http://147.102.106.44/rs/wiki/index.php?feed=atom&target=TASIOU_VASILIKI&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%2FTASIOU_VASILIKI 2026-04-03T18:46:35Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%BD%CE%AD%CF%81%CE%B3%CE%B5%CE%B9%CE%B1_%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%BA%CE%B1%CE%B9_%CE%B3%CE%B5%CF%89%CF%87%CF%89%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CF%8E%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%80%CF%81%CE%BF%CF%8E%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%83%CF%84%CF%8C%CF%87%CF%89%CE%BD_%CE%B2%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7_%CE%BC%CE%B5%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7 2026-02-19T08:53:06Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Synergy of Remote Sensing and Geospatial Technologies to Advance Sustainable Development Goals for Future Coastal Urbanization and Environmental Challenges in a Riverine Megacity ==<br /> <br /> == Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση των παράκτιων περιοχών και τις περιβαλλοντικές προκλήσεις σε μια μεγαλούπολη σε παραποτάμια περιοχή ==<br /> <br /> Minza Mumtaz, Syed Humayoun Jahanzaib, Waqar Hussain, Sadia Khan, Youssef M. Youssef, Saleh Qaysi, Abdalla Abdelnabi, Nassir Alarifi and Mahmoud E. Abd-Elmaboud<br /> <br /> [https://www.mdpi.com/2220-9964/14/1/30 ISPRS Int. J. Geo-Inf. 2025, 14, 30]<br /> <br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Η μελέτη εστιάζει στο Καράτσι του Πακιστάν, μια παραθαλάσσια μεγαλούπολη που αντιμετωπίζει ακραίες προκλήσεις λόγω της άναρχης αστικοποίησης. Η ραγδαία πληθυσμιακή αύξηση και η επέκταση των δομημένων επιφανειών ασκούν τεράστια πίεση στους φυσικούς πόρους και το παράκτιο περιβάλλον. Το άρθρο υπογραμμίζει την ανάγκη ευθυγράμμισης της αστικής ανάπτυξης με τους Στόχους Βιώσιμης Ανάπτυξης (SDGs) του ΟΗΕ (ειδικά τους Στόχους 11, 13 και 15), χρησιμοποιώντας τεχνολογίες αιχμής για την παρακολούθηση και την πρόβλεψη των περιβαλλοντικών επιπτώσεων.<br /> <br /> [[Αρχείο:perioxi_meletis.png | right | thumb | 1. (a) Ο παγκόσμιος χάρτης ξηρασίας κατατάσσει το Πακιστάν στην κατηγορία των ξηρών έως ημι-ξηρών ζωνών. Τα πλαίσια (b,c) απεικονίζουν το Καράτσι, την πρωτεύουσα της επαρχίας Σιντ, που οριοθετείται από ένα κόκκινο πολύγωνο στο νότιο Πακιστάν, χρησιμοποιώντας εικόνες Landsat-8 (ζώνες RGB 7, 5, 2) που επισημαίνουν τους κύριους υδάτινουςπόρους και τις υποδομές της πόλης. ]]<br /> <br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η μελέτη υιοθετεί ένα ολοκληρωμένο πλαίσιο που συνδυάζει την ανάλυση χρονοσειρών δορυφορικών δεδομένων με μοντέλα πρόβλεψης και υδρολογικές προσομοιώσεις.<br /> <br /> [[Αρχείο:methodology.png | right | thumb | 2. Μεθοδολογία ]]<br /> <br /> <br /> '''Δεδομένα και Προεπεξεργασία:'''<br /> <br /> Χρησιμοποιήθηκαν πολυφασματικές εικόνες Landsat (5, 7 και 8) για έξι χρονικά διαστήματα (1990, 1995, 2000, 2010, 2015 και 2020).<br /> <br /> Ενσωματώθηκαν υποστηρικτικά δεδομένα όπως το SRTM-DEM (ψηφιακό μοντέλο υψομέτρου), δεδομένα πληθυσμού και χάρτες οδικού και υδρογραφικού δικτύου.<br /> <br /> Για τα πληθυσμιακά δεδομένα χρησιμοποιήθηκε το εργαλείο Euclidean Distance, ώστε να αποτυπωθεί η επιρροή της πυκνότητας του πληθυσμού στις αλλαγές χρήσης γης.<br /> <br /> [[Αρχείο:elevation_aspect_slope.png | right | thumb | 3. Τοπογραφικοί παράμετροι: (a) DEM, (b) κλίση, and (c) προσανατολισμός. ]]<br /> <br /> [[Αρχείο:Spatial representation of accessibility data (a) Distance from streams and (b) distance.png | right | thumb | 4. Χωρική αναπαράσταση δεδομένων προσβασιμότητας: (a) Απόσταση από ρέματα και (b) απόστασηαπό δρόμους. ]]<br /> <br /> <br /> '''Ταξινόμηση και Πρόβλεψη (MOLUSCE &amp; CA-ANN):'''<br /> <br /> - Η γη κατηγοριοποιήθηκε σε 5 κλάσεις: ''Αστική περιοχή'', ''Βλάστηση'', ''Υδάτινα σώματα'', ''Υγρότοποι'' και ''Άγονη γη''.<br /> <br /> <br /> - Χρησιμοποιήθηκε το πρόσθετο MOLUSCE σε συνδυασμό με Τεχνητά Νευρωνικά Δίκτυα (ANN) και Κυψελωτά Αυτόματα (Cellular Automata - CA) για τη μοντελοποίηση των μελλοντικών αλλαγών.<br /> <br /> <br /> - Δημιουργήθηκαν μήτρες πιθανότητας μετάβασης (transition probability matrices), οι οποίες υπολόγισαν, για παράδειγμα, ότι τα υδάτινα σώματα είχαν 34,7% πιθανότητα να μετατραπούν σε αστικές περιοχές.<br /> <br /> <br /> - Υδρολογική Μοντελοποίηση (HEC-RAS):<br /> <br /> i. Εφαρμόστηκε το μοντέλο HEC-RAS για την προσομοίωση πλημμυρικών φαινομένων.<br /> <br /> <br /> ii. Το μοντέλο βαθμονομήθηκε με βάση το ακραίο συμβάν των μουσώνων του 2020, χρησιμοποιώντας συντελεστή τραχύτητας Manning 0,04 για τις όχθες του ποταμού.<br /> <br /> <br /> '''Επικύρωση (Validation):'''<br /> <br /> Η ακρίβεια του μοντέλου ήταν εξαιρετικά υψηλή, με συνολική ακρίβεια άνω του 97% και συντελεστή Kappa 0,97, γεγονός που επιβεβαιώνει την αξιοπιστία των προσομοιώσεων.<br /> <br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> Τα αποτελέσματα αναδεικνύουν μια δραματική μεταβολή του τοπίου και αυξανόμενους κινδύνους για την επόμενη δεκαετία:<br /> <br /> - '''Ιστορική Αστική Επέκταση (1990-2020):'''<br /> <br /> Η αστική περιοχή αυξήθηκε από το 13,4% (1990) στο 23,7% (2020) της συνολικής έκτασης. Η καθαρή αύξηση της δομημένης επιφάνειας ανήλθε σε 370,81 km2, η οποία προήλθε κυρίως από τη μετατροπή άγονης γης (-230,64 km2) και υδάτινων πόρων.<br /> <br /> <br /> - '''Υποβάθμιση Φυσικών Πόρων:'''<br /> <br /> Τα υδάτινα σώματα μειώθηκαν δραματικά από το 3,4% στο 1,3% της επικράτειας.Η έκταση του ποταμού Malir συρρικνώθηκε από τα 17,19 km2 στα 5,07 km2 έως το 2020, λόγω έντονης διάβρωσης και ανθρώπινης επέμβασης.<br /> <br /> <br /> - '''Μελλοντικές Προβλέψεις (2025-2035):'''<br /> <br /> Η αστική δόμηση αναμένεται να συνεχίσει την αυξητική της πορεία, φτάνοντας τα 909 km2 έως το 2035. Αντίθετα, η βλάστηση προβλέπεται να μειωθεί περαιτέρω από τα 111 km2 (2020) στα 77 km2 το 2035.<br /> <br /> [[Αρχείο:LULC_mellontikes_provlepseis.png | right | thumb | 5. Οι προγνωστικοί χάρτες LULC για (a) το 2025, (b) το 2030 και (c) το 2035 αποκαλύπτουν μια αξιοσημείωτη αύξηση στα εικονοστοιχεία της αστικής κατηγορίας, ενώ εκείνα που σχετίζονται με τις κατηγορίες νερού και βλάστησης παρουσιάζουν μείωση, υποδηλώνοντας μετατροπή σε αστική χρήση γης. ]]<br /> <br /> <br /> - '''Κίνδυνος Πλημμύρας:'''<br /> <br /> Οι προσομοιώσεις δείχνουν ότι οι αστικές περιοχές θα είναι οι πλέον ευάλωτες, με το 66,65% αυτών να βρίσκεται υπό κίνδυνο κατάκλυσης έως το 2035.<br /> <br /> <br /> - '''Ποσοτικοποίηση Στόχων Βιώσιμης Ανάπτυξης (SDGs):'''<br /> <br /> Το άρθρο πρωτοτυπεί υπολογίζοντας το ποσοστό επίτευξης συγκεκριμένων στόχων:<br /> <br /> ◦ SDG 9 (Βιομηχανία &amp; Υποδομές): 26%<br /> <br /> ◦ SDG 11 (Βιώσιμες Πόλεις): 18%<br /> <br /> ◦ SDG 8 (Οικονομική Ανάπτυξη): 16%<br /> <br /> ◦ SDG 13 (Δράση για το Κλίμα): 13%<br /> <br /> ◦ SDG 6 (Καθαρό Νερό): 11% (το χαμηλότερο ποσοστό λόγω της μείωσης των υδάτινων σωμάτων)<br /> <br /> [[Αρχείο:sdg.png | right | thumb | 6. Ποσοτική συμβολή της αλλαγής στη χρήση γης και της ανάλυσης του κινδύνου πλημμυρών στο Καράτσι στην επίτευξη των Στόχων Βιώσιμης Ανάπτυξης (ΣΒΑ). ]]<br /> <br /> <br /> === 4. Συζήτηση ===<br /> <br /> Η μελέτη καταλήγει στο συμπέρασμα ότι η τρέχουσα πορεία ανάπτυξης του Καράτσι δεν είναι βιώσιμη.<br /> <br /> - '''''Σύνδεση με SDGs:''''' Η άναρχη επέκταση δυσχεραίνει την επίτευξη του Στόχου 11 (Βιώσιμες Πόλεις), καθώς αυξάνει την τρωτότητα σε πλημμύρες και περιβαλλοντική ρύπανση.<br /> <br /> <br /> - '''''Διαχείριση Παράκτιων Ζωνών:''''' Η καταστροφή των μαγγρόβιων δασών λόγω της αστικοποίησης αφαιρεί μια φυσική άμυνα κατά της ανόδου της στάθμης της θάλασσας.<br /> <br /> <br /> - '''''Πολιτικές Συστάσεις:''''' Προτείνεται η υιοθέτηση &quot;πράσινων&quot; υποδομών και ο αυστηρός χωροταξικός έλεγχος. Η χρήση των εργαλείων GIS και Τηλεπισκόπησης προτείνεται ως μόνιμος μηχανισμός παρακολούθησης για τις τοπικές αρχές, ώστε να λαμβάνονται αποφάσεις βασισμένες σε πραγματικά δεδομένα.<br /> <br /> [[category: Διαχείριση κινδύνων]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B1%CE%BA%CF%81%CE%BF%CF%80%CF%81%CF%8C%CE%B8%CE%B5%CF%83%CE%BC%CE%B7_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CE%AE_%CF%84%CE%B7%CF%82_%CF%87%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B1_%CE%B2%CE%BF%CF%85%CE%BD%CE%AC_Qilian_(1986%E2%80%932024):_%CE%9C%CE%AF%CE%B1_%CF%85%CF%88%CE%B7%CE%BB%CE%AE%CF%82-%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%84%CE%BF_Landsat_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7 2026-02-19T08:50:48Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Long-Term Snow Cover Change in the Qilian Mountains (1986–2024): A High-Resolution Landsat-Based Analysis ==<br /> <br /> Enwei Huang, Guofeng Zhu, Yuhao Wang, Rui Li, Yuxin Miao, Xiaoyu Qi, Qingyang Wang, Yinying Jiao, Qinqin Wang and Ling Zhao<br /> <br /> [https://www.mdpi.com/2072-4292/17/14/2497 Remote Sensing 2025, 17, 2497]<br /> <br /> <br /> === 1. Εισαγωγή ===<br /> Η κάλυψη χιονιού αποτελεί κρίσιμο στοιχείο της κρυόσφαιρας και ζωτική πηγή νερού για τις άνυδρες περιοχές της βορειοδυτικής Κίνας. Τα βουνά Qilian (QLM), στην βορειοανατολική άκρη του Θιβετιανού Οροπεδίου, λειτουργούν ως οικολογικό φράγμα και περιοχή διατήρησης υδάτων. Λόγω της κλιματικής αλλαγής, η παρακολούθηση του χιονιού είναι απαραίτητη για την πρόβλεψη της διαθεσιμότητας νερού. Ενώ προηγούμενες μελέτες βασίζονταν σε δεδομένα MODIS (χαμηλής ανάλυσης 500m), η παρούσα έρευνα στοχεύει στη δημιουργία του πρώτου προϊόντος χιονιού υψηλής ανάλυσης (30m) για την περίοδο 1986-2024, καλύπτοντας ένα κενό 39 ετών ιστορικών δεδομένων.<br /> <br /> [[Αρχείο:Eikona_01.png | right | thumb | 1.Περιοχή ενδιαφέροντος ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> Η μελέτη χρησιμοποίησε μια σύνθετη προσέγγιση τηλεπισκόπησης και στατιστικής ανάλυσης:<br /> <br /> <br /> '''''α. Δεδομένα και Πηγές (Data Acquisition)'''''<br /> <br /> Η μελέτη βασίστηκε σε μια στρατηγική συνδυασμού πολλαπλών αισθητήρων για την επίτευξη συνεχούς παρακολούθησης 39 ετών(1986-2025):<br /> <br /> - Χρησιμοποιήθηκαν δεδομένα από τους Landsat 5 TM (1986-1999), Landsat 7 ETM+ (1999-2012), Landsat 8 OLI (2013-2020) και Landsat 9 OLI-2 (2021-2024).<br /> <br /> - Η επεξεργασία έγινε μέσω του Google Earth Engine (GEE), το οποίο επέτρεψε την ανάλυση 42.006 εικόνων.<br /> <br /> - Χρησιμοποιήθηκαν δεδομένα SRTM (Shuttle Radar Topography Mission) ανάλυσης 30 μέτρων για τον υπολογισμό του υψομέτρου, της κλίσης και του προσανατολισμού.<br /> <br /> <br /> '''''β. Στρατηγική Κάλυψης Νεφών (Cloud Masking Strategy)'''''<br /> <br /> Λόγω της συχνής παρουσίας νεφών στις ορεινές περιοχές, αναπτύχθηκε μια διπλή προσαρμοστική στρατηγική:<br /> <br /> - ''Επιεικής (Lenient) Μάσκα:'' Αποκλείει μόνο τα βέβαια νέφη και τις σκιές τους, διατηρώντας το 65-75% των δεδομένων.<br /> <br /> - ''Συντηρητική (Conservative) Μάσκα:'' Αποκλείει μόνο τα νέφη υψηλής εμπιστοσύνης, διατηρώντας το 75-85% των δεδομένων, κάτι που είναι κρίσιμο για τους χειμερινούς μήνες όπου τα δεδομένα είναι σπάνια.<br /> <br /> <br /> '''''γ. Φασματικοί Δείκτες και Προεπεξεργασία'''''<br /> <br /> Για την ακριβή αναγνώριση του χιονιού, πραγματοποιήθηκαν οι εξής ενέργειες:<br /> <br /> - ''Ραδιομετρική Διόρθωση:'' Μετατροπή των ψηφιακών αριθμών (DN) σε τιμές επιφανειακής ανάκλασης (SR).<br /> <br /> - ''Δείκτης NDSI (Normalized Difference Snow Index):'' Υπολογίστηκε με βάση την πράσινη (ρgreen) και τη βραχεία υπέρυθρη ζώνη (ρSWIR1). Ο δείκτης αυτός εκμεταλλεύεται την υψηλή ανακλαστικότητα του χιονιού στο ορατό φως και τη χαμηλή ανάκλασή του στο υπέρυθρο.<br /> <br /> <br /> '''''δ. Αλγόριθμος Ταξινόμησης Χιονιού Τριών Επιπέδων'''''<br /> <br /> Αντί για ένα απλό όριο, χρησιμοποιήθηκε ένα σύστημα τριών επιπέδων εμπιστοσύνης:<br /> <br /> 1. Βασική Εμπιστοσύνη (Basic): NDSI &gt; 0,3.<br /> <br /> 2. Μέση Εμπιστοσύνη (Medium): NDSI &gt; 0,35 και επιπλέον φασματικά όρια στο μπλε και υπέρυθρο.<br /> <br /> 3. Υψηλή Εμπιστοσύνη (High): NDSI &gt; 0,4 με τα πιο αυστηρά κατώφλια ανάκλασης. <br /> <br /> Η τελική μάσκα χιονιού προέκυψε από τη λογική ένωση (OR) αυτών των τριών επιπέδων.<br /> <br /> <br /> '''''ε. Χωρική Παρεμβολή και Συμπλήρωση Κενών'''''<br /> <br /> Για τη συμπλήρωση των κενών που προκαλούνται από σύννεφα ή από την αστοχία του αισθητήρα SLC-off του Landsat 7, εφαρμόστηκαν:<br /> <br /> - Αλγόριθμος χωρικής παρεμβολής (focal statistics) που χρησιμοποιεί ένα κυκλικό παράθυρο ακτίνας 150 μέτρων για την εκτίμηση των ελλειπουσών τιμών από τα γειτονικά pixel.<br /> <br /> - Δημιουργία μηνιαίων σύνθετων εικόνων χρησιμοποιώντας τη διάμεσο τιμή(median compositing), γεγονός που καταστέλλει τον θόρυβο και τις ακραίες τιμές.<br /> <br /> <br /> '''''στ. Στατιστική Ανάλυση Τάσεων (Trend Analysis)'''''<br /> <br /> Η ανάλυση της μεταβολής στον χρόνο έγινε με δύο μη παραμετρικές μεθόδους:<br /> <br /> - Sen-Theil Trend Analysis: Χρησιμοποιήθηκε για τον υπολογισμό του ρυθμού μεταβολής (κλίση) της χιονοκάλυψης και του υψομέτρου της χιονογραμμής.<br /> <br /> - Mann-Kendall Test: Εφαρμόστηκε για να διαπιστωθεί αν οι παρατηρούμενες τάσεις είναι στατιστικά σημαντικές ή οφείλονται σε τυχαίες διακυμάνσεις.<br /> <br /> Αυτή η πολυεπίπεδη προσέγγιση επέτρεψε στους ερευνητές να ξεπεράσουν τους περιορισμούς των παραδοσιακών μεθόδων (όπως το MODIS) και να προσφέρουν μια εικόνα υψηλής ακρίβειας για τις αλλαγές στο χιόνι της περιοχής.<br /> <br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> Τα κυριότερα ευρήματα της ανάλυσης είναι:<br /> <br /> - ''Έκταση Χιονοκάλυψης (SCE):'' Η μέση ετήσια κάλυψη χιονιού στα QLM ανήλθε σε 15,73%. Παρατηρήθηκε μια ελαφρά πτωτική τάση (-0,046% ανά έτος), η οποία όμως δεν κρίθηκε στατιστικά σημαντική.<br /> <br /> - ''Μετακίνηση Χιονογραμμής (Snowline):'' Διαπιστώθηκε σημαντική άνοδος της χιονογραμμής, με το μέσο υψόμετρο να αυξάνεται κατά 3,98 m/έτος και το ελάχιστο υψόμετρο κατά 2,81 m/έτος.<br /> <br /> - ''Υψομετρική Διαφοροποίηση:'' Η μείωση του χιονιού ήταν εντονότερη σε υψόμετρα άνω των 5000m και σε χαμηλά υψόμετρα (2000-3500m), ενώ οι ενδιάμεσες περιοχές παρέμειναν σχετικά σταθερές.<br /> <br /> - ''Εποχικότητα:'' Η μέγιστη κάλυψη καταγράφεται τον Φεβρουάριο (27,5%) και η ελάχιστη τον Αύγουστο (2,8%).<br /> <br /> <br /> === 4. Συζήτηση ===<br /> <br /> Η έρευνα αναδεικνύει την ανωτερότητα των δεδομένων υψηλής ανάλυσης:<br /> <br /> - ''Αξιοπιστία Δεδομένων:'' Η χρήση των Landsat 8 και 9 βελτίωσε σημαντικά την ακρίβεια ανίχνευσης, επιτυγχάνοντας κάλυψη παρατήρησης 93,4%.<br /> <br /> - ''Σύγκριση με MODIS:'' Η σύγκριση έδειξε ότι το MODIS υποτιμά συστηματικά την κάλυψη χιονιού στις ορεινές περιοχές (κατά περίπου 8,06%), γεγονός που καθιστά τα δεδομένα Landsat πιο ευαίσθητα και αξιόπιστα για τέτοια περιβάλλοντα.<br /> <br /> Τα αποτελέσματα παρέχουν επιστημονικά τεκμήρια για τη διαχείριση των υδάτινων πόρων και τη χάραξη στρατηγικών προσαρμογής στην κλιματική αλλαγή στην ευρύτερη περιοχή. Η άνοδος της χιονογραμμής αποτελεί σαφή δείκτη της επίδρασης της υπερθέρμανσης του πλανήτη στα ορεινά οικοσυστήματα.<br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]<br /> <br /> [[category:Εκτίμηση φυσικών χαρακτηριστικών]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%9C%CE%BF%CE%BB%CE%B4%CE%B1%CE%B2%CE%AF%CE%B1:_%CE%93%CE%A3%CE%A0_%CE%BA%CE%B1%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_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD 2026-02-19T08:49:51Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Sustainable land use in Moldova: GIS &amp; remote sensing of forests and crops ==<br /> <br /> == Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΠ και τηλεπισκόπηση δασών και καλλιεργειών ==<br /> <br /> Aleksandar Valjarevic, Cezar Morar, Ljiljana Brasanac-Bosanac, Tatjana Cirkovic-Mitrovic, Tatjana Djekic, Marija Mihajlovic, Ivica Milevski, Golub Culafic, Milan Lukovic, Liudmyla Niemets, Kateryna Sehida, Gordana Kaplan<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0264837725000481?via%3Dihub Land Use Policy 152 (2025) 107515]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Το άρθρο εξετάζει τη σημασία των δασών και των γεωργικών εκτάσεων ως κρίσιμων στοιχείων για την περιβαλλοντική σταθερότητα και τη βιοποικιλότητα. Η Δημοκρατία της Μολδαβίας αντιμετωπίζει μια ιδιαίτερη πρόκληση, καθώς διαθέτει ένα από τα χαμηλότερα ποσοστά δασοκάλυψης στην Ευρώπη (μόλις 11,4% της επικράτειας), ενώ ο γεωργικός τομέας είναι κυρίαρχος, με έμφαση στις καλλιέργειες ηλίανθου και σταφυλιών. Η μελέτη στοχεύει στην ανάλυση των χωρικών αλληλεπιδράσεων μεταξύ των δασικών εκτάσεων και αυτών των δύο βασικών καλλιεργειών, προκειμένου να προταθούν στρατηγικές βιώσιμης διαχείρισης γης που εξισορροπούν την οικονομική ανάπτυξη με την προστασία του περιβάλλοντος.<br /> <br /> [[Αρχείο:moldova.png | right | thumb | 1. Περιοχή ενδιαφέροντος: Μολδαβία και η τοπολογία της ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η έρευνα βασίζεται στην ενσωμάτωση προηγμένων εργαλείων τηλεπισκόπησης και συστημάτων γεωγραφικών πληροφοριών:<br /> <br /> [[Αρχείο:flowchart_methodology.png | right | thumb | 2. Σχεδιάγραμμα ροής - Μεθοδολογία]]<br /> <br /> '''i. Πηγές και Διαχείριση Δεδομένων'''<br /> <br /> Οι ερευνητές αξιοποίησαν ένα ευρύ φάσμα δεδομένων για να καλύψουν τη χρονική περίοδο από το 1996 έως το 2018, αλλά και την τρέχουσα κατάσταση (2021):<br /> <br /> ''Δορυφορικές Εικόνες:'' Χρησιμοποιήθηκαν δεδομένα από τις αποστολές Sentinel-1 (ραντάρ) και Sentinel-2 (οπτικά δεδομένα) για τη χαρτογράφηση του 2021. Επίσης, αντλήθηκαν ιστορικά δεδομένα από τους δορυφόρους Landsat 7 και 8 για τη σύγκριση των μεταβολών.<br /> <br /> ''Πλατφόρμα Google Earth Engine (GEE):'' Η χρήση του GEE επέτρεψε την επεξεργασία τεράστιου όγκου δεδομένων στο υπολογιστικό νέφος, ξεπερνώντας τους περιορισμούς των τοπικών υπολογιστών.<br /> <br /> ''Βάσεις Δεδομένων:'' Ενσωματώθηκαν δεδομένα από το ευρωπαϊκό πρόγραμμα CORINE Land Cover (CLC) για τον προσδιορισμό των χρήσεων γης, καθώς και κτηματολογικά (cadastral) αρχεία της Μολδαβίας για την ιδιοκτησία και τα όρια των εκτάσεων.<br /> <br /> <br /> '''ii. Προεπεξεργασία και Φασματικοί Δείκτες'''<br /> <br /> Πριν την ταξινόμηση, οι εικόνες υποβλήθηκαν σε αυστηρά φίλτρα:<br /> <br /> ''Cloud Masking:'' Εφαρμόστηκε φίλτρο νεφώσεων κάτω του 5% για τη διασφάλιση καθαρών παρατηρήσεων, με τη χρήση 215 εικόνων για το καλοκαίρι και 200 για τον χειμώνα.<br /> <br /> ''Υπολογισμός Δεικτών:'' Για τον καλύτερο διαχωρισμό των κλάσεων, υπολογίστηκαν οι δείκτες:<br /> <br /> - ''NDVI (Βλάστηση):'' Για τον εντοπισμό των διαφόρων ειδών βλάστησης.<br /> <br /> - ''NDWI (Νερό):'' Για τον εντοπισμό υδάτινων όγκων.<br /> <br /> - ''NDBI (Δόμηση):'' Για τις αστικές και τεχνητές επιφάνειες.<br /> <br /> <br /> '''iii. Αλγόριθμος Ταξινόμησης και Επικύρωση'''<br /> <br /> Για τη δημιουργία του χάρτη κάλυψης γης 5 κλάσεων (αστικά, καλλιέργειες, δάση, νερό, άγονη γη), ακολουθήθηκε η εξής διαδικασία:<br /> <br /> ''Support Vector Machine (SVM):'' Χρησιμοποιήθηκε αυτός ο αλγόριθμος επιβλεπόμενης μάθησης, ο οποίος θεωρείται από τους πλέον αξιόπιστους για την ταξινόμηση δορυφορικών εικόνων.<br /> <br /> ''Δείγμα Εκπαίδευσης:'' Συλλέχθηκαν πάνω από 300 δείγματα εδάφους. Το σύνολο των δεδομένων χωρίστηκε σε 70% για την εκπαίδευση του μοντέλου και 30% για τον έλεγχο της ακρίβειας.<br /> <br /> ''Αξιολόγηση:'' Η ακρίβεια επικυρώθηκε με τη χρήση της συνολικής ακρίβειας (Overall Accuracy) και του στατιστικού δείκτη Kappa.<br /> <br /> <br /> '''iv. Εξειδικευμένη Ανάλυση Καλλιεργειών και Κλίματος'''<br /> <br /> Ιδιαίτερη έμφαση δόθηκε στον ηλίανθο και τα αμπέλια:<br /> <br /> ''Λογισμικό DIVA-GIS:'' Χρησιμοποιήθηκε για τον ακριβή υπολογισμό των εκτάσεων συγκεκριμένων καλλιεργειών, λαμβάνοντας υπόψη τις φυσικές ιδιότητες των φυτών.<br /> <br /> ''Κλιματικά Δεδομένα:'' Ενσωματώθηκαν μετεωρολογικά δεδομένα 30 ετών (θερμοκρασία, βροχόπτωση) για να αναλυθεί πώς οι κλιματικές ακρότητες (π.χ. ξηρασίες) επηρεάζουν τη γεωργική παραγωγή.<br /> <br /> <br /> '''v. Μοντέλο Ασαφούς Λογικής (Fuzzy MCDM)'''<br /> <br /> Για την αξιολόγηση της κοινωνικοοικονομικής πίεσης στα δάση, εφαρμόστηκε το πλαίσιο '''''Pressure-Regional-Response (PRR):'''''<br /> <br /> ''Fuzzy AHP (Analytic Hierarchy Process):'' Μια μέθοδος λήψης αποφάσεων που ιεραρχεί τα κριτήρια (περιβαλλοντικά, οικονομικά) χρησιμοποιώντας ασαφή λογική για να αντιμετωπιστεί η αβεβαιότητα των δεδομένων.<br /> <br /> ''Weighted Sum Model:'' Μέσω του QGIS, οι βαθμολογίες της ασαφούς λογικής συνδυάστηκαν για να δημιουργηθούν χάρτες τρωτότητας, που κατατάσσουν τις περιοχές από &quot;πολύ χαμηλή&quot; έως &quot;υψηλή&quot; επικινδυνότητα για υποβάθμιση.<br /> <br /> [[Αρχείο:kuries_sunistwses_AHP.png | right | thumb | 3. Χάρτης τρωτότητας ]]<br /> <br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> '''''Χωρική Κατανομή:''''' Τα δάση της Μολδαβίας είναι εξαιρετικά περιορισμένα και συγκεντρώνονται κυρίως στην κεντρική περιοχή (οροπέδιο Codri), ενώ στο βορρά και το νότο η δασοκάλυψη είναι πολύ αραιή.<br /> <br /> '''''Ακρίβεια Μοντέλων:''''' Η ταξινόμηση της κάλυψης γης μέσω GEE επέδειξε υψηλή αξιοπιστία, με συνολική ακρίβεια 90% και συντελεστή Kappa 0,88.<br /> <br /> [[Αρχείο:GEE_land-classification_2021.png | right | thumb | 4. Κατανομή γης βάσει του Google Earth Engine ]]<br /> <br /> '''''Κλιματικές Επιπτώσεις:''''' Διαπιστώθηκε ότι οι ακραίες ξηρασίες (όπως αυτές του 2007 και του 2020) έχουν προκαλέσει τεράστιες οικονομικές απώλειες στον γεωργικό τομέα, επηρεάζοντας το 80% της επικράτειας και οδηγώντας σε σημαντική μείωση της παραγωγής.<br /> <br /> '''''Ευάλωτες Περιοχές:''''' Εντοπίστηκαν ζώνες όπου η γεωργική επέκταση έρχεται σε άμεση σύγκρουση με τις προστατευόμενες δασικές εκτάσεις, αυξάνοντας τον κίνδυνο υποβάθμισης του εδάφους.<br /> <br /> <br /> === 4. Συζήτηση ===<br /> <br /> Τα αποτελέσματα υπογραμμίζουν την επείγουσα ανάγκη για προσαρμοστικές στρατηγικές χρήσης γης που να λαμβάνουν υπόψη την κλιματική μεταβλητότητα και την αστική εξάπλωση.<br /> <br /> '''''Πολιτικές Προστασίας:''''' Η έρευνα προτείνει την ιεράρχηση της αναδάσωσης σε ευάλωτες περιοχές για την αποκατάσταση της οικολογικής ισορροπίας και την πρόληψη της διάβρωσης του εδάφους.<br /> <br /> '''''Βιώσιμη Ανάπτυξη:''''' Η εξισορρόπηση μεταξύ της γεωργικής παραγωγικότητας (ιδιαίτερα στον τομέα της οινοποιίας και του ηλίανθου) και της διατήρησης των δασών είναι απαραίτητη για τη μακροπρόθεσμη ανθεκτικότητα των φυσικών πόρων της χώρας.