ COSMO-Skymed, πραγματοποιήθηκε ορθοδιόρθωση χρησιμοποιώντας τα δεδομένα SRTM DEM, ενώ άλλες διορθώσεις προεπεξεργασίας έχουν επίσης διεξαχθεί (αφαίρεση των κηλίδων, διόρθωση ραδιομετρική, κλπ). Η εικόνα COSMO-Skymed, στη συνέχεια, συντήκεται με υπερφασματική εικόνα ΕΟ-ALI. Οι εικόνες στη συνέχεια εισάγονται σε μια πλατφόρμα GIS για την άμεση σύγκριση με γνωστές περιοχές διάθεσης αποβλήτων ελαιοτριβείων.

'''Αποτελέσματα'''

''α. Δείκτες NDVI και OOMW''

Οι εικόνες 3 και 4 δείχνουν τα αποτελέσματα μετά την εφαρμογή των δεικτών NDVI και OOMW. Γίνεται φανερό ότι οι περιοχές διάθεσης αποβλήτων ελαιοτριβείων μπορούν να αναγνωριστούν στην πλειοψηφία των δορυφορικών εικόνων, ως μαύροι στόχοι λόγω της χαμηλής αξίας είτε του NDVI (δηλαδή -0,30 έως 0,10) είτε του OOMW (δηλαδή 0,20-0,50). Ο δείκτης OOMW τείνει να ενισχύσει καλύτερα τις περιοχές διάθεσης, σε αντίθεση με το NDVI. Είναι επίσης ενδιαφέρον να σημειώσουμε τις χρονικές μεταβολές των απόβλητων ελαιοτριβείων. Αυτό οφείλεται στις εποχιακές δραστηριότητες που σχετίζονται με την παραγωγή ελαιολάδου.

''β. Μετασχηματισμοί PCA και HIS''

Είναι προφανές, όπως παρατηρείται και στην εικόνα 5, ότι η ανάλυση PCA μπορεί να βελτιώσει την ερμηνεία των αποτελεσμάτων των δορυφορικών δεδομένων που σχετίζονται με την ανίχνευση των περιοχών διάθεσης αποβλήτων ελαιοτριβείου.
Η ανίχνευση των περιοχών διάθεσης βελτιώθηκε μετά την εφαρμογή του μετασχηματισμού IHS. Όπως φαίνεται στην εικόνα 6, οι περιοχές αποβλήτων χρωματισμένες με πράσινο, σε σύγκριση με το κόκκινο και μπλε χρώμα για βλάστηση και έδαφος αντίστοιχα είναι εύκολα ανιχνεύσιμα από τον χρήστη.

''γ. Ταξινόμηση LSU''

Η τεχνική επιβλεπόμενη ταξινόμηση ISODATA αξιολογήθηκε για τις εικόνες που λαμβάνονται κάτω από διαφορετικές περιόδους. Ο αλγόριθμος ISODATA ορίστηκε στο μέγιστο 6 επαναλήψεις με όριο το 95%, ενώ ο αριθμός των κατηγοριών τέθηκαν σε 5, 10 και 15. Η εικόνα 7 παρουσιάζει τα τελικά αποτελέσματα μετά την ταξινόμηση των εικόνων.
Για να ενισχύσει τα αποτελέσματα της ταξινόμησης για την εικόνα WorldView – 2, η περιορισμένη τεχνική LSU εφαρμόστηκε χρησιμοποιώντας τις φασματικές υπογραφές των περιοχών OOMW και τα αποτελέσματα φαίνονται στην εικόνα 8.

''δ. Ανάλυση Ραντάρ''

Πέραν των οπτικών δεδομένων πολύ υψηλής ανάλυσης, υλοποιήθηκε μια πρώτη προσπάθεια να εκτιμηθεί η ικανότητα εικόνας ραντάρ COSMO-Skymed υψηλής ανάλυσης (2,5 m). Η αρχική εικόνα υπέστη ορθοδιόρθωση με τη χρήση του DEM SRTM, ενώ ραδιομετρική διόρθωση και απομάκρυνση κηλίδων εφαρμόστηκαν επίσης με την εργαλειοθήκη της ESA. Η εικόνα 9 παρουσιάζει τα αποτελέσματα από την εικόνα του ραντάρ πάνω από δύο γνωστές περιοχές διάθεσης αποβλήτων στο νότιο τμήμα της Κρήτης. Λόγω της περιεκτικότητας του νερού οι περιοχές διάθεσης υποδεικνύονται ως μαύροι στόχοι.

'''Επίλογος'''

Όπως διαπιστώθηκε το σύνολο των δορυφορικών δεδομένων είναι σε θέση να ενισχύσει και να εντοπίσει τους τομείς διάθεσης αποβλήτων ελαιοτριβείων. Έχει αποδειχθεί ότι τόσο η χωρική όσο και η χρονική ανάλυση των δεδομένων είναι ζωτικής σημασίας για την ανίχνευση αυτών των περιοχών. Πράγματι, η φασματική υπογραφή των περιοχών διάθεσης OOMW αλλάζει στη διάρκεια του έτους και, επομένως, η ανίχνευσή τους θα μπορούσε να είναι προβληματική σε ορισμένες περιόδους. Τα δεδομένα τηλεπισκόπησης μπορεί να προσφέρουν έναν οικονομικά αποδοτικό τρόπο για να ανιχνεύουν παράνομους υπαίθριους χώρους διάθεσης OOMW.

[[category:Έρευνες επικίνδυνων θέσεων διάθεσης αποβλήτων]]

Αρχείο:SPL art8 pic10.png

2017-02-14T22:26:19Z

Stergios Paparizos:

Αρχείο:SPL art8 pic9.png

2017-02-14T22:26:06Z

Stergios Paparizos:

Αρχείο:SPL art8 pic8.png

2017-02-14T22:25:55Z

Stergios Paparizos:

Αρχείο:SPL art8 pic7.png

2017-02-14T22:25:42Z

Stergios Paparizos:

Αρχείο:SPL art8 pic6.png

2017-02-14T22:25:29Z

Stergios Paparizos:

Αρχείο:SPL art8 pic5.png

2017-02-14T22:25:16Z

Stergios Paparizos:

Αρχείο:SPL art8 pic4.png

2017-02-14T22:25:06Z

Stergios Paparizos:

Αρχείο:SPL art8 pic3.png

2017-02-14T22:24:54Z

Stergios Paparizos:

Αρχείο:SPL art8 pic2.png

2017-02-14T22:24:40Z

Stergios Paparizos:

Αρχείο:SPL art8 pic1.png

2017-02-14T22:24:27Z

Stergios Paparizos:

Ολοκληρωμένη διαδικτυακή πλατφόρμα για εντοπισμό πετρελαιοκηλίδων με χρήση εικόνων SAR

2017-02-14T22:06:16Z

Stergios Paparizos: Νέα σελίδα με '[[Εικόνα:SPL_art7_pic1.png|thumb|right|Εικόνα 1: Τμηματοποίηση της εικόνας ASAR χρησιμοποιώντας διάφορες τεχν...'

[[Εικόνα:SPL_art7_pic1.png|thumb|right|Εικόνα 1: Τμηματοποίηση της εικόνας ASAR χρησιμοποιώντας διάφορες τεχνικές που περιλαμβάνονται στο πλαίσιο Sentinazos]]

<h2>A cloud-integrated web platform for marine monitoring using GIS and remote sensing. Application to oil spill detection through SAR images</h2>

Diego Fustes, Diego Cantorna, Carlos Dafonte, Bernardino Arcay, Alfonso Iglesias, Minia Manteiga
Fac. Informática, Universidade da Coruña, Campus de Elviña 15071, A Coruña, Spain
Received 11 February 2013, Revised 5 August 2013, Accepted 14 September 2013, Available online 25 September 2013

πηγή: [[http://www.sciencedirect.com/science/article/pii/S0167739X13001994]]

<h3>Μετάφραση και Περίληψη</h3>

'''Περίληψη'''

Μαζί με την αποψίλωση των δασών και την κλιματική αλλαγή, η θαλάσσια ρύπανση είναι ένα από τα σημαντικότερα περιβαλλοντικά προβλήματα της εποχής μας. Στην παρούσα μελέτη γίνεται μια προσπάθεια ανίχνευσης πετρελαιοκηλίδων με μεθόδους τηλεπισκόπησης και πιο συγκεκριμένα μέσω εικόνων SAR.