<br /> <br /> '''''Τεχνολογική Συμβολή:''''' Η μελέτη αποδεικνύει ότι ο συνδυασμός GIS, Τηλεπισκόπησης και κτηματολογικών δεδομένων παρέχει ένα ισχυρό πλαίσιο για τους λήπτες αποφάσεων, επιτρέποντας τον ακριβή εντοπισμό περιοχών που απαιτούν άμεση παρέμβαση.<br /> <br /> [[category: Δασοπονία, Δασική διαχείριση]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%BD%CE%AD%CF%81%CE%B3%CE%B5%CE%B9%CE%B1_%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%BA%CE%B1%CE%B9_%CE%B3%CE%B5%CF%89%CF%87%CF%89%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CF%8E%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%80%CF%81%CE%BF%CF%8E%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%83%CF%84%CF%8C%CF%87%CF%89%CE%BD_%CE%B2%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7_%CE%BC%CE%B5%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7 2026-02-19T08:47:28Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Synergy of Remote Sensing and Geospatial Technologies to Advance Sustainable Development Goals for Future Coastal Urbanization and Environmental Challenges in a Riverine Megacity ==<br /> <br /> == Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση των παράκτιων περιοχών και τις περιβαλλοντικές προκλήσεις σε μια μεγαλούπολη σε παραποτάμια περιοχή ==<br /> <br /> Minza Mumtaz, Syed Humayoun Jahanzaib, Waqar Hussain, Sadia Khan, Youssef M. Youssef, Saleh Qaysi, Abdalla Abdelnabi, Nassir Alarifi and Mahmoud E. Abd-Elmaboud<br /> <br /> [https://www.mdpi.com/2220-9964/14/1/30 ISPRS Int. J. Geo-Inf. 2025, 14, 30]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Η μελέτη εστιάζει στο Καράτσι του Πακιστάν, μια παραθαλάσσια μεγαλούπολη που αντιμετωπίζει ακραίες προκλήσεις λόγω της άναρχης αστικοποίησης. Η ραγδαία πληθυσμιακή αύξηση και η επέκταση των δομημένων επιφανειών ασκούν τεράστια πίεση στους φυσικούς πόρους και το παράκτιο περιβάλλον. Το άρθρο υπογραμμίζει την ανάγκη ευθυγράμμισης της αστικής ανάπτυξης με τους Στόχους Βιώσιμης Ανάπτυξης (SDGs) του ΟΗΕ (ειδικά τους Στόχους 11, 13 και 15), χρησιμοποιώντας τεχνολογίες αιχμής για την παρακολούθηση και την πρόβλεψη των περιβαλλοντικών επιπτώσεων.<br /> <br /> [[Αρχείο:perioxi_meletis.png | right | thumb | 1. (a) Ο παγκόσμιος χάρτης ξηρασίας κατατάσσει το Πακιστάν στην κατηγορία των ξηρών έως ημι-ξηρών ζωνών. Τα πλαίσια (b,c) απεικονίζουν το Καράτσι, την πρωτεύουσα της επαρχίας Σιντ, που οριοθετείται από ένα κόκκινο πολύγωνο στο νότιο Πακιστάν, χρησιμοποιώντας εικόνες Landsat-8 (ζώνες RGB 7, 5, 2) που επισημαίνουν τους κύριους υδάτινουςπόρους και τις υποδομές της πόλης. ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η μελέτη υιοθετεί ένα ολοκληρωμένο πλαίσιο που συνδυάζει την ανάλυση χρονοσειρών δορυφορικών δεδομένων με μοντέλα πρόβλεψης και υδρολογικές προσομοιώσεις.<br /> <br /> [[Αρχείο:methodology.png | right | thumb | 2. Μεθοδολογία ]]<br /> <br /> '''Δεδομένα και Προεπεξεργασία:'''<br /> <br /> Χρησιμοποιήθηκαν πολυφασματικές εικόνες Landsat (5, 7 και 8) για έξι χρονικά διαστήματα (1990, 1995, 2000, 2010, 2015 και 2020).<br /> <br /> Ενσωματώθηκαν υποστηρικτικά δεδομένα όπως το SRTM-DEM (ψηφιακό μοντέλο υψομέτρου), δεδομένα πληθυσμού και χάρτες οδικού και υδρογραφικού δικτύου.<br /> <br /> Για τα πληθυσμιακά δεδομένα χρησιμοποιήθηκε το εργαλείο Euclidean Distance, ώστε να αποτυπωθεί η επιρροή της πυκνότητας του πληθυσμού στις αλλαγές χρήσης γης.<br /> <br /> [[Αρχείο:elevation_aspect_slope.png | right | thumb | 3. Τοπογραφικοί παράμετροι: (a) DEM, (b) κλίση, and (c) προσανατολισμός. ]]<br /> <br /> [[Αρχείο:Spatial representation of accessibility data (a) Distance from streams and (b) distance.png | right | thumb | 4. Χωρική αναπαράσταση δεδομένων προσβασιμότητας: (a) Απόσταση από ρέματα και (b) απόστασηαπό δρόμους. ]]<br /> <br /> '''Ταξινόμηση και Πρόβλεψη (MOLUSCE &amp; CA-ANN):'''<br /> <br /> - Η γη κατηγοριοποιήθηκε σε 5 κλάσεις: ''Αστική περιοχή'', ''Βλάστηση'', ''Υδάτινα σώματα'', ''Υγρότοποι'' και ''Άγονη γη''.<br /> <br /> - Χρησιμοποιήθηκε το πρόσθετο MOLUSCE σε συνδυασμό με Τεχνητά Νευρωνικά Δίκτυα (ANN) και Κυψελωτά Αυτόματα (Cellular Automata - CA) για τη μοντελοποίηση των μελλοντικών αλλαγών.<br /> <br /> - Δημιουργήθηκαν μήτρες πιθανότητας μετάβασης (transition probability matrices), οι οποίες υπολόγισαν, για παράδειγμα, ότι τα υδάτινα σώματα είχαν 34,7% πιθανότητα να μετατραπούν σε αστικές περιοχές.<br /> <br /> - Υδρολογική Μοντελοποίηση (HEC-RAS):<br /> <br /> i. Εφαρμόστηκε το μοντέλο HEC-RAS για την προσομοίωση πλημμυρικών φαινομένων.<br /> <br /> ii. Το μοντέλο βαθμονομήθηκε με βάση το ακραίο συμβάν των μουσώνων του 2020, χρησιμοποιώντας συντελεστή τραχύτητας Manning 0,04 για τις όχθες του ποταμού.<br /> <br /> '''Επικύρωση (Validation):'''<br /> <br /> Η ακρίβεια του μοντέλου ήταν εξαιρετικά υψηλή, με συνολική ακρίβεια άνω του 97% και συντελεστή Kappa 0,97, γεγονός που επιβεβαιώνει την αξιοπιστία των προσομοιώσεων.<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> Τα αποτελέσματα αναδεικνύουν μια δραματική μεταβολή του τοπίου και αυξανόμενους κινδύνους για την επόμενη δεκαετία:<br /> <br /> - '''Ιστορική Αστική Επέκταση (1990-2020):'''<br /> <br /> Η αστική περιοχή αυξήθηκε από το 13,4% (1990) στο 23,7% (2020) της συνολικής έκτασης. Η καθαρή αύξηση της δομημένης επιφάνειας ανήλθε σε 370,81 km2, η οποία προήλθε κυρίως από τη μετατροπή άγονης γης (-230,64 km2) και υδάτινων πόρων.<br /> <br /> - '''Υποβάθμιση Φυσικών Πόρων:'''<br /> <br /> Τα υδάτινα σώματα μειώθηκαν δραματικά από το 3,4% στο 1,3% της επικράτειας.Η έκταση του ποταμού Malir συρρικνώθηκε από τα 17,19 km2 στα 5,07 km2 έως το 2020, λόγω έντονης διάβρωσης και ανθρώπινης επέμβασης.<br /> <br /> - '''Μελλοντικές Προβλέψεις (2025-2035):'''<br /> <br /> Η αστική δόμηση αναμένεται να συνεχίσει την αυξητική της πορεία, φτάνοντας τα 909 km2 έως το 2035. Αντίθετα, η βλάστηση προβλέπεται να μειωθεί περαιτέρω από τα 111 km2 (2020) στα 77 km2 το 2035.<br /> <br /> [[Αρχείο:LULC_mellontikes_provlepseis.png | right | thumb | 5. Οι προγνωστικοί χάρτες LULC για (a) το 2025, (b) το 2030 και (c) το 2035 αποκαλύπτουν μια αξιοσημείωτη αύξηση στα εικονοστοιχεία της αστικής κατηγορίας, ενώ εκείνα που σχετίζονται με τις κατηγορίες νερού και βλάστησης παρουσιάζουν μείωση, υποδηλώνοντας μετατροπή σε αστική χρήση γης. ]]<br /> <br /> - '''Κίνδυνος Πλημμύρας:'''<br /> <br /> Οι προσομοιώσεις δείχνουν ότι οι αστικές περιοχές θα είναι οι πλέον ευάλωτες, με το 66,65% αυτών να βρίσκεται υπό κίνδυνο κατάκλυσης έως το 2035.<br /> <br /> - '''Ποσοτικοποίηση Στόχων Βιώσιμης Ανάπτυξης (SDGs):'''<br /> <br /> Το άρθρο πρωτοτυπεί υπολογίζοντας το ποσοστό επίτευξης συγκεκριμένων στόχων:<br /> <br /> ◦ SDG 9 (Βιομηχανία &amp; Υποδομές): 26%<br /> <br /> ◦ SDG 11 (Βιώσιμες Πόλεις): 18%<br /> <br /> ◦ SDG 8 (Οικονομική Ανάπτυξη): 16%<br /> <br /> ◦ SDG 13 (Δράση για το Κλίμα): 13%<br /> <br /> ◦ SDG 6 (Καθαρό Νερό): 11% (το χαμηλότερο ποσοστό λόγω της μείωσης των υδάτινων σωμάτων)<br /> <br /> [[Αρχείο:sdg.png | right | thumb | 6. Ποσοτική συμβολή της αλλαγής στη χρήση γης και της ανάλυσης του κινδύνου πλημμυρών στο Καράτσι στην επίτευξη των Στόχων Βιώσιμης Ανάπτυξης (ΣΒΑ). ]]<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Η μελέτη καταλήγει στο συμπέρασμα ότι η τρέχουσα πορεία ανάπτυξης του Καράτσι δεν είναι βιώσιμη.<br /> <br /> - '''''Σύνδεση με SDGs:''''' Η άναρχη επέκταση δυσχεραίνει την επίτευξη του Στόχου 11 (Βιώσιμες Πόλεις), καθώς αυξάνει την τρωτότητα σε πλημμύρες και περιβαλλοντική ρύπανση.<br /> <br /> - '''''Διαχείριση Παράκτιων Ζωνών:''''' Η καταστροφή των μαγγρόβιων δασών λόγω της αστικοποίησης αφαιρεί μια φυσική άμυνα κατά της ανόδου της στάθμης της θάλασσας.<br /> <br /> - '''''Πολιτικές Συστάσεις:''''' Προτείνεται η υιοθέτηση &quot;πράσινων&quot; υποδομών και ο αυστηρός χωροταξικός έλεγχος. Η χρήση των εργαλείων GIS και Τηλεπισκόπησης προτείνεται ως μόνιμος μηχανισμός παρακολούθησης για τις τοπικές αρχές, ώστε να λαμβάνονται αποφάσεις βασισμένες σε πραγματικά δεδομένα.<br /> <br /> [[category: Διαχείριση κινδύνων]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%BD%CE%AD%CF%81%CE%B3%CE%B5%CE%B9%CE%B1_%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%BA%CE%B1%CE%B9_%CE%B3%CE%B5%CF%89%CF%87%CF%89%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CF%8E%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%80%CF%81%CE%BF%CF%8E%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%83%CF%84%CF%8C%CF%87%CF%89%CE%BD_%CE%B2%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7_%CE%BC%CE%B5%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7 2026-02-19T08:45:46Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Synergy of Remote Sensing and Geospatial Technologies to Advance Sustainable Development Goals for Future Coastal Urbanization and Environmental Challenges in a Riverine Megacity ==<br /> <br /> == Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση των παράκτιων περιοχών και τις περιβαλλοντικές προκλήσεις σε μια μεγαλούπολη σε παραποτάμια περιοχή ==<br /> <br /> Minza Mumtaz, Syed Humayoun Jahanzaib, Waqar Hussain, Sadia Khan, Youssef M. Youssef, Saleh Qaysi, Abdalla Abdelnabi, Nassir Alarifi and Mahmoud E. Abd-Elmaboud<br /> <br /> [https://www.mdpi.com/2220-9964/14/1/30 ISPRS Int. J. Geo-Inf. 2025, 14, 30]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Η μελέτη εστιάζει στο Καράτσι του Πακιστάν, μια παραθαλάσσια μεγαλούπολη που αντιμετωπίζει ακραίες προκλήσεις λόγω της άναρχης αστικοποίησης. Η ραγδαία πληθυσμιακή αύξηση και η επέκταση των δομημένων επιφανειών ασκούν τεράστια πίεση στους φυσικούς πόρους και το παράκτιο περιβάλλον. Το άρθρο υπογραμμίζει την ανάγκη ευθυγράμμισης της αστικής ανάπτυξης με τους Στόχους Βιώσιμης Ανάπτυξης (SDGs) του ΟΗΕ (ειδικά τους Στόχους 11, 13 και 15), χρησιμοποιώντας τεχνολογίες αιχμής για την παρακολούθηση και την πρόβλεψη των περιβαλλοντικών επιπτώσεων.<br /> <br /> [[Αρχείο:perioxi_meletis.png | right | thumb | 1. (a) Ο παγκόσμιος χάρτης ξηρασίας κατατάσσει το Πακιστάν στην κατηγορία των ξηρών έως ημι-ξηρών ζωνών. Τα πλαίσια (b,c) απεικονίζουν το Καράτσι, την πρωτεύουσα της επαρχίας Σιντ, που οριοθετείται από ένα κόκκινο πολύγωνο στο νότιο Πακιστάν, χρησιμοποιώντας εικόνες Landsat-8 (ζώνες RGB 7, 5, 2) που επισημαίνουν τους κύριους υδάτινουςπόρους και τις υποδομές της πόλης. ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η μελέτη υιοθετεί ένα ολοκληρωμένο πλαίσιο που συνδυάζει την ανάλυση χρονοσειρών δορυφορικών δεδομένων με μοντέλα πρόβλεψης και υδρολογικές προσομοιώσεις.<br /> <br /> [[Αρχείο:methodology.png | right | thumb | 2. Μεθοδολογία ]]<br /> <br /> '''Δεδομένα και Προεπεξεργασία:'''<br /> <br /> Χρησιμοποιήθηκαν πολυφασματικές εικόνες Landsat (5, 7 και 8) για έξι χρονικά διαστήματα (1990, 1995, 2000, 2010, 2015 και 2020).<br /> <br /> Ενσωματώθηκαν υποστηρικτικά δεδομένα όπως το SRTM-DEM (ψηφιακό μοντέλο υψομέτρου), δεδομένα πληθυσμού και χάρτες οδικού και υδρογραφικού δικτύου.<br /> <br /> Για τα πληθυσμιακά δεδομένα χρησιμοποιήθηκε το εργαλείο Euclidean Distance, ώστε να αποτυπωθεί η επιρροή της πυκνότητας του πληθυσμού στις αλλαγές χρήσης γης.<br /> <br /> [[Αρχείο:elevation_aspect_slope.png | right | thumb | 3. Τοπογραφικοί παράμετροι: (a) DEM, (b) κλίση, and (c) προσανατολισμός. ]]<br /> <br /> [[Αρχείο:Spatial representation of accessibility data (a) Distance from streams and (b) distance.png | right | thumb | 4. Χωρική αναπαράσταση δεδομένων προσβασιμότητας: (a) Απόσταση από ρέματα και (b) απόστασηαπό δρόμους. ]]<br /> <br /> '''Ταξινόμηση και Πρόβλεψη (MOLUSCE &amp; CA-ANN):'''<br /> <br /> - Η γη κατηγοριοποιήθηκε σε 5 κλάσεις: ''Αστική περιοχή'', ''Βλάστηση'', ''Υδάτινα σώματα'', ''Υγρότοποι'' και ''Άγονη γη''.<br /> <br /> - Χρησιμοποιήθηκε το πρόσθετο MOLUSCE σε συνδυασμό με Τεχνητά Νευρωνικά Δίκτυα (ANN) και Κυψελωτά Αυτόματα (Cellular Automata - CA) για τη μοντελοποίηση των μελλοντικών αλλαγών.<br /> <br /> - Δημιουργήθηκαν μήτρες πιθανότητας μετάβασης (transition probability matrices), οι οποίες υπολόγισαν, για παράδειγμα, ότι τα υδάτινα σώματα είχαν 34,7% πιθανότητα να μετατραπούν σε αστικές περιοχές.<br /> <br /> - Υδρολογική Μοντελοποίηση (HEC-RAS):<br /> <br /> i. Εφαρμόστηκε το μοντέλο HEC-RAS για την προσομοίωση πλημμυρικών φαινομένων.<br /> <br /> ii. Το μοντέλο βαθμονομήθηκε με βάση το ακραίο συμβάν των μουσώνων του 2020, χρησιμοποιώντας συντελεστή τραχύτητας Manning 0,04 για τις όχθες του ποταμού.<br /> <br /> '''Επικύρωση (Validation):'''<br /> <br /> Η ακρίβεια του μοντέλου ήταν εξαιρετικά υψηλή, με συνολική ακρίβεια άνω του 97% και συντελεστή Kappa 0,97, γεγονός που επιβεβαιώνει την αξιοπιστία των προσομοιώσεων.<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> Τα αποτελέσματα αναδεικνύουν μια δραματική μεταβολή του τοπίου και αυξανόμενους κινδύνους για την επόμενη δεκαετία:<br /> <br /> - '''Ιστορική Αστική Επέκταση (1990-2020):'''<br /> <br /> Η αστική περιοχή αυξήθηκε από το 13,4% (1990) στο 23,7% (2020) της συνολικής έκτασης. Η καθαρή αύξηση της δομημένης επιφάνειας ανήλθε σε 370,81 km2, η οποία προήλθε κυρίως από τη μετατροπή άγονης γης (-230,64 km2) και υδάτινων πόρων.<br /> <br /> - '''Υποβάθμιση Φυσικών Πόρων:'''<br /> <br /> Τα υδάτινα σώματα μειώθηκαν δραματικά από το 3,4% στο 1,3% της επικράτειας.Η έκταση του ποταμού Malir συρρικνώθηκε από τα 17,19 km2 στα 5,07 km2 έως το 2020, λόγω έντονης διάβρωσης και ανθρώπινης επέμβασης.<br /> <br /> - '''Μελλοντικές Προβλέψεις (2025-2035):'''<br /> <br /> Η αστική δόμηση αναμένεται να συνεχίσει την αυξητική της πορεία, φτάνοντας τα 909 km2 έως το 2035. Αντίθετα, η βλάστηση προβλέπεται να μειωθεί περαιτέρω από τα 111 km2 (2020) στα 77 km2 το 2035.<br /> <br /> [[Αρχείο:LULC_mellontikes_provlepseis.png | right | thumb | 5. Οι προγνωστικοί χάρτες LULC για (a) το 2025, (b) το 2030 και (c) το 2035 αποκαλύπτουν μια αξιοσημείωτη αύξηση στα εικονοστοιχεία της αστικής κατηγορίας, ενώ εκείνα που σχετίζονται με τις κατηγορίες νερού και βλάστησης παρουσιάζουν μείωση, υποδηλώνοντας μετατροπή σε αστική χρήση γης. ]]<br /> <br /> '''Κίνδυνος Πλημμύρας:'''<br /> <br /> Οι προσομοιώσεις δείχνουν ότι οι αστικές περιοχές θα είναι οι πλέον ευάλωτες, με το 66,65% αυτών να βρίσκεται υπό κίνδυνο κατάκλυσης έως το 2035.<br /> <br /> '''Ποσοτικοποίηση Στόχων Βιώσιμης Ανάπτυξης (SDGs):'''<br /> <br /> Το άρθρο πρωτοτυπεί υπολογίζοντας το ποσοστό επίτευξης συγκεκριμένων στόχων:<br /> <br /> ◦ SDG 9 (Βιομηχανία &amp; Υποδομές): 26%<br /> <br /> ◦ SDG 11 (Βιώσιμες Πόλεις): 18%<br /> <br /> ◦ SDG 8 (Οικονομική Ανάπτυξη): 16%<br /> <br /> ◦ SDG 13 (Δράση για το Κλίμα): 13%<br /> <br /> ◦ SDG 6 (Καθαρό Νερό): 11% (το χαμηλότερο ποσοστό λόγω της μείωσης των υδάτινων σωμάτων)<br /> <br /> [[Αρχείο:sdg.png | right | thumb | 6. Ποσοτική συμβολή της αλλαγής στη χρήση γης και της ανάλυσης του κινδύνου πλημμυρών στο Καράτσι στην επίτευξη των Στόχων Βιώσιμης Ανάπτυξης (ΣΒΑ). ]]<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Η μελέτη καταλήγει στο συμπέρασμα ότι η τρέχουσα πορεία ανάπτυξης του Καράτσι δεν είναι βιώσιμη.<br /> <br /> - '''''Σύνδεση με SDGs:''''' Η άναρχη επέκταση δυσχεραίνει την επίτευξη του Στόχου 11 (Βιώσιμες Πόλεις), καθώς αυξάνει την τρωτότητα σε πλημμύρες και περιβαλλοντική ρύπανση.<br /> <br /> - '''''Διαχείριση Παράκτιων Ζωνών:''''' Η καταστροφή των μαγγρόβιων δασών λόγω της αστικοποίησης αφαιρεί μια φυσική άμυνα κατά της ανόδου της στάθμης της θάλασσας.<br /> <br /> - '''''Πολιτικές Συστάσεις:''''' Προτείνεται η υιοθέτηση &quot;πράσινων&quot; υποδομών και ο αυστηρός χωροταξικός έλεγχος. Η χρήση των εργαλείων GIS και Τηλεπισκόπησης προτείνεται ως μόνιμος μηχανισμός παρακολούθησης για τις τοπικές αρχές, ώστε να λαμβάνονται αποφάσεις βασισμένες σε πραγματικά δεδομένα.<br /> <br /> [[category: Διαχείριση κινδύνων]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%9C%CE%BF%CE%BB%CE%B4%CE%B1%CE%B2%CE%AF%CE%B1:_%CE%93%CE%A3%CE%A0_%CE%BA%CE%B1%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_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD 2026-02-19T08:40:46Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Sustainable land use in Moldova: GIS &amp; remote sensing of forests and crops ==<br /> <br /> == Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΠ και τηλεπισκόπηση δασών και καλλιεργειών ==<br /> <br /> Aleksandar Valjarevic, Cezar Morar, Ljiljana Brasanac-Bosanac, Tatjana Cirkovic-Mitrovic, Tatjana Djekic, Marija Mihajlovic, Ivica Milevski, Golub Culafic, Milan Lukovic, Liudmyla Niemets, Kateryna Sehida, Gordana Kaplan<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0264837725000481?via%3Dihub Land Use Policy 152 (2025) 107515]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Το άρθρο εξετάζει τη σημασία των δασών και των γεωργικών εκτάσεων ως κρίσιμων στοιχείων για την περιβαλλοντική σταθερότητα και τη βιοποικιλότητα. Η Δημοκρατία της Μολδαβίας αντιμετωπίζει μια ιδιαίτερη πρόκληση, καθώς διαθέτει ένα από τα χαμηλότερα ποσοστά δασοκάλυψης στην Ευρώπη (μόλις 11,4% της επικράτειας), ενώ ο γεωργικός τομέας είναι κυρίαρχος, με έμφαση στις καλλιέργειες ηλίανθου και σταφυλιών. Η μελέτη στοχεύει στην ανάλυση των χωρικών αλληλεπιδράσεων μεταξύ των δασικών εκτάσεων και αυτών των δύο βασικών καλλιεργειών, προκειμένου να προταθούν στρατηγικές βιώσιμης διαχείρισης γης που εξισορροπούν την οικονομική ανάπτυξη με την προστασία του περιβάλλοντος.<br /> <br /> [[Αρχείο:moldova.png | right | thumb | 1. Περιοχή ενδιαφέροντος: Μολδαβία και η τοπολογία της ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η έρευνα βασίζεται στην ενσωμάτωση προηγμένων εργαλείων τηλεπισκόπησης και συστημάτων γεωγραφικών πληροφοριών:<br /> <br /> [[Αρχείο:flowchart_methodology.png | right | thumb | 2. Σχεδιάγραμμα ροής - Μεθοδολογία]]<br /> <br /> '''i. Πηγές και Διαχείριση Δεδομένων'''<br /> <br /> Οι ερευνητές αξιοποίησαν ένα ευρύ φάσμα δεδομένων για να καλύψουν τη χρονική περίοδο από το 1996 έως το 2018, αλλά και την τρέχουσα κατάσταση (2021):<br /> <br /> '''''Δορυφορικές Εικόνες:''''' Χρησιμοποιήθηκαν δεδομένα από τις αποστολές Sentinel-1 (ραντάρ) και Sentinel-2 (οπτικά δεδομένα) για τη χαρτογράφηση του 2021. Επίσης, αντλήθηκαν ιστορικά δεδομένα από τους δορυφόρους Landsat 7 και 8 για τη σύγκριση των μεταβολών.<br /> <br /> '''''Πλατφόρμα Google Earth Engine (GEE):''''' Η χρήση του GEE επέτρεψε την επεξεργασία τεράστιου όγκου δεδομένων στο υπολογιστικό νέφος, ξεπερνώντας τους περιορισμούς των τοπικών υπολογιστών.<br /> <br /> '''''Βάσεις Δεδομένων:''''' Ενσωματώθηκαν δεδομένα από το ευρωπαϊκό πρόγραμμα CORINE Land Cover (CLC) για τον προσδιορισμό των χρήσεων γης, καθώς και κτηματολογικά (cadastral) αρχεία της Μολδαβίας για την ιδιοκτησία και τα όρια των εκτάσεων.<br /> <br /> '''ii. Προεπεξεργασία και Φασματικοί Δείκτες'''<br /> <br /> Πριν την ταξινόμηση, οι εικόνες υποβλήθηκαν σε αυστηρά φίλτρα:<br /> <br /> '''''Cloud Masking:''''' Εφαρμόστηκε φίλτρο νεφώσεων κάτω του 5% για τη διασφάλιση καθαρών παρατηρήσεων, με τη χρήση 215 εικόνων για το καλοκαίρι και 200 για τον χειμώνα.<br /> <br /> '''''Υπολογισμός Δεικτών:''''' Για τον καλύτερο διαχωρισμό των κλάσεων, υπολογίστηκαν οι δείκτες:<br /> <br /> - ''NDVI (Βλάστηση):'' Για τον εντοπισμό των διαφόρων ειδών βλάστησης.<br /> <br /> - ''NDWI (Νερό):'' Για τον εντοπισμό υδάτινων όγκων.<br /> <br /> - ''NDBI (Δόμηση):'' Για τις αστικές και τεχνητές επιφάνειες.<br /> <br /> '''iii. Αλγόριθμος Ταξινόμησης και Επικύρωση'''<br /> <br /> Για τη δημιουργία του χάρτη κάλυψης γης 5 κλάσεων (αστικά, καλλιέργειες, δάση, νερό, άγονη γη), ακολουθήθηκε η εξής διαδικασία:<br /> <br /> '''''Support Vector Machine (SVM):''''' Χρησιμοποιήθηκε αυτός ο αλγόριθμος επιβλεπόμενης μάθησης, ο οποίος θεωρείται από τους πλέον αξιόπιστους για την ταξινόμηση δορυφορικών εικόνων.<br /> <br /> '''''Δείγμα Εκπαίδευσης:''''' Συλλέχθηκαν πάνω από 300 δείγματα εδάφους. Το σύνολο των δεδομένων χωρίστηκε σε 70% για την εκπαίδευση του μοντέλου και 30% για τον έλεγχο της ακρίβειας.<br /> <br /> '''''Αξιολόγηση:''''' Η ακρίβεια επικυρώθηκε με τη χρήση της συνολικής ακρίβειας (Overall Accuracy) και του στατιστικού δείκτη Kappa.<br /> <br /> '''iv. Εξειδικευμένη Ανάλυση Καλλιεργειών και Κλίματος'''<br /> <br /> Ιδιαίτερη έμφαση δόθηκε στον ηλίανθο και τα αμπέλια:<br /> <br /> '''''Λογισμικό DIVA-GIS:''''' Χρησιμοποιήθηκε για τον ακριβή υπολογισμό των εκτάσεων συγκεκριμένων καλλιεργειών, λαμβάνοντας υπόψη τις φυσικές ιδιότητες των φυτών.<br /> <br /> '''''Κλιματικά Δεδομένα:''''' Ενσωματώθηκαν μετεωρολογικά δεδομένα 30 ετών (θερμοκρασία, βροχόπτωση) για να αναλυθεί πώς οι κλιματικές ακρότητες (π.χ. ξηρασίες) επηρεάζουν τη γεωργική παραγωγή.<br /> <br /> '''v. Μοντέλο Ασαφούς Λογικής (Fuzzy MCDM)'''<br /> <br /> Για την αξιολόγηση της κοινωνικοοικονομικής πίεσης στα δάση, εφαρμόστηκε το πλαίσιο '''''Pressure-Regional-Response (PRR):'''''<br /> <br /> ''Fuzzy AHP (Analytic Hierarchy Process):'' Μια μέθοδος λήψης αποφάσεων που ιεραρχεί τα κριτήρια (περιβαλλοντικά, οικονομικά) χρησιμοποιώντας ασαφή λογική για να αντιμετωπιστεί η αβεβαιότητα των δεδομένων.<br /> <br /> ''Weighted Sum Model:'' Μέσω του QGIS, οι βαθμολογίες της ασαφούς λογικής συνδυάστηκαν για να δημιουργηθούν χάρτες τρωτότητας, που κατατάσσουν τις περιοχές από &quot;πολύ χαμηλή&quot; έως &quot;υψηλή&quot; επικινδυνότητα για υποβάθμιση.<br /> <br /> [[Αρχείο:kuries_sunistwses_AHP.png | right | thumb | 3. Χάρτης τρωτότητας ]]<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> '''''Χωρική Κατανομή:''''' Τα δάση της Μολδαβίας είναι εξαιρετικά περιορισμένα και συγκεντρώνονται κυρίως στην κεντρική περιοχή (οροπέδιο Codri), ενώ στο βορρά και το νότο η δασοκάλυψη είναι πολύ αραιή.<br /> <br /> '''''Ακρίβεια Μοντέλων:''''' Η ταξινόμηση της κάλυψης γης μέσω GEE επέδειξε υψηλή αξιοπιστία, με συνολική ακρίβεια 90% και συντελεστή Kappa 0,88.<br /> <br /> [[Αρχείο:GEE_land-classification_2021.png | right | thumb | 4. Κατανομή γης βάσει του Google Earth Engine ]]<br /> <br /> '''''Κλιματικές Επιπτώσεις:''''' Διαπιστώθηκε ότι οι ακραίες ξηρασίες (όπως αυτές του 2007 και του 2020) έχουν προκαλέσει τεράστιες οικονομικές απώλειες στον γεωργικό τομέα, επηρεάζοντας το 80% της επικράτειας και οδηγώντας σε σημαντική μείωση της παραγωγής.<br /> <br /> '''''Ευάλωτες Περιοχές:''''' Εντοπίστηκαν ζώνες όπου η γεωργική επέκταση έρχεται σε άμεση σύγκρουση με τις προστατευόμενες δασικές εκτάσεις, αυξάνοντας τον κίνδυνο υποβάθμισης του εδάφους.<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Τα αποτελέσματα υπογραμμίζουν την επείγουσα ανάγκη για προσαρμοστικές στρατηγικές χρήσης γης που να λαμβάνουν υπόψη την κλιματική μεταβλητότητα και την αστική εξάπλωση.<br /> <br /> '''''Πολιτικές Προστασίας:''''' Η έρευνα προτείνει την ιεράρχηση της αναδάσωσης σε ευάλωτες περιοχές για την αποκατάσταση της οικολογικής ισορροπίας και την πρόληψη της διάβρωσης του εδάφους.<br /> <br /> '''''Βιώσιμη Ανάπτυξη:''''' Η εξισορρόπηση μεταξύ της γεωργικής παραγωγικότητας (ιδιαίτερα στον τομέα της οινοποιίας και του ηλίανθου) και της διατήρησης των δασών είναι απαραίτητη για τη μακροπρόθεσμη ανθεκτικότητα των φυσικών πόρων της χώρας.<br /> <br /> '''''Τεχνολογική Συμβολή:''''' Η μελέτη αποδεικνύει ότι ο συνδυασμός GIS, Τηλεπισκόπησης και κτηματολογικών δεδομένων παρέχει ένα ισχυρό πλαίσιο για τους λήπτες αποφάσεων, επιτρέποντας τον ακριβή εντοπισμό περιοχών που απαιτούν άμεση παρέμβαση.<br /> <br /> [[category: Δασοπονία, Δασική διαχείριση]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%BD%CE%AD%CF%81%CE%B3%CE%B5%CE%B9%CE%B1_%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%BA%CE%B1%CE%B9_%CE%B3%CE%B5%CF%89%CF%87%CF%89%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CF%8E%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%80%CF%81%CE%BF%CF%8E%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%83%CF%84%CF%8C%CF%87%CF%89%CE%BD_%CE%B2%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7_%CE%BC%CE%B5%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7 2026-02-19T08:36:30Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Synergy of Remote Sensing and Geospatial Technologies to Advance Sustainable Development Goals for Future Coastal Urbanization and Environmental Challenges in a Riverine Megacity ==<br /> <br /> == Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση των παράκτιων περιοχών και τις περιβαλλοντικές προκλήσεις σε μια μεγαλούπολη σε παραποτάμια περιοχή ==<br /> <br /> Minza Mumtaz, Syed Humayoun Jahanzaib, Waqar Hussain, Sadia Khan, Youssef M. Youssef, Saleh Qaysi, Abdalla Abdelnabi, Nassir Alarifi and Mahmoud E. Abd-Elmaboud<br /> <br /> [https://www.mdpi.com/2220-9964/14/1/30 ISPRS Int. J. Geo-Inf. 2025, 14, 30]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Η μελέτη εστιάζει στο Καράτσι του Πακιστάν, μια παραθαλάσσια μεγαλούπολη που αντιμετωπίζει ακραίες προκλήσεις λόγω της άναρχης αστικοποίησης. Η ραγδαία πληθυσμιακή αύξηση και η επέκταση των δομημένων επιφανειών ασκούν τεράστια πίεση στους φυσικούς πόρους και το παράκτιο περιβάλλον. Το άρθρο υπογραμμίζει την ανάγκη ευθυγράμμισης της αστικής ανάπτυξης με τους Στόχους Βιώσιμης Ανάπτυξης (SDGs) του ΟΗΕ (ειδικά τους Στόχους 11, 13 και 15), χρησιμοποιώντας τεχνολογίες αιχμής για την παρακολούθηση και την πρόβλεψη των περιβαλλοντικών επιπτώσεων.<br /> <br /> [[Αρχείο:perioxi_meletis.png | right | thumb | 1. (a) Ο παγκόσμιος χάρτης ξηρασίας κατατάσσει το Πακιστάν στην κατηγορία των ξηρών έως ημι-ξηρών ζωνών. Τα πλαίσια (b,c) απεικονίζουν το Καράτσι, την πρωτεύουσα της επαρχίας Σιντ, που οριοθετείται από ένα κόκκινο πολύγωνο στο νότιο Πακιστάν, χρησιμοποιώντας εικόνες Landsat-8 (ζώνες RGB 7, 5, 2) που επισημαίνουν τους κύριους υδάτινουςπόρους και τις υποδομές της πόλης. ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η μελέτη υιοθετεί ένα ολοκληρωμένο πλαίσιο που συνδυάζει την ανάλυση χρονοσειρών δορυφορικών δεδομένων με μοντέλα πρόβλεψης και υδρολογικές προσομοιώσεις.<br /> <br /> [[Αρχείο:methodology.png | right | thumb | 2. Μεθοδολογία ]]<br /> <br /> '''Δεδομένα και Προεπεξεργασία:'''<br /> <br /> Χρησιμοποιήθηκαν πολυφασματικές εικόνες Landsat (5, 7 και 8) για έξι χρονικά διαστήματα (1990, 1995, 2000, 2010, 2015 και 2020).<br /> <br /> Ενσωματώθηκαν υποστηρικτικά δεδομένα όπως το SRTM-DEM (ψηφιακό μοντέλο υψομέτρου), δεδομένα πληθυσμού και χάρτες οδικού και υδρογραφικού δικτύου.<br /> <br /> Για τα πληθυσμιακά δεδομένα χρησιμοποιήθηκε το εργαλείο Euclidean Distance, ώστε να αποτυπωθεί η επιρροή της πυκνότητας του πληθυσμού στις αλλαγές χρήσης γης.<br /> <br /> [[Αρχείο:elevation_aspect_slope.png | right | thumb | 3. Τοπογραφικοί παράμετροι: (a) DEM, (b) κλίση, and (c) προσανατολισμός. ]]<br /> <br /> [[Αρχείο:Spatial representation of accessibility data (a) Distance from streams and (b) distance.png | right | thumb | 4. Χωρική αναπαράσταση δεδομένων προσβασιμότητας: (a) Απόσταση από ρέματα και (b) απόστασηαπό δρόμους. ]]<br /> <br /> '''Ταξινόμηση και Πρόβλεψη (MOLUSCE &amp; CA-ANN):'''<br /> <br /> - Η γη κατηγοριοποιήθηκε σε 5 κλάσεις: ''Αστική περιοχή'', ''Βλάστηση'', ''Υδάτινα σώματα'', ''Υγρότοποι'' και ''Άγονη γη''.<br /> <br /> - Χρησιμοποιήθηκε το πρόσθετο MOLUSCE σε συνδυασμό με Τεχνητά Νευρωνικά Δίκτυα (ANN) και Κυψελωτά Αυτόματα (Cellular Automata - CA) για τη μοντελοποίηση των μελλοντικών αλλαγών.<br /> <br /> - Δημιουργήθηκαν μήτρες πιθανότητας μετάβασης (transition probability matrices), οι οποίες υπολόγισαν, για παράδειγμα, ότι τα υδάτινα σώματα είχαν 34,7% πιθανότητα να μετατραπούν σε αστικές περιοχές.<br /> <br /> - Υδρολογική Μοντελοποίηση (HEC-RAS):<br /> <br /> i. Εφαρμόστηκε το μοντέλο HEC-RAS για την προσομοίωση πλημμυρικών φαινομένων.<br /> <br /> ii. Το μοντέλο βαθμονομήθηκε με βάση το ακραίο συμβάν των μουσώνων του 2020, χρησιμοποιώντας συντελεστή τραχύτητας Manning 0,04 για τις όχθες του ποταμού.<br /> <br /> '''Επικύρωση (Validation):'''<br /> <br /> Η ακρίβεια του μοντέλου ήταν εξαιρετικά υψηλή, με συνολική ακρίβεια άνω του 97% και συντελεστή Kappa 0,97, γεγονός που επιβεβαιώνει την αξιοπιστία των προσομοιώσεων.<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> Τα αποτελέσματα αναδεικνύουν μια δραματική μεταβολή του τοπίου και αυξανόμενους κινδύνους για την επόμενη δεκαετία:<br /> <br /> - '''Ιστορική Αστική Επέκταση (1990-2020):'''<br /> <br /> Η αστική περιοχή αυξήθηκε από το 13,4% (1990) στο 23,7% (2020) της συνολικής έκτασης. Η καθαρή αύξηση της δομημένης επιφάνειας ανήλθε σε 370,81 km2, η οποία προήλθε κυρίως από τη μετατροπή άγονης γης (-230,64 km2) και υδάτινων πόρων.<br /> <br /> - '''Υποβάθμιση Φυσικών Πόρων:'''<br /> <br /> Τα υδάτινα σώματα μειώθηκαν δραματικά από το 3,4% στο 1,3% της επικράτειας.Η έκταση του ποταμού Malir συρρικνώθηκε από τα 17,19 km2 στα 5,07 km2 έως το 2020, λόγω έντονης διάβρωσης και ανθρώπινης επέμβασης.<br /> <br /> - '''Μελλοντικές Προβλέψεις (2025-2035):'''<br /> <br /> Η αστική δόμηση αναμένεται να συνεχίσει την αυξητική της πορεία, φτάνοντας τα 909 km2 έως το 2035. Αντίθετα, η βλάστηση προβλέπεται να μειωθεί περαιτέρω από τα 111 km2 (2020) στα 77 km2 το 2035.<br /> <br /> [[Αρχείο:LULC_mellontikes_provlepseis.png | right | thumb | 5. Οι προγνωστικοί χάρτες LULC για (a) το 2025, (b) το 2030 και (c) το 2035 αποκαλύπτουν μια αξιοσημείωτη αύξηση στα εικονοστοιχεία της αστικής κατηγορίας, ενώ εκείνα που σχετίζονται με τις κατηγορίες νερού και βλάστησης παρουσιάζουν μείωση, υποδηλώνοντας μετατροπή σε αστική χρήση γης. ]]<br /> <br /> '''Κίνδυνος Πλημμύρας:'''<br /> <br /> Οι προσομοιώσεις δείχνουν ότι οι αστικές περιοχές θα είναι οι πλέον ευάλωτες, με το 66,65% αυτών να βρίσκεται υπό κίνδυνο κατάκλυσης έως το 2035.<br /> <br /> '''Ποσοτικοποίηση Στόχων Βιώσιμης Ανάπτυξης (SDGs):'''<br /> <br /> Το άρθρο πρωτοτυπεί υπολογίζοντας το ποσοστό επίτευξης συγκεκριμένων στόχων:<br /> <br /> ◦ SDG 9 (Βιομηχανία &amp; Υποδομές): 26%<br /> <br /> ◦ SDG 11 (Βιώσιμες Πόλεις): 18%<br /> <br /> ◦ SDG 8 (Οικονομική Ανάπτυξη): 16%<br /> <br /> ◦ SDG 13 (Δράση για το Κλίμα): 13%<br /> <br /> ◦ SDG 6 (Καθαρό Νερό): 11% (το χαμηλότερο ποσοστό λόγω της μείωσης των υδάτινων σωμάτων)<br /> <br /> [[Αρχείο:sdg.png | right | thumb | 6. Ποσοτική συμβολή της αλλαγής στη χρήση γης και της ανάλυσης του κινδύνου πλημμυρών στο Καράτσι στην επίτευξη των Στόχων Βιώσιμης Ανάπτυξης (ΣΒΑ). ]]<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Η μελέτη καταλήγει στο συμπέρασμα ότι η τρέχουσα πορεία ανάπτυξης του Καράτσι δεν είναι βιώσιμη.<br /> <br /> - '''''Σύνδεση με SDGs:''''' Η άναρχη επέκταση δυσχεραίνει την επίτευξη του Στόχου 11 (Βιώσιμες Πόλεις), καθώς αυξάνει την τρωτότητα σε πλημμύρες και περιβαλλοντική ρύπανση.<br /> <br /> - '''''Διαχείριση Παράκτιων Ζωνών:''''' Η καταστροφή των μαγγρόβιων δασών λόγω της αστικοποίησης αφαιρεί μια φυσική άμυνα κατά της ανόδου της στάθμης της θάλασσας.<br /> <br /> - '''''Πολιτικές Συστάσεις:''''' Προτείνεται η υιοθέτηση &quot;πράσινων&quot; υποδομών και ο αυστηρός χωροταξικός έλεγχος. Η χρήση των εργαλείων GIS και Τηλεπισκόπησης προτείνεται ως μόνιμος μηχανισμός παρακολούθησης για τις τοπικές αρχές, ώστε να λαμβάνονται αποφάσεις βασισμένες σε πραγματικά δεδομένα.</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%9C%CE%BF%CE%BB%CE%B4%CE%B1%CE%B2%CE%AF%CE%B1:_%CE%93%CE%A3%CE%A0_%CE%BA%CE%B1%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_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD 2026-02-19T08:36:04Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Sustainable land use in Moldova: GIS &amp; remote sensing of forests and crops ==<br /> <br /> == Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΠ και τηλεπισκόπηση δασών και καλλιεργειών ==<br /> <br /> Aleksandar Valjarevic, Cezar Morar, Ljiljana Brasanac-Bosanac, Tatjana Cirkovic-Mitrovic, Tatjana Djekic, Marija Mihajlovic, Ivica Milevski, Golub Culafic, Milan Lukovic, Liudmyla Niemets, Kateryna Sehida, Gordana Kaplan<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0264837725000481?via%3Dihub Land Use Policy 152 (2025) 107515]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Το άρθρο εξετάζει τη σημασία των δασών και των γεωργικών εκτάσεων ως κρίσιμων στοιχείων για την περιβαλλοντική σταθερότητα και τη βιοποικιλότητα. Η Δημοκρατία της Μολδαβίας αντιμετωπίζει μια ιδιαίτερη πρόκληση, καθώς διαθέτει ένα από τα χαμηλότερα ποσοστά δασοκάλυψης στην Ευρώπη (μόλις 11,4% της επικράτειας), ενώ ο γεωργικός τομέας είναι κυρίαρχος, με έμφαση στις καλλιέργειες ηλίανθου και σταφυλιών. Η μελέτη στοχεύει στην ανάλυση των χωρικών αλληλεπιδράσεων μεταξύ των δασικών εκτάσεων και αυτών των δύο βασικών καλλιεργειών, προκειμένου να προταθούν στρατηγικές βιώσιμης διαχείρισης γης που εξισορροπούν την οικονομική ανάπτυξη με την προστασία του περιβάλλοντος.<br /> <br /> [[Αρχείο:moldova.png | right | thumb | 1. Περιοχή ενδιαφέροντος: Μολδαβία και η τοπολογία της ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η έρευνα βασίζεται στην ενσωμάτωση προηγμένων εργαλείων τηλεπισκόπησης και συστημάτων γεωγραφικών πληροφοριών:<br /> <br /> [[Αρχείο:flowchart_methodology.png | right | thumb | 2. Σχεδιάγραμμα ροής - Μεθοδολογία]]<br /> <br /> '''i. Πηγές και Διαχείριση Δεδομένων'''<br /> <br /> Οι ερευνητές αξιοποίησαν ένα ευρύ φάσμα δεδομένων για να καλύψουν τη χρονική περίοδο από το 1996 έως το 2018, αλλά και την τρέχουσα κατάσταση (2021):<br /> <br /> '''''Δορυφορικές Εικόνες:''''' Χρησιμοποιήθηκαν δεδομένα από τις αποστολές Sentinel-1 (ραντάρ) και Sentinel-2 (οπτικά δεδομένα) για τη χαρτογράφηση του 2021. Επίσης, αντλήθηκαν ιστορικά δεδομένα από τους δορυφόρους Landsat 7 και 8 για τη σύγκριση των μεταβολών.<br /> <br /> '''''Πλατφόρμα Google Earth Engine (GEE):''''' Η χρήση του GEE επέτρεψε την επεξεργασία τεράστιου όγκου δεδομένων στο υπολογιστικό νέφος, ξεπερνώντας τους περιορισμούς των τοπικών υπολογιστών.<br /> <br /> '''''Βάσεις Δεδομένων:''''' Ενσωματώθηκαν δεδομένα από το ευρωπαϊκό πρόγραμμα CORINE Land Cover (CLC) για τον προσδιορισμό των χρήσεων γης, καθώς και κτηματολογικά (cadastral) αρχεία της Μολδαβίας για την ιδιοκτησία και τα όρια των εκτάσεων.<br /> <br /> '''ii. Προεπεξεργασία και Φασματικοί Δείκτες'''<br /> <br /> Πριν την ταξινόμηση, οι εικόνες υποβλήθηκαν σε αυστηρά φίλτρα:<br /> <br /> '''''Cloud Masking:''''' Εφαρμόστηκε φίλτρο νεφώσεων κάτω του 5% για τη διασφάλιση καθαρών παρατηρήσεων, με τη χρήση 215 εικόνων για το καλοκαίρι και 200 για τον χειμώνα.<br /> <br /> '''''Υπολογισμός Δεικτών:''''' Για τον καλύτερο διαχωρισμό των κλάσεων, υπολογίστηκαν οι δείκτες:<br /> <br /> - ''NDVI (Βλάστηση):'' Για τον εντοπισμό των διαφόρων ειδών βλάστησης.<br /> <br /> - ''NDWI (Νερό):'' Για τον εντοπισμό υδάτινων όγκων.<br /> <br /> - ''NDBI (Δόμηση):'' Για τις αστικές και τεχνητές επιφάνειες.<br /> <br /> '''iii. Αλγόριθμος Ταξινόμησης και Επικύρωση'''<br /> <br /> Για τη δημιουργία του χάρτη κάλυψης γης 5 κλάσεων (αστικά, καλλιέργειες, δάση, νερό, άγονη γη), ακολουθήθηκε η εξής διαδικασία:<br /> <br /> '''''Support Vector Machine (SVM):''''' Χρησιμοποιήθηκε αυτός ο αλγόριθμος επιβλεπόμενης μάθησης, ο οποίος θεωρείται από τους πλέον αξιόπιστους για την ταξινόμηση δορυφορικών εικόνων.<br /> <br /> '''''Δείγμα Εκπαίδευσης:''''' Συλλέχθηκαν πάνω από 300 δείγματα εδάφους. Το σύνολο των δεδομένων χωρίστηκε σε 70% για την εκπαίδευση του μοντέλου και 30% για τον έλεγχο της ακρίβειας.<br /> <br /> '''''Αξιολόγηση:''''' Η ακρίβεια επικυρώθηκε με τη χρήση της συνολικής ακρίβειας (Overall Accuracy) και του στατιστικού δείκτη Kappa.<br /> <br /> '''iv. Εξειδικευμένη Ανάλυση Καλλιεργειών και Κλίματος'''<br /> <br /> Ιδιαίτερη έμφαση δόθηκε στον ηλίανθο και τα αμπέλια:<br /> <br /> '''''Λογισμικό DIVA-GIS:''''' Χρησιμοποιήθηκε για τον ακριβή υπολογισμό των εκτάσεων συγκεκριμένων καλλιεργειών, λαμβάνοντας υπόψη τις φυσικές ιδιότητες των φυτών.<br /> <br /> '''''Κλιματικά Δεδομένα:''''' Ενσωματώθηκαν μετεωρολογικά δεδομένα 30 ετών (θερμοκρασία, βροχόπτωση) για να αναλυθεί πώς οι κλιματικές ακρότητες (π.χ. ξηρασίες) επηρεάζουν τη γεωργική παραγωγή.<br /> <br /> '''v. Μοντέλο Ασαφούς Λογικής (Fuzzy MCDM)'''<br /> <br /> Για την αξιολόγηση της κοινωνικοοικονομικής πίεσης στα δάση, εφαρμόστηκε το πλαίσιο '''''Pressure-Regional-Response (PRR):'''''<br /> <br /> ''Fuzzy AHP (Analytic Hierarchy Process):'' Μια μέθοδος λήψης αποφάσεων που ιεραρχεί τα κριτήρια (περιβαλλοντικά, οικονομικά) χρησιμοποιώντας ασαφή λογική για να αντιμετωπιστεί η αβεβαιότητα των δεδομένων.<br /> <br /> ''Weighted Sum Model:'' Μέσω του QGIS, οι βαθμολογίες της ασαφούς λογικής συνδυάστηκαν για να δημιουργηθούν χάρτες τρωτότητας, που κατατάσσουν τις περιοχές από &quot;πολύ χαμηλή&quot; έως &quot;υψηλή&quot; επικινδυνότητα για υποβάθμιση.<br /> <br /> [[Αρχείο:kuries_sunistwses_AHP.png | right | thumb | 3. Χάρτης τρωτότητας ]]<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> '''''Χωρική Κατανομή:''''' Τα δάση της Μολδαβίας είναι εξαιρετικά περιορισμένα και συγκεντρώνονται κυρίως στην κεντρική περιοχή (οροπέδιο Codri), ενώ στο βορρά και το νότο η δασοκάλυψη είναι πολύ αραιή.<br /> <br /> '''''Ακρίβεια Μοντέλων:''''' Η ταξινόμηση της κάλυψης γης μέσω GEE επέδειξε υψηλή αξιοπιστία, με συνολική ακρίβεια 90% και συντελεστή Kappa 0,88.<br /> <br /> [[Αρχείο:GEE_land-classification_2021.png | right | thumb | 4. Κατανομή γης βάσει του Google Earth Engine ]]<br /> <br /> '''''Κλιματικές Επιπτώσεις:''''' Διαπιστώθηκε ότι οι ακραίες ξηρασίες (όπως αυτές του 2007 και του 2020) έχουν προκαλέσει τεράστιες οικονομικές απώλειες στον γεωργικό τομέα, επηρεάζοντας το 80% της επικράτειας και οδηγώντας σε σημαντική μείωση της παραγωγής.<br /> <br /> '''''Ευάλωτες Περιοχές:''''' Εντοπίστηκαν ζώνες όπου η γεωργική επέκταση έρχεται σε άμεση σύγκρουση με τις προστατευόμενες δασικές εκτάσεις, αυξάνοντας τον κίνδυνο υποβάθμισης του εδάφους.<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Τα αποτελέσματα υπογραμμίζουν την επείγουσα ανάγκη για προσαρμοστικές στρατηγικές χρήσης γης που να λαμβάνουν υπόψη την κλιματική μεταβλητότητα και την αστική εξάπλωση.<br /> <br /> '''''Πολιτικές Προστασίας:''''' Η έρευνα προτείνει την ιεράρχηση της αναδάσωσης σε ευάλωτες περιοχές για την αποκατάσταση της οικολογικής ισορροπίας και την πρόληψη της διάβρωσης του εδάφους.<br /> <br /> '''''Βιώσιμη Ανάπτυξη:''''' Η εξισορρόπηση μεταξύ της γεωργικής παραγωγικότητας (ιδιαίτερα στον τομέα της οινοποιίας και του ηλίανθου) και της διατήρησης των δασών είναι απαραίτητη για τη μακροπρόθεσμη ανθεκτικότητα των φυσικών πόρων της χώρας.<br /> <br /> '''''Τεχνολογική Συμβολή:''''' Η μελέτη αποδεικνύει ότι ο συνδυασμός GIS, Τηλεπισκόπησης και κτηματολογικών δεδομένων παρέχει ένα ισχυρό πλαίσιο για τους λήπτες αποφάσεων, επιτρέποντας τον ακριβή εντοπισμό περιοχών που απαιτούν άμεση παρέμβαση.</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%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%BF%CE%BD_%CF%80%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C_%CE%B2%CE%AD%CE%BB%CF%84%CE%B9%CF%83%CF%84%CF%89%CE%BD_%CF%83%CE%B5%CE%BD%CE%B1%CF%81%CE%AF%CF%89%CE%BD_%CF%87%CF%81%CE%AE%CF%83%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CF%84%CE%B9%CE%BC%CE%B5%CF%84%CF%8E%CF%80%CE%B9%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B1%CF%8D%CE%BE%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%B5%CF%85%CF%80%CE%AC%CE%B8%CE%B5%CE%B9%CE%B1%CF%82_%CF%83%CE%B5_%CE%BA%CE%B1%CF%84%CE%BF%CE%BB%CE%B9%CF%83%CE%B8%CE%AE%CF%83%CE%B5%CE%B9%CF%82 2026-02-17T11:48:35Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Utilizing Remote Sensing and Random Forests to Identify Optimal Land Use Scenarios and Address the Increase in Landslide Susceptibility ==<br /> <br /> <br /> == Χρήση τηλεπισκόπησης και Random Forests για τον προσδιορισμό βέλτιστων σεναρίων χρήσης γης και την αντιμετώπιση της αύξησης της ευπάθειας σε κατολισθήσεις ==<br /> <br /> Aditya Nugraha Putra, Jaenudin, Novandi Rizky Prasetya, Michelle Talisia Sugiarto, Sudarto, Cahyo Prayogo, Febrian Maritimo and Fandy Tri Admajaya<br /> <br /> [https://www.mdpi.com/2072-4292/17/14/2497 Remote Sensing 2025, 17, 2497]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> [[Αρχείο:1.study area.png | right | thumb | 1.Περιοχή μελέτης και κατανομή του επιπέδου κατολισθήσεων από ανάλυση επιτόπιας επιθεώρησης ]]<br /> <br /> Το άρθρο επικεντρώνεται στην περιοχή Sukapura της Ινδονησίας, μια ορεινή περιοχή με έντονο ανάγλυφο που πλήττεται συχνά από κατολισθήσεις. Η μελέτη αναγνωρίζει ότι οι αλλαγές στη χρήση και την κάλυψη γης (LULC), οι οποίες οφείλονται κυρίως στην ανθρώπινη δραστηριότητα, αποτελούν καθοριστικό παράγοντα για την αύξηση της επικινδυνότητας. Στόχος της έρευνας είναι η ανάλυση των ιστορικών μεταβολών της γης από το 1999 έως το 2024, η πρόβλεψη των τάσεων για το 2049 και η αξιολόγηση της ευπάθειας σε κατολισθήσεις υπό διαφορετικά σενάρια διαχείρισης, ώστε να προταθεί η βέλτιστη λύση για τη βιώσιμη ανάπτυξη της περιοχής.<br /> <br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> [[Αρχείο:2.framework.png | right | thumb | 2. Πλαίσιο έρευνας και σενάρια με βάση τα μοντέλα BAU, RSP και LC.]]<br /> <br /> Η έρευνα χρησιμοποίησε έναν συνδυασμό προηγμένων τεχνικών Τηλεπισκόπησης και Μηχανικής Μάθησης:<br /> <br /> - '''''Επεξεργασία Δεδομένων:''''' Χρησιμοποιήθηκαν δορυφορικές εικόνες Landsat (5, 7, 8 και 9) για τη χαρτογράφηση των χρήσεων γης τα έτη 1999, 2014 και 2024.<br /> <br /> - '''''Ταξινόμηση και Πρόβλεψη:''''' Ο αλγόριθμος Random Forest (RF) χρησιμοποιήθηκε για την ταξινόμηση της κάλυψης γης, ενώ το μοντέλο Cellular Automata-Markov Chain (CA-Markov) χρησιμοποιήθηκε για την πρόβλεψη των μελλοντικών τάσεων έως το 2049.<br /> <br /> - '''''Σενάρια Ανάπτυξης:''''' Εξετάστηκαν τρία σενάρια για το 2049:<br /> <br /> 1.Business-as-Usual (BAU): Συνέχιση των υπαρχουσών τάσεων χωρίς παρεμβάσεις.<br /> <br /> 2.Ecological Protection (EP): Εστίαση στην προστασία των δασών και την αναδάσωση.<br /> <br /> 3.Sustainable Development (SD): Ισορροπία μεταξύ οικονομικής ανάπτυξης και περιβαλλοντικής προστασίας.<br /> <br /> - '''''Χαρτογράφηση Επικινδυνότητας (LSM):''''' Η ευπάθεια σε κατολισθήσεις αναλύθηκε με το μοντέλο RF, λαμβάνοντας υπόψη 10 παράγοντες, όπως η κλίση, το υψόμετρο, η λιθολογία, η βροχόπτωση και η χρήση γης.<br /> <br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> [[Αρχείο:3.results.png | right | thumb | 3. Χάρτες χρήσης γης σε σειρά, με βάση τα βασικά δεδομένα (a) 2017, (b) 2019, (c) 2021, (d) 2022.]]<br /> <br /> [[Αρχείο:4.differences.png | right | thumb | 4. Οπτικοποίηση των διαφορών στη χρήση γης με βάση τα σενάρια BAU, LCC και RSP.]]<br /> <br /> - '''''Ιστορική Εξέλιξη:''''' Από το 1999 έως το 2024, παρατηρήθηκε δραματική αύξηση των δομημένων επιφανειών και της καλλιεργήσιμης γης εις βάρος των δασικών εκτάσεων.<br /> <br /> - '''''Προβλέψεις για το 2049:'''''<br /> <br /> α.Στο σενάριο BAU, η ευπάθεια σε κατολισθήσεις αυξάνεται σημαντικά, καθώς η ανεξέλεγκτη δόμηση επεκτείνεται σε επικίνδυνες πλαγιές.<br /> <br /> β.Το σενάριο EP παρουσίασε τη χαμηλότερη επικινδυνότητα, αναδεικνύοντας τη σημασία της δασικής κάλυψης στη σταθεροποίηση του εδάφους.<br /> <br /> γ.Το σενάριο SD έδειξε μια ελεγχόμενη αύξηση της επικινδυνότητας, επιτρέποντας την απαραίτητη ανάπτυξη με παράλληλη λήψη μέτρων προστασίας.<br /> <br /> - '''''Αξιοπιστία:''''' Το μοντέλο Random Forest επέδειξε υψηλή ακρίβεια πρόβλεψης (AUC &gt; 0.85), επιβεβαιώνοντας την εγκυρότητα των παραγόμενων χαρτών.<br /> <br /> <br /> === 4. Συζήτηση ===<br /> <br /> [[Αρχείο:5.priority map.png | right | thumb | 5. Χάρτης προτεραιοτήτων αναβλάστησης για την καταπολέμηση των κινδύνων κατολισθήσεων στην περιοχή μελέτης.]]<br /> <br /> Η μελέτη υπογραμμίζει ότι η χρήση γης είναι ο μόνος δυναμικός παράγοντας που μπορεί να ελεγχθεί από τον άνθρωπο για τον μετριασμό των φυσικών καταστροφών.<br /> <br /> - '''''Πολιτικές Προτάσεις:''''' Οι ερευνητές προτείνουν την υιοθέτηση του σεναρίου Βιώσιμης Ανάπτυξης (SD), το οποίο συνδυάζει τον περιορισμό της δόμησης σε απότομες κλίσεις με τη διατήρηση των δασικών ζωνών.<br /> <br /> - '''''Τεχνολογική Συμβολή:''''' Η συνδυαστική χρήση Τηλεπισκόπησης και Random Forests αποδεικνύεται ένα ισχυρό εργαλείο για τις τοπικές αρχές, επιτρέποντας τον προληπτικό χωροταξικό σχεδιασμό.<br /> <br /> - '''''Συμπέρασμα:''''' Η μετατροπή των δασών σε γεωργική γη στις ορεινές περιοχές είναι ο κύριος &quot;ένοχος&quot; για την αύξηση των κατολισθήσεων, και η αυστηρή εφαρμογή ζωνών προστασίας είναι απαραίτητη για την ασφάλεια των κατοίκων.