'''Εισαγωγή'''

Οι κυβερνήσεις και οι διεθνείς οργανισμοί αγνοούν τα σοβαρά περιβαλλοντικά προβλήματα των ωκεανών και τις καταστροφικές συνέπειες που αυτά συνεπάγονται στο μέλλον. Σήμερα μπορούμε να παρατηρήσουμε ρύπανση των ωκεανών λόγω:
<ol>
<li>ατυχημάτων με πετρελαιοφόρα και
<li>εκφορτώσεων δεξαμενών των πλεούμενων στη θάλασσα για μείωση του κόστους.
</ol>
Η επιτήρηση των ωκεανών παραδοσιακά πραγματοποιούταν με αεροσκάφη και δυνάμεις της ακτοφυλακής, το έργο όμως των τελευταίων, περιοριζόταν από την έκταση των περιοχών ελέγχου. Από την άποψη αυτή, η επιτήρηση από δορυφόρο παρουσιάζεται ως βέλτιστη λύση.

'''Εργαλεία Ανίχνευσης Πετρελαιοκηλίδων'''

Όσον αφορά τον τύπο των αισθητήρων που χρησιμοποιούνται στην παρακολούθηση των ωκεανών, τα μικροκύματα προτιμούνται έναντι των οπτικών αισθητήρων, καθώς μπορούν να παρέχουν στοιχεία κάτω από όλες τις καιρικές συνθήκες και συνθήκες φωτεινότητας. Αυτοί οι τύποι των αισθητήρων καλούνται Synthetic Aperture Radar (SAR), οι οποίοι συλλαμβάνουν τη διασπορά των μικροκυμάτων σε μια καθορισμένη επιφάνεια. Αυτή η διασπορά μπορεί να χρησιμοποιηθεί για τη διάκριση του φόντου της θάλασσας, η οποία θα δείξει υψηλές τιμές οπισθοσκέδασης, σε σύγκριση με ''ανώμαλες'' οντότητες, όπως πλοία, φύκια ή ρύπους, οι οποίες έχουν χαμηλότερες τιμές οπισθοσκέδασης.

'''Κατάτμηση Σκοτεινών Σημείων'''

Το 1994, μία πρωτοποριακή νορβηγική υπηρεσία, που ονομάζεται KSAT, αποπειράθηκε να εντοπίσει πετρελαιοκηλίδες με ανάλυση δορυφορικών εικόνων. Αυτές οι πετρελαιοκηλίδες εμφανίζονται στις εικόνες ραντάρ, όπως τα σκοτεινά σημεία και μπορούν να εντοπιστούν με οπτικό έλεγχο. Πέρα από ηλεκτρονικά εργαλεία του εμπορίου, η ESA παρέχει μια σειρά από δωρεάν εργαλεία που είναι χρήσιμα για απεικονίσεις, διαχείριση και ανάλυση των δεδομένων SAR. Για παράδειγμα, το NEST είναι μία εφαρμογή Java που περιλαμβάνει ένα ολοκληρωμένο πρόγραμμα προβολής και επεξεργασίας εικόνων SAR.
Ο κύριος σκοπός της ανίχνευσης πετρελαιοκηλίδων μέσω εικόνων SAR συνίσταται στην απομόνωση αυτών των σκοτεινών σημείων που είναι υποψήφιες για να είναι πετρελαιοκηλίδες και να διαπιστωθεί κατά πόσον είναι πραγματικές διαρροές ή απομιμήσεις. Με τον όρο απομιμήσεις, αναφερόμαστε σε ψευδώς θετικά αποτελέσματα που παράγονται από φυσικά φαινόμενα, όπως τα φύκια, ζώνες χαμηλού ανέμου, κλπ. Μετά το στάδιο της προ – επεξεργασίας, πρέπει να εφαρμοστεί κατάτμηση, προκειμένου να διαιρεθεί κάθε εικόνα σε μέρη ή αντικείμενα που την διαμορφώνουν. Οι αλγόριθμοι κατάτμησης βασίζονται συνήθως σε δύο ιδιότητες των γκρι επιπέδων μιας εικόνας: ασυνέχεια και παρομοίωση. Τα στοιχεία που ανιχνεύονται είναι πετρελαιοκηλίδες. Λαμβάνοντας υπόψη τα ιδιαίτερα μορφολογικά χαρακτηριστικά των εν λόγω στοιχείων, εκτελούνται δοκιμές με διάφορους αλγορίθμους που βασίζονται σε στατιστικές τεχνικές ομαδοποίησης. Οι πιο σημαντικοί από αυτούς είναι οι εξής:
<ol>
<li>Hard – fuzzy αλγόριθμοι ομαδοποίησης (K – Means, Fuzzy C – Means, Kernelized Fuzzy C – Means)
<li>Αλγόριθμοι που βασίζονται σε κύματα (FCM – Wavelets, Wavelets SOM)
<li>αλγόριθμος τοπικού ορίου (συνίσταται στην εφαρμογή ενός σταθερού ορίου για κάθε εικονοστοιχείο, έτσι ώστε να καθορίσει σε ποια κατηγορία ανήκει. Ωστόσο, αυτό το όριο δεν θεωρείται μεμονωμένο αλλά σε σχέση με το μέσο όρο των γειτονικών εικονοστοιχείων)
</ol>

'''Αποτελέσματα'''

* στην περίπτωση του αλγορίθμου Τοπικού Ορίου, προκύπτει μια πιθανότητα ανίχνευσης 0,621, η οποία μπορεί να θεωρηθεί χαμηλή. Αυτό οφείλεται στο γεγονός ότι ο αλγόριθμος αυτός εκτελεί καλή τμηματοποίηση για μικρές κηλίδες, αλλά παράγει ψευδώς αρνητικά αποτελέσματα στην περίπτωση των μεγάλων κηλίδων.
* οι άλλοι αλγόριθμοι παρουσιάζουν γενικά υψηλή πιθανότητα ανίχνευσης στην περίπτωση των πραγματικών διαρροών: μεταξύ 0,692 (Wavelets SOM) και 0,860 (σε συνδυασμό αλγορίθμων SKFCM και Τοπικού Ορίου). Ο συνδυασμός αλγορίθμων παρέχει τα καλύτερα αποτελέσματα, επειδή ο αλγόριθμος Τοπικού Ορίου ανιχνεύει μικρότερες κηλίδες, και ο SKFCM καθιστά δυνατή την ανίχνευση μεγάλων σημείων που διαφορετικά θα είχαν θεωρηθεί ως ομοιογενές (Σχήμα 1).

[[category:Χαρτογράφηση και παρακολούθηση πετρελαιοκηλίδων]]

Αρχείο:SPL art7 pic1.png

2017-02-14T21:54:46Z

Stergios Paparizos:

Παρακολούθηση χιονοκάλυψης με χρήση τηλεπισκοπικών μεθόδων

2017-02-14T21:51:27Z

Stergios Paparizos: Νέα σελίδα με 'Εικόνα 1: Εικόνες Google Earth και Landsat της λεκάνης απορροής Alaknanda [[Εικόνα:S...'

[[Εικόνα:SPL_art6_pic1.png|thumb|right|Εικόνα 1: Εικόνες Google Earth και Landsat της λεκάνης απορροής Alaknanda]]
[[Εικόνα:SPL_art6_pic2.png|thumb|right|Εικόνα 2: Διάγραμμα ροής μεθοδολογίας]]
[[Εικόνα:SPL_art6_pic3.png|thumb|right|Εικόνα 3: Περιοχή κάλυψης χιονιού σε ποσοστιαία μορφή (α) τη χειμερινή περίοδο (Νοέμβριος-Απρίλιος) και (β) τη θερινή περίοδο (Μάιος-Οκτώβριος)]]
[[Εικόνα:SPL_art6_pic4.png|thumb|right|Εικόνα 4: Σύγκριση του ξηρού και υγρού χιονιού (α) τη χειμερινή περίοδο (Νοέμβριος-Απρίλιος) και (β) τη θερινή περίοδο (Μάιος-Οκτώβριος)]]

<h2>Monitoring of glacier in Alaknanda basin using remote sensing data</h2>

Rahul Nijhawana, P.K. Garga, P.K. Thakurb
a Geomatics Engineering, Civil Engineering Department, Indian Institute of Technology Roorkee, Roorkee 247667, India
b Water Resources Department, Indian Institute of Remote Sensing (ISRO), Govt. of India, Dehradun, India
Received 4 February 2016, Accepted 11 April 2016, Available online 27 April 2016

πηγή: [[http://www.sciencedirect.com/science/article/pii/S2213020916301033]]

<h3>Μετάφραση και Περίληψη</h3>

'''Περίληψη'''

Η μελέτη αυτή παρακολουθεί τα μεγάλα Ιμαλάια μεταξύ των ετών 1998 – 2008 με τη χρήση δορυφορικών δεδομένων. Δορυφορικά δεδομένα Landsat χρησιμοποιήθηκαν για την παρακολούθηση των μεταβολών στην περιοχή των παγετώνων. Η χιονισμένη περιοχή (SCA) του τμήματος της λεκάνης Alaknanda υπολογίστηκε τόσο για το χειμώνα και το καλοκαίρι. Παρατηρήθηκε ότι το ποσό της μείωσης της SCA ήταν περισσότερο την χειμερινή περίοδο σε σύγκριση με την καλοκαιρινή, η οποία δείχνει επίσης το ποσοστό της υποχώρησης των παγετώνων. Αυτή η μελέτη επίσης χαρακτηρίζει το χιόνι σε δύο κατηγορίες (1) ξηρό και (2) υγρό χιόνι.

'''Εισαγωγή'''

Οι παγετώνες δρουν ως ένα μέσο για να καθοριστεί η κλιματική αλλαγή. Η αλλαγή στο ισοζύγιο της μάζας τους δείχνει την αλλαγή των κλιματολογικών συνθηκών. Η αλλαγή στη θέση του ρύγχους σε συγκεκριμένο χρονικό διάστημα αντιπροσωπεύει την επίδραση της κλιματικής αλλαγής στον παγετώνα. Έτσι, για τη σύγκριση της φυσικής αλλαγής με την ατμοσφαιρική μεταβολή, απαιτείται συνεχής παρακολούθηση των παγετώνων. Αρκετοί από τους παγετώνες των Ιμαλαΐων υποχωρούν. Η υποχώρηση αυτή οφείλεται κυρίως στην αύξηση των παγκόσμιων φαινομένων του πλανήτη, αλλά και στην αλλαγή των κλιματολογικών συνθηκών.
Κατά τη διάρκεια του 19ου και 20ου αιώνα, η χιονισμένα περιοχή (SCA) και το ισοδύναμο νερό του χιονιού (SWE) πραγματοποιούταν με μετρήσεις πεδίου. Στα τελευταία χρόνια του 20ου αιώνα, η SCA και SWE παρακολουθείται πιο αποτελεσματικά σε παγκόσμιο επίπεδο, χρησιμοποιώντας τις εικόνες των ενεργητικών και παθητικών δορυφόρων. Επί του παρόντος, πολλές τεχνικές με ή χωρίς επίβλεψη, η φασματική ανάλυση, τα δεδομένα Landsat NDSI, τα δεδομένα MODIS NDSI και τα μοντέλα γραμμικής ανάκλασης χιονοκάλυψης είναι διαθέσιμες προκειμένου να υπολογιστεί η SCA.

'''Περιοχή Μελέτης'''

Η περιοχή μελέτης καλύπτει τη λεκάνη απορροής Alaknanda που αποτελεί μέρος των Ιμαλάϊων όπως φαίνεται στην εικόνα 1.

'''Μεθοδολογία'''

Σε αυτή τη μελέτη πραγματοποιήθηκε εποπτεία των παγετώνων στη λεκάνη απορροής Alaknanda μεταξύ των ετών 1998 και 2008. Χρησιμοποιήθηκαν δεδομένα ERDAS Imagine 2013. Αρχικά, οι DN εικόνες μετατράπηκαν σε εικόνες ανάκλασης. Στη συνέχεια, οι εικόνες ανάκλασης χρησιμοποιήθηκαν για τον υπολογισμό του κανονικοποιημένου δείκτης διαφοράς χιονιού (NDSI), χρησιμοποιώντας τον τύπο:

NDSI=(GREEN-SWIR)/(GREEN+SWIR)

Όπου χρησιμοποιείται το υψηλής ανακλαστικότητας (πράσινο) και χαμηλής ανακλαστικότητας (βραχέων κυμάτων υπέρυθρο (SWIR)) για τον προσδιορισμό της SCA. Έτσι, χρησιμοποιώντας την τεχνική αυτή η περιοχή είχε ταξινομηθεί σε χιόνι και μη χιόνι περιοχές. Η τιμή κατωφλίου που χρησιμοποιείται ήταν 0,4. Στη συνέχεια, το χιόνι είχε χαρακτηριστεί ως ξηρό και υγρό χιόνι. Αυτό έγινε με τη χρήση των δεδομένων ζώνης εγγύς υπέρυθρο (NIR). Το υγρό χιόνι ταυτοποιήθηκε για ανακλαστικότητα μικρότερη από 50%, ενώ εάν η ανακλαστικότητα είναι μεγαλύτερη από 50%, τότε ταξινομήθηκε ως ξηρό χιόνι.
Η εικόνα ταξινομήθηκε σε χιόνι και μη χιόνι, χρησιμοποιώντας τις τεχνικές ταξινόμησης με εποπτεία. Η κατηγοριοποίηση πραγματοποιήθηκε για διάφορους αλγόριθμους και παρατηρήθηκε ότι τα καλύτερα αποτελέσματα ελήφθησαν στην περίπτωση της ταξινόμησης Μέγιστης Πιθανότητας. Η εικόνα 2 δείχνει τη μεθοδολογία που χρησιμοποιήθηκε.

'''Αποτελέσματα'''

Σε αυτή τη μελέτη η SCA υπολογίστηκε χρησιμοποιώντας τις εικόνες Landsat. Εδώ, για κάθε έτος, συλλέχθηκαν εικόνες τόσο το χειμώνα όσο και το καλοκαίρι. Οι περισσότερες εικόνες ήταν διαθέσιμες για καλοκαιρινή σεζόν σε σύγκριση με το χειμώνα, καθώς τα περισσότερα από τα δεδομένα σε χειμερινής σεζόν, ήταν καλυμμένο με σύννεφα. Η ανάλυση σχετικά με την SCA παρουσίασε πτωτική τάση το χειμώνα και το καλοκαίρι. Η κλίση ήταν πιο απότομη τους χειμώνες. Στην ανάλυση υγρού και ξηρού χιονιού παρατηρήθηκε ότι ξηρό χιόνι κυριαρχεί το χειμώνα. Η εικόνα 3 δείχνει την μεταβολή της SCA ενώ η εικόνα 4 δείχνει μια σύγκριση του υγρού και ξηρού χιονιού στην Alaknanda.