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Διαχείριση κινδύνων ]]<br /> <br /> [[category:Κατολισθήσεις ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B1%CE%BA%CF%81%CE%BF%CF%80%CF%81%CF%8C%CE%B8%CE%B5%CF%83%CE%BC%CE%B7_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CE%AE_%CF%84%CE%B7%CF%82_%CF%87%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B1_%CE%B2%CE%BF%CF%85%CE%BD%CE%AC_Qilian_(1986%E2%80%932024):_%CE%9C%CE%AF%CE%B1_%CF%85%CF%88%CE%B7%CE%BB%CE%AE%CF%82-%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%84%CE%BF_Landsat_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7 2026-02-17T11:47:06Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Long-Term Snow Cover Change in the Qilian Mountains (1986–2024): A High-Resolution Landsat-Based Analysis ==<br /> <br /> Enwei Huang, Guofeng Zhu, Yuhao Wang, Rui Li, Yuxin Miao, Xiaoyu Qi, Qingyang Wang, Yinying Jiao, Qinqin Wang and Ling Zhao<br /> <br /> [https://www.mdpi.com/2072-4292/17/14/2497 Remote Sensing 2025, 17, 2497]<br /> <br /> <br /> === 1. Εισαγωγή ===<br /> Η κάλυψη χιονιού αποτελεί κρίσιμο στοιχείο της κρυόσφαιρας και ζωτική πηγή νερού για τις άνυδρες περιοχές της βορειοδυτικής Κίνας. Τα βουνά Qilian (QLM), στην βορειοανατολική άκρη του Θιβετιανού Οροπεδίου, λειτουργούν ως οικολογικό φράγμα και περιοχή διατήρησης υδάτων. Λόγω της κλιματικής αλλαγής, η παρακολούθηση του χιονιού είναι απαραίτητη για την πρόβλεψη της διαθεσιμότητας νερού. Ενώ προηγούμενες μελέτες βασίζονταν σε δεδομένα MODIS (χαμηλής ανάλυσης 500m), η παρούσα έρευνα στοχεύει στη δημιουργία του πρώτου προϊόντος χιονιού υψηλής ανάλυσης (30m) για την περίοδο 1986-2024, καλύπτοντας ένα κενό 39 ετών ιστορικών δεδομένων.<br /> <br /> [[Αρχείο:Eikona_01.png | right | thumb | 1.Περιοχή ενδιαφέροντος ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> Η μελέτη χρησιμοποίησε μια σύνθετη προσέγγιση τηλεπισκόπησης και στατιστικής ανάλυσης:<br /> <br /> '''''α. Δεδομένα και Πηγές (Data Acquisition)'''''<br /> <br /> Η μελέτη βασίστηκε σε μια στρατηγική συνδυασμού πολλαπλών αισθητήρων για την επίτευξη συνεχούς παρακολούθησης 39 ετών(1986-2025):<br /> <br /> - Χρησιμοποιήθηκαν δεδομένα από τους Landsat 5 TM (1986-1999), Landsat 7 ETM+ (1999-2012), Landsat 8 OLI (2013-2020) και Landsat 9 OLI-2 (2021-2024).<br /> <br /> - Η επεξεργασία έγινε μέσω του Google Earth Engine (GEE), το οποίο επέτρεψε την ανάλυση 42.006 εικόνων.<br /> <br /> - Χρησιμοποιήθηκαν δεδομένα SRTM (Shuttle Radar Topography Mission) ανάλυσης 30 μέτρων για τον υπολογισμό του υψομέτρου, της κλίσης και του προσανατολισμού.<br /> <br /> '''''β. Στρατηγική Κάλυψης Νεφών (Cloud Masking Strategy)'''''<br /> <br /> Λόγω της συχνής παρουσίας νεφών στις ορεινές περιοχές, αναπτύχθηκε μια διπλή προσαρμοστική στρατηγική:<br /> <br /> - ''Επιεικής (Lenient) Μάσκα:'' Αποκλείει μόνο τα βέβαια νέφη και τις σκιές τους, διατηρώντας το 65-75% των δεδομένων.<br /> <br /> - ''Συντηρητική (Conservative) Μάσκα:'' Αποκλείει μόνο τα νέφη υψηλής εμπιστοσύνης, διατηρώντας το 75-85% των δεδομένων, κάτι που είναι κρίσιμο για τους χειμερινούς μήνες όπου τα δεδομένα είναι σπάνια.<br /> <br /> '''''γ. Φασματικοί Δείκτες και Προεπεξεργασία'''''<br /> <br /> Για την ακριβή αναγνώριση του χιονιού, πραγματοποιήθηκαν οι εξής ενέργειες:<br /> <br /> - ''Ραδιομετρική Διόρθωση:'' Μετατροπή των ψηφιακών αριθμών (DN) σε τιμές επιφανειακής ανάκλασης (SR).<br /> <br /> - ''Δείκτης NDSI (Normalized Difference Snow Index):'' Υπολογίστηκε με βάση την πράσινη (ρgreen) και τη βραχεία υπέρυθρη ζώνη (ρSWIR1). Ο δείκτης αυτός εκμεταλλεύεται την υψηλή ανακλαστικότητα του χιονιού στο ορατό φως και τη χαμηλή ανάκλασή του στο υπέρυθρο.<br /> <br /> '''''δ. Αλγόριθμος Ταξινόμησης Χιονιού Τριών Επιπέδων'''''<br /> <br /> Αντί για ένα απλό όριο, χρησιμοποιήθηκε ένα σύστημα τριών επιπέδων εμπιστοσύνης:<br /> <br /> 1. Βασική Εμπιστοσύνη (Basic): NDSI &gt; 0,3.<br /> <br /> 2. Μέση Εμπιστοσύνη (Medium): NDSI &gt; 0,35 και επιπλέον φασματικά όρια στο μπλε και υπέρυθρο.<br /> <br /> 3. Υψηλή Εμπιστοσύνη (High): NDSI &gt; 0,4 με τα πιο αυστηρά κατώφλια ανάκλασης. <br /> <br /> Η τελική μάσκα χιονιού προέκυψε από τη λογική ένωση (OR) αυτών των τριών επιπέδων.<br /> <br /> '''''ε. Χωρική Παρεμβολή και Συμπλήρωση Κενών'''''<br /> <br /> Για τη συμπλήρωση των κενών που προκαλούνται από σύννεφα ή από την αστοχία του αισθητήρα SLC-off του Landsat 7, εφαρμόστηκαν:<br /> <br /> - Αλγόριθμος χωρικής παρεμβολής (focal statistics) που χρησιμοποιεί ένα κυκλικό παράθυρο ακτίνας 150 μέτρων για την εκτίμηση των ελλειπουσών τιμών από τα γειτονικά pixel.<br /> <br /> - Δημιουργία μηνιαίων σύνθετων εικόνων χρησιμοποιώντας τη διάμεσο τιμή(median compositing), γεγονός που καταστέλλει τον θόρυβο και τις ακραίες τιμές.<br /> <br /> '''''στ. Στατιστική Ανάλυση Τάσεων (Trend Analysis)'''''<br /> <br /> Η ανάλυση της μεταβολής στον χρόνο έγινε με δύο μη παραμετρικές μεθόδους:<br /> <br /> - Sen-Theil Trend Analysis: Χρησιμοποιήθηκε για τον υπολογισμό του ρυθμού μεταβολής (κλίση) της χιονοκάλυψης και του υψομέτρου της χιονογραμμής.<br /> <br /> - Mann-Kendall Test: Εφαρμόστηκε για να διαπιστωθεί αν οι παρατηρούμενες τάσεις είναι στατιστικά σημαντικές ή οφείλονται σε τυχαίες διακυμάνσεις.<br /> <br /> Αυτή η πολυεπίπεδη προσέγγιση επέτρεψε στους ερευνητές να ξεπεράσουν τους περιορισμούς των παραδοσιακών μεθόδων (όπως το MODIS) και να προσφέρουν μια εικόνα υψηλής ακρίβειας για τις αλλαγές στο χιόνι της περιοχής.<br /> <br /> === 3. Αποτελέσματα ===<br /> Τα κυριότερα ευρήματα της ανάλυσης είναι:<br /> <br /> - ''Έκταση Χιονοκάλυψης (SCE):'' Η μέση ετήσια κάλυψη χιονιού στα QLM ανήλθε σε 15,73%. Παρατηρήθηκε μια ελαφρά πτωτική τάση (-0,046% ανά έτος), η οποία όμως δεν κρίθηκε στατιστικά σημαντική.<br /> <br /> - ''Μετακίνηση Χιονογραμμής (Snowline):'' Διαπιστώθηκε σημαντική άνοδος της χιονογραμμής, με το μέσο υψόμετρο να αυξάνεται κατά 3,98 m/έτος και το ελάχιστο υψόμετρο κατά 2,81 m/έτος.<br /> <br /> - ''Υψομετρική Διαφοροποίηση:'' Η μείωση του χιονιού ήταν εντονότερη σε υψόμετρα άνω των 5000m και σε χαμηλά υψόμετρα (2000-3500m), ενώ οι ενδιάμεσες περιοχές παρέμειναν σχετικά σταθερές.<br /> <br /> - ''Εποχικότητα:'' Η μέγιστη κάλυψη καταγράφεται τον Φεβρουάριο (27,5%) και η ελάχιστη τον Αύγουστο (2,8%).<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Η έρευνα αναδεικνύει την ανωτερότητα των δεδομένων υψηλής ανάλυσης:<br /> <br /> - ''Αξιοπιστία Δεδομένων:'' Η χρήση των Landsat 8 και 9 βελτίωσε σημαντικά την ακρίβεια ανίχνευσης, επιτυγχάνοντας κάλυψη παρατήρησης 93,4%.<br /> <br /> - ''Σύγκριση με MODIS:'' Η σύγκριση έδειξε ότι το MODIS υποτιμά συστηματικά την κάλυψη χιονιού στις ορεινές περιοχές (κατά περίπου 8,06%), γεγονός που καθιστά τα δεδομένα Landsat πιο ευαίσθητα και αξιόπιστα για τέτοια περιβάλλοντα.<br /> <br /> Τα αποτελέσματα παρέχουν επιστημονικά τεκμήρια για τη διαχείριση των υδάτινων πόρων και τη χάραξη στρατηγικών προσαρμογής στην κλιματική αλλαγή στην ευρύτερη περιοχή. Η άνοδος της χιονογραμμής αποτελεί σαφή δείκτη της επίδρασης της υπερθέρμανσης του πλανήτη στα ορεινά οικοσυστήματα.<br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]<br /> <br /> [[category:Εκτίμηση φυσικών χαρακτηριστικών]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B1%CE%BA%CF%81%CE%BF%CF%80%CF%81%CF%8C%CE%B8%CE%B5%CF%83%CE%BC%CE%B7_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CE%AE_%CF%84%CE%B7%CF%82_%CF%87%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B1_%CE%B2%CE%BF%CF%85%CE%BD%CE%AC_Qilian_(1986%E2%80%932024):_%CE%9C%CE%AF%CE%B1_%CF%85%CF%88%CE%B7%CE%BB%CE%AE%CF%82-%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%84%CE%BF_Landsat_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7 2026-02-17T11:44:21Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Long-Term Snow Cover Change in the Qilian Mountains (1986–2024): A High-Resolution Landsat-Based Analysis ==<br /> <br /> Enwei Huang, Guofeng Zhu, Yuhao Wang, Rui Li, Yuxin Miao, Xiaoyu Qi, Qingyang Wang, Yinying Jiao, Qinqin Wang and Ling Zhao<br /> <br /> [https://www.mdpi.com/2072-4292/17/14/2497 Remote Sensing 2025, 17, 2497]<br /> <br /> <br /> === 1. Εισαγωγή ===<br /> Η κάλυψη χιονιού αποτελεί κρίσιμο στοιχείο της κρυόσφαιρας και ζωτική πηγή νερού για τις άνυδρες περιοχές της βορειοδυτικής Κίνας. Τα βουνά Qilian (QLM), στην βορειοανατολική άκρη του Θιβετιανού Οροπεδίου, λειτουργούν ως οικολογικό φράγμα και περιοχή διατήρησης υδάτων. Λόγω της κλιματικής αλλαγής, η παρακολούθηση του χιονιού είναι απαραίτητη για την πρόβλεψη της διαθεσιμότητας νερού. Ενώ προηγούμενες μελέτες βασίζονταν σε δεδομένα MODIS (χαμηλής ανάλυσης 500m), η παρούσα έρευνα στοχεύει στη δημιουργία του πρώτου προϊόντος χιονιού υψηλής ανάλυσης (30m) για την περίοδο 1986-2024, καλύπτοντας ένα κενό 39 ετών ιστορικών δεδομένων.<br /> <br /> [[Αρχείο:Eikona_01.png | right | thumb | 1.Περιοχή ενδιαφέροντος ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> Η μελέτη χρησιμοποίησε μια σύνθετη προσέγγιση τηλεπισκόπησης και στατιστικής ανάλυσης:<br /> <br /> '''''α. Δεδομένα και Πηγές (Data Acquisition)'''''<br /> <br /> Η μελέτη βασίστηκε σε μια στρατηγική συνδυασμού πολλαπλών αισθητήρων για την επίτευξη συνεχούς παρακολούθησης 39 ετών(1986-2025):<br /> <br /> - Χρησιμοποιήθηκαν δεδομένα από τους Landsat 5 TM (1986-1999), Landsat 7 ETM+ (1999-2012), Landsat 8 OLI (2013-2020) και Landsat 9 OLI-2 (2021-2024).<br /> <br /> - Η επεξεργασία έγινε μέσω του Google Earth Engine (GEE), το οποίο επέτρεψε την ανάλυση 42.006 εικόνων.<br /> <br /> - Χρησιμοποιήθηκαν δεδομένα SRTM (Shuttle Radar Topography Mission) ανάλυσης 30 μέτρων για τον υπολογισμό του υψομέτρου, της κλίσης και του προσανατολισμού.<br /> <br /> '''''β. Στρατηγική Κάλυψης Νεφών (Cloud Masking Strategy)'''''<br /> <br /> Λόγω της συχνής παρουσίας νεφών στις ορεινές περιοχές, αναπτύχθηκε μια διπλή προσαρμοστική στρατηγική:<br /> <br /> - ''Επιεικής (Lenient) Μάσκα:'' Αποκλείει μόνο τα βέβαια νέφη και τις σκιές τους, διατηρώντας το 65-75% των δεδομένων.<br /> <br /> - ''Συντηρητική (Conservative) Μάσκα:'' Αποκλείει μόνο τα νέφη υψηλής εμπιστοσύνης, διατηρώντας το 75-85% των δεδομένων, κάτι που είναι κρίσιμο για τους χειμερινούς μήνες όπου τα δεδομένα είναι σπάνια.<br /> <br /> '''''γ. Φασματικοί Δείκτες και Προεπεξεργασία'''''<br /> <br /> Για την ακριβή αναγνώριση του χιονιού, πραγματοποιήθηκαν οι εξής ενέργειες:<br /> <br /> - ''Ραδιομετρική Διόρθωση:'' Μετατροπή των ψηφιακών αριθμών (DN) σε τιμές επιφανειακής ανάκλασης (SR).<br /> <br /> - ''Δείκτης NDSI (Normalized Difference Snow Index):'' Υπολογίστηκε με βάση την πράσινη (ρgreen) και τη βραχεία υπέρυθρη ζώνη (ρSWIR1). Ο δείκτης αυτός εκμεταλλεύεται την υψηλή ανακλαστικότητα του χιονιού στο ορατό φως και τη χαμηλή ανάκλασή του στο υπέρυθρο.<br /> <br /> '''''δ. Αλγόριθμος Ταξινόμησης Χιονιού Τριών Επιπέδων'''''<br /> <br /> Αντί για ένα απλό όριο, χρησιμοποιήθηκε ένα σύστημα τριών επιπέδων εμπιστοσύνης:<br /> <br /> 1. Βασική Εμπιστοσύνη (Basic): NDSI &gt; 0,3.<br /> <br /> 2. Μέση Εμπιστοσύνη (Medium): NDSI &gt; 0,35 και επιπλέον φασματικά όρια στο μπλε και υπέρυθρο.<br /> <br /> 3. Υψηλή Εμπιστοσύνη (High): NDSI &gt; 0,4 με τα πιο αυστηρά κατώφλια ανάκλασης. <br /> <br /> Η τελική μάσκα χιονιού προέκυψε από τη λογική ένωση (OR) αυτών των τριών επιπέδων.<br /> <br /> '''''ε. Χωρική Παρεμβολή και Συμπλήρωση Κενών'''''<br /> <br /> Για τη συμπλήρωση των κενών που προκαλούνται από σύννεφα ή από την αστοχία του αισθητήρα SLC-off του Landsat 7, εφαρμόστηκαν:<br /> <br /> - Αλγόριθμος χωρικής παρεμβολής (focal statistics) που χρησιμοποιεί ένα κυκλικό παράθυρο ακτίνας 150 μέτρων για την εκτίμηση των ελλειπουσών τιμών από τα γειτονικά pixel.<br /> <br /> - Δημιουργία μηνιαίων σύνθετων εικόνων χρησιμοποιώντας τη διάμεσο τιμή(median compositing), γεγονός που καταστέλλει τον θόρυβο και τις ακραίες τιμές.<br /> <br /> '''''στ. Στατιστική Ανάλυση Τάσεων (Trend Analysis)'''''<br /> <br /> Η ανάλυση της μεταβολής στον χρόνο έγινε με δύο μη παραμετρικές μεθόδους:<br /> <br /> - Sen-Theil Trend Analysis: Χρησιμοποιήθηκε για τον υπολογισμό του ρυθμού μεταβολής (κλίση) της χιονοκάλυψης και του υψομέτρου της χιονογραμμής.<br /> <br /> - Mann-Kendall Test: Εφαρμόστηκε για να διαπιστωθεί αν οι παρατηρούμενες τάσεις είναι στατιστικά σημαντικές ή οφείλονται σε τυχαίες διακυμάνσεις.<br /> <br /> Αυτή η πολυεπίπεδη προσέγγιση επέτρεψε στους ερευνητές να ξεπεράσουν τους περιορισμούς των παραδοσιακών μεθόδων (όπως το MODIS) και να προσφέρουν μια εικόνα υψηλής ακρίβειας για τις αλλαγές στο χιόνι της περιοχής.<br /> <br /> === 3. Αποτελέσματα ===<br /> Τα κυριότερα ευρήματα της ανάλυσης είναι:<br /> <br /> - ''Έκταση Χιονοκάλυψης (SCE):'' Η μέση ετήσια κάλυψη χιονιού στα QLM ανήλθε σε 15,73%. Παρατηρήθηκε μια ελαφρά πτωτική τάση (-0,046% ανά έτος), η οποία όμως δεν κρίθηκε στατιστικά σημαντική.<br /> <br /> - ''Μετακίνηση Χιονογραμμής (Snowline):'' Διαπιστώθηκε σημαντική άνοδος της χιονογραμμής, με το μέσο υψόμετρο να αυξάνεται κατά 3,98 m/έτος και το ελάχιστο υψόμετρο κατά 2,81 m/έτος.<br /> <br /> - ''Υψομετρική Διαφοροποίηση:'' Η μείωση του χιονιού ήταν εντονότερη σε υψόμετρα άνω των 5000m και σε χαμηλά υψόμετρα (2000-3500m), ενώ οι ενδιάμεσες περιοχές παρέμειναν σχετικά σταθερές.<br /> <br /> - ''Εποχικότητα:'' Η μέγιστη κάλυψη καταγράφεται τον Φεβρουάριο (27,5%) και η ελάχιστη τον Αύγουστο (2,8%).<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Η έρευνα αναδεικνύει την ανωτερότητα των δεδομένων υψηλής ανάλυσης:<br /> <br /> - ''Αξιοπιστία Δεδομένων:'' Η χρήση των Landsat 8 και 9 βελτίωσε σημαντικά την ακρίβεια ανίχνευσης, επιτυγχάνοντας κάλυψη παρατήρησης 93,4%.<br /> <br /> - ''Σύγκριση με MODIS:'' Η σύγκριση έδειξε ότι το MODIS υποτιμά συστηματικά την κάλυψη χιονιού στις ορεινές περιοχές (κατά περίπου 8,06%), γεγονός που καθιστά τα δεδομένα Landsat πιο ευαίσθητα και αξιόπιστα για τέτοια περιβάλλοντα.<br /> <br /> Τα αποτελέσματα παρέχουν επιστημονικά τεκμήρια για τη διαχείριση των υδάτινων πόρων και τη χάραξη στρατηγικών προσαρμογής στην κλιματική αλλαγή στην ευρύτερη περιοχή. Η άνοδος της χιονογραμμής αποτελεί σαφή δείκτη της επίδρασης της υπερθέρμανσης του πλανήτη στα ορεινά οικοσυστήματα.<br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/Integrating_remote_sensing,_GIS_and_multi-criteria_decision_making_for_assessing_PV_potential_in_mountainous_regions 2026-02-17T11:43:16Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Integrating remote sensing, GIS and multi-criteria decision making for assessing PV potential in mountainous regions ==<br /> <br /> == Συνδυασμός τηλεπισκόπησης, ΓΣΠ και μεθόδου λήψης αποφάσεων με πολλαπλά κριτήρια για την εκτίμηση δυνατότητας τοποθέτησης φ/β σε ορεινές περιοχές ==<br /> <br /> Xiaofan Feng, Zhengjia Zhang, Qi Chen, Zhiling Guo, Haoran Zhang, Mengmeng Wang, Wei Gao, Xiuguo Liu<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0960148125000023?via%3Dihub Renewable Energy 241 (2025) 122340]<br /> ----<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Η ανάγκη για μείωση των εκπομπών άνθρακα στον πλανήτη και κατ’επέκταση η συνεχής αύξηση της τεχνολογίας των εργαλείων για εκμετάλλευση των ανανεώσιμων πηγών ενέργειας, και συγκεκριμένα της ηλιακής ενέργειας έχει οδηγήσει στον κορεσμό της ελεύθερης γης για τοποθέτηση φωτοβολταϊκών (φ/β) πάρκων. Η συγκεκριμένη έρευνα πραγματεύεται την εξερεύνηση ορεινών περιοχών και την δυνατότητα δημιουργίας (φ/β) πάρκων σε τέτοιου είδους δύσβατες περιοχές, όπου όμως η ηλιακή ακτινοβολία φτάνει υψηλά επίπεδα, με τη βοήθεια της τηλεπισκόπησης, των γεωγραφικών συστημάτων πληροφοριών (ΓΣΠ) και της μεθόδου λήψης αποφάσεων με πολλαπλά κριτήρια.<br /> <br /> <br /> === 2. Περιγραφή του προβλήματος ===<br /> <br /> Το κύριο πρόβλημα που εξετάζεται είναι η έλλειψη διαθέσιμης γης για την εγκατάσταση φωτοβολταϊκών μονάδων. Η κατασκευή σε ορεινό ανάγλυφο είναι ιδιαίτερα περίπλοκη λόγω της ακανόνιστης τοπογραφίας. Οι ερευνητές επικεντρώνονται σε τέσσερα βασικά ζητήματα:<br /> <br /> • Ποιοι παράγοντες πρέπει να ληφθούν υπόψη για την επιλογή τοποθεσίας σε βουνά.<br /> <br /> • Ποιες περιοχές είναι πραγματικά κατάλληλες για την κατασκευή φ/β εγκαταστάσεων.<br /> <br /> • Ποια είναι η δυνατότητα παραγωγής ενέργειας.<br /> <br /> • Ποιο είναι το ισοσταθμισμένο κόστος ενέργειας (LCOE) με βάση τις τιμές της ορεινής γης.<br /> <br /> Επιπλέον, η μελέτη λαμβάνει υπόψη τους αυστηρούς περιορισμούς των πολιτικών χρήσης γης, όπως η προστασία της καλλιεργήσιμης γης και οι οικολογικές «κόκκινες γραμμές», όπως αυτές ορίζονται από τον εθνικό χωροταξικό σχεδιασμό.<br /> <br /> <br /> === 3. Μεθοδολογία ===<br /> <br /> [[Αρχείο:paper_01.jpg | right | thumb | 1.Μεθοδολογία της μελέτης ]]<br /> <br /> Η μεθοδολογία περιλαμβάνει 4 κύρια στάδια που παρουσιάζονται με σειρά προτεραιότητας:<br /> <br /> '''''α. Επιλογή των κριτηρίων'''''<br /> <br /> Αρχικά, επιλέχθηκαν τα παρακάτω 9 κριτήρια:<br /> <br /> • ηλιακή ακτινοβολία<br /> <br /> • κλίση εδάφους (slope)<br /> <br /> • υψόμετρο<br /> <br /> • ρυθμός παραμόρφωσης επιφάνειας εδάφους<br /> <br /> • πυκνότητα δικτύου γραμμών μεταφοράς<br /> <br /> • προσανατολισμός (aspect)<br /> <br /> • κάλυψη γης (land cover)<br /> <br /> • προσβασιμότητα μεταφορών<br /> <br /> • απόσταση από υδάτινους πόρους<br /> <br /> Η επεξεργασία των γεωγραφικών δεδομένων έγινε στο περιβάλλον ArcGIS 10.2 (Spatial Analyst). Χρησιμοποιήθηκαν δεδομένα υψομέτρου NASADEM για την εξαγωγή της κλίσης και του προσανατολισμού, ενώ η ηλιακή ακτινοβολία αντλήθηκε από το μοντέλο ERA5-Land.<br /> <br /> <br /> '''''β. Χρήση της μεθόδου MT-InSAR (Multi-Temporal Interferometric Synthetic Aperture Radar)'''''<br /> <br /> Χρησιμοποιήθηκε η μέθοδος MT-InSAR για την παρακολούθηση της παραμόρφωσης της επιφάνειας του εδάφους και κατά συνέπεια τον εντοπισμό γεωλογικά σταθερών περιοχών, αποφεύγοντας περιοχές με κίνδυνο κατολισθήσεων.<br /> Η τεχνική βασίστηκε στην επεξεργασία 52 δορυφορικών εικόνων ραντάρ Sentinel-1 μέσω του λογισμικού StaMPS (Stanford Method for Persistent Scatterers), επιτρέποντας μετρήσεις μετακίνησης του εδάφους με ακρίβεια χιλιοστού.<br /> <br /> <br /> '''''γ. Μοντέλο OPA (Ordinal Priority Approach)'''''<br /> <br /> Εφαρμόστηκε το μοντέλο OPA για την αξιολόγηση της καταλληλότητας των κριτηρίων και τον υπολογισμό των βαρών καθενός από αυτά, αποφεύγοντας τις υποκειμενικές συγκρίσεις άλλων μεθόδων (όπως η AHP).<br /> Το μοντέλο OPA επιλύθηκε μέσω γραμμικού προγραμματισμού (χρησιμοποιώντας λογισμικά όπως το MATLAB), αποδίδοντας την υψηλότερη βαρύτητα στην ακτινοβολία (0,3535) και στην κλίση (0,1768).<br /> <br /> <br /> '''''δ. LCOE (Levelized Cost of Energy)'''''<br /> <br /> Τέλος, εκτιμήθηκε η ετήσια παραγωγή ενέργειας και το οικονομικό κόστος της επένδυσης.<br /> Η χωρική υπέρθεση (overlay) των δεδομένων έγινε με το Raster Calculator του ArcGIS. Για το οικονομικό σκέλος, χρησιμοποιήθηκε ο δείκτης LCOE (Levelized Cost of Energy), ενσωματώνοντας τον παράγοντα &quot;αυξημένου κόστους ορεινής κατασκευής&quot; για να διασφαλιστεί η ρεαλιστική απόδοση της επένδυσης.<br /> <br /> <br /> === 4. Αποτελέσματα ===<br /> <br /> Η μελέτη στην περιοχή Yongren κατέληξε σε συγκεκριμένα ποσοτικά δεδομένα:<br /> <br /> • ''Επιλογή Γης:'' Εντοπίστηκαν 85,45 km2 ως &quot;εξαιρετικά κατάλληλες&quot; περιοχές.<br /> <br /> • ''Ενεργειακό Δυναμικό:'' Η ετήσια παραγωγή εκτιμάται στα 665,41 GWh.<br /> <br /> • ''Οικονομική Απόδοση:'' Το LCOE (Levelized Cost of Energy) υπολογίστηκε στα 0,3963 RMB/kWh. Το μοντέλο υπολόγισε το LCOE ενσωματώνοντας το &quot;Mountainous Construction Cost&quot; (αυξημένο κόστος λόγω κλίσης και δυσκολίας πρόσβασης).<br /> <br /> • ''Εγκυρότητα:'' Ο χάρτης καταλληλότητας που παρήγαγε το ArcGIS επαληθεύτηκε με οπτική σύγκριση από δορυφορικές εικόνες υψηλής ανάλυσης (Google Earth), δείχνοντας ότι οι περιοχές που υποδείχθηκαν είναι όντως ελεύθερες από δάση ή καλλιέργειες.<br /> <br /> <br /> === 5. Συζήτηση ===<br /> <br /> Το προτεινόμενο πλαίσιο προσφέρει μια ολοκληρωμένη λύση στο πρόβλημα της σπανιότητας γης για την ανάπτυξη των φωτοβολταϊκών. Η ενσωμάτωση της τεχνολογίας MT-InSAR κρίνεται κρίσιμη για την ασφάλεια των εγκαταστάσεων σε ορεινά εδάφη. Οι συγγραφείς τονίζουν ότι η επιλογή των τοποθεσιών πρέπει να ευθυγραμμίζεται αυστηρά με τις εθνικές πολιτικές προστασίας του περιβάλλοντος και της γεωργίας. Τελικά, η ανάπτυξη φωτοβολταϊκών σε ορεινές περιοχές δεν συμβάλλει μόνο στη μείωση των εκπομπών άνθρακα, αλλά ενισχύει και την οικονομική ανάπτυξη των αγροτικών περιοχών μέσω της χρήσης ανεκμετάλλευτης γης.<br /> <br /> [[category: Γεωλογία – Εδαφολογία ]]<br /> [[category: Καταλληλότητα εδαφών για έργα υποδομής και ανάπτυξης ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/Integrating_remote_sensing,_GIS_and_multi-criteria_decision_making_for_assessing_PV_potential_in_mountainous_regions 2026-02-17T11:37:53Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Integrating remote sensing, GIS and multi-criteria decision making for assessing PV potential in mountainous regions ==<br /> <br /> == Συνδυασμός τηλεπισκόπησης, ΓΣΠ και μεθόδου λήψης αποφάσεων με πολλαπλά κριτήρια για την εκτίμηση δυνατότητας τοποθέτησης φ/β σε ορεινές περιοχές ==<br /> <br /> Xiaofan Feng, Zhengjia Zhang, Qi Chen, Zhiling Guo, Haoran Zhang, Mengmeng Wang, Wei Gao, Xiuguo Liu<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0960148125000023?via%3Dihub Renewable Energy 241 (2025) 122340]<br /> ----<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Η ανάγκη για μείωση των εκπομπών άνθρακα στον πλανήτη και κατ’επέκταση η συνεχής αύξηση της τεχνολογίας των εργαλείων για εκμετάλλευση των ανανεώσιμων πηγών ενέργειας, και συγκεκριμένα της ηλιακής ενέργειας έχει οδηγήσει στον κορεσμό της ελεύθερης γης για τοποθέτηση φωτοβολταϊκών (φ/β) πάρκων. Η συγκεκριμένη έρευνα πραγματεύεται την εξερεύνηση ορεινών περιοχών και την δυνατότητα δημιουργίας (φ/β) πάρκων σε τέτοιου είδους δύσβατες περιοχές, όπου όμως η ηλιακή ακτινοβολία φτάνει υψηλά επίπεδα, με τη βοήθεια της τηλεπισκόπησης, των γεωγραφικών συστημάτων πληροφοριών (ΓΣΠ) και της μεθόδου λήψης αποφάσεων με πολλαπλά κριτήρια.<br /> <br /> <br /> === 2. Περιγραφή του προβλήματος ===<br /> <br /> Το κύριο πρόβλημα που εξετάζεται είναι η έλλειψη διαθέσιμης γης για την εγκατάσταση φωτοβολταϊκών μονάδων. Η κατασκευή σε ορεινό ανάγλυφο είναι ιδιαίτερα περίπλοκη λόγω της ακανόνιστης τοπογραφίας. Οι ερευνητές επικεντρώνονται σε τέσσερα βασικά ζητήματα:<br /> <br /> • Ποιοι παράγοντες πρέπει να ληφθούν υπόψη για την επιλογή τοποθεσίας σε βουνά.<br /> <br /> • Ποιες περιοχές είναι πραγματικά κατάλληλες για την κατασκευή φ/β εγκαταστάσεων.<br /> <br /> • Ποια είναι η δυνατότητα παραγωγής ενέργειας.<br /> <br /> • Ποιο είναι το ισοσταθμισμένο κόστος ενέργειας (LCOE) με βάση τις τιμές της ορεινής γης.<br /> <br /> Επιπλέον, η μελέτη λαμβάνει υπόψη τους αυστηρούς περιορισμούς των πολιτικών χρήσης γης, όπως η προστασία της καλλιεργήσιμης γης και οι οικολογικές «κόκκινες γραμμές», όπως αυτές ορίζονται από τον εθνικό χωροταξικό σχεδιασμό.<br /> <br /> <br /> === 3. Μεθοδολογία ===<br /> <br /> [[Αρχείο:paper_01.jpg | right | thumb | 1.