[[category:Χαρτογράφηση χιονοκάλυψης]]

Αρχείο:SPL art6 pic4.png

2017-02-14T21:46:09Z

Stergios Paparizos:

Αρχείο:SPL art6 pic3.png

2017-02-14T21:45:58Z

Stergios Paparizos:

Αρχείο:SPL art6 pic2.png

2017-02-14T21:45:47Z

Stergios Paparizos:

Αρχείο:SPL art6 pic1.png

2017-02-14T21:45:37Z

Stergios Paparizos:

Εκτίμηση ποιότητας εδάφους με χρήση μικροκυματικής τηλεπισκόπησης

2017-02-14T18:30:06Z

Stergios Paparizos: Νέα σελίδα με '[[Εικόνα:SPL_art5_pic1.png|thumb|right|Εικόνα 1: Εικόνα που δείχνει το φανταστικό μέρος της διηλεκτρικής στα...'

[[Εικόνα:SPL_art5_pic1.png|thumb|right|Εικόνα 1: Εικόνα που δείχνει το φανταστικό μέρος της διηλεκτρικής σταθεράς (Α) και την ηλεκτρική αγωγιμότητα του εδάφους (Β)]]
[[Εικόνα:SPL_art5_pic2.png|thumb|right|Εικόνα 2: Εικόνα συντελεστή οπισθοσκέδασης των δεδομένων ERS1 SAR της περιοχής μελέτης - μετά από φιλτράρισμα Gamma MAP για καθαρισμό στιγμάτων]]
[[Εικόνα:SPL_art5_pic3.png|thumb|right|Εικόνα 3: Τάξεις πυκνότητας χαράδρας με βάση πληροφορίες του ERS SAR]]
[[Εικόνα:SPL_art5_pic4.png|thumb|right|Εικόνα 4: Συμβολογράφημα (α) και InSAR με βάση το DEM (β) που παράγεται από ERS SAR στοιχεία ]]
[[Εικόνα:SPL_art5_pic5.png|thumb|right|Εικόνα 5: Χωρική διάταξη των διαφόρων κατηγοριών βάθους χαράδρα στην περιοχή μελέτης, όπως λαμβάνεται από το InSAR με βάση το DEM των ERS SAR στοιχείων]]
[[Εικόνα:SPL_art5_pic6.png|thumb|right|Εικόνα 6: Δύο-διαστάσεων γραμμικά φάσματα κυμάτων αμμόλοφων που προέρχεται από (Α) ΚΕΑ-1 SAR και (Β) ERS-1AMI εικόνα]]
[[Εικόνα:SPL_art5_pic7.png|thumb|right|Εικόνα 7: Τηλεπισκοπική φωτεινότητα θερμοκρασίας στους 0 K]]
[[Εικόνα:SPL_art5_pic8.png|thumb|right|Εικόνα 8: Σύγκριση του μοντέλου εκτιμώμενης TFNN (a, b) και παραχωρηθείσης υφής του εδάφους]]
[[Εικόνα:SPL_art5_pic9.png|thumb|right|Εικόνα 9: Σχέσεις μεταξύ του προφίλ αρμονικής και μέσης KSAT]]
[[Εικόνα:SPL_art5_pic10.png|thumb|right|Εικόνα 10: Χαρτογράφηση αποστράγγισης του εδάφους με τη χρήση κανονικών μεταβλητών που προέρχονται από α) HR PCs, β) C-Band SAR και γ) την ηλεκτρική αγωγιμότητα εδάφους ]]
[[Εικόνα:SPL_art5_pic11.png|thumb|right|Εικόνα 11: Χάρτης τραχύτητας (HRMS σε cm) που προέρχονται από τις εικόνες ραντάρ με τη χρήση των ΙΕΜ ]]
[[Εικόνα:SPL_art5_pic12.png|thumb|right|Εικόνα 12: Χάρτης τραχύτητας (LC σε cm) που προέρχονται από τις εικόνες ραντάρ με τη χρήση των ΙΕΜ ]]

<h2>Microwave Remote Sensing In Soil Quality Assessment</h2>

Agriculture and Soils Division, Indian Institute of Remote Sensing (IIRS), Indian Space Research
Organization(ISRO), 4, Kalidas Road, Dehradun – 248001, India

πηγή: [[http://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XXXVIII-8-W20/34/2011/]]

<h3>Μετάφραση και Περίληψη</h3>

'''Περίληψη'''

Οι χωρικές και χρονικές διακυμάνσεις της ποιότητας του εδάφους (ιδιότητες) είναι απαραίτητες τόσο για τη βιώσιμη ανάπτυξη όσο και για τη γεωργία. Το παρόν έγγραφο εξετάζει τη δυνατότητα χρήση των μικροκυματικών τεχνικών τηλεπισκόπησης (ενεργητικής και παθητικής) για εκτίμηση των παραμέτρων ποιότητας του εδάφους, όπως η αλατότητα, η διάβρωση, η υφή, οι υδραυλικές ιδιότητες, η αποστράγγιση και η τραχύτητα.

'''Εισαγωγή'''

Ο χαρακτηρισμός της ποιότητας του εδάφους γινόταν παραδοσιακά με επιτόπου δειγματοληψία και μετέπειτα εργαστηριακή ανάλυση. Η μεθοδολογία αυτή έχει περιορισμό για την αξιολόγηση της χωρικής μεταβλητότητας της ποιότητας του εδάφους. Στη συνέχεια χρησιμοποιήθηκαν φασματομετρικές τεχνικές απεικόνισης με βάση την τηλεπισκόπηση ενώ τα τελευταία χρόνια παρατηρείται μια στροφή στα μικροκυματικά δεδομένα τηλεπισκόπησης για την χωρική εκτίμηση των διαφόρων ιδιοτήτων του εδάφους, εκτός από την υγρασία.

'''Μικροκυματική τηλεπισκόπηση των ιδιοτήτων του εδάφους'''

''α. Αλατότητα''

Η αλατότητα του εδάφους είναι ένα από τα σημαντικότερα προβλήματα υποβάθμισης του εδάφους. Παρά το γεγονός ότι, η ανίχνευση του αλατιού στα πλήττοντα εδάφη είναι δυνατή με τη χρήση οπτικών δεδομένων τηλεπισκόπησης, στις παράκτιες περιοχές και την έρημο είναι πολύ δύσκολη λόγω της κακής φασματικής αντίθεσης με τα μαύρα εδάφη της περιοχής. Τα ραντάρ είναι ευαίσθητα σε πολλές παραμέτρους της φυσικής επιφάνειας όπως η βλάστηση, η τραχύτητα της επιφάνειας και η διηλεκτρική σταθερά. Το φανταστικό μέρος της διηλεκτρικής σταθεράς εξαρτάται και αυξάνει με την αύξηση της αλατότητας. Δεδομένα SAR λήφθηκαν για τη χαρτογράφηση της αλατότητας του εδάφους της περιοχής μελέτης και στη συνέχεια οι τρεις αλγόριθμοι ανάκτησης της διηλεκτρικής σταθεράς (SPM, PO DM) χρησιμοποιήθηκαν και τα αποτελέσματα αυτών συνδυάστηκαν για να ανακτήσουν το μέγεθος του φανταστικού μέρους της διηλεκτρικής σταθεράς για διάκριση και ταξινόμηση της αλατότητας του εδάφους (εικόνα 1).