Μεθοδολογία της μελέτης ]]<br /> <br /> Η μεθοδολογία περιλαμβάνει 4 κύρια στάδια που παρουσιάζονται με σειρά προτεραιότητας:<br /> <br /> '''''α. Επιλογή των κριτηρίων'''''<br /> <br /> Αρχικά, επιλέχθηκαν τα παρακάτω 9 κριτήρια:<br /> <br /> • ηλιακή ακτινοβολία<br /> <br /> • κλίση εδάφους (slope)<br /> <br /> • υψόμετρο<br /> <br /> • ρυθμός παραμόρφωσης επιφάνειας εδάφους<br /> <br /> • πυκνότητα δικτύου γραμμών μεταφοράς<br /> <br /> • προσανατολισμός (aspect)<br /> <br /> • κάλυψη γης (land cover)<br /> <br /> • προσβασιμότητα μεταφορών<br /> <br /> • απόσταση από υδάτινους πόρους<br /> <br /> Η επεξεργασία των γεωγραφικών δεδομένων έγινε στο περιβάλλον ArcGIS 10.2 (Spatial Analyst). Χρησιμοποιήθηκαν δεδομένα υψομέτρου NASADEM για την εξαγωγή της κλίσης και του προσανατολισμού, ενώ η ηλιακή ακτινοβολία αντλήθηκε από το μοντέλο ERA5-Land.<br /> <br /> <br /> '''''β. Χρήση της μεθόδου MT-InSAR (Multi-Temporal Interferometric Synthetic Aperture Radar)'''''<br /> <br /> Χρησιμοποιήθηκε η μέθοδος MT-InSAR για την παρακολούθηση της παραμόρφωσης της επιφάνειας του εδάφους και κατά συνέπεια τον εντοπισμό γεωλογικά σταθερών περιοχών, αποφεύγοντας περιοχές με κίνδυνο κατολισθήσεων.<br /> Η τεχνική βασίστηκε στην επεξεργασία 52 δορυφορικών εικόνων ραντάρ Sentinel-1 μέσω του λογισμικού StaMPS (Stanford Method for Persistent Scatterers), επιτρέποντας μετρήσεις μετακίνησης του εδάφους με ακρίβεια χιλιοστού.<br /> <br /> <br /> '''''γ. Μοντέλο OPA (Ordinal Priority Approach)'''''<br /> <br /> Εφαρμόστηκε το μοντέλο OPA για την αξιολόγηση της καταλληλότητας των κριτηρίων και τον υπολογισμό των βαρών καθενός από αυτά, αποφεύγοντας τις υποκειμενικές συγκρίσεις άλλων μεθόδων (όπως η AHP).<br /> Το μοντέλο OPA επιλύθηκε μέσω γραμμικού προγραμματισμού (χρησιμοποιώντας λογισμικά όπως το MATLAB), αποδίδοντας την υψηλότερη βαρύτητα στην ακτινοβολία (0,3535) και στην κλίση (0,1768).<br /> <br /> <br /> '''''δ. LCOE (Levelized Cost of Energy)'''''<br /> <br /> Τέλος, εκτιμήθηκε η ετήσια παραγωγή ενέργειας και το οικονομικό κόστος της επένδυσης.<br /> Η χωρική υπέρθεση (overlay) των δεδομένων έγινε με το Raster Calculator του ArcGIS. Για το οικονομικό σκέλος, χρησιμοποιήθηκε ο δείκτης LCOE (Levelized Cost of Energy), ενσωματώνοντας τον παράγοντα &quot;αυξημένου κόστους ορεινής κατασκευής&quot; για να διασφαλιστεί η ρεαλιστική απόδοση της επένδυσης.<br /> <br /> <br /> === 4. Αποτελέσματα ===<br /> <br /> Η μελέτη στην περιοχή Yongren κατέληξε σε συγκεκριμένα ποσοτικά δεδομένα:<br /> <br /> • ''Επιλογή Γης:'' Εντοπίστηκαν 85,45 km2 ως &quot;εξαιρετικά κατάλληλες&quot; περιοχές.<br /> <br /> • ''Ενεργειακό Δυναμικό:'' Η ετήσια παραγωγή εκτιμάται στα 665,41 GWh.<br /> <br /> • ''Οικονομική Απόδοση:'' Το LCOE (Levelized Cost of Energy) υπολογίστηκε στα 0,3963 RMB/kWh. Το μοντέλο υπολόγισε το LCOE ενσωματώνοντας το &quot;Mountainous Construction Cost&quot; (αυξημένο κόστος λόγω κλίσης και δυσκολίας πρόσβασης).<br /> <br /> • ''Εγκυρότητα:'' Ο χάρτης καταλληλότητας που παρήγαγε το ArcGIS επαληθεύτηκε με οπτική σύγκριση από δορυφορικές εικόνες υψηλής ανάλυσης (Google Earth), δείχνοντας ότι οι περιοχές που υποδείχθηκαν είναι όντως ελεύθερες από δάση ή καλλιέργειες.<br /> <br /> <br /> === 5. Συζήτηση ===<br /> <br /> Το προτεινόμενο πλαίσιο προσφέρει μια ολοκληρωμένη λύση στο πρόβλημα της σπανιότητας γης για την ανάπτυξη των φωτοβολταϊκών. Η ενσωμάτωση της τεχνολογίας MT-InSAR κρίνεται κρίσιμη για την ασφάλεια των εγκαταστάσεων σε ορεινά εδάφη. Οι συγγραφείς τονίζουν ότι η επιλογή των τοποθεσιών πρέπει να ευθυγραμμίζεται αυστηρά με τις εθνικές πολιτικές προστασίας του περιβάλλοντος και της γεωργίας. Τελικά, η ανάπτυξη φωτοβολταϊκών σε ορεινές περιοχές δεν συμβάλλει μόνο στη μείωση των εκπομπών άνθρακα, αλλά ενισχύει και την οικονομική ανάπτυξη των αγροτικών περιοχών μέσω της χρήσης ανεκμετάλλευτης γης.<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%9C%CE%BF%CE%BB%CE%B4%CE%B1%CE%B2%CE%AF%CE%B1:_%CE%93%CE%A3%CE%A0_%CE%BA%CE%B1%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_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD 2026-02-17T11:36:22Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Sustainable land use in Moldova: GIS &amp; remote sensing of forests and crops ==<br /> <br /> == Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΠ και τηλεπισκόπηση δασών και καλλιεργειών ==<br /> <br /> Aleksandar Valjarevic, Cezar Morar, Ljiljana Brasanac-Bosanac, Tatjana Cirkovic-Mitrovic, Tatjana Djekic, Marija Mihajlovic, Ivica Milevski, Golub Culafic, Milan Lukovic, Liudmyla Niemets, Kateryna Sehida, Gordana Kaplan<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0264837725000481?via%3Dihub Land Use Policy 152 (2025) 107515]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Το άρθρο εξετάζει τη σημασία των δασών και των γεωργικών εκτάσεων ως κρίσιμων στοιχείων για την περιβαλλοντική σταθερότητα και τη βιοποικιλότητα. Η Δημοκρατία της Μολδαβίας αντιμετωπίζει μια ιδιαίτερη πρόκληση, καθώς διαθέτει ένα από τα χαμηλότερα ποσοστά δασοκάλυψης στην Ευρώπη (μόλις 11,4% της επικράτειας), ενώ ο γεωργικός τομέας είναι κυρίαρχος, με έμφαση στις καλλιέργειες ηλίανθου και σταφυλιών. Η μελέτη στοχεύει στην ανάλυση των χωρικών αλληλεπιδράσεων μεταξύ των δασικών εκτάσεων και αυτών των δύο βασικών καλλιεργειών, προκειμένου να προταθούν στρατηγικές βιώσιμης διαχείρισης γης που εξισορροπούν την οικονομική ανάπτυξη με την προστασία του περιβάλλοντος.<br /> <br /> [[Αρχείο:moldova.png | right | thumb | 1. Περιοχή ενδιαφέροντος: Μολδαβία και η τοπολογία της ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η έρευνα βασίζεται στην ενσωμάτωση προηγμένων εργαλείων τηλεπισκόπησης και συστημάτων γεωγραφικών πληροφοριών:<br /> <br /> [[Αρχείο:flowchart_methodology.png | right | thumb | 2. Σχεδιάγραμμα ροής - Μεθοδολογία]]<br /> <br /> '''i. Πηγές και Διαχείριση Δεδομένων'''<br /> <br /> Οι ερευνητές αξιοποίησαν ένα ευρύ φάσμα δεδομένων για να καλύψουν τη χρονική περίοδο από το 1996 έως το 2018, αλλά και την τρέχουσα κατάσταση (2021):<br /> <br /> '''''Δορυφορικές Εικόνες:''''' Χρησιμοποιήθηκαν δεδομένα από τις αποστολές Sentinel-1 (ραντάρ) και Sentinel-2 (οπτικά δεδομένα) για τη χαρτογράφηση του 2021. Επίσης, αντλήθηκαν ιστορικά δεδομένα από τους δορυφόρους Landsat 7 και 8 για τη σύγκριση των μεταβολών.<br /> <br /> '''''Πλατφόρμα Google Earth Engine (GEE):''''' Η χρήση του GEE επέτρεψε την επεξεργασία τεράστιου όγκου δεδομένων στο υπολογιστικό νέφος, ξεπερνώντας τους περιορισμούς των τοπικών υπολογιστών.<br /> <br /> '''''Βάσεις Δεδομένων:''''' Ενσωματώθηκαν δεδομένα από το ευρωπαϊκό πρόγραμμα CORINE Land Cover (CLC) για τον προσδιορισμό των χρήσεων γης, καθώς και κτηματολογικά (cadastral) αρχεία της Μολδαβίας για την ιδιοκτησία και τα όρια των εκτάσεων.<br /> <br /> '''ii. Προεπεξεργασία και Φασματικοί Δείκτες'''<br /> <br /> Πριν την ταξινόμηση, οι εικόνες υποβλήθηκαν σε αυστηρά φίλτρα:<br /> <br /> '''''Cloud Masking:''''' Εφαρμόστηκε φίλτρο νεφώσεων κάτω του 5% για τη διασφάλιση καθαρών παρατηρήσεων, με τη χρήση 215 εικόνων για το καλοκαίρι και 200 για τον χειμώνα.<br /> <br /> '''''Υπολογισμός Δεικτών:''''' Για τον καλύτερο διαχωρισμό των κλάσεων, υπολογίστηκαν οι δείκτες:<br /> <br /> - ''NDVI (Βλάστηση):'' Για τον εντοπισμό των διαφόρων ειδών βλάστησης.<br /> <br /> - ''NDWI (Νερό):'' Για τον εντοπισμό υδάτινων όγκων.<br /> <br /> - ''NDBI (Δόμηση):'' Για τις αστικές και τεχνητές επιφάνειες.<br /> <br /> '''iii. Αλγόριθμος Ταξινόμησης και Επικύρωση'''<br /> <br /> Για τη δημιουργία του χάρτη κάλυψης γης 5 κλάσεων (αστικά, καλλιέργειες, δάση, νερό, άγονη γη), ακολουθήθηκε η εξής διαδικασία:<br /> <br /> '''''Support Vector Machine (SVM):''''' Χρησιμοποιήθηκε αυτός ο αλγόριθμος επιβλεπόμενης μάθησης, ο οποίος θεωρείται από τους πλέον αξιόπιστους για την ταξινόμηση δορυφορικών εικόνων.<br /> <br /> '''''Δείγμα Εκπαίδευσης:''''' Συλλέχθηκαν πάνω από 300 δείγματα εδάφους. Το σύνολο των δεδομένων χωρίστηκε σε 70% για την εκπαίδευση του μοντέλου και 30% για τον έλεγχο της ακρίβειας.<br /> <br /> '''''Αξιολόγηση:''''' Η ακρίβεια επικυρώθηκε με τη χρήση της συνολικής ακρίβειας (Overall Accuracy) και του στατιστικού δείκτη Kappa.<br /> <br /> '''iv. Εξειδικευμένη Ανάλυση Καλλιεργειών και Κλίματος'''<br /> <br /> Ιδιαίτερη έμφαση δόθηκε στον ηλίανθο και τα αμπέλια:<br /> <br /> '''''Λογισμικό DIVA-GIS:''''' Χρησιμοποιήθηκε για τον ακριβή υπολογισμό των εκτάσεων συγκεκριμένων καλλιεργειών, λαμβάνοντας υπόψη τις φυσικές ιδιότητες των φυτών.<br /> <br /> '''''Κλιματικά Δεδομένα:''''' Ενσωματώθηκαν μετεωρολογικά δεδομένα 30 ετών (θερμοκρασία, βροχόπτωση) για να αναλυθεί πώς οι κλιματικές ακρότητες (π.χ. ξηρασίες) επηρεάζουν τη γεωργική παραγωγή.<br /> <br /> '''v. Μοντέλο Ασαφούς Λογικής (Fuzzy MCDM)'''<br /> <br /> Για την αξιολόγηση της κοινωνικοοικονομικής πίεσης στα δάση, εφαρμόστηκε το πλαίσιο '''''Pressure-Regional-Response (PRR):'''''<br /> <br /> ''Fuzzy AHP (Analytic Hierarchy Process):'' Μια μέθοδος λήψης αποφάσεων που ιεραρχεί τα κριτήρια (περιβαλλοντικά, οικονομικά) χρησιμοποιώντας ασαφή λογική για να αντιμετωπιστεί η αβεβαιότητα των δεδομένων.<br /> <br /> ''Weighted Sum Model:'' Μέσω του QGIS, οι βαθμολογίες της ασαφούς λογικής συνδυάστηκαν για να δημιουργηθούν χάρτες τρωτότητας, που κατατάσσουν τις περιοχές από &quot;πολύ χαμηλή&quot; έως &quot;υψηλή&quot; επικινδυνότητα για υποβάθμιση.<br /> <br /> [[Αρχείο:kuries_sunistwses_AHP.png | right | thumb | 3. Χάρτης τρωτότητας ]]<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> '''''Χωρική Κατανομή:''''' Τα δάση της Μολδαβίας είναι εξαιρετικά περιορισμένα και συγκεντρώνονται κυρίως στην κεντρική περιοχή (οροπέδιο Codri), ενώ στο βορρά και το νότο η δασοκάλυψη είναι πολύ αραιή.<br /> <br /> '''''Ακρίβεια Μοντέλων:''''' Η ταξινόμηση της κάλυψης γης μέσω GEE επέδειξε υψηλή αξιοπιστία, με συνολική ακρίβεια 90% και συντελεστή Kappa 0,88.<br /> <br /> [[Αρχείο:GEE_land-classification_2021.png | right | thumb | 4. Κατανομή γης βάσει του Google Earth Engine ]]<br /> <br /> '''''Κλιματικές Επιπτώσεις:''''' Διαπιστώθηκε ότι οι ακραίες ξηρασίες (όπως αυτές του 2007 και του 2020) έχουν προκαλέσει τεράστιες οικονομικές απώλειες στον γεωργικό τομέα, επηρεάζοντας το 80% της επικράτειας και οδηγώντας σε σημαντική μείωση της παραγωγής.<br /> <br /> '''''Ευάλωτες Περιοχές:''''' Εντοπίστηκαν ζώνες όπου η γεωργική επέκταση έρχεται σε άμεση σύγκρουση με τις προστατευόμενες δασικές εκτάσεις, αυξάνοντας τον κίνδυνο υποβάθμισης του εδάφους.<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Τα αποτελέσματα υπογραμμίζουν την επείγουσα ανάγκη για προσαρμοστικές στρατηγικές χρήσης γης που να λαμβάνουν υπόψη την κλιματική μεταβλητότητα και την αστική εξάπλωση.<br /> <br /> '''''Πολιτικές Προστασίας:''''' Η έρευνα προτείνει την ιεράρχηση της αναδάσωσης σε ευάλωτες περιοχές για την αποκατάσταση της οικολογικής ισορροπίας και την πρόληψη της διάβρωσης του εδάφους.<br /> <br /> '''''Βιώσιμη Ανάπτυξη:''''' Η εξισορρόπηση μεταξύ της γεωργικής παραγωγικότητας (ιδιαίτερα στον τομέα της οινοποιίας και του ηλίανθου) και της διατήρησης των δασών είναι απαραίτητη για τη μακροπρόθεσμη ανθεκτικότητα των φυσικών πόρων της χώρας.<br /> <br /> '''''Τεχνολογική Συμβολή:''''' Η μελέτη αποδεικνύει ότι ο συνδυασμός GIS, Τηλεπισκόπησης και κτηματολογικών δεδομένων παρέχει ένα ισχυρό πλαίσιο για τους λήπτες αποφάσεων, επιτρέποντας τον ακριβή εντοπισμό περιοχών που απαιτούν άμεση παρέμβαση.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%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%BF%CE%BD_%CF%80%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C_%CE%B2%CE%AD%CE%BB%CF%84%CE%B9%CF%83%CF%84%CF%89%CE%BD_%CF%83%CE%B5%CE%BD%CE%B1%CF%81%CE%AF%CF%89%CE%BD_%CF%87%CF%81%CE%AE%CF%83%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CF%84%CE%B9%CE%BC%CE%B5%CF%84%CF%8E%CF%80%CE%B9%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B1%CF%8D%CE%BE%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%B5%CF%85%CF%80%CE%AC%CE%B8%CE%B5%CE%B9%CE%B1%CF%82_%CF%83%CE%B5_%CE%BA%CE%B1%CF%84%CE%BF%CE%BB%CE%B9%CF%83%CE%B8%CE%AE%CF%83%CE%B5%CE%B9%CF%82 2026-02-17T11:35:19Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Utilizing Remote Sensing and Random Forests to Identify Optimal Land Use Scenarios and Address the Increase in Landslide Susceptibility ==<br /> <br /> <br /> == Χρήση τηλεπισκόπησης και Random Forests για τον προσδιορισμό βέλτιστων σεναρίων χρήσης γης και την αντιμετώπιση της αύξησης της ευπάθειας σε κατολισθήσεις ==<br /> <br /> Aditya Nugraha Putra, Jaenudin, Novandi Rizky Prasetya, Michelle Talisia Sugiarto, Sudarto, Cahyo Prayogo, Febrian Maritimo and Fandy Tri Admajaya<br /> <br /> [https://www.mdpi.com/2072-4292/17/14/2497 Remote Sensing 2025, 17, 2497]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> [[Αρχείο:1.study area.png | right | thumb | 1.Περιοχή μελέτης και κατανομή του επιπέδου κατολισθήσεων από ανάλυση επιτόπιας επιθεώρησης ]]<br /> <br /> Το άρθρο επικεντρώνεται στην περιοχή Sukapura της Ινδονησίας, μια ορεινή περιοχή με έντονο ανάγλυφο που πλήττεται συχνά από κατολισθήσεις. Η μελέτη αναγνωρίζει ότι οι αλλαγές στη χρήση και την κάλυψη γης (LULC), οι οποίες οφείλονται κυρίως στην ανθρώπινη δραστηριότητα, αποτελούν καθοριστικό παράγοντα για την αύξηση της επικινδυνότητας. Στόχος της έρευνας είναι η ανάλυση των ιστορικών μεταβολών της γης από το 1999 έως το 2024, η πρόβλεψη των τάσεων για το 2049 και η αξιολόγηση της ευπάθειας σε κατολισθήσεις υπό διαφορετικά σενάρια διαχείρισης, ώστε να προταθεί η βέλτιστη λύση για τη βιώσιμη ανάπτυξη της περιοχής.<br /> <br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> [[Αρχείο:2.framework.png | right | thumb | 2. Πλαίσιο έρευνας και σενάρια με βάση τα μοντέλα BAU, RSP και LC.]]<br /> <br /> Η έρευνα χρησιμοποίησε έναν συνδυασμό προηγμένων τεχνικών Τηλεπισκόπησης και Μηχανικής Μάθησης:<br /> <br /> - '''''Επεξεργασία Δεδομένων:''''' Χρησιμοποιήθηκαν δορυφορικές εικόνες Landsat (5, 7, 8 και 9) για τη χαρτογράφηση των χρήσεων γης τα έτη 1999, 2014 και 2024.<br /> <br /> - '''''Ταξινόμηση και Πρόβλεψη:''''' Ο αλγόριθμος Random Forest (RF) χρησιμοποιήθηκε για την ταξινόμηση της κάλυψης γης, ενώ το μοντέλο Cellular Automata-Markov Chain (CA-Markov) χρησιμοποιήθηκε για την πρόβλεψη των μελλοντικών τάσεων έως το 2049.<br /> <br /> - '''''Σενάρια Ανάπτυξης:''''' Εξετάστηκαν τρία σενάρια για το 2049:<br /> <br /> 1.Business-as-Usual (BAU): Συνέχιση των υπαρχουσών τάσεων χωρίς παρεμβάσεις.<br /> <br /> 2.Ecological Protection (EP): Εστίαση στην προστασία των δασών και την αναδάσωση.<br /> <br /> 3.Sustainable Development (SD): Ισορροπία μεταξύ οικονομικής ανάπτυξης και περιβαλλοντικής προστασίας.<br /> <br /> - '''''Χαρτογράφηση Επικινδυνότητας (LSM):''''' Η ευπάθεια σε κατολισθήσεις αναλύθηκε με το μοντέλο RF, λαμβάνοντας υπόψη 10 παράγοντες, όπως η κλίση, το υψόμετρο, η λιθολογία, η βροχόπτωση και η χρήση γης.<br /> <br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> [[Αρχείο:3.results.png | right | thumb | 3. Χάρτες χρήσης γης σε σειρά, με βάση τα βασικά δεδομένα (a) 2017, (b) 2019, (c) 2021, (d) 2022.]]<br /> <br /> [[Αρχείο:4.differences.png | right | thumb | 4. Οπτικοποίηση των διαφορών στη χρήση γης με βάση τα σενάρια BAU, LCC και RSP.]]<br /> <br /> - '''''Ιστορική Εξέλιξη:''''' Από το 1999 έως το 2024, παρατηρήθηκε δραματική αύξηση των δομημένων επιφανειών και της καλλιεργήσιμης γης εις βάρος των δασικών εκτάσεων.<br /> <br /> - '''''Προβλέψεις για το 2049:'''''<br /> <br /> α.Στο σενάριο BAU, η ευπάθεια σε κατολισθήσεις αυξάνεται σημαντικά, καθώς η ανεξέλεγκτη δόμηση επεκτείνεται σε επικίνδυνες πλαγιές.<br /> <br /> β.Το σενάριο EP παρουσίασε τη χαμηλότερη επικινδυνότητα, αναδεικνύοντας τη σημασία της δασικής κάλυψης στη σταθεροποίηση του εδάφους.<br /> <br /> γ.Το σενάριο SD έδειξε μια ελεγχόμενη αύξηση της επικινδυνότητας, επιτρέποντας την απαραίτητη ανάπτυξη με παράλληλη λήψη μέτρων προστασίας.<br /> <br /> - '''''Αξιοπιστία:''''' Το μοντέλο Random Forest επέδειξε υψηλή ακρίβεια πρόβλεψης (AUC &gt; 0.85), επιβεβαιώνοντας την εγκυρότητα των παραγόμενων χαρτών.<br /> <br /> <br /> === 4. Συζήτηση ===<br /> <br /> [[Αρχείο:5.priority map.png | right | thumb | 5. Χάρτης προτεραιοτήτων αναβλάστησης για την καταπολέμηση των κινδύνων κατολισθήσεων στην περιοχή μελέτης.]]<br /> <br /> Η μελέτη υπογραμμίζει ότι η χρήση γης είναι ο μόνος δυναμικός παράγοντας που μπορεί να ελεγχθεί από τον άνθρωπο για τον μετριασμό των φυσικών καταστροφών.<br /> <br /> - '''''Πολιτικές Προτάσεις:''''' Οι ερευνητές προτείνουν την υιοθέτηση του σεναρίου Βιώσιμης Ανάπτυξης (SD), το οποίο συνδυάζει τον περιορισμό της δόμησης σε απότομες κλίσεις με τη διατήρηση των δασικών ζωνών.<br /> <br /> - '''''Τεχνολογική Συμβολή:''''' Η συνδυαστική χρήση Τηλεπισκόπησης και Random Forests αποδεικνύεται ένα ισχυρό εργαλείο για τις τοπικές αρχές, επιτρέποντας τον προληπτικό χωροταξικό σχεδιασμό.<br /> <br /> - '''''Συμπέρασμα:''''' Η μετατροπή των δασών σε γεωργική γη στις ορεινές περιοχές είναι ο κύριος &quot;ένοχος&quot; για την αύξηση των κατολισθήσεων, και η αυστηρή εφαρμογή ζωνών προστασίας είναι απαραίτητη για την ασφάλεια των κατοίκων.<br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%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%BF%CE%BD_%CF%80%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C_%CE%B2%CE%AD%CE%BB%CF%84%CE%B9%CF%83%CF%84%CF%89%CE%BD_%CF%83%CE%B5%CE%BD%CE%B1%CF%81%CE%AF%CF%89%CE%BD_%CF%87%CF%81%CE%AE%CF%83%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CF%84%CE%B9%CE%BC%CE%B5%CF%84%CF%8E%CF%80%CE%B9%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B1%CF%8D%CE%BE%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%B5%CF%85%CF%80%CE%AC%CE%B8%CE%B5%CE%B9%CE%B1%CF%82_%CF%83%CE%B5_%CE%BA%CE%B1%CF%84%CE%BF%CE%BB%CE%B9%CF%83%CE%B8%CE%AE%CF%83%CE%B5%CE%B9%CF%82 2026-02-17T11:33:07Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Utilizing Remote Sensing and Random Forests to Identify Optimal Land Use Scenarios and Address the Increase in Landslide Susceptibility ==<br /> <br /> <br /> == Χρήση τηλεπισκόπησης και Random Forests για τον προσδιορισμό βέλτιστων σεναρίων χρήσης γης και την αντιμετώπιση της αύξησης της ευπάθειας σε κατολισθήσεις ==<br /> <br /> Aditya Nugraha Putra, Jaenudin, Novandi Rizky Prasetya, Michelle Talisia Sugiarto, Sudarto, Cahyo Prayogo, Febrian Maritimo and Fandy Tri Admajaya<br /> <br /> [https://www.mdpi.com/2072-4292/17/14/2497 Remote Sensing 2025, 17, 2497]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Το άρθρο επικεντρώνεται στην περιοχή Sukapura της Ινδονησίας, μια ορεινή περιοχή με έντονο ανάγλυφο που πλήττεται συχνά από κατολισθήσεις. Η μελέτη αναγνωρίζει ότι οι αλλαγές στη χρήση και την κάλυψη γης (LULC), οι οποίες οφείλονται κυρίως στην ανθρώπινη δραστηριότητα, αποτελούν καθοριστικό παράγοντα για την αύξηση της επικινδυνότητας. Στόχος της έρευνας είναι η ανάλυση των ιστορικών μεταβολών της γης από το 1999 έως το 2024, η πρόβλεψη των τάσεων για το 2049 και η αξιολόγηση της ευπάθειας σε κατολισθήσεις υπό διαφορετικά σενάρια διαχείρισης, ώστε να προταθεί η βέλτιστη λύση για τη βιώσιμη ανάπτυξη της περιοχής.<br /> <br /> [[Αρχείο:1.study area.png | right | thumb | 1.Περιοχή μελέτης και κατανομή του επιπέδου κατολισθήσεων από ανάλυση επιτόπιας επιθεώρησης ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η έρευνα χρησιμοποίησε έναν συνδυασμό προηγμένων τεχνικών Τηλεπισκόπησης και Μηχανικής Μάθησης:<br /> <br /> - '''''Επεξεργασία Δεδομένων:''''' Χρησιμοποιήθηκαν δορυφορικές εικόνες Landsat (5, 7, 8 και 9) για τη χαρτογράφηση των χρήσεων γης τα έτη 1999, 2014 και 2024.<br /> <br /> - '''''Ταξινόμηση και Πρόβλεψη:''''' Ο αλγόριθμος Random Forest (RF) χρησιμοποιήθηκε για την ταξινόμηση της κάλυψης γης, ενώ το μοντέλο Cellular Automata-Markov Chain (CA-Markov) χρησιμοποιήθηκε για την πρόβλεψη των μελλοντικών τάσεων έως το 2049.<br /> <br /> - '''''Σενάρια Ανάπτυξης:''''' Εξετάστηκαν τρία σενάρια για το 2049:<br /> <br /> 1.Business-as-Usual (BAU): Συνέχιση των υπαρχουσών τάσεων χωρίς παρεμβάσεις.<br /> <br /> 2.Ecological Protection (EP): Εστίαση στην προστασία των δασών και την αναδάσωση.<br /> <br /> 3.Sustainable Development (SD): Ισορροπία μεταξύ οικονομικής ανάπτυξης και περιβαλλοντικής προστασίας.<br /> <br /> - '''''Χαρτογράφηση Επικινδυνότητας (LSM):''''' Η ευπάθεια σε κατολισθήσεις αναλύθηκε με το μοντέλο RF, λαμβάνοντας υπόψη 10 παράγοντες, όπως η κλίση, το υψόμετρο, η λιθολογία, η βροχόπτωση και η χρήση γης.<br /> <br /> [[Αρχείο:2.framework.png | right | thumb | 2. Πλαίσιο έρευνας και σενάρια με βάση τα μοντέλα BAU, RSP και LC.]]<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> - '''''Ιστορική Εξέλιξη:''''' Από το 1999 έως το 2024, παρατηρήθηκε δραματική αύξηση των δομημένων επιφανειών και της καλλιεργήσιμης γης εις βάρος των δασικών εκτάσεων.<br /> <br /> - '''''Προβλέψεις για το 2049:'''''<br /> <br /> α.Στο σενάριο BAU, η ευπάθεια σε κατολισθήσεις αυξάνεται σημαντικά, καθώς η ανεξέλεγκτη δόμηση επεκτείνεται σε επικίνδυνες πλαγιές.<br /> <br /> β.Το σενάριο EP παρουσίασε τη χαμηλότερη επικινδυνότητα, αναδεικνύοντας τη σημασία της δασικής κάλυψης στη σταθεροποίηση του εδάφους.<br /> <br /> γ.Το σενάριο SD έδειξε μια ελεγχόμενη αύξηση της επικινδυνότητας, επιτρέποντας την απαραίτητη ανάπτυξη με παράλληλη λήψη μέτρων προστασίας.<br /> <br /> - '''''Αξιοπιστία:''''' Το μοντέλο Random Forest επέδειξε υψηλή ακρίβεια πρόβλεψης (AUC &gt; 0.85), επιβεβαιώνοντας την εγκυρότητα των παραγόμενων χαρτών.<br /> <br /> [[Αρχείο:3.results.png | right | thumb | 3. Χάρτες χρήσης γης σε σειρά, με βάση τα βασικά δεδομένα (a) 2017, (b) 2019, (c) 2021, (d) 2022.]]<br /> <br /> [[Αρχείο:4.differences.png | right | thumb | 4. Οπτικοποίηση των διαφορών στη χρήση γης με βάση τα σενάρια BAU, LCC και RSP.]]<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Η μελέτη υπογραμμίζει ότι η χρήση γης είναι ο μόνος δυναμικός παράγοντας που μπορεί να ελεγχθεί από τον άνθρωπο για τον μετριασμό των φυσικών καταστροφών.<br /> <br /> - '''''Πολιτικές Προτάσεις:''''' Οι ερευνητές προτείνουν την υιοθέτηση του σεναρίου Βιώσιμης Ανάπτυξης (SD), το οποίο συνδυάζει τον περιορισμό της δόμησης σε απότομες κλίσεις με τη διατήρηση των δασικών ζωνών.<br /> <br /> - '''''Τεχνολογική Συμβολή:''''' Η συνδυαστική χρήση Τηλεπισκόπησης και Random Forests αποδεικνύεται ένα ισχυρό εργαλείο για τις τοπικές αρχές, επιτρέποντας τον προληπτικό χωροταξικό σχεδιασμό.<br /> <br /> - '''''Συμπέρασμα:''''' Η μετατροπή των δασών σε γεωργική γη στις ορεινές περιοχές είναι ο κύριος &quot;ένοχος&quot; για την αύξηση των κατολισθήσεων, και η αυστηρή εφαρμογή ζωνών προστασίας είναι απαραίτητη για την ασφάλεια των κατοίκων.