''β. Καταγραφή Διάβρωσης''

Λόγω της υψηλής ευαισθησίας των μικροκυμάτων SAR για ανίχνευση της τραχύτητας του εδάφους και την ικανότητα διείσδυσης της βλάστησης, οι μικροκυματικές τεχνικές τηλεπισκόπησης όπως τα δεδομένα SAR και InSAR έχουν το πλεονέκτημα της οριοθέτησης των φαραγγιών ως συνάρτηση του βάθους και της πυκνότητας διάβρωσης με ποσοτικούς όρους. Ο χάρτης πυκνότητας διάβρωσης της χαράδρας (εικόνα 3) παρασκευάστηκε με τη χρήση δεδομένων οπισθοσκέδασης από εικόνες ERS-1 SAR (εικόνα 2). Ο χάρτης της εικόνας 5, που παρουσιάζει τρεις τάξεις βάθους χαράδρας, ρηχά (<5 m), μετρίως βαθύ (5-20 m), και βαθιές χαράδρες (> 20 m), παρασκευάστηκε χρησιμοποιώντας InSAR DEM (εικόνα 4) στοιχεία.

''γ. Χαρακτηρισμός Αμμολόφων''

Οι πληροφορίες σχετικά με τα χαρακτηριστικά των αμμόλοφων είναι πολύ σημαντικές για την κατανόηση των περιβαλλοντικών αλλαγών σε άνυδρες περιοχές. Σε γενικές γραμμές, στις περιοχές της ερήμου είναι δύσκολη η πρόσβαση. Τα τηλεπισκοπικά δεδομένα είναι επομένως πολύ χρήσιμα για την παρακολούθηση του περιβάλλοντος της ερήμου. Το ύψος των αμμόλοφων μπορεί με ακρίβεια να εκτιμηθεί χρησιμοποιώντας RMS παραμέτρους κλίσης που προκύπτουν από SAR δορυφορικά δεδομένα. Δύο προσεγγίσεις χρησιμοποιούνται γενικά για προσδιορισμό των παραμέτρων από οπισθοσκέδαση εικόνας:

(i) δημιουργία εικόνας που δείχνει τη διαφορά της τοπικής γωνίας πρόσπτωσης

(ii) μετασχηματισμό Fourier Fast (FFT) και την παραγωγή του φάσματος ισχύος (εικόνα 6). Το φάσμα προέρχεται από την εικόνα ΚΕΑ-1 SAR. Η απόσταση μεταξύ των αμμόλοφων υπολογίστηκε χρησιμοποιώντας τον αριθμό κύματος k των φασμάτων.

''δ. Υφή και Υδραυλικές Ιδιότητες''

Ο προσδιορισμός της υφής και των υδραυλικών ιδιοτήτων του εδάφους είναι αναγκαίος ώστε να αναπτυχθούν αξιόπιστα μοντέλα της ροής του νερού για την αποτελεσματική διαχείριση των εδαφικών πόρων. Η χωρική μεταβλητότητα της υφής του εδάφους και των υδραυλικών παραμέτρων θα μπορούσε να αξιολογηθεί χρησιμοποιώντας μικροκυματική τηλεπισκόπηση που προέρχεται από αλλαγές στην τηλεπισκοπική φωτεινότητα της θερμοκρασίας και την περιεκτικότητα του εδάφους σε υγρασία (εικόνα 7). Ο εντοπισμός της υφής του εδάφους και της κορεσμένης υδραυλικής αγωγιμότητας (KSAT) προκύπτει από μια ακολουθία τηλεπισκοπικών εικόνων.
Η KSAT (κορεσμένη υδραυλική αγωγιμότητα) είναι μια σημαντική ιδιότητα του εδάφους που είναι δύσκολο να ληφθεί, εκτός του εργαστηρίου. Ως εκ τούτου, οποιεσδήποτε μέθοδοι που βασίζονται σε τηλεπισκόπηση θα είναι μια εξαιρετικά σημαντική πηγή δεδομένων για υδρολογικές εφαρμογές.

''ε. Αποστράγγιση''

Η αποστράγγιση αναφέρεται στη φυσική ικανότητα του εδάφους να επιτρέπει στο νερό να διεισδύσει και να διηθηθεί. Για μικροκυματική τηλεπισκόπηση, το μέγεθος της οπισθοσκέδασης από μία επιφάνεια του εδάφους διέπεται από τη διηλεκτρική σταθερά και την τραχύτητα της επιφάνειας του εδάφους. Η διηλεκτρική σταθερά με τη σειρά της, εξαρτάται σε μεγάλο βαθμό από την περιεχόμενη υγρασία του εδάφους και, σε κάποιο βαθμό, από την υφή του. Ως εκ τούτου, το ραντάρ έχει τη δυνατότητα να χαρτογραφήσει τις ιδιότητες του εδάφους, όπως η αποστράγγιση.
Τα δορυφορικά δεδομένα SAR χρησιμεύουν για χαρτογράφηση διαφορετικών κατηγοριών αποχέτευσης εδαφών, όπως καλά στραγγιζόμενα, μέτρια στραγγιζόμενα, ατελώς στραγγιζόμενα και κακώς στραγγιζόμενα. Περιοχές με δείκτη καλύτερης αποστράγγισης είχαν χαμηλότερες τιμές οπισθοσκέδασης (εικόνα 10). Αυτό οφείλεται στο γεγονός ότι ο συντελεστής οπισθοσκέδασης σχετίζεται θετικά με την περιεκτικότητα σε υγρασία και τα καλύτερα στραγγιζόμενα εδάφη είναι πιθανό να έχουν σχετικά χαμηλότερο επίπεδο υγρασίας.

''στ. Τραχύτητα''

Η τραχύτητα της επιφάνειας του εδάφους (SSR) επηρεάζει τις θερμικές ιδιότητες του εδάφους, το ποσοστό διείσδυσης, την επιφανειακή απορροή και την ευαισθησία του εδάφους στη διάβρωση. Για φυσικές επιφάνειες, οι στατιστικές ιδιότητες της τραχύτητας της επιφάνειας μπορούν να συνοψισθούν χρησιμοποιώντας δύο παραμέτρους: την τυπική απόκλιση του ύψους της επιφάνειας (μέση τετραγωνική ρίζα, rms), η οποία καθορίζει την κάθετη κλίμακα της τραχύτητας, και το μήκος συσχέτισης (L) που αντιπροσωπεύει την οριζόντια κλίμακα. Η μέτρηση της πλέον γίνεται με σαρωτές λέιζερ (εικόνες 11, 12).

'''Επίλογος'''

H ενεργητική και παθητική μικροκυματική τηλεπισκόπηση έχουν μεγάλες δυνατότητες για την αξιολόγηση των ιδιοτήτων της γης και εκτίμηση των διαφόρων χαρακτηριστικών του εδάφους.

[[category:Καταλληλότητα εδαφών για έργα υποδομής και ανάπτυξης]]

Αρχείο:SPL art5 pic12.png

2017-02-14T18:12:14Z

Stergios Paparizos:

Αρχείο:SPL art5 pic11.png

2017-02-14T18:11:56Z

Stergios Paparizos:

Αρχείο:SPL art5 pic10.png

2017-02-14T18:11:27Z

Stergios Paparizos:

Αρχείο:SPL art5 pic9.png

2017-02-14T18:11:08Z

Stergios Paparizos:

Αρχείο:SPL art5 pic8.png

2017-02-14T18:10:48Z

Stergios Paparizos:

Αρχείο:SPL art5 pic7.png

2017-02-14T18:10:18Z

Stergios Paparizos:

Αρχείο:SPL art5 pic6.png

2017-02-14T18:09:44Z

Stergios Paparizos:

Αρχείο:SPL art5 pic5.png

2017-02-14T18:09:14Z

Stergios Paparizos:

Αρχείο:SPL art5 pic4.png

2017-02-14T18:08:42Z

Stergios Paparizos:

Αρχείο:SPL art5 pic3.png

2017-02-14T18:08:01Z

Stergios Paparizos:

Αρχείο:SPL art5 pic2.png

2017-02-14T18:07:31Z

Stergios Paparizos:

Αρχείο:SPL art5 pic1.png

2017-02-14T18:06:59Z

Stergios Paparizos:

Ανίχνευση σεισμικά ενεργών περιοχών με χρήση θερμικής τηλεπισκόπησης

2017-02-14T17:59:23Z

Stergios Paparizos: Νέα σελίδα με 'Εικόνα 1: Θέση της περιοχής μελέτης [[Εικόνα:SPL_art4_pic2.png|thumb|right|Εικόνα 2:...'