<br /> <br /> [[Αρχείο:5.priority map.png | right | thumb | 5. Χάρτης προτεραιοτήτων αναβλάστησης για την καταπολέμηση των κινδύνων κατολισθήσεων στην περιοχή μελέτης.]]<br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B1%CE%BA%CF%81%CE%BF%CF%80%CF%81%CF%8C%CE%B8%CE%B5%CF%83%CE%BC%CE%B7_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CE%AE_%CF%84%CE%B7%CF%82_%CF%87%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B1_%CE%B2%CE%BF%CF%85%CE%BD%CE%AC_Qilian_(1986%E2%80%932024):_%CE%9C%CE%AF%CE%B1_%CF%85%CF%88%CE%B7%CE%BB%CE%AE%CF%82-%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%84%CE%BF_Landsat_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7 2026-02-17T11:31:43Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Long-Term Snow Cover Change in the Qilian Mountains (1986–2024): A High-Resolution Landsat-Based Analysis ==<br /> <br /> Enwei Huang, Guofeng Zhu, Yuhao Wang, Rui Li, Yuxin Miao, Xiaoyu Qi, Qingyang Wang, Yinying Jiao, Qinqin Wang and Ling Zhao<br /> <br /> [https://www.mdpi.com/2072-4292/17/14/2497 Remote Sensing 2025, 17, 2497]<br /> <br /> <br /> === 1. Εισαγωγή ===<br /> Η κάλυψη χιονιού αποτελεί κρίσιμο στοιχείο της κρυόσφαιρας και ζωτική πηγή νερού για τις άνυδρες περιοχές της βορειοδυτικής Κίνας. Τα βουνά Qilian (QLM), στην βορειοανατολική άκρη του Θιβετιανού Οροπεδίου, λειτουργούν ως οικολογικό φράγμα και περιοχή διατήρησης υδάτων. Λόγω της κλιματικής αλλαγής, η παρακολούθηση του χιονιού είναι απαραίτητη για την πρόβλεψη της διαθεσιμότητας νερού. Ενώ προηγούμενες μελέτες βασίζονταν σε δεδομένα MODIS (χαμηλής ανάλυσης 500m), η παρούσα έρευνα στοχεύει στη δημιουργία του πρώτου προϊόντος χιονιού υψηλής ανάλυσης (30m) για την περίοδο 1986-2024, καλύπτοντας ένα κενό 39 ετών ιστορικών δεδομένων.<br /> <br /> [[Αρχείο:Eikona_01.png | right | thumb | 1.Περιοχή ενδιαφέροντος ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> Η μελέτη χρησιμοποίησε μια σύνθετη προσέγγιση τηλεπισκόπησης και στατιστικής ανάλυσης:<br /> <br /> '''''α. Δεδομένα και Πηγές (Data Acquisition)'''''<br /> <br /> Η μελέτη βασίστηκε σε μια στρατηγική συνδυασμού πολλαπλών αισθητήρων για την επίτευξη συνεχούς παρακολούθησης 39 ετών(1986-2025):<br /> <br /> - Χρησιμοποιήθηκαν δεδομένα από τους Landsat 5 TM (1986-1999), Landsat 7 ETM+ (1999-2012), Landsat 8 OLI (2013-2020) και Landsat 9 OLI-2 (2021-2024).<br /> <br /> - Η επεξεργασία έγινε μέσω του Google Earth Engine (GEE), το οποίο επέτρεψε την ανάλυση 42.006 εικόνων.<br /> <br /> - Χρησιμοποιήθηκαν δεδομένα SRTM (Shuttle Radar Topography Mission) ανάλυσης 30 μέτρων για τον υπολογισμό του υψομέτρου, της κλίσης και του προσανατολισμού.<br /> <br /> '''''β. Στρατηγική Κάλυψης Νεφών (Cloud Masking Strategy)'''''<br /> <br /> Λόγω της συχνής παρουσίας νεφών στις ορεινές περιοχές, αναπτύχθηκε μια διπλή προσαρμοστική στρατηγική:<br /> <br /> - ''Επιεικής (Lenient) Μάσκα:'' Αποκλείει μόνο τα βέβαια νέφη και τις σκιές τους, διατηρώντας το 65-75% των δεδομένων.<br /> <br /> - ''Συντηρητική (Conservative) Μάσκα:'' Αποκλείει μόνο τα νέφη υψηλής εμπιστοσύνης, διατηρώντας το 75-85% των δεδομένων, κάτι που είναι κρίσιμο για τους χειμερινούς μήνες όπου τα δεδομένα είναι σπάνια.<br /> <br /> '''''γ. Φασματικοί Δείκτες και Προεπεξεργασία'''''<br /> <br /> Για την ακριβή αναγνώριση του χιονιού, πραγματοποιήθηκαν οι εξής ενέργειες:<br /> <br /> - ''Ραδιομετρική Διόρθωση:'' Μετατροπή των ψηφιακών αριθμών (DN) σε τιμές επιφανειακής ανάκλασης (SR).<br /> <br /> - ''Δείκτης NDSI (Normalized Difference Snow Index):'' Υπολογίστηκε με βάση την πράσινη (ρgreen) και τη βραχεία υπέρυθρη ζώνη (ρSWIR1). Ο δείκτης αυτός εκμεταλλεύεται την υψηλή ανακλαστικότητα του χιονιού στο ορατό φως και τη χαμηλή ανάκλασή του στο υπέρυθρο.<br /> <br /> '''''δ. Αλγόριθμος Ταξινόμησης Χιονιού Τριών Επιπέδων'''''<br /> <br /> Αντί για ένα απλό όριο, χρησιμοποιήθηκε ένα σύστημα τριών επιπέδων εμπιστοσύνης:<br /> <br /> 1. Βασική Εμπιστοσύνη (Basic): NDSI &gt; 0,3.<br /> <br /> 2. Μέση Εμπιστοσύνη (Medium): NDSI &gt; 0,35 και επιπλέον φασματικά όρια στο μπλε και υπέρυθρο.<br /> <br /> 3. Υψηλή Εμπιστοσύνη (High): NDSI &gt; 0,4 με τα πιο αυστηρά κατώφλια ανάκλασης. <br /> <br /> Η τελική μάσκα χιονιού προέκυψε από τη λογική ένωση (OR) αυτών των τριών επιπέδων.<br /> <br /> '''''ε. Χωρική Παρεμβολή και Συμπλήρωση Κενών'''''<br /> <br /> Για τη συμπλήρωση των κενών που προκαλούνται από σύννεφα ή από την αστοχία του αισθητήρα SLC-off του Landsat 7, εφαρμόστηκαν:<br /> <br /> - Αλγόριθμος χωρικής παρεμβολής (focal statistics) που χρησιμοποιεί ένα κυκλικό παράθυρο ακτίνας 150 μέτρων για την εκτίμηση των ελλειπουσών τιμών από τα γειτονικά pixel.<br /> <br /> - Δημιουργία μηνιαίων σύνθετων εικόνων χρησιμοποιώντας τη διάμεσο τιμή(median compositing), γεγονός που καταστέλλει τον θόρυβο και τις ακραίες τιμές.<br /> <br /> '''''στ. Στατιστική Ανάλυση Τάσεων (Trend Analysis)'''''<br /> <br /> Η ανάλυση της μεταβολής στον χρόνο έγινε με δύο μη παραμετρικές μεθόδους:<br /> <br /> - Sen-Theil Trend Analysis: Χρησιμοποιήθηκε για τον υπολογισμό του ρυθμού μεταβολής (κλίση) της χιονοκάλυψης και του υψομέτρου της χιονογραμμής.<br /> <br /> - Mann-Kendall Test: Εφαρμόστηκε για να διαπιστωθεί αν οι παρατηρούμενες τάσεις είναι στατιστικά σημαντικές ή οφείλονται σε τυχαίες διακυμάνσεις.<br /> <br /> Αυτή η πολυεπίπεδη προσέγγιση επέτρεψε στους ερευνητές να ξεπεράσουν τους περιορισμούς των παραδοσιακών μεθόδων (όπως το MODIS) και να προσφέρουν μια εικόνα υψηλής ακρίβειας για τις αλλαγές στο χιόνι της περιοχής.<br /> <br /> == 3. Αποτελέσματα == <br /> Τα κυριότερα ευρήματα της ανάλυσης είναι:<br /> <br /> - ''Έκταση Χιονοκάλυψης (SCE):'' Η μέση ετήσια κάλυψη χιονιού στα QLM ανήλθε σε 15,73%. Παρατηρήθηκε μια ελαφρά πτωτική τάση (-0,046% ανά έτος), η οποία όμως δεν κρίθηκε στατιστικά σημαντική.<br /> <br /> - ''Μετακίνηση Χιονογραμμής (Snowline):'' Διαπιστώθηκε σημαντική άνοδος της χιονογραμμής, με το μέσο υψόμετρο να αυξάνεται κατά 3,98 m/έτος και το ελάχιστο υψόμετρο κατά 2,81 m/έτος.<br /> <br /> - ''Υψομετρική Διαφοροποίηση:'' Η μείωση του χιονιού ήταν εντονότερη σε υψόμετρα άνω των 5000m και σε χαμηλά υψόμετρα (2000-3500m), ενώ οι ενδιάμεσες περιοχές παρέμειναν σχετικά σταθερές.<br /> <br /> - ''Εποχικότητα:'' Η μέγιστη κάλυψη καταγράφεται τον Φεβρουάριο (27,5%) και η ελάχιστη τον Αύγουστο (2,8%).<br /> <br /> == 4. Συζήτηση ==<br /> <br /> Η έρευνα αναδεικνύει την ανωτερότητα των δεδομένων υψηλής ανάλυσης:<br /> <br /> - ''Αξιοπιστία Δεδομένων:'' Η χρήση των Landsat 8 και 9 βελτίωσε σημαντικά την ακρίβεια ανίχνευσης, επιτυγχάνοντας κάλυψη παρατήρησης 93,4%.<br /> <br /> - ''Σύγκριση με MODIS:'' Η σύγκριση έδειξε ότι το MODIS υποτιμά συστηματικά την κάλυψη χιονιού στις ορεινές περιοχές (κατά περίπου 8,06%), γεγονός που καθιστά τα δεδομένα Landsat πιο ευαίσθητα και αξιόπιστα για τέτοια περιβάλλοντα.<br /> <br /> Τα αποτελέσματα παρέχουν επιστημονικά τεκμήρια για τη διαχείριση των υδάτινων πόρων και τη χάραξη στρατηγικών προσαρμογής στην κλιματική αλλαγή στην ευρύτερη περιοχή. Η άνοδος της χιονογραμμής αποτελεί σαφή δείκτη της επίδρασης της υπερθέρμανσης του πλανήτη στα ορεινά οικοσυστήματα.<br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/Integrating_remote_sensing,_GIS_and_multi-criteria_decision_making_for_assessing_PV_potential_in_mountainous_regions 2026-02-17T11:31:06Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Integrating remote sensing, GIS and multi-criteria decision making for assessing PV potential in mountainous regions ==<br /> <br /> == Συνδυασμός τηλεπισκόπησης, ΓΣΠ και μεθόδου λήψης αποφάσεων με πολλαπλά κριτήρια για την εκτίμηση δυνατότητας τοποθέτησης φ/β σε ορεινές περιοχές ==<br /> <br /> Xiaofan Feng, Zhengjia Zhang, Qi Chen, Zhiling Guo, Haoran Zhang, Mengmeng Wang, Wei Gao, Xiuguo Liu<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0960148125000023?via%3Dihub Renewable Energy 241 (2025) 122340]<br /> ----<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Η ανάγκη για μείωση των εκπομπών άνθρακα στον πλανήτη και κατ’επέκταση η συνεχής αύξηση της τεχνολογίας των εργαλείων για εκμετάλλευση των ανανεώσιμων πηγών ενέργειας, και συγκεκριμένα της ηλιακής ενέργειας έχει οδηγήσει στον κορεσμό της ελεύθερης γης για τοποθέτηση φωτοβολταϊκών (φ/β) πάρκων. Η συγκεκριμένη έρευνα πραγματεύεται την εξερεύνηση ορεινών περιοχών και την δυνατότητα δημιουργίας (φ/β) πάρκων σε τέτοιου είδους δύσβατες περιοχές, όπου όμως η ηλιακή ακτινοβολία φτάνει υψηλά επίπεδα, με τη βοήθεια της τηλεπισκόπησης, των γεωγραφικών συστημάτων πληροφοριών (ΓΣΠ) και της μεθόδου λήψης αποφάσεων με πολλαπλά κριτήρια.<br /> <br /> <br /> === 2. Περιγραφή του προβλήματος ===<br /> <br /> Το κύριο πρόβλημα που εξετάζεται είναι η έλλειψη διαθέσιμης γης για την εγκατάσταση φωτοβολταϊκών μονάδων. Η κατασκευή σε ορεινό ανάγλυφο είναι ιδιαίτερα περίπλοκη λόγω της ακανόνιστης τοπογραφίας. Οι ερευνητές επικεντρώνονται σε τέσσερα βασικά ζητήματα:<br /> <br /> • Ποιοι παράγοντες πρέπει να ληφθούν υπόψη για την επιλογή τοποθεσίας σε βουνά.<br /> <br /> • Ποιες περιοχές είναι πραγματικά κατάλληλες για την κατασκευή φ/β εγκαταστάσεων.<br /> <br /> • Ποια είναι η δυνατότητα παραγωγής ενέργειας.<br /> <br /> • Ποιο είναι το ισοσταθμισμένο κόστος ενέργειας (LCOE) με βάση τις τιμές της ορεινής γης.<br /> <br /> Επιπλέον, η μελέτη λαμβάνει υπόψη τους αυστηρούς περιορισμούς των πολιτικών χρήσης γης, όπως η προστασία της καλλιεργήσιμης γης και οι οικολογικές «κόκκινες γραμμές», όπως αυτές ορίζονται από τον εθνικό χωροταξικό σχεδιασμό.<br /> <br /> <br /> === 3. Μεθοδολογία ===<br /> <br /> [[Αρχείο:paper_01.jpg | right | thumb | 1.Μεθοδολογία της μελέτης ]]<br /> <br /> Η μεθοδολογία περιλαμβάνει 4 κύρια στάδια που παρουσιάζονται με σειρά προτεραιότητας:<br /> <br /> '''''α. Επιλογή των κριτηρίων'''''<br /> <br /> Αρχικά, επιλέχθηκαν τα παρακάτω 9 κριτήρια:<br /> <br /> • ηλιακή ακτινοβολία<br /> <br /> • κλίση εδάφους (slope)<br /> <br /> • υψόμετρο<br /> <br /> • ρυθμός παραμόρφωσης επιφάνειας εδάφους<br /> <br /> • πυκνότητα δικτύου γραμμών μεταφοράς<br /> <br /> • προσανατολισμός (aspect)<br /> <br /> • κάλυψη γης (land cover)<br /> <br /> • προσβασιμότητα μεταφορών<br /> <br /> • απόσταση από υδάτινους πόρους<br /> <br /> Η επεξεργασία των γεωγραφικών δεδομένων έγινε στο περιβάλλον ArcGIS 10.2 (Spatial Analyst). Χρησιμοποιήθηκαν δεδομένα υψομέτρου NASADEM για την εξαγωγή της κλίσης και του προσανατολισμού, ενώ η ηλιακή ακτινοβολία αντλήθηκε από το μοντέλο ERA5-Land.<br /> <br /> <br /> '''''β. Χρήση της μεθόδου MT-InSAR (Multi-Temporal Interferometric Synthetic Aperture Radar)'''''<br /> <br /> Χρησιμοποιήθηκε η μέθοδος MT-InSAR για την παρακολούθηση της παραμόρφωσης της επιφάνειας του εδάφους και κατά συνέπεια τον εντοπισμό γεωλογικά σταθερών περιοχών, αποφεύγοντας περιοχές με κίνδυνο κατολισθήσεων.<br /> Η τεχνική βασίστηκε στην επεξεργασία 52 δορυφορικών εικόνων ραντάρ Sentinel-1 μέσω του λογισμικού StaMPS (Stanford Method for Persistent Scatterers), επιτρέποντας μετρήσεις μετακίνησης του εδάφους με ακρίβεια χιλιοστού.<br /> <br /> <br /> '''''γ. Μοντέλο OPA (Ordinal Priority Approach)'''''<br /> <br /> Εφαρμόστηκε το μοντέλο OPA για την αξιολόγηση της καταλληλότητας των κριτηρίων και τον υπολογισμό των βαρών καθενός από αυτά, αποφεύγοντας τις υποκειμενικές συγκρίσεις άλλων μεθόδων (όπως η AHP).<br /> Το μοντέλο OPA επιλύθηκε μέσω γραμμικού προγραμματισμού (χρησιμοποιώντας λογισμικά όπως το MATLAB), αποδίδοντας την υψηλότερη βαρύτητα στην ακτινοβολία (0,3535) και στην κλίση (0,1768).<br /> <br /> <br /> '''''δ. LCOE (Levelized Cost of Energy)'''''<br /> <br /> Τέλος, εκτιμήθηκε η ετήσια παραγωγή ενέργειας και το οικονομικό κόστος της επένδυσης.<br /> Η χωρική υπέρθεση (overlay) των δεδομένων έγινε με το Raster Calculator του ArcGIS. Για το οικονομικό σκέλος, χρησιμοποιήθηκε ο δείκτης LCOE (Levelized Cost of Energy), ενσωματώνοντας τον παράγοντα &quot;αυξημένου κόστους ορεινής κατασκευής&quot; για να διασφαλιστεί η ρεαλιστική απόδοση της επένδυσης.<br /> <br /> <br /> === 4. Αποτελέσματα ===<br /> <br /> Η μελέτη στην περιοχή Yongren κατέληξε σε συγκεκριμένα ποσοτικά δεδομένα:<br /> <br /> • ''Επιλογή Γης:'' Εντοπίστηκαν 85,45 km2 ως &quot;εξαιρετικά κατάλληλες&quot; περιοχές.<br /> <br /> • ''Ενεργειακό Δυναμικό:'' Η ετήσια παραγωγή εκτιμάται στα 665,41 GWh.<br /> <br /> • ''Οικονομική Απόδοση:'' Το LCOE (Levelized Cost of Energy) υπολογίστηκε στα 0,3963 RMB/kWh. Το μοντέλο υπολόγισε το LCOE ενσωματώνοντας το &quot;Mountainous Construction Cost&quot; (αυξημένο κόστος λόγω κλίσης και δυσκολίας πρόσβασης).<br /> <br /> • ''Εγκυρότητα:'' Ο χάρτης καταλληλότητας που παρήγαγε το ArcGIS επαληθεύτηκε με οπτική σύγκριση από δορυφορικές εικόνες υψηλής ανάλυσης (Google Earth), δείχνοντας ότι οι περιοχές που υποδείχθηκαν είναι όντως ελεύθερες από δάση ή καλλιέργειες.<br /> <br /> <br /> === 5. Συζήτηση ===<br /> <br /> Το προτεινόμενο πλαίσιο προσφέρει μια ολοκληρωμένη λύση στο πρόβλημα της σπανιότητας γης για την ανάπτυξη των φωτοβολταϊκών. Η ενσωμάτωση της τεχνολογίας MT-InSAR κρίνεται κρίσιμη για την ασφάλεια των εγκαταστάσεων σε ορεινά εδάφη. Οι συγγραφείς τονίζουν ότι η επιλογή των τοποθεσιών πρέπει να ευθυγραμμίζεται αυστηρά με τις εθνικές πολιτικές προστασίας του περιβάλλοντος και της γεωργίας. Τελικά, η ανάπτυξη φωτοβολταϊκών σε ορεινές περιοχές δεν συμβάλλει μόνο στη μείωση των εκπομπών άνθρακα, αλλά ενισχύει και την οικονομική ανάπτυξη των αγροτικών περιοχών μέσω της χρήσης ανεκμετάλλευτης γης.</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%AC%CF%83%CE%B9%CE%BF%CF%85_%CE%92%CE%B1%CF%83%CE%B9%CE%BB%CE%B9%CE%BA%CE%AE 2026-02-16T21:12:43Z

<p>TASIOU VASILIKI: </p> <hr /> <div>[[Integrating remote sensing, GIS and multi-criteria decision making for assessing PV potential in mountainous regions]] <br /> <br /> [[Μακροπρόθεσμη μεταβολή της χιονοκάλυψης στα βουνά Qilian (1986–2024): Μία υψηλής-ανάλυσης με βάση το Landsat ανάλυση]]<br /> <br /> [[Χρήση τηλεπισκόπησης για τον προσδιορισμό βέλτιστων σεναρίων χρήσης γης και την αντιμετώπιση της αύξησης της ευπάθειας σε κατολισθήσεις]]<br /> <br /> [[Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΠ και τηλεπισκόπηση δασών και καλλιεργειών]]<br /> <br /> [[Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%9C%CE%BF%CE%BB%CE%B4%CE%B1%CE%B2%CE%AF%CE%B1:_%CE%93%CE%A3%CE%91_%CE%BA%CE%B1%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_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD 2026-02-16T21:10:56Z

<p>TASIOU VASILIKI: Η Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΑ και τηλεπισκόπηση δασών και καλλιεργειών μετακινήθηκε στη θέση [[Βιώσιμη χρήση της γης στη Μο...</p> <hr /> <div>#ΑΝΑΚΑΤΕΥΘΥΝΣΗ [[Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΠ και τηλεπισκόπηση δασών και καλλιεργειών]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%9C%CE%BF%CE%BB%CE%B4%CE%B1%CE%B2%CE%AF%CE%B1:_%CE%93%CE%A3%CE%A0_%CE%BA%CE%B1%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_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD 2026-02-16T21:10:56Z

<p>TASIOU VASILIKI: Η Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΑ και τηλεπισκόπηση δασών και καλλιεργειών μετακινήθηκε στη θέση [[Βιώσιμη χρήση της γης στη Μο...</p> <hr /> <div>== Sustainable land use in Moldova: GIS &amp; remote sensing of forests and crops ==<br /> <br /> '''Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΠ και τηλεπισκόπηση δασών και καλλιεργειών'''<br /> <br /> Aleksandar Valjarevic, Cezar Morar, Ljiljana Brasanac-Bosanac, Tatjana Cirkovic-Mitrovic, Tatjana Djekic, Marija Mihajlovic, Ivica Milevski, Golub Culafic, Milan Lukovic, Liudmyla Niemets, Kateryna Sehida, Gordana Kaplan<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0264837725000481?via%3Dihub Land Use Policy 152 (2025) 107515]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Το άρθρο εξετάζει τη σημασία των δασών και των γεωργικών εκτάσεων ως κρίσιμων στοιχείων για την περιβαλλοντική σταθερότητα και τη βιοποικιλότητα. Η Δημοκρατία της Μολδαβίας αντιμετωπίζει μια ιδιαίτερη πρόκληση, καθώς διαθέτει ένα από τα χαμηλότερα ποσοστά δασοκάλυψης στην Ευρώπη (μόλις 11,4% της επικράτειας), ενώ ο γεωργικός τομέας είναι κυρίαρχος, με έμφαση στις καλλιέργειες ηλίανθου και σταφυλιών. Η μελέτη στοχεύει στην ανάλυση των χωρικών αλληλεπιδράσεων μεταξύ των δασικών εκτάσεων και αυτών των δύο βασικών καλλιεργειών, προκειμένου να προταθούν στρατηγικές βιώσιμης διαχείρισης γης που εξισορροπούν την οικονομική ανάπτυξη με την προστασία του περιβάλλοντος.<br /> <br /> [[Αρχείο:moldova.png | right | thumb | 1. Περιοχή ενδιαφέροντος: Μολδαβία και η τοπολογία της ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η έρευνα βασίζεται στην ενσωμάτωση προηγμένων εργαλείων τηλεπισκόπησης και συστημάτων γεωγραφικών πληροφοριών:<br /> <br /> [[Αρχείο:flowchart_methodology.png | right | thumb | 2. Σχεδιάγραμμα ροής - Μεθοδολογία]]<br /> <br /> '''i. Πηγές και Διαχείριση Δεδομένων'''<br /> <br /> Οι ερευνητές αξιοποίησαν ένα ευρύ φάσμα δεδομένων για να καλύψουν τη χρονική περίοδο από το 1996 έως το 2018, αλλά και την τρέχουσα κατάσταση (2021):<br /> <br /> '''''Δορυφορικές Εικόνες:''''' Χρησιμοποιήθηκαν δεδομένα από τις αποστολές Sentinel-1 (ραντάρ) και Sentinel-2 (οπτικά δεδομένα) για τη χαρτογράφηση του 2021. Επίσης, αντλήθηκαν ιστορικά δεδομένα από τους δορυφόρους Landsat 7 και 8 για τη σύγκριση των μεταβολών.<br /> <br /> '''''Πλατφόρμα Google Earth Engine (GEE):''''' Η χρήση του GEE επέτρεψε την επεξεργασία τεράστιου όγκου δεδομένων στο υπολογιστικό νέφος, ξεπερνώντας τους περιορισμούς των τοπικών υπολογιστών.<br /> <br /> '''''Βάσεις Δεδομένων:''''' Ενσωματώθηκαν δεδομένα από το ευρωπαϊκό πρόγραμμα CORINE Land Cover (CLC) για τον προσδιορισμό των χρήσεων γης, καθώς και κτηματολογικά (cadastral) αρχεία της Μολδαβίας για την ιδιοκτησία και τα όρια των εκτάσεων.<br /> <br /> '''ii. Προεπεξεργασία και Φασματικοί Δείκτες'''<br /> <br /> Πριν την ταξινόμηση, οι εικόνες υποβλήθηκαν σε αυστηρά φίλτρα:<br /> <br /> '''''Cloud Masking:''''' Εφαρμόστηκε φίλτρο νεφώσεων κάτω του 5% για τη διασφάλιση καθαρών παρατηρήσεων, με τη χρήση 215 εικόνων για το καλοκαίρι και 200 για τον χειμώνα.<br /> <br /> '''''Υπολογισμός Δεικτών:''''' Για τον καλύτερο διαχωρισμό των κλάσεων, υπολογίστηκαν οι δείκτες:<br /> <br /> - ''NDVI (Βλάστηση):'' Για τον εντοπισμό των διαφόρων ειδών βλάστησης.<br /> <br /> - ''NDWI (Νερό):'' Για τον εντοπισμό υδάτινων όγκων.<br /> <br /> - ''NDBI (Δόμηση):'' Για τις αστικές και τεχνητές επιφάνειες.<br /> <br /> '''iii. Αλγόριθμος Ταξινόμησης και Επικύρωση'''<br /> <br /> Για τη δημιουργία του χάρτη κάλυψης γης 5 κλάσεων (αστικά, καλλιέργειες, δάση, νερό, άγονη γη), ακολουθήθηκε η εξής διαδικασία:<br /> <br /> '''''Support Vector Machine (SVM):''''' Χρησιμοποιήθηκε αυτός ο αλγόριθμος επιβλεπόμενης μάθησης, ο οποίος θεωρείται από τους πλέον αξιόπιστους για την ταξινόμηση δορυφορικών εικόνων.<br /> <br /> '''''Δείγμα Εκπαίδευσης:''''' Συλλέχθηκαν πάνω από 300 δείγματα εδάφους. Το σύνολο των δεδομένων χωρίστηκε σε 70% για την εκπαίδευση του μοντέλου και 30% για τον έλεγχο της ακρίβειας.<br /> <br /> '''''Αξιολόγηση:''''' Η ακρίβεια επικυρώθηκε με τη χρήση της συνολικής ακρίβειας (Overall Accuracy) και του στατιστικού δείκτη Kappa.<br /> <br /> '''iv. Εξειδικευμένη Ανάλυση Καλλιεργειών και Κλίματος'''<br /> <br /> Ιδιαίτερη έμφαση δόθηκε στον ηλίανθο και τα αμπέλια:<br /> <br /> '''''Λογισμικό DIVA-GIS:''''' Χρησιμοποιήθηκε για τον ακριβή υπολογισμό των εκτάσεων συγκεκριμένων καλλιεργειών, λαμβάνοντας υπόψη τις φυσικές ιδιότητες των φυτών.<br /> <br /> '''''Κλιματικά Δεδομένα:''''' Ενσωματώθηκαν μετεωρολογικά δεδομένα 30 ετών (θερμοκρασία, βροχόπτωση) για να αναλυθεί πώς οι κλιματικές ακρότητες (π.χ. ξηρασίες) επηρεάζουν τη γεωργική παραγωγή.<br /> <br /> '''v. Μοντέλο Ασαφούς Λογικής (Fuzzy MCDM)'''<br /> <br /> Για την αξιολόγηση της κοινωνικοοικονομικής πίεσης στα δάση, εφαρμόστηκε το πλαίσιο '''''Pressure-Regional-Response (PRR):'''''<br /> <br /> ''Fuzzy AHP (Analytic Hierarchy Process):'' Μια μέθοδος λήψης αποφάσεων που ιεραρχεί τα κριτήρια (περιβαλλοντικά, οικονομικά) χρησιμοποιώντας ασαφή λογική για να αντιμετωπιστεί η αβεβαιότητα των δεδομένων.<br /> <br /> ''Weighted Sum Model:'' Μέσω του QGIS, οι βαθμολογίες της ασαφούς λογικής συνδυάστηκαν για να δημιουργηθούν χάρτες τρωτότητας, που κατατάσσουν τις περιοχές από &quot;πολύ χαμηλή&quot; έως &quot;υψηλή&quot; επικινδυνότητα για υποβάθμιση.<br /> <br /> [[Αρχείο:kuries_sunistwses_AHP.png | right | thumb | 3. Χάρτης τρωτότητας ]]<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> '''''Χωρική Κατανομή:''''' Τα δάση της Μολδαβίας είναι εξαιρετικά περιορισμένα και συγκεντρώνονται κυρίως στην κεντρική περιοχή (οροπέδιο Codri), ενώ στο βορρά και το νότο η δασοκάλυψη είναι πολύ αραιή.<br /> <br /> '''''Ακρίβεια Μοντέλων:''''' Η ταξινόμηση της κάλυψης γης μέσω GEE επέδειξε υψηλή αξιοπιστία, με συνολική ακρίβεια 90% και συντελεστή Kappa 0,88.<br /> <br /> [[Αρχείο:GEE_land-classification_2021.png | right | thumb | 4. Κατανομή γης βάσει του Google Earth Engine ]]<br /> <br /> '''''Κλιματικές Επιπτώσεις:''''' Διαπιστώθηκε ότι οι ακραίες ξηρασίες (όπως αυτές του 2007 και του 2020) έχουν προκαλέσει τεράστιες οικονομικές απώλειες στον γεωργικό τομέα, επηρεάζοντας το 80% της επικράτειας και οδηγώντας σε σημαντική μείωση της παραγωγής.<br /> <br /> '''''Ευάλωτες Περιοχές:''''' Εντοπίστηκαν ζώνες όπου η γεωργική επέκταση έρχεται σε άμεση σύγκρουση με τις προστατευόμενες δασικές εκτάσεις, αυξάνοντας τον κίνδυνο υποβάθμισης του εδάφους.<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Τα αποτελέσματα υπογραμμίζουν την επείγουσα ανάγκη για προσαρμοστικές στρατηγικές χρήσης γης που να λαμβάνουν υπόψη την κλιματική μεταβλητότητα και την αστική εξάπλωση.<br /> <br /> '''''Πολιτικές Προστασίας:''''' Η έρευνα προτείνει την ιεράρχηση της αναδάσωσης σε ευάλωτες περιοχές για την αποκατάσταση της οικολογικής ισορροπίας και την πρόληψη της διάβρωσης του εδάφους.<br /> <br /> '''''Βιώσιμη Ανάπτυξη:''''' Η εξισορρόπηση μεταξύ της γεωργικής παραγωγικότητας (ιδιαίτερα στον τομέα της οινοποιίας και του ηλίανθου) και της διατήρησης των δασών είναι απαραίτητη για τη μακροπρόθεσμη ανθεκτικότητα των φυσικών πόρων της χώρας.<br /> <br /> '''''Τεχνολογική Συμβολή:''''' Η μελέτη αποδεικνύει ότι ο συνδυασμός GIS, Τηλεπισκόπησης και κτηματολογικών δεδομένων παρέχει ένα ισχυρό πλαίσιο για τους λήπτες αποφάσεων, επιτρέποντας τον ακριβή εντοπισμό περιοχών που απαιτούν άμεση παρέμβαση.