[[Εικόνα:SPL_art4_pic1.png|thumb|right|Εικόνα 1: Θέση της περιοχής μελέτης]]
[[Εικόνα:SPL_art4_pic2.png|thumb|right|Εικόνα 2: Χάρτης των LST από θερμικό κανάλι Landsat]]
[[Εικόνα:SPL_art4_pic3.png|thumb|right|Εικόνα 3: Χάρτης παρεμβολής της σεισμικής δραστηριότητας με τη μέθοδο ΟΚ]]
[[Εικόνα:SPL_art4_pic4.png|thumb|right|Εικόνα 4: Χάρτης παρεμβολής της σεισμικής δραστηριότητας με τη μέθοδο LPI]]
[[Εικόνα:SPL_art4_pic5.png|thumb|right|Εικόνα 5: Τοπογραφικό ανάγλυφο της περιοχής μελέτης από SRTM δεδομένα]]

<h2>Identification of active areas of earthquake by thermal remote sensing</h2>

Mohammad Ali Nezammahalleha, Abbas Ali Noorib, Hamideh Afsharmaneshb, Zahra Pourhosseinic, Abdolmotalleb Rastegard, Hoda Sadat Seyed Rezaie, Seyed Kazem Alavipanahf
a Dept. of Physical Geography, Geography Faculty, University of Tehran, Tehran, Iran
mnezammahalleh@ut.ac.ir
b Dept. of Geography, Kharazmi University, Tehran, Iran
(a_noori_63, afsharmanesh_hamideh)@yahoo.com
c Dept. of Geography, Shahreray Islamic Azad University, Tehran, Iran
z.hoseini84@yahoo.com
d Dept. of Engineering and Technology, Golestan University, Aliabad Katool, Iran
amrastegara@yahoo.com
e Dept. of Space Research, Space Organization of Iran, Tehran, Iran
set_sr@yahoo.com
f Dept. of Remote Sensing and GIS, Geography Faculty, University of Tehran, Tehran, Iran
salavipa@ut.ac.ir

πηγή: [[http://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XL-1-W3/295/2013/isprsarchives-XL-1-W3-295-2013.pdf]]

<h3>Μετάφραση και Περίληψη</h3>

'''Περίληψη'''

Στόχος της παρούσας έρευνας είναι να βρούμε τη σχέση μεταξύ των ενεργών περιοχών σεισμού και τις θερμικές ιδιότητες της γήινης επιφάνειας. Χρησιμοποιήθηκαν Landsat ETM+ εικόνες και τα σημεία σεισμού από USGS Διαπιστώθηκε ότι οι περιοχές με υψηλότερες τιμές LST σε μακρά περίοδο έχουν περισσότερη σεισμική δραστηριότητα και επιπλέον οι περιοχές κατά μήκος των μεγάλων ρηγμάτων έχουν υψηλότερες τιμές LST.

'''Εισαγωγή'''

Οι επιπτώσεις ενός σεισμού είναι σημαντικές τόσο σε οικονομικό όσο και σε επίπεδο απωλειών ανθρώπινων ζωών. Καθ’ ότι δεν είναι δυνατό να αποτραπεί η εκδήλωση ενός σεισμού, ο μόνος τρόπος προστασίας είναι η άμβλυνση των αρνητικών συνεπειών. Αυτό μπορεί να υλοποιηθεί με την ενίσχυση των δομών και κατάλληλη επιλογή τοποθεσίας για ανθρώπινες κατασκευές με προσδιορισμό των ευάλωτων περιοχών. Σε αυτή την έρευνα σκοπός είναι να προσδιορισθούν οι ενεργές περιοχές εκδήλωσης σεισμού με χρήση της θερμικής τηλεπισκόπησης. Η πίεση πριν από έναν σεισμό μπορεί να εκδηλώνεται από θερμικές ανωμαλίες ή αύξηση της θερμοκρασίας της επιφάνειας της γης (LST). Αυτές οι ανωμαλίες διερευνήθηκαν σε διαφορετικές περιοχές του κόσμου, χρησιμοποιώντας θερμικές και υπέρυθρες εικόνες, αποδίδονται δε στην απελευθέρωση αερίων από σχισμές του εδάφους.

'''Μεθοδολογία'''

Έχουν χρησιμοποιηθεί εικόνες Landsat ETM+ στο θερμικό εύρος 10,40 – 12,50 micron με χωρική ανάλυση 60 μέτρων από τα δεδομένα USGS. Για τα δεδομένα του σεισμού χρησιμοποιήθηκε το αρχείο σεισμών από το USGS από το 1973 έως το 2013.

''α. Όρια Περιοχής Μελέτης''

Η περιοχή μελέτης βρίσκεται σε δύο επαρχίες της Mazandaran και Semnan.

''β. Προετοιμασία Δεδομένων''

Οι διαστάσεις του θερμικού καναλιού έχουν μετατραπεί σε 30m pixel με τη μέθοδο του πλησιέστερου γείτονα και στη συνέχεια κατά στρώματα στοιβάζονται. Τα σημεία σεισμλων έχουν εισαχθεί στην ArcGIS.

''γ. Ανάκτηση LST''

Μετατροπή ψηφιακού αριθμού (DN) σε φασματική ακτινοβόληση:

L_λ=(LMAX-LMIN)/(QCALMAX-QCALMIN)*(QCAL-QCALMIN)+LMIN

Όπου QCALMIN είναι η μικρότερη DN(1) και QCALMAX είναι η μεγαλύτερη DN(255), η QCAL είναι DN στο δεδομένο pixel, LMIN και αξίες LMAX έχουν εξαχθεί από κεφαλίδα του αρχείου της εικόνας.

Μετασχηματισμός φασματικής ακτινοβόλησης σε θερμοκρασία:

T_B=K_2/ln⁡〖(K_1/L_λ +1)〗

Όπου ΤΒ είναι η δορυφορική πραγματική θερμοκρασία σε Kelvin, Κ1 είναι η πρώτη σταθερά βαθμονόμησης ίσο με 666 και Κ2 είναι η δεύτερη σταθερά βαθμονόμησης ίση με 1.282 και Lλ είναι η φασματική ακτινοβόληση για το δεδομένο pixel.

Διόρθωση εκπομπής:

Η ανάκτηση της LST είναι αναγκαία για τη διόρθωση του συντελεστή εκπομπής. Η διόρθωση μπορεί να εκτελεστεί μέσω του Κανονικοποιημένου Δείκτη Βλάστησης (NDVI). Τιμές ταξινόμησης NDVI σε γυμνά εδάφη (NDVI <0,2, ɛSoil = 0,97), περιοχές βλάστησης (NDVI> 0.5, ɛVeg = 0,99), και περιοχές με μίγμα βλάστησης και γυμνά εδάφη (0.2≥NDVI≤0.5), ɛMix υπολογίζεται ως κατωτέρω:
ε=ε_veg P_v+ε_soil (1-P_v)
Όταν Ρv είναι ο συντελεστής βλάστησης που μπορεί να υπολογιστεί από την ακόλουθη σχέση:
P_v=((NDVI-〖NDVI〗_min)/(〖NDVI〗_max-〖NDVI〗_min ))
Με NDVImin = 0,2 και NDVImax = 0.5. Ο LST υπολογίζεται ως εξής:
LST=T_B/(1+(λ*T_B/ρ)ln⁡ε )
Όπου λ είναι το μήκος κύματος της εκπεμπόμενης ακτινοβολίας (μm), ρ είναι ίσο με 1,438*10-2, και ɛ είναι η εκπομπή.