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%9C%CE%BF%CE%BB%CE%B4%CE%B1%CE%B2%CE%AF%CE%B1:_%CE%93%CE%A3%CE%A0_%CE%BA%CE%B1%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_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD 2026-02-16T21:08:03Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Sustainable land use in Moldova: GIS &amp; remote sensing of forests and crops ==<br /> <br /> '''Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΠ και τηλεπισκόπηση δασών και καλλιεργειών'''<br /> <br /> Aleksandar Valjarevic, Cezar Morar, Ljiljana Brasanac-Bosanac, Tatjana Cirkovic-Mitrovic, Tatjana Djekic, Marija Mihajlovic, Ivica Milevski, Golub Culafic, Milan Lukovic, Liudmyla Niemets, Kateryna Sehida, Gordana Kaplan<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0264837725000481?via%3Dihub Land Use Policy 152 (2025) 107515]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Το άρθρο εξετάζει τη σημασία των δασών και των γεωργικών εκτάσεων ως κρίσιμων στοιχείων για την περιβαλλοντική σταθερότητα και τη βιοποικιλότητα. Η Δημοκρατία της Μολδαβίας αντιμετωπίζει μια ιδιαίτερη πρόκληση, καθώς διαθέτει ένα από τα χαμηλότερα ποσοστά δασοκάλυψης στην Ευρώπη (μόλις 11,4% της επικράτειας), ενώ ο γεωργικός τομέας είναι κυρίαρχος, με έμφαση στις καλλιέργειες ηλίανθου και σταφυλιών. Η μελέτη στοχεύει στην ανάλυση των χωρικών αλληλεπιδράσεων μεταξύ των δασικών εκτάσεων και αυτών των δύο βασικών καλλιεργειών, προκειμένου να προταθούν στρατηγικές βιώσιμης διαχείρισης γης που εξισορροπούν την οικονομική ανάπτυξη με την προστασία του περιβάλλοντος.<br /> <br /> [[Αρχείο:moldova.png | right | thumb | 1. Περιοχή ενδιαφέροντος: Μολδαβία και η τοπολογία της ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η έρευνα βασίζεται στην ενσωμάτωση προηγμένων εργαλείων τηλεπισκόπησης και συστημάτων γεωγραφικών πληροφοριών:<br /> <br /> [[Αρχείο:flowchart_methodology.png | right | thumb | 2. Σχεδιάγραμμα ροής - Μεθοδολογία]]<br /> <br /> '''i. Πηγές και Διαχείριση Δεδομένων'''<br /> <br /> Οι ερευνητές αξιοποίησαν ένα ευρύ φάσμα δεδομένων για να καλύψουν τη χρονική περίοδο από το 1996 έως το 2018, αλλά και την τρέχουσα κατάσταση (2021):<br /> <br /> '''''Δορυφορικές Εικόνες:''''' Χρησιμοποιήθηκαν δεδομένα από τις αποστολές Sentinel-1 (ραντάρ) και Sentinel-2 (οπτικά δεδομένα) για τη χαρτογράφηση του 2021. Επίσης, αντλήθηκαν ιστορικά δεδομένα από τους δορυφόρους Landsat 7 και 8 για τη σύγκριση των μεταβολών.<br /> <br /> '''''Πλατφόρμα Google Earth Engine (GEE):''''' Η χρήση του GEE επέτρεψε την επεξεργασία τεράστιου όγκου δεδομένων στο υπολογιστικό νέφος, ξεπερνώντας τους περιορισμούς των τοπικών υπολογιστών.<br /> <br /> '''''Βάσεις Δεδομένων:''''' Ενσωματώθηκαν δεδομένα από το ευρωπαϊκό πρόγραμμα CORINE Land Cover (CLC) για τον προσδιορισμό των χρήσεων γης, καθώς και κτηματολογικά (cadastral) αρχεία της Μολδαβίας για την ιδιοκτησία και τα όρια των εκτάσεων.<br /> <br /> '''ii. Προεπεξεργασία και Φασματικοί Δείκτες'''<br /> <br /> Πριν την ταξινόμηση, οι εικόνες υποβλήθηκαν σε αυστηρά φίλτρα:<br /> <br /> '''''Cloud Masking:''''' Εφαρμόστηκε φίλτρο νεφώσεων κάτω του 5% για τη διασφάλιση καθαρών παρατηρήσεων, με τη χρήση 215 εικόνων για το καλοκαίρι και 200 για τον χειμώνα.<br /> <br /> '''''Υπολογισμός Δεικτών:''''' Για τον καλύτερο διαχωρισμό των κλάσεων, υπολογίστηκαν οι δείκτες:<br /> <br /> - ''NDVI (Βλάστηση):'' Για τον εντοπισμό των διαφόρων ειδών βλάστησης.<br /> <br /> - ''NDWI (Νερό):'' Για τον εντοπισμό υδάτινων όγκων.<br /> <br /> - ''NDBI (Δόμηση):'' Για τις αστικές και τεχνητές επιφάνειες.<br /> <br /> '''iii. Αλγόριθμος Ταξινόμησης και Επικύρωση'''<br /> <br /> Για τη δημιουργία του χάρτη κάλυψης γης 5 κλάσεων (αστικά, καλλιέργειες, δάση, νερό, άγονη γη), ακολουθήθηκε η εξής διαδικασία:<br /> <br /> '''''Support Vector Machine (SVM):''''' Χρησιμοποιήθηκε αυτός ο αλγόριθμος επιβλεπόμενης μάθησης, ο οποίος θεωρείται από τους πλέον αξιόπιστους για την ταξινόμηση δορυφορικών εικόνων.<br /> <br /> '''''Δείγμα Εκπαίδευσης:''''' Συλλέχθηκαν πάνω από 300 δείγματα εδάφους. Το σύνολο των δεδομένων χωρίστηκε σε 70% για την εκπαίδευση του μοντέλου και 30% για τον έλεγχο της ακρίβειας.<br /> <br /> '''''Αξιολόγηση:''''' Η ακρίβεια επικυρώθηκε με τη χρήση της συνολικής ακρίβειας (Overall Accuracy) και του στατιστικού δείκτη Kappa.<br /> <br /> '''iv. Εξειδικευμένη Ανάλυση Καλλιεργειών και Κλίματος'''<br /> <br /> Ιδιαίτερη έμφαση δόθηκε στον ηλίανθο και τα αμπέλια:<br /> <br /> '''''Λογισμικό DIVA-GIS:''''' Χρησιμοποιήθηκε για τον ακριβή υπολογισμό των εκτάσεων συγκεκριμένων καλλιεργειών, λαμβάνοντας υπόψη τις φυσικές ιδιότητες των φυτών.<br /> <br /> '''''Κλιματικά Δεδομένα:''''' Ενσωματώθηκαν μετεωρολογικά δεδομένα 30 ετών (θερμοκρασία, βροχόπτωση) για να αναλυθεί πώς οι κλιματικές ακρότητες (π.χ. ξηρασίες) επηρεάζουν τη γεωργική παραγωγή.<br /> <br /> '''v. Μοντέλο Ασαφούς Λογικής (Fuzzy MCDM)'''<br /> <br /> Για την αξιολόγηση της κοινωνικοοικονομικής πίεσης στα δάση, εφαρμόστηκε το πλαίσιο '''''Pressure-Regional-Response (PRR):'''''<br /> <br /> ''Fuzzy AHP (Analytic Hierarchy Process):'' Μια μέθοδος λήψης αποφάσεων που ιεραρχεί τα κριτήρια (περιβαλλοντικά, οικονομικά) χρησιμοποιώντας ασαφή λογική για να αντιμετωπιστεί η αβεβαιότητα των δεδομένων.<br /> <br /> ''Weighted Sum Model:'' Μέσω του QGIS, οι βαθμολογίες της ασαφούς λογικής συνδυάστηκαν για να δημιουργηθούν χάρτες τρωτότητας, που κατατάσσουν τις περιοχές από &quot;πολύ χαμηλή&quot; έως &quot;υψηλή&quot; επικινδυνότητα για υποβάθμιση.<br /> <br /> [[Αρχείο:kuries_sunistwses_AHP.png | right | thumb | 3. Χάρτης τρωτότητας ]]<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> '''''Χωρική Κατανομή:''''' Τα δάση της Μολδαβίας είναι εξαιρετικά περιορισμένα και συγκεντρώνονται κυρίως στην κεντρική περιοχή (οροπέδιο Codri), ενώ στο βορρά και το νότο η δασοκάλυψη είναι πολύ αραιή.<br /> <br /> '''''Ακρίβεια Μοντέλων:''''' Η ταξινόμηση της κάλυψης γης μέσω GEE επέδειξε υψηλή αξιοπιστία, με συνολική ακρίβεια 90% και συντελεστή Kappa 0,88.<br /> <br /> [[Αρχείο:GEE_land-classification_2021.png | right | thumb | 4. Κατανομή γης βάσει του Google Earth Engine ]]<br /> <br /> '''''Κλιματικές Επιπτώσεις:''''' Διαπιστώθηκε ότι οι ακραίες ξηρασίες (όπως αυτές του 2007 και του 2020) έχουν προκαλέσει τεράστιες οικονομικές απώλειες στον γεωργικό τομέα, επηρεάζοντας το 80% της επικράτειας και οδηγώντας σε σημαντική μείωση της παραγωγής.<br /> <br /> '''''Ευάλωτες Περιοχές:''''' Εντοπίστηκαν ζώνες όπου η γεωργική επέκταση έρχεται σε άμεση σύγκρουση με τις προστατευόμενες δασικές εκτάσεις, αυξάνοντας τον κίνδυνο υποβάθμισης του εδάφους.<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Τα αποτελέσματα υπογραμμίζουν την επείγουσα ανάγκη για προσαρμοστικές στρατηγικές χρήσης γης που να λαμβάνουν υπόψη την κλιματική μεταβλητότητα και την αστική εξάπλωση.<br /> <br /> '''''Πολιτικές Προστασίας:''''' Η έρευνα προτείνει την ιεράρχηση της αναδάσωσης σε ευάλωτες περιοχές για την αποκατάσταση της οικολογικής ισορροπίας και την πρόληψη της διάβρωσης του εδάφους.<br /> <br /> '''''Βιώσιμη Ανάπτυξη:''''' Η εξισορρόπηση μεταξύ της γεωργικής παραγωγικότητας (ιδιαίτερα στον τομέα της οινοποιίας και του ηλίανθου) και της διατήρησης των δασών είναι απαραίτητη για τη μακροπρόθεσμη ανθεκτικότητα των φυσικών πόρων της χώρας.<br /> <br /> '''''Τεχνολογική Συμβολή:''''' Η μελέτη αποδεικνύει ότι ο συνδυασμός GIS, Τηλεπισκόπησης και κτηματολογικών δεδομένων παρέχει ένα ισχυρό πλαίσιο για τους λήπτες αποφάσεων, επιτρέποντας τον ακριβή εντοπισμό περιοχών που απαιτούν άμεση παρέμβαση.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/Integrating_remote_sensing,_GIS_and_multi-criteria_decision_making_for_assessing_PV_potential_in_mountainous_regions 2026-02-16T21:06:58Z

<p>TASIOU VASILIKI: </p> <hr /> <div>= Integrating remote sensing, GIS and multi-criteria decision making for assessing PV potential in mountainous regions =<br /> <br /> = Συνδυασμός τηλεπισκόπησης, ΓΣΠ και μεθόδου λήψης αποφάσεων με πολλαπλά κριτήρια για την εκτίμηση δυνατότητας τοποθέτησης φ/β σε ορεινές περιοχές =<br /> <br /> '''Xiaofan Feng, Zhengjia Zhang, Qi Chen, Zhiling Guo, Haoran Zhang, Mengmeng Wang, Wei Gao, Xiuguo Liu'''<br /> <br /> '''[https://www.sciencedirect.com/science/article/pii/S0960148125000023?via%3Dihub Renewable Energy 241 (2025) 122340]'''<br /> ----<br /> <br /> == 1. Εισαγωγή ==<br /> <br /> Η ανάγκη για μείωση των εκπομπών άνθρακα στον πλανήτη και κατ’επέκταση η συνεχής αύξηση της τεχνολογίας των εργαλείων για εκμετάλλευση των ανανεώσιμων πηγών ενέργειας, και συγκεκριμένα της ηλιακής ενέργειας έχει οδηγήσει στον κορεσμό της ελεύθερης γης για τοποθέτηση φωτοβολταϊκών (φ/β) πάρκων. Η συγκεκριμένη έρευνα πραγματεύεται την εξερεύνηση ορεινών περιοχών και την δυνατότητα δημιουργίας (φ/β) πάρκων σε τέτοιου είδους δύσβατες περιοχές, όπου όμως η ηλιακή ακτινοβολία φτάνει υψηλά επίπεδα, με τη βοήθεια της τηλεπισκόπησης, των γεωγραφικών συστημάτων πληροφοριών (ΓΣΠ) και της μεθόδου λήψης αποφάσεων με πολλαπλά κριτήρια.<br /> <br /> <br /> == 2. Περιγραφή του προβλήματος ==<br /> <br /> Το κύριο πρόβλημα που εξετάζεται είναι η έλλειψη διαθέσιμης γης για την εγκατάσταση φωτοβολταϊκών μονάδων. Η κατασκευή σε ορεινό ανάγλυφο είναι ιδιαίτερα περίπλοκη λόγω της ακανόνιστης τοπογραφίας. Οι ερευνητές επικεντρώνονται σε τέσσερα βασικά ζητήματα:<br /> <br /> • Ποιοι παράγοντες πρέπει να ληφθούν υπόψη για την επιλογή τοποθεσίας σε βουνά.<br /> <br /> • Ποιες περιοχές είναι πραγματικά κατάλληλες για την κατασκευή φ/β εγκαταστάσεων.<br /> <br /> • Ποια είναι η δυνατότητα παραγωγής ενέργειας.<br /> <br /> • Ποιο είναι το ισοσταθμισμένο κόστος ενέργειας (LCOE) με βάση τις τιμές της ορεινής γης.<br /> <br /> Επιπλέον, η μελέτη λαμβάνει υπόψη τους αυστηρούς περιορισμούς των πολιτικών χρήσης γης, όπως η προστασία της καλλιεργήσιμης γης και οι οικολογικές «κόκκινες γραμμές», όπως αυτές ορίζονται από τον εθνικό χωροταξικό σχεδιασμό.<br /> <br /> <br /> == 3. Μεθοδολογία ==<br /> <br /> [[Αρχείο:paper_01.jpg | right | thumb | 1.Μεθοδολογία της μελέτης ]]<br /> <br /> Η μεθοδολογία περιλαμβάνει 4 κύρια στάδια που παρουσιάζονται με σειρά προτεραιότητας:<br /> <br /> '''''α. Επιλογή των κριτηρίων'''''<br /> <br /> Αρχικά, επιλέχθηκαν τα παρακάτω 9 κριτήρια:<br /> <br /> • ηλιακή ακτινοβολία<br /> <br /> • κλίση εδάφους (slope)<br /> <br /> • υψόμετρο<br /> <br /> • ρυθμός παραμόρφωσης επιφάνειας εδάφους<br /> <br /> • πυκνότητα δικτύου γραμμών μεταφοράς<br /> <br /> • προσανατολισμός (aspect)<br /> <br /> • κάλυψη γης (land cover)<br /> <br /> • προσβασιμότητα μεταφορών<br /> <br /> • απόσταση από υδάτινους πόρους<br /> <br /> Η επεξεργασία των γεωγραφικών δεδομένων έγινε στο περιβάλλον ArcGIS 10.2 (Spatial Analyst). Χρησιμοποιήθηκαν δεδομένα υψομέτρου NASADEM για την εξαγωγή της κλίσης και του προσανατολισμού, ενώ η ηλιακή ακτινοβολία αντλήθηκε από το μοντέλο ERA5-Land.<br /> <br /> <br /> '''''β. Χρήση της μεθόδου MT-InSAR (Multi-Temporal Interferometric Synthetic Aperture Radar)'''''<br /> <br /> Χρησιμοποιήθηκε η μέθοδος MT-InSAR για την παρακολούθηση της παραμόρφωσης της επιφάνειας του εδάφους και κατά συνέπεια τον εντοπισμό γεωλογικά σταθερών περιοχών, αποφεύγοντας περιοχές με κίνδυνο κατολισθήσεων.<br /> Η τεχνική βασίστηκε στην επεξεργασία 52 δορυφορικών εικόνων ραντάρ Sentinel-1 μέσω του λογισμικού StaMPS (Stanford Method for Persistent Scatterers), επιτρέποντας μετρήσεις μετακίνησης του εδάφους με ακρίβεια χιλιοστού.<br /> <br /> <br /> '''''γ. Μοντέλο OPA (Ordinal Priority Approach)'''''<br /> <br /> Εφαρμόστηκε το μοντέλο OPA για την αξιολόγηση της καταλληλότητας των κριτηρίων και τον υπολογισμό των βαρών καθενός από αυτά, αποφεύγοντας τις υποκειμενικές συγκρίσεις άλλων μεθόδων (όπως η AHP).<br /> Το μοντέλο OPA επιλύθηκε μέσω γραμμικού προγραμματισμού (χρησιμοποιώντας λογισμικά όπως το MATLAB), αποδίδοντας την υψηλότερη βαρύτητα στην ακτινοβολία (0,3535) και στην κλίση (0,1768).<br /> <br /> <br /> '''''δ. LCOE (Levelized Cost of Energy)'''''<br /> <br /> Τέλος, εκτιμήθηκε η ετήσια παραγωγή ενέργειας και το οικονομικό κόστος της επένδυσης.<br /> Η χωρική υπέρθεση (overlay) των δεδομένων έγινε με το Raster Calculator του ArcGIS. Για το οικονομικό σκέλος, χρησιμοποιήθηκε ο δείκτης LCOE (Levelized Cost of Energy), ενσωματώνοντας τον παράγοντα &quot;αυξημένου κόστους ορεινής κατασκευής&quot; για να διασφαλιστεί η ρεαλιστική απόδοση της επένδυσης.<br /> <br /> <br /> == 4. Αποτελέσματα ==<br /> <br /> Η μελέτη στην περιοχή Yongren κατέληξε σε συγκεκριμένα ποσοτικά δεδομένα:<br /> <br /> • ''Επιλογή Γης:'' Εντοπίστηκαν 85,45 km2 ως &quot;εξαιρετικά κατάλληλες&quot; περιοχές.<br /> <br /> • ''Ενεργειακό Δυναμικό:'' Η ετήσια παραγωγή εκτιμάται στα 665,41 GWh.<br /> <br /> • ''Οικονομική Απόδοση:'' Το LCOE (Levelized Cost of Energy) υπολογίστηκε στα 0,3963 RMB/kWh. Το μοντέλο υπολόγισε το LCOE ενσωματώνοντας το &quot;Mountainous Construction Cost&quot; (αυξημένο κόστος λόγω κλίσης και δυσκολίας πρόσβασης).<br /> <br /> • ''Εγκυρότητα:'' Ο χάρτης καταλληλότητας που παρήγαγε το ArcGIS επαληθεύτηκε με οπτική σύγκριση από δορυφορικές εικόνες υψηλής ανάλυσης (Google Earth), δείχνοντας ότι οι περιοχές που υποδείχθηκαν είναι όντως ελεύθερες από δάση ή καλλιέργειες.<br /> <br /> <br /> == 5. Συζήτηση ==<br /> <br /> Το προτεινόμενο πλαίσιο προσφέρει μια ολοκληρωμένη λύση στο πρόβλημα της σπανιότητας γης για την ανάπτυξη των φωτοβολταϊκών. Η ενσωμάτωση της τεχνολογίας MT-InSAR κρίνεται κρίσιμη για την ασφάλεια των εγκαταστάσεων σε ορεινά εδάφη. Οι συγγραφείς τονίζουν ότι η επιλογή των τοποθεσιών πρέπει να ευθυγραμμίζεται αυστηρά με τις εθνικές πολιτικές προστασίας του περιβάλλοντος και της γεωργίας. Τελικά, η ανάπτυξη φωτοβολταϊκών σε ορεινές περιοχές δεν συμβάλλει μόνο στη μείωση των εκπομπών άνθρακα, αλλά ενισχύει και την οικονομική ανάπτυξη των αγροτικών περιοχών μέσω της χρήσης ανεκμετάλλευτης γης.</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CF%84%CE%B7%CF%82:TASIOU_VASILIKI 2026-02-16T21:05:39Z

<p>TASIOU VASILIKI: </p> <hr /> <div>[[Integrating remote sensing, GIS and multi-criteria decision making for assessing PV potential in mountainous regions]]<br /> <br /> [[Μακροπρόθεσμη μεταβολή της χιονοκάλυψης στα βουνά Qilian (1986–2024): Μία υψηλής-ανάλυσης με βάση το Landsat ανάλυση]]<br /> <br /> [[Χρήση τηλεπισκόπησης για τον προσδιορισμό βέλτιστων σεναρίων χρήσης γης και την αντιμετώπιση της αύξησης της ευπάθειας σε κατολισθήσεις]]<br /> <br /> [[Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΑ και τηλεπισκόπηση δασών και καλλιεργειών]]<br /> <br /> [[Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%AC%CF%83%CE%B9%CE%BF%CF%85_%CE%92%CE%B1%CF%83%CE%B9%CE%BB%CE%B9%CE%BA%CE%AE 2026-02-16T21:03:52Z

<p>TASIOU VASILIKI: </p> <hr /> <div>[[Integrating remote sensing, GIS and multi-criteria decision making for assessing PV potential in mountainous regions]] <br /> <br /> [[Μακροπρόθεσμη μεταβολή της χιονοκάλυψης στα βουνά Qilian (1986–2024): Μία υψηλής-ανάλυσης με βάση το Landsat ανάλυση]]<br /> <br /> [[Χρήση τηλεπισκόπησης για τον προσδιορισμό βέλτιστων σεναρίων χρήσης γης και την αντιμετώπιση της αύξησης της ευπάθειας σε κατολισθήσεις]]<br /> <br /> [[Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΑ και τηλεπισκόπηση δασών και καλλιεργειών]]<br /> <br /> [[Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Sdg.png 2026-02-16T21:02:13Z

<p>TASIOU VASILIKI: 6. Ποσοτική συμβολή της αλλαγής στη χρήση γης και της ανάλυσης του κινδύνου πλημμυρών στο Καράτσι στην επίτευξη των Στόχων Βιώσιμης Ανάπτυξ</p> <hr /> <div>6. Ποσοτική συμβολή της αλλαγής στη χρήση γης και της ανάλυσης του κινδύνου πλημμυρών στο Καράτσι στην επίτευξη των Στόχων Βιώσιμης Ανάπτυξης (ΣΒΑ).</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:LULC_mellontikes_provlepseis.png 2026-02-16T21:00:54Z

<p>TASIOU VASILIKI: 5. Οι προγνωστικοί χάρτες LULC για (a) το 2025, (b) το 2030 και (c) το 2035 αποκαλύπτουν μια αξιοσημείωτη αύξηση στα εικονοστοιχεία της αστικής κατηγορία�</p> <hr /> <div>5. Οι προγνωστικοί χάρτες LULC για (a) το 2025, (b) το 2030 και (c) το 2035 αποκαλύπτουν μια αξιοσημείωτη αύξηση στα εικονοστοιχεία της αστικής κατηγορίας, ενώ εκείνα που σχετίζονται με τις κατηγορίες νερού και βλάστησης παρουσιάζουν μείωση, υποδηλώνοντας μετατροπή σε αστική χρήση γης.</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Spatial_representation_of_accessibility_data_(a)_Distance_from_streams_and_(b)_distance.png 2026-02-16T20:59:50Z

<p>TASIOU VASILIKI: 4. Χωρική αναπαράσταση δεδομένων προσβασιμότητας: (a) Απόσταση από ρέματα και (b) απόστασηαπό δρόμους.</p> <hr /> <div>4. Χωρική αναπαράσταση δεδομένων προσβασιμότητας: (a) Απόσταση από ρέματα και (b) απόστασηαπό δρόμους.</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Elevation_aspect_slope.png 2026-02-16T20:58:40Z

<p>TASIOU VASILIKI: 3. Τοπογραφικοί παράμετροι: (a) DEM, (b) κλίση, and (c) προσανατολισμός.</p> <hr /> <div>3. Τοπογραφικοί παράμετροι: (a) DEM, (b) κλίση, and (c) προσανατολισμός.</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Methodology.png 2026-02-16T20:57:29Z

<p>TASIOU VASILIKI: 2. Μεθοδολογία</p> <hr /> <div>2. Μεθοδολογία</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Perioxi_meletis.png 2026-02-16T20:56:23Z

<p>TASIOU VASILIKI: 1. a) Ο παγκόσμιος χάρτης ξηρασίας κατατάσσει το Πακιστάν στην κατηγορία των ξηρών έως ημι-ξηρών ζωνών. Τα πλαίσια (b,c) απεικονίζουν το Καράτσ�</p> <hr /> <div>1. a) Ο παγκόσμιος χάρτης ξηρασίας κατατάσσει το Πακιστάν στην κατηγορία των ξηρών έως ημι-ξηρών ζωνών. Τα πλαίσια (b,c) απεικονίζουν το Καράτσι, την πρωτεύουσα της επαρχίας Σιντ, που οριοθετείται από ένα κόκκινο πολύγωνο στο νότιο Πακιστάν, χρησιμοποιώντας εικόνες Landsat-8 (ζώνες RGB 7, 5, 2) που επισημαίνουν τους κύριους υδάτινουςπόρους και τις υποδομές της πόλης.</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%BD%CE%AD%CF%81%CE%B3%CE%B5%CE%B9%CE%B1_%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%BA%CE%B1%CE%B9_%CE%B3%CE%B5%CF%89%CF%87%CF%89%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CF%8E%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%80%CF%81%CE%BF%CF%8E%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%83%CF%84%CF%8C%CF%87%CF%89%CE%BD_%CE%B2%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7_%CE%BC%CE%B5%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7 2026-02-16T20:55:02Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Synergy of Remote Sensing and Geospatial Technologies to Advance Sustainable Development Goals for Future Coastal Urbanization and Environmental Challenges in a Riverine Megacity ==<br /> <br /> == Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση των παράκτιων περιοχών και τις περιβαλλοντικές προκλήσεις σε μια μεγαλούπολη σε παραποτάμια περιοχή ==<br /> <br /> Minza Mumtaz, Syed Humayoun Jahanzaib, Waqar Hussain, Sadia Khan, Youssef M. Youssef, Saleh Qaysi, Abdalla Abdelnabi, Nassir Alarifi and Mahmoud E. Abd-Elmaboud<br /> <br /> [https://www.mdpi.com/2220-9964/14/1/30 ISPRS Int. J. Geo-Inf. 2025, 14, 30]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Η μελέτη εστιάζει στο Καράτσι του Πακιστάν, μια παραθαλάσσια μεγαλούπολη που αντιμετωπίζει ακραίες προκλήσεις λόγω της άναρχης αστικοποίησης. Η ραγδαία πληθυσμιακή αύξηση και η επέκταση των δομημένων επιφανειών ασκούν τεράστια πίεση στους φυσικούς πόρους και το παράκτιο περιβάλλον. Το άρθρο υπογραμμίζει την ανάγκη ευθυγράμμισης της αστικής ανάπτυξης με τους Στόχους Βιώσιμης Ανάπτυξης (SDGs) του ΟΗΕ (ειδικά τους Στόχους 11, 13 και 15), χρησιμοποιώντας τεχνολογίες αιχμής για την παρακολούθηση και την πρόβλεψη των περιβαλλοντικών επιπτώσεων.<br /> <br /> [[Αρχείο:perioxi_meletis.png | right | thumb | 1. (a) Ο παγκόσμιος χάρτης ξηρασίας κατατάσσει το Πακιστάν στην κατηγορία των ξηρών έως ημι-ξηρών ζωνών. Τα πλαίσια (b,c) απεικονίζουν το Καράτσι, την πρωτεύουσα της επαρχίας Σιντ, που οριοθετείται από ένα κόκκινο πολύγωνο στο νότιο Πακιστάν, χρησιμοποιώντας εικόνες Landsat-8 (ζώνες RGB 7, 5, 2) που επισημαίνουν τους κύριους υδάτινουςπόρους και τις υποδομές της πόλης. ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η μελέτη υιοθετεί ένα ολοκληρωμένο πλαίσιο που συνδυάζει την ανάλυση χρονοσειρών δορυφορικών δεδομένων με μοντέλα πρόβλεψης και υδρολογικές προσομοιώσεις.<br /> <br /> [[Αρχείο:methodology.png | right | thumb | 2. Μεθοδολογία ]]<br /> <br /> '''Δεδομένα και Προεπεξεργασία:'''<br /> <br /> Χρησιμοποιήθηκαν πολυφασματικές εικόνες Landsat (5, 7 και 8) για έξι χρονικά διαστήματα (1990, 1995, 2000, 2010, 2015 και 2020).<br /> <br /> Ενσωματώθηκαν υποστηρικτικά δεδομένα όπως το SRTM-DEM (ψηφιακό μοντέλο υψομέτρου), δεδομένα πληθυσμού και χάρτες οδικού και υδρογραφικού δικτύου.<br /> <br /> Για τα πληθυσμιακά δεδομένα χρησιμοποιήθηκε το εργαλείο Euclidean Distance, ώστε να αποτυπωθεί η επιρροή της πυκνότητας του πληθυσμού στις αλλαγές χρήσης γης.<br /> <br /> [[Αρχείο:elevation_aspect_slope.png | right | thumb | 3. Τοπογραφικοί παράμετροι: (a) DEM, (b) κλίση, and (c) προσανατολισμός. ]]<br /> <br /> [[Αρχείο:Spatial representation of accessibility data (a) Distance from streams and (b) distance.png | right | thumb | 4. Χωρική αναπαράσταση δεδομένων προσβασιμότητας: (a) Απόσταση από ρέματα και (b) απόστασηαπό δρόμους. ]]<br /> <br /> '''Ταξινόμηση και Πρόβλεψη (MOLUSCE &amp; CA-ANN):'''<br /> <br /> - Η γη κατηγοριοποιήθηκε σε 5 κλάσεις: ''Αστική περιοχή'', ''Βλάστηση'', ''Υδάτινα σώματα'', ''Υγρότοποι'' και ''Άγονη γη''.<br /> <br /> - Χρησιμοποιήθηκε το πρόσθετο MOLUSCE σε συνδυασμό με Τεχνητά Νευρωνικά Δίκτυα (ANN) και Κυψελωτά Αυτόματα (Cellular Automata - CA) για τη μοντελοποίηση των μελλοντικών αλλαγών.<br /> <br /> - Δημιουργήθηκαν μήτρες πιθανότητας μετάβασης (transition probability matrices), οι οποίες υπολόγισαν, για παράδειγμα, ότι τα υδάτινα σώματα είχαν 34,7% πιθανότητα να μετατραπούν σε αστικές περιοχές.<br /> <br /> - Υδρολογική Μοντελοποίηση (HEC-RAS):<br /> <br /> i. Εφαρμόστηκε το μοντέλο HEC-RAS για την προσομοίωση πλημμυρικών φαινομένων.<br /> <br /> ii. Το μοντέλο βαθμονομήθηκε με βάση το ακραίο συμβάν των μουσώνων του 2020, χρησιμοποιώντας συντελεστή τραχύτητας Manning 0,04 για τις όχθες του ποταμού.<br /> <br /> '''Επικύρωση (Validation):'''<br /> <br /> Η ακρίβεια του μοντέλου ήταν εξαιρετικά υψηλή, με συνολική ακρίβεια άνω του 97% και συντελεστή Kappa 0,97, γεγονός που επιβεβαιώνει την αξιοπιστία των προσομοιώσεων.