Υπολογισμός NDVI:

Ο δείκτης υπολογίζεται για το ερυθρό και εγγύς υπέρυθρο φάσμα του ηλεκτρομαγνητικού φάσματος. Για εικόνες ΕΤΜ+ αυτό υπολογίζεται ως εξής:

NDVI=(ρ(band4)-ρ(band3))/(ρ(band4)+ρ(band3) )

Η ανάκλαση λαμβάνεται ως: ρ_P=(π*L_λ*d^2)/(〖ESUN〗_λ*cos⁡〖θ_s 〗 )

Όπου ρ ο συντελεστής ανάκλασης του καναλιού, Lλ είναι η φασματική ακτινοβόληση, d είναι η απόσταση της Γης από τον ήλιο σε αστρονομικές μονάδες, ESUNλ είναι η μέση ηλιακή εξωατμοσφαιρική ακτινοβολία, θ είναι η ζενίθ γωνία του ήλιου.

''δ. Σεισμική Παρεμβολή''

Kringing είναι μια μέθοδος παρεμβολής που χρησιμοποιεί στατιστικά υποδείγματα. Η παρεμβολή είναι με την παραδοχή ότι τα δεδομένα προέρχονται από σταθερή στοχαστική διαδικασία και είναι κανονικά κατανεμημένα. Η Πολυωνυμική Παρεμβολή (LPI) είναι μια ντετερμινιστική παρεμβολή. Τα σημεία σεισμού από το αρχείο της USGS χρησιμοποιήθηκαν με τη μέθοδο Kringing (OK) και την LPI και εξάγονται ως στρώμα ράστερ.

'''Αποτελέσματα'''

Οι περιοχές των περισσότερων τιμών LST μπορούν να παρατηρηθούν κατά μήκος του ρήγματος Khazar στο βόρειο τμήμα της περιοχής, αλλά και κατά μήκος του ρήγματος Alborz Shomali στο κέντρο της περιοχής μελέτης με κατεύθυνση από βορειοανατολικά προς νοτιοδυτικά.
Η μέθοδος OK δείχνει υψηλότερη σεισμική δραστηριότητα στις νότιες πλαγιές της οροσειράς Alborz (εικόνα 3). Σύμφωνα με αυτή την απεικόνιση τα νότια και νοτιοανατολικά τμήματα της περιοχής μελέτης έχουν περισσότερη σεισμική δραστηριότητα.
Ο χάρτης LPI δείχνει επίσης μια τάση που μειώνονται σε τιμές pixel (Σχ. 4).
Η υπέρθεση του ράστερ των μεγαθών του σεισμού και της θερμικής κατάταξης, αποκάλυψε ότι οι περιοχές με υψηλές τιμές θερμικών pixel παρουσιάζουν εντονότερη σεισμική δραστηριότητα. Το τμήμα νοτιοανατολικά της περιοχής, όπως μπορεί να φανεί στις εικόνες 1, 2 και 3, παρουσιάζει υψηλές τιμές τόσο θερμικών συνθηκών όσο και σεισμική δραστηριότητα. Η τάση της θερμότητας και του μεγέθους σεισμού συμπίπτουν με την τοπογραφία της περιοχής από δεδομένα SRTM (Εικόνα 5).

'''Επίλογος'''

Τα αποτελέσματα της μελέτης δείχνουν ότι οι περιοχές με υψηλότερες τιμές LST συμπίπτουν με τις περιοχές πιο έντονης σεισμικής δραστηριότητας στην περιοχή μελέτης. Οι συνήθεις μέθοδοι Kringing και Τοπικής Πολυωνυμικής Παρεμβολής έχουν εφαρμοστεί για να παρεμβάλουν το μέγεθος των καταγεγραμμένων σεισμών. Σύμφωνα με αυτές τις παρεμβολές, μπορεί να αναφερθεί ότι οι νοτιοανατολικά τμήματα της περιοχής μελέτης έχουν βιώσει σεισμούς με μεγαλύτερη ένταση σε σχέση με άλλα τμήματα της περιοχής. Τα βόρεια τμήματα έχουν βιώσει χαμηλότερα μεγέθη σεισμού. Ο χάρτης LST αποκάλυψε ότι οι ίδιες περιοχές με υψηλούς σεισμούς μεγέθους έχουν μεγαλύτερη LST σε σχέση με τις γύρω περιοχές τους. Μπορεί να είναι δυνατή η εκτίμηση των σεισμικώς ενεργών περιοχών μέσω του LST.

[[category:Σεισμοί]]

Αρχείο:SPL art4 pic5.png

2017-02-14T17:41:38Z

Stergios Paparizos:

Αρχείο:SPL art4 pic4.png

2017-02-14T17:41:02Z

Stergios Paparizos:

Αρχείο:SPL art4 pic3.png

2017-02-14T17:40:36Z

Stergios Paparizos:

Αρχείο:SPL art4 pic2.png

2017-02-14T17:39:57Z

Stergios Paparizos:

Αρχείο:SPL art4 pic1.png

2017-02-14T17:38:39Z

Stergios Paparizos:

Αξιολόγηση παράκτιας τρωτότητας/διάβρωσης με χρήση τηλεπισκοπικής τεχνολογίας

2017-02-14T10:33:25Z

Stergios Paparizos: Νέα σελίδα με 'Εικόνα 1: Χάρτης της περιοχής μελέτης [[Εικόνα:SPL_art3_pic2.png|thumb|right|Εικόν...'

[[Εικόνα:SPL_art3_pic1.png|thumb|right|Εικόνα 1: Χάρτης της περιοχής μελέτης]]
[[Εικόνα:SPL_art3_pic2.png|thumb|right|Εικόνα 2: Η μεθοδολογία της παρούσης μελέτης]]
[[Εικόνα:SPL_art3_pic3.png|thumb|right|Πίνακας 1: Πηγή δεδομένων για τις διάφορες παραμέτρους]]
[[Εικόνα:SPL_art3_pic4.png|thumb|right|Εικόνα 3: α) Γεωμορφολογικός χάρτης β) Χάρτης χρήσεων γης]]
[[Εικόνα:SPL_art3_pic5.png|thumb|right|Εικόνα 4: α) Βαθυμετρικός χάρτης β) Χάρτης κλίσεων]]
[[Εικόνα:SPL_art3_pic6.png|thumb|right|Εικόνα 5: α) Αλλαγή ακτογραμμής μεταξύ 1991-2013 β) Μέσο παλιρροϊκό εύρος]]
[[Εικόνα:SPL_art3_pic7.png|thumb|right|Εικόνα 6: Δείκτες ευπάθειας όλων των παραμέτρων]]
[[Εικόνα:SPL_art3_pic8.png|thumb|right|Πίνακας 2: Δείκτες ευπάθειας όλων των παραμέτρων]]
[[Εικόνα:SPL_art3_pic9.png|thumb|right|Εικόνα 7: Χάρτης δείκτη παράκτιας ευπάθειας]]

<h2>Coastal Vulnerability Mapping Using Geospatial Technologies in Cuddalore-Pichavaram Coastal Tract, Tamil Nadu, India</h2>

T. Siva Sankari, , A.R. Chandramouli, K. Gokul, S.S. Mangala Surya, J. Saravanavel
Centre for Remote Sensing, Bharathidasan University, Tiruchirapalli-620 023, Tamil Nadu, India.
Available online 17 March 2015

πηγή: [[http://www.sciencedirect.com/science/article/pii/S2214241X15000565]]

<h3>Μετάφραση και Περίληψη</h3>

'''Περίληψη'''

Η άνοδος της στάθμης της θάλασσας εξαιτίας της υπερθέρμανσης του πλανήτη προβλέπεται να είναι περίπου 42 – 98 cm μέχρι το 2100. Ως εκ τούτου, απαιτείται αναγνώριση και προστασία των ευάλωτων τμημάτων των ακτών. Η παρούσα μελέτη στοχεύει στην αξιολόγηση της παράκτιας τρωτότητας των παράκτιων οδών με χρήση τηλεπισκόπησης και GIS.