<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> Τα αποτελέσματα αναδεικνύουν μια δραματική μεταβολή του τοπίου και αυξανόμενους κινδύνους για την επόμενη δεκαετία:<br /> <br /> - '''Ιστορική Αστική Επέκταση (1990-2020):'''<br /> <br /> Η αστική περιοχή αυξήθηκε από το 13,4% (1990) στο 23,7% (2020) της συνολικής έκτασης. Η καθαρή αύξηση της δομημένης επιφάνειας ανήλθε σε 370,81 km2, η οποία προήλθε κυρίως από τη μετατροπή άγονης γης (-230,64 km2) και υδάτινων πόρων.<br /> <br /> - '''Υποβάθμιση Φυσικών Πόρων:'''<br /> <br /> Τα υδάτινα σώματα μειώθηκαν δραματικά από το 3,4% στο 1,3% της επικράτειας.Η έκταση του ποταμού Malir συρρικνώθηκε από τα 17,19 km2 στα 5,07 km2 έως το 2020, λόγω έντονης διάβρωσης και ανθρώπινης επέμβασης.<br /> <br /> - '''Μελλοντικές Προβλέψεις (2025-2035):'''<br /> <br /> Η αστική δόμηση αναμένεται να συνεχίσει την αυξητική της πορεία, φτάνοντας τα 909 km2 έως το 2035. Αντίθετα, η βλάστηση προβλέπεται να μειωθεί περαιτέρω από τα 111 km2 (2020) στα 77 km2 το 2035.<br /> <br /> [[Αρχείο:LULC_mellontikes_provlepseis.png | right | thumb | 5. Οι προγνωστικοί χάρτες LULC για (a) το 2025, (b) το 2030 και (c) το 2035 αποκαλύπτουν μια αξιοσημείωτη αύξηση στα εικονοστοιχεία της αστικής κατηγορίας, ενώ εκείνα που σχετίζονται με τις κατηγορίες νερού και βλάστησης παρουσιάζουν μείωση, υποδηλώνοντας μετατροπή σε αστική χρήση γης. ]]<br /> <br /> '''Κίνδυνος Πλημμύρας:'''<br /> <br /> Οι προσομοιώσεις δείχνουν ότι οι αστικές περιοχές θα είναι οι πλέον ευάλωτες, με το 66,65% αυτών να βρίσκεται υπό κίνδυνο κατάκλυσης έως το 2035.<br /> <br /> '''Ποσοτικοποίηση Στόχων Βιώσιμης Ανάπτυξης (SDGs):'''<br /> <br /> Το άρθρο πρωτοτυπεί υπολογίζοντας το ποσοστό επίτευξης συγκεκριμένων στόχων:<br /> <br /> ◦ SDG 9 (Βιομηχανία &amp; Υποδομές): 26%<br /> <br /> ◦ SDG 11 (Βιώσιμες Πόλεις): 18%<br /> <br /> ◦ SDG 8 (Οικονομική Ανάπτυξη): 16%<br /> <br /> ◦ SDG 13 (Δράση για το Κλίμα): 13%<br /> <br /> ◦ SDG 6 (Καθαρό Νερό): 11% (το χαμηλότερο ποσοστό λόγω της μείωσης των υδάτινων σωμάτων)<br /> <br /> [[Αρχείο:sdg.png | right | thumb | 6. Ποσοτική συμβολή της αλλαγής στη χρήση γης και της ανάλυσης του κινδύνου πλημμυρών στο Καράτσι στην επίτευξη των Στόχων Βιώσιμης Ανάπτυξης (ΣΒΑ). ]]<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Η μελέτη καταλήγει στο συμπέρασμα ότι η τρέχουσα πορεία ανάπτυξης του Καράτσι δεν είναι βιώσιμη.<br /> <br /> - '''''Σύνδεση με SDGs:''''' Η άναρχη επέκταση δυσχεραίνει την επίτευξη του Στόχου 11 (Βιώσιμες Πόλεις), καθώς αυξάνει την τρωτότητα σε πλημμύρες και περιβαλλοντική ρύπανση.<br /> <br /> - '''''Διαχείριση Παράκτιων Ζωνών:''''' Η καταστροφή των μαγγρόβιων δασών λόγω της αστικοποίησης αφαιρεί μια φυσική άμυνα κατά της ανόδου της στάθμης της θάλασσας.<br /> <br /> - '''''Πολιτικές Συστάσεις:''''' Προτείνεται η υιοθέτηση &quot;πράσινων&quot; υποδομών και ο αυστηρός χωροταξικός έλεγχος. Η χρήση των εργαλείων GIS και Τηλεπισκόπησης προτείνεται ως μόνιμος μηχανισμός παρακολούθησης για τις τοπικές αρχές, ώστε να λαμβάνονται αποφάσεις βασισμένες σε πραγματικά δεδομένα.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%BD%CE%AD%CF%81%CE%B3%CE%B5%CE%B9%CE%B1_%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%BA%CE%B1%CE%B9_%CE%B3%CE%B5%CF%89%CF%87%CF%89%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CF%8E%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%80%CF%81%CE%BF%CF%8E%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%83%CF%84%CF%8C%CF%87%CF%89%CE%BD_%CE%B2%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7_%CE%BC%CE%B5%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7 2026-02-16T20:53:07Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Synergy of Remote Sensing and Geospatial Technologies to Advance Sustainable Development Goals for Future Coastal Urbanization and Environmental Challenges in a Riverine Megacity ==<br /> <br /> == Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση των παράκτιων περιοχών και τις περιβαλλοντικές προκλήσεις σε μια μεγαλούπολη σε παραποτάμια περιοχή ==<br /> <br /> Minza Mumtaz, Syed Humayoun Jahanzaib, Waqar Hussain, Sadia Khan, Youssef M. Youssef, Saleh Qaysi, Abdalla Abdelnabi, Nassir Alarifi and Mahmoud E. Abd-Elmaboud<br /> <br /> [https://www.mdpi.com/2220-9964/14/1/30 ISPRS Int. J. Geo-Inf. 2025, 14, 30]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Η μελέτη εστιάζει στο Καράτσι του Πακιστάν, μια παραθαλάσσια μεγαλούπολη που αντιμετωπίζει ακραίες προκλήσεις λόγω της άναρχης αστικοποίησης. Η ραγδαία πληθυσμιακή αύξηση και η επέκταση των δομημένων επιφανειών ασκούν τεράστια πίεση στους φυσικούς πόρους και το παράκτιο περιβάλλον. Το άρθρο υπογραμμίζει την ανάγκη ευθυγράμμισης της αστικής ανάπτυξης με τους Στόχους Βιώσιμης Ανάπτυξης (SDGs) του ΟΗΕ (ειδικά τους Στόχους 11, 13 και 15), χρησιμοποιώντας τεχνολογίες αιχμής για την παρακολούθηση και την πρόβλεψη των περιβαλλοντικών επιπτώσεων.<br /> <br /> [[Αρχείο:perioxi_meletis.png | right | thumb | 1. (a) Ο παγκόσμιος χάρτης ξηρασίας κατατάσσει το Πακιστάν στην κατηγορία των ξηρών έως ημι-ξηρών ζωνών. Τα πλαίσια (b,c) απεικονίζουν το Καράτσι, την πρωτεύουσα της επαρχίας Σιντ, που οριοθετείται από ένα κόκκινο πολύγωνο στο νότιο Πακιστάν, χρησιμοποιώντας εικόνες Landsat-8 (ζώνες RGB 7, 5, 2) που επισημαίνουν τους κύριους υδάτινουςπόρους και τις υποδομές της πόλης. ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η μελέτη υιοθετεί ένα ολοκληρωμένο πλαίσιο που συνδυάζει την ανάλυση χρονοσειρών δορυφορικών δεδομένων με μοντέλα πρόβλεψης και υδρολογικές προσομοιώσεις.<br /> <br /> [[Αρχείο:methodology.png | right | thumb | 2. Μεθοδολογία ]]<br /> <br /> '''Δεδομένα και Προεπεξεργασία:'''<br /> <br /> Χρησιμοποιήθηκαν πολυφασματικές εικόνες Landsat (5, 7 και 8) για έξι χρονικά διαστήματα (1990, 1995, 2000, 2010, 2015 και 2020).<br /> <br /> Ενσωματώθηκαν υποστηρικτικά δεδομένα όπως το SRTM-DEM (ψηφιακό μοντέλο υψομέτρου), δεδομένα πληθυσμού και χάρτες οδικού και υδρογραφικού δικτύου.<br /> <br /> Για τα πληθυσμιακά δεδομένα χρησιμοποιήθηκε το εργαλείο Euclidean Distance, ώστε να αποτυπωθεί η επιρροή της πυκνότητας του πληθυσμού στις αλλαγές χρήσης γης.<br /> <br /> [[Αρχείο:elevation_aspect_slope.png | right | thumb | 3. Τοπογραφικοί παράμετροι: (a) DEM, (b) κλίση, and (c) προσανατολισμός. ]]<br /> <br /> [[Αρχείο:Spatial representation of accessibility data (a) Distance from streams and (b) distance.png | right | thumb | 4. Χωρική αναπαράσταση δεδομένων προσβασιμότητας: (a) Απόσταση από ρέματα και (b) απόστασηαπό δρόμους. ]]<br /> <br /> '''Ταξινόμηση και Πρόβλεψη (MOLUSCE &amp; CA-ANN):'''<br /> <br /> - Η γη κατηγοριοποιήθηκε σε 5 κλάσεις: ''Αστική περιοχή'', ''Βλάστηση'', ''Υδάτινα σώματα'', ''Υγρότοποι'' και ''Άγονη γη''.<br /> <br /> - Χρησιμοποιήθηκε το πρόσθετο MOLUSCE σε συνδυασμό με Τεχνητά Νευρωνικά Δίκτυα (ANN) και Κυψελωτά Αυτόματα (Cellular Automata - CA) για τη μοντελοποίηση των μελλοντικών αλλαγών.<br /> <br /> - Δημιουργήθηκαν μήτρες πιθανότητας μετάβασης (transition probability matrices), οι οποίες υπολόγισαν, για παράδειγμα, ότι τα υδάτινα σώματα είχαν 34,7% πιθανότητα να μετατραπούν σε αστικές περιοχές.<br /> <br /> - Υδρολογική Μοντελοποίηση (HEC-RAS):<br /> <br /> i. Εφαρμόστηκε το μοντέλο HEC-RAS για την προσομοίωση πλημμυρικών φαινομένων.<br /> <br /> ii. Το μοντέλο βαθμονομήθηκε με βάση το ακραίο συμβάν των μουσώνων του 2020, χρησιμοποιώντας συντελεστή τραχύτητας Manning 0,04 για τις όχθες του ποταμού.<br /> <br /> '''Επικύρωση (Validation):'''<br /> <br /> Η ακρίβεια του μοντέλου ήταν εξαιρετικά υψηλή, με συνολική ακρίβεια άνω του 97% και συντελεστή Kappa 0,97, γεγονός που επιβεβαιώνει την αξιοπιστία των προσομοιώσεων.<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> Τα αποτελέσματα αναδεικνύουν μια δραματική μεταβολή του τοπίου και αυξανόμενους κινδύνους για την επόμενη δεκαετία:<br /> <br /> - '''Ιστορική Αστική Επέκταση (1990-2020):'''<br /> <br /> Η αστική περιοχή αυξήθηκε από το 13,4% (1990) στο 23,7% (2020) της συνολικής έκτασης. Η καθαρή αύξηση της δομημένης επιφάνειας ανήλθε σε 370,81 km2, η οποία προήλθε κυρίως από τη μετατροπή άγονης γης (-230,64 km2) και υδάτινων πόρων.<br /> <br /> - '''Υποβάθμιση Φυσικών Πόρων:'''<br /> <br /> Τα υδάτινα σώματα μειώθηκαν δραματικά από το 3,4% στο 1,3% της επικράτειας.Η έκταση του ποταμού Malir συρρικνώθηκε από τα 17,19 km2 στα 5,07 km2 έως το 2020, λόγω έντονης διάβρωσης και ανθρώπινης επέμβασης.<br /> <br /> - '''Μελλοντικές Προβλέψεις (2025-2035):'''<br /> <br /> Η αστική δόμηση αναμένεται να συνεχίσει την αυξητική της πορεία, φτάνοντας τα 909 km2 έως το 2035. Αντίθετα, η βλάστηση προβλέπεται να μειωθεί περαιτέρω από τα 111 km2 (2020) στα 77 km2 το 2035.<br /> <br /> [[Αρχείο:LULC_mellontikes_provlepseis.png | right | thumb | 5. Οι προγνωστικοί χάρτες LULC για (a) το 2025, (b) το 2030 και (c) το 2035 αποκαλύπτουν μια αξιοσημείωτη αύξηση στα εικονοστοιχεία της αστικής κατηγορίας, ενώ εκείνα που σχετίζονται με τις κατηγορίες νερού και βλάστησης παρουσιάζουν μείωση, υποδηλώνοντας μετατροπή σε αστική χρήση γης. ]]<br /> <br /> '''Κίνδυνος Πλημμύρας:'''<br /> <br /> Οι προσομοιώσεις δείχνουν ότι οι αστικές περιοχές θα είναι οι πλέον ευάλωτες, με το 66,65% αυτών να βρίσκεται υπό κίνδυνο κατάκλυσης έως το 2035.<br /> <br /> '''Ποσοτικοποίηση Στόχων Βιώσιμης Ανάπτυξης (SDGs):'''<br /> <br /> Το άρθρο πρωτοτυπεί υπολογίζοντας το ποσοστό επίτευξης συγκεκριμένων στόχων:<br /> <br /> ◦ SDG 9 (Βιομηχανία &amp; Υποδομές): 26%<br /> <br /> ◦ SDG 11 (Βιώσιμες Πόλεις): 18%<br /> <br /> ◦ SDG 8 (Οικονομική Ανάπτυξη): 16%<br /> <br /> ◦ SDG 13 (Δράση για το Κλίμα): 13%<br /> <br /> ◦ SDG 6 (Καθαρό Νερό): 11% (το χαμηλότερο ποσοστό λόγω της μείωσης των υδάτινων σωμάτων)<br /> <br /> [[Αρχείο:sdg.png | right | thumb | 6. Ποσοτική συμβολή της αλλαγής στη χρήση γης και της ανάλυσης του κινδύνου πλημμυρών στο Καράτσι στην επίτευξη των Στόχων Βιώσιμης Ανάπτυξης (ΣΒΑ). ]]<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%BD%CE%AD%CF%81%CE%B3%CE%B5%CE%B9%CE%B1_%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%BA%CE%B1%CE%B9_%CE%B3%CE%B5%CF%89%CF%87%CF%89%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CF%8E%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%80%CF%81%CE%BF%CF%8E%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%83%CF%84%CF%8C%CF%87%CF%89%CE%BD_%CE%B2%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7_%CE%BC%CE%B5%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7 2026-02-16T20:49:36Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Synergy of Remote Sensing and Geospatial Technologies to Advance Sustainable Development Goals for Future Coastal Urbanization and Environmental Challenges in a Riverine Megacity ==<br /> <br /> == Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση των παράκτιων περιοχών και τις περιβαλλοντικές προκλήσεις σε μια μεγαλούπολη σε παραποτάμια περιοχή ==<br /> <br /> Minza Mumtaz, Syed Humayoun Jahanzaib, Waqar Hussain, Sadia Khan, Youssef M. Youssef, Saleh Qaysi, Abdalla Abdelnabi, Nassir Alarifi and Mahmoud E. Abd-Elmaboud<br /> <br /> [https://www.mdpi.com/2220-9964/14/1/30 ISPRS Int. J. Geo-Inf. 2025, 14, 30]<br /> <br /> == 1. Εισαγωγή ==<br /> <br /> Η μελέτη εστιάζει στο Καράτσι του Πακιστάν, μια παραθαλάσσια μεγαλούπολη που αντιμετωπίζει ακραίες προκλήσεις λόγω της άναρχης αστικοποίησης. Η ραγδαία πληθυσμιακή αύξηση και η επέκταση των δομημένων επιφανειών ασκούν τεράστια πίεση στους φυσικούς πόρους και το παράκτιο περιβάλλον. Το άρθρο υπογραμμίζει την ανάγκη ευθυγράμμισης της αστικής ανάπτυξης με τους Στόχους Βιώσιμης Ανάπτυξης (SDGs) του ΟΗΕ (ειδικά τους Στόχους 11, 13 και 15), χρησιμοποιώντας τεχνολογίες αιχμής για την παρακολούθηση και την πρόβλεψη των περιβαλλοντικών επιπτώσεων.<br /> <br /> [[Αρχείο:perioxi_meletis.png | right | thumb | 1. (a) Ο παγκόσμιος χάρτης ξηρασίας κατατάσσει το Πακιστάν στην κατηγορία των ξηρών έως ημι-ξηρών ζωνών. Τα πλαίσια (b,c) απεικονίζουν το Καράτσι, την πρωτεύουσα της επαρχίας Σιντ, που οριοθετείται από ένα κόκκινο πολύγωνο στο νότιο Πακιστάν, χρησιμοποιώντας εικόνες Landsat-8 (ζώνες RGB 7, 5, 2) που επισημαίνουν τους κύριους υδάτινουςπόρους και τις υποδομές της πόλης. ]]<br /> <br /> == 2. Μεθοδολογία ==<br /> <br /> Η μελέτη υιοθετεί ένα ολοκληρωμένο πλαίσιο που συνδυάζει την ανάλυση χρονοσειρών δορυφορικών δεδομένων με μοντέλα πρόβλεψης και υδρολογικές προσομοιώσεις.<br /> <br /> [[Αρχείο:methodology.png | right | thumb | 2. Μεθοδολογία ]]<br /> <br /> '''Δεδομένα και Προεπεξεργασία:'''<br /> <br /> Χρησιμοποιήθηκαν πολυφασματικές εικόνες Landsat (5, 7 και 8) για έξι χρονικά διαστήματα (1990, 1995, 2000, 2010, 2015 και 2020).<br /> <br /> Ενσωματώθηκαν υποστηρικτικά δεδομένα όπως το SRTM-DEM (ψηφιακό μοντέλο υψομέτρου), δεδομένα πληθυσμού και χάρτες οδικού και υδρογραφικού δικτύου.<br /> <br /> Για τα πληθυσμιακά δεδομένα χρησιμοποιήθηκε το εργαλείο Euclidean Distance, ώστε να αποτυπωθεί η επιρροή της πυκνότητας του πληθυσμού στις αλλαγές χρήσης γης.<br /> <br /> [[Αρχείο:elevation_aspect_slope.png | right | thumb | 3. Τοπογραφικοί παράμετροι: (a) DEM, (b) κλίση, and (c) προσανατολισμός. ]]<br /> <br /> [[Αρχείο:Spatial representation of accessibility data (a) Distance from streams and (b) distance.png | right | thumb | 4. Χωρική αναπαράσταση δεδομένων προσβασιμότητας: (a) Απόσταση από ρέματα και (b) απόστασηαπό δρόμους. ]]<br /> <br /> '''Ταξινόμηση και Πρόβλεψη (MOLUSCE &amp; CA-ANN):'''<br /> <br /> - Η γη κατηγοριοποιήθηκε σε 5 κλάσεις: ''Αστική περιοχή'', ''Βλάστηση'', ''Υδάτινα σώματα'', ''Υγρότοποι'' και ''Άγονη γη''.<br /> <br /> - Χρησιμοποιήθηκε το πρόσθετο MOLUSCE σε συνδυασμό με Τεχνητά Νευρωνικά Δίκτυα (ANN) και Κυψελωτά Αυτόματα (Cellular Automata - CA) για τη μοντελοποίηση των μελλοντικών αλλαγών.<br /> <br /> - Δημιουργήθηκαν μήτρες πιθανότητας μετάβασης (transition probability matrices), οι οποίες υπολόγισαν, για παράδειγμα, ότι τα υδάτινα σώματα είχαν 34,7% πιθανότητα να μετατραπούν σε αστικές περιοχές.<br /> <br /> - Υδρολογική Μοντελοποίηση (HEC-RAS):<br /> <br /> i. Εφαρμόστηκε το μοντέλο HEC-RAS για την προσομοίωση πλημμυρικών φαινομένων.<br /> <br /> ii. Το μοντέλο βαθμονομήθηκε με βάση το ακραίο συμβάν των μουσώνων του 2020, χρησιμοποιώντας συντελεστή τραχύτητας Manning 0,04 για τις όχθες του ποταμού.<br /> <br /> '''Επικύρωση (Validation):'''<br /> <br /> Η ακρίβεια του μοντέλου ήταν εξαιρετικά υψηλή, με συνολική ακρίβεια άνω του 97% και συντελεστή Kappa 0,97, γεγονός που επιβεβαιώνει την αξιοπιστία των προσομοιώσεων.<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> Τα αποτελέσματα αναδεικνύουν μια δραματική μεταβολή του τοπίου και αυξανόμενους κινδύνους για την επόμενη δεκαετία:<br /> <br /> - '''Ιστορική Αστική Επέκταση (1990-2020):'''<br /> <br /> Η αστική περιοχή αυξήθηκε από το 13,4% (1990) στο 23,7% (2020) της συνολικής έκτασης. Η καθαρή αύξηση της δομημένης επιφάνειας ανήλθε σε 370,81 km2, η οποία προήλθε κυρίως από τη μετατροπή άγονης γης (-230,64 km2) και υδάτινων πόρων.<br /> <br /> - '''Υποβάθμιση Φυσικών Πόρων:'''<br /> <br /> Τα υδάτινα σώματα μειώθηκαν δραματικά από το 3,4% στο 1,3% της επικράτειας.Η έκταση του ποταμού Malir συρρικνώθηκε από τα 17,19 km2 στα 5,07 km2 έως το 2020, λόγω έντονης διάβρωσης και ανθρώπινης επέμβασης.<br /> <br /> - '''Μελλοντικές Προβλέψεις (2025-2035):'''<br /> <br /> Η αστική δόμηση αναμένεται να συνεχίσει την αυξητική της πορεία, φτάνοντας τα 909 km2 έως το 2035. Αντίθετα, η βλάστηση προβλέπεται να μειωθεί περαιτέρω από τα 111 km2 (2020) στα 77 km2 το 2035.<br /> <br /> [[Αρχείο:LULC_mellontikes_provlepseis.png | right | thumb | 5. Οι προγνωστικοί χάρτες LULC για (a) το 2025, (b) το 2030 και (c) το 2035 αποκαλύπτουν μια αξιοσημείωτη αύξηση στα εικονοστοιχεία της αστικής κατηγορίας, ενώ εκείνα που σχετίζονται με τις κατηγορίες νερού και βλάστησης παρουσιάζουν μείωση, υποδηλώνοντας μετατροπή σε αστική χρήση γης. ]]<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%BD%CE%AD%CF%81%CE%B3%CE%B5%CE%B9%CE%B1_%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%BA%CE%B1%CE%B9_%CE%B3%CE%B5%CF%89%CF%87%CF%89%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CF%8E%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%80%CF%81%CE%BF%CF%8E%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%83%CF%84%CF%8C%CF%87%CF%89%CE%BD_%CE%B2%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7_%CE%BC%CE%B5%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7 2026-02-16T20:43:11Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Synergy of Remote Sensing and Geospatial Technologies to Advance Sustainable Development Goals for Future Coastal Urbanization and Environmental Challenges in a Riverine Megacity ==<br /> <br /> == Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση των παράκτιων περιοχών και τις περιβαλλοντικές προκλήσεις σε μια μεγαλούπολη σε παραποτάμια περιοχή ==<br /> <br /> Minza Mumtaz, Syed Humayoun Jahanzaib, Waqar Hussain, Sadia Khan, Youssef M. Youssef, Saleh Qaysi, Abdalla Abdelnabi, Nassir Alarifi and Mahmoud E. Abd-Elmaboud<br /> <br /> [https://www.mdpi.com/2220-9964/14/1/30 ISPRS Int. J. Geo-Inf. 2025, 14, 30]<br /> <br /> == 1. Εισαγωγή ==<br /> <br /> Η μελέτη εστιάζει στο Καράτσι του Πακιστάν, μια παραθαλάσσια μεγαλούπολη που αντιμετωπίζει ακραίες προκλήσεις λόγω της άναρχης αστικοποίησης. Η ραγδαία πληθυσμιακή αύξηση και η επέκταση των δομημένων επιφανειών ασκούν τεράστια πίεση στους φυσικούς πόρους και το παράκτιο περιβάλλον. Το άρθρο υπογραμμίζει την ανάγκη ευθυγράμμισης της αστικής ανάπτυξης με τους Στόχους Βιώσιμης Ανάπτυξης (SDGs) του ΟΗΕ (ειδικά τους Στόχους 11, 13 και 15), χρησιμοποιώντας τεχνολογίες αιχμής για την παρακολούθηση και την πρόβλεψη των περιβαλλοντικών επιπτώσεων.<br /> <br /> [[Αρχείο:perioxi_meletis.png | right | thumb | 1. (a) Ο παγκόσμιος χάρτης ξηρασίας κατατάσσει το Πακιστάν στην κατηγορία των ξηρών έως ημι-ξηρών ζωνών. Τα πλαίσια (b,c) απεικονίζουν το Καράτσι, την πρωτεύουσα της επαρχίας Σιντ, που οριοθετείται από ένα κόκκινο πολύγωνο στο νότιο Πακιστάν, χρησιμοποιώντας εικόνες Landsat-8 (ζώνες RGB 7, 5, 2) που επισημαίνουν τους κύριους υδάτινουςπόρους και τις υποδομές της πόλης. ]]<br /> <br /> == 2. Μεθοδολογία ==<br /> <br /> Η μελέτη υιοθετεί ένα ολοκληρωμένο πλαίσιο που συνδυάζει την ανάλυση χρονοσειρών δορυφορικών δεδομένων με μοντέλα πρόβλεψης και υδρολογικές προσομοιώσεις.<br /> <br /> [[Αρχείο:methodology.png | right | thumb | 2. Μεθοδολογία ]]<br /> <br /> '''Δεδομένα και Προεπεξεργασία:'''<br /> <br /> Χρησιμοποιήθηκαν πολυφασματικές εικόνες Landsat (5, 7 και 8) για έξι χρονικά διαστήματα (1990, 1995, 2000, 2010, 2015 και 2020).<br /> <br /> Ενσωματώθηκαν υποστηρικτικά δεδομένα όπως το SRTM-DEM (ψηφιακό μοντέλο υψομέτρου), δεδομένα πληθυσμού και χάρτες οδικού και υδρογραφικού δικτύου.<br /> <br /> Για τα πληθυσμιακά δεδομένα χρησιμοποιήθηκε το εργαλείο Euclidean Distance, ώστε να αποτυπωθεί η επιρροή της πυκνότητας του πληθυσμού στις αλλαγές χρήσης γης.<br /> <br /> [[Αρχείο:elevation_aspect_slope.png | right | thumb | 3. Τοπογραφικοί παράμετροι: (a) DEM, (b) κλίση, and (c) προσανατολισμός. ]]<br /> <br /> [[Αρχείο:Spatial representation of accessibility data (a) Distance from streams and (b) distance.png | right | thumb | 4. Χωρική αναπαράσταση δεδομένων προσβασιμότητας: (a) Απόσταση από ρέματα και (b) απόστασηαπό δρόμους. ]]<br /> <br /> '''Ταξινόμηση και Πρόβλεψη (MOLUSCE &amp; CA-ANN):'''<br /> <br /> - Η γη κατηγοριοποιήθηκε σε 5 κλάσεις: ''Αστική περιοχή'', ''Βλάστηση'', ''Υδάτινα σώματα'', ''Υγρότοποι'' και ''Άγονη γη''.<br /> <br /> - Χρησιμοποιήθηκε το πρόσθετο MOLUSCE σε συνδυασμό με Τεχνητά Νευρωνικά Δίκτυα (ANN) και Κυψελωτά Αυτόματα (Cellular Automata - CA) για τη μοντελοποίηση των μελλοντικών αλλαγών.<br /> <br /> - Δημιουργήθηκαν μήτρες πιθανότητας μετάβασης (transition probability matrices), οι οποίες υπολόγισαν, για παράδειγμα, ότι τα υδάτινα σώματα είχαν 34,7% πιθανότητα να μετατραπούν σε αστικές περιοχές.<br /> <br /> - Υδρολογική Μοντελοποίηση (HEC-RAS):<br /> <br /> i. Εφαρμόστηκε το μοντέλο HEC-RAS για την προσομοίωση πλημμυρικών φαινομένων.<br /> <br /> ii. Το μοντέλο βαθμονομήθηκε με βάση το ακραίο συμβάν των μουσώνων του 2020, χρησιμοποιώντας συντελεστή τραχύτητας Manning 0,04 για τις όχθες του ποταμού.<br /> <br /> '''Επικύρωση (Validation):'''<br /> <br /> Η ακρίβεια του μοντέλου ήταν εξαιρετικά υψηλή, με συνολική ακρίβεια άνω του 97% και συντελεστή Kappa 0,97, γεγονός που επιβεβαιώνει την αξιοπιστία των προσομοιώσεων.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%BD%CE%AD%CF%81%CE%B3%CE%B5%CE%B9%CE%B1_%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%BA%CE%B1%CE%B9_%CE%B3%CE%B5%CF%89%CF%87%CF%89%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CF%8E%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%80%CF%81%CE%BF%CF%8E%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%83%CF%84%CF%8C%CF%87%CF%89%CE%BD_%CE%B2%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7_%CE%BC%CE%B5%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7 2026-02-16T20:36:57Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Synergy of Remote Sensing and Geospatial Technologies to Advance Sustainable Development Goals for Future Coastal Urbanization and Environmental Challenges in a Riverine Megacity ==<br /> <br /> == Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση των παράκτιων περιοχών και τις περιβαλλοντικές προκλήσεις σε μια μεγαλούπολη σε παραποτάμια περιοχή ==<br /> <br /> Minza Mumtaz, Syed Humayoun Jahanzaib, Waqar Hussain, Sadia Khan, Youssef M. Youssef, Saleh Qaysi, Abdalla Abdelnabi, Nassir Alarifi and Mahmoud E. Abd-Elmaboud<br /> <br /> [https://www.mdpi.com/2220-9964/14/1/30 ISPRS Int. J. Geo-Inf. 2025, 14, 30]<br /> <br /> == 1. Εισαγωγή ==<br /> <br /> Η μελέτη εστιάζει στο Καράτσι του Πακιστάν, μια παραθαλάσσια μεγαλούπολη που αντιμετωπίζει ακραίες προκλήσεις λόγω της άναρχης αστικοποίησης. Η ραγδαία πληθυσμιακή αύξηση και η επέκταση των δομημένων επιφανειών ασκούν τεράστια πίεση στους φυσικούς πόρους και το παράκτιο περιβάλλον. Το άρθρο υπογραμμίζει την ανάγκη ευθυγράμμισης της αστικής ανάπτυξης με τους Στόχους Βιώσιμης Ανάπτυξης (SDGs) του ΟΗΕ (ειδικά τους Στόχους 11, 13 και 15), χρησιμοποιώντας τεχνολογίες αιχμής για την παρακολούθηση και την πρόβλεψη των περιβαλλοντικών επιπτώσεων.<br /> <br /> [[Αρχείο:perioxi_meletis.png | right | thumb | 1. (a) Ο παγκόσμιος χάρτης ξηρασίας κατατάσσει το Πακιστάν στην κατηγορία των ξηρών έως ημι-ξηρών ζωνών. Τα πλαίσια (b,c) απεικονίζουν το Καράτσι, την πρωτεύουσα της επαρχίας Σιντ, που οριοθετείται από ένα κόκκινο πολύγωνο στο νότιο Πακιστάν, χρησιμοποιώντας εικόνες Landsat-8 (ζώνες RGB 7, 5, 2) που επισημαίνουν τους κύριους υδάτινουςπόρους και τις υποδομές της πόλης. ]]<br /> <br /> == 2