'''Εισαγωγή'''

Οι παράκτιες ζώνες είναι ιδιαίτερα ευάλωτες σε διάβρωση λόγω φυσικών και ανθρωπογενών δραστηριοτήτων. Η παρούσα μελέτη είναι μια προσπάθεια να αναπτυχθεί ένας δείκτης παράκτιας ευπάθειας (CVI) χρησιμοποιώντας έξι σχετικές μεταβλητές κινδύνου με τη βοήθεια της τηλεπισκόπησης και του GIS. Ο δείκτης παράκτιας ευπάθειας (CVI) έχει χρησιμοποιηθεί για να χαρτογραφήσει την σχετική ευπάθεια της περιοχής μελέτης και χαρακτηρίζει την ευπάθεια των ακτών λόγω παράκτιων διεργασιών και των ανθρώπινων δραστηριοτήτων.

'''Περιοχή Μελέτης'''

Η επιλεγμένη περιοχή μελέτης είναι το τμήμα της πολιτείας Tamil Nadu στον κόλπο της Βεγγάλης που καλύπτουν τις ακτές της Cuddaloreto Pichavaram (εικόνα 1).

'''Μεθοδολογία'''

Η μεθοδολογία που χρησιμοποιήθηκε για την παρούσα μελέτη δίνεται στο διάγραμμα ροής παρακάτω. Οι παράμετροι όπως γεωμορφολογία, χρήση/κάλυψη γης, παράκτια κλίση, υπεράκτια βαθυμετρία, αλλαγή ακτογραμμής και παλιρροϊκό εύρος ενσωματώνονται στη μεθοδολογία υπολογισμού του CVI.

'''Θεματικά Επίπεδα'''

''α. Γεωμορφολογία''

Ως γεωμορφολογία ορίζεται η περιγραφή, ταξινόμηση, ανάπτυξη και ιστορικό των επιφανειών της γης. Στην παρούσα μελέτη, χρησιμοποιήθηκαν Landsat εικόνες του 2013 για δημιουργία του γεωμορφολογικού χάρτη (εικόνα 3α).

''β. Κάλυψη/Χρήση Γης''

Ένας χάρτης χρήσης/κάλυψης γης είναι απαραίτητος για κατανόηση των αλλαγών στις κατηγορίες χρήσης γης σε μια συγκεκριμένη περιοχή και το πώς βοηθά στην αύξηση ή τη μείωση της ευπάθειας της. Ο χάρτης χρήσης γης (εικόνα 3β) έχει δημιουργηθεί με τη χρήση Landsat εικόνων του 2013.

''γ. Υπεράκτια Βαθυμετρία''

Η βαθυμετρία δείχνει το βάθος από την ακτή προς την ανοικτή θάλασσα. Στην ουσία είναι το υποβρύχιο ισοδύναμο των ισοϋψών καμπύλων. Για την παρούσα μελέτη, ένα γράφημα δεδομένων βαθυμετρίας της GEBCO έχει χρησιμοποιηθεί για τη δημιουργία του βαθυμετρικού χάρτη (εικόνα 4α).

''δ. Παράκτια Κλίση''

Για την παρούσα μελέτη ο χάρτης κλίσεων (εικόνα 4β) έχει δημιουργηθεί χρησιμοποιώντας δεδομένα SRTM ανάλυσης 90m.

''ε. Αλλαγή Ακτογραμμής''

Χρησιμοποιήθηκαν ορθοδιορθωμένες Landsat TM και ΕΤΜ εικόνες που καλύπτουν την περιοχή μελέτης για τα έτη 1991, 2000, 2006, 2010 και 2013. Οι ακτές ψηφιοποιήθηκαν με χρήση ArcMap 10.1. Το εγγύς υπέρυθρο, που είναι το πλέον κατάλληλο για την οριοθέτηση των συνόρων της γης με του νερού, έχει χρησιμοποιηθεί για την εξαγωγή της ακτογραμμής (εικόνα 5α).

''στ. Μέσο Παλιρροϊκό Εύρος''

Παλιρροϊκό εύρος είναι η κάθετη διαφορά μεταξύ του υψηλότερου σημείου της παλίρροιας και του χαμηλότερου σημείου της άμπωτης. Για την παρούσα μελέτη, οι παράκτιες περιοχές με υψηλό παλιρροιακό εύρος θεωρούνται υψηλώς ευάλωτα και αντιστρόφως. Στην παρούσα μελέτη, χρησιμοποιήθηκαν δεδομένα παλίρροιας από το λογισμικό WX Tide για το έτος 2002 και ανατέθηκαν οι τιμές κινδύνου (εικόνα 5β).

'''Αποτελέσματα'''

Για τη δημιουργία των δεικτών ευπάθειας για κάθε παράμετρο (εικόνα 6) ρυθμίστηκαν ζώνες 500m έξω από την ακτογραμμή για την περιοχή μελέτης μας. Σε κάθε ζώνη έχουν εκχωρηθεί διαφορετικές μεταβλητές με βάση τα διάφορα παραμετρικά χαρακτηριστικά που υπάρχουν μέσα στην καθεμιά. Ο δείκτης παράκτιας ευπάθειας (CVI) υπολογίζεται με βάση την ταξινόμηση USGS.

'''Δείκτης Παράκτιας Ευπάθειας (CVI)'''

Το CVI καθορίζεται από το συνδυασμό των σχετικών μεταβλητών κινδύνου ώστε να δημιουργηθεί ένας ενιαίος δείκτης. Ο CVI υπολογίζεται ως η τετραγωνική ρίζα του γινομένου των μεταβλητών ανάλογα διαιρούμενο με τον συνολικό αριθμό των μεταβλητών. Το CVI αντιπροσωπεύεται από την εξίσωση,

'''''CVI = √(a * β * γ * δ * e * f) / 6'''''

όπου,

a ο αξιολογηθείς κίνδυνος λόγω της γεωμορφολογίας

β ο αξιολογηθείς κίνδυνος λόγω της χρήσης γης

c ο αξιολογηθείς κίνδυνος λόγω της υπεράκτιας βαθυμετρίας

d ο αξιολογηθείς κίνδυνος λόγω της παράκτιας κλίσης

e ο αξιολογηθείς κίνδυνος λόγω της αλλαγή της ακτογραμμής

f ο αξιολογηθείς κίνδυνος λόγω του παλιρροϊκού εύρους

Στην παρούσα μελέτη, οι τιμές CVI που προκύπτουν είναι 4,47 (min) και 31,62 (max). Με βάση τις τιμές CVI (εικόνα 7), η ακτή έχει χαρακτηριστεί σε πέντε κατηγορίες ευπάθειας: πολύ χαμηλή (0 – 6,3), χαμηλή (6,3 – 12,6), μέτρια (12,6 – 18,9), υψηλή (18,9 – 25,2), πολύ υψηλή (25,2 – 31,6).

[[category:Μελέτη της διάβρωσης των ακτογραμμών]]

Αρχείο:SPL art3 pic9.png

2017-02-14T10:14:28Z

Stergios Paparizos:

Αρχείο:SPL art3 pic8.png

2017-02-14T10:14:19Z

Stergios Paparizos:

Αρχείο:SPL art3 pic7.png

2017-02-14T10:14:09Z

Stergios Paparizos:

Αρχείο:SPL art3 pic6.png

2017-02-14T10:14:00Z

Stergios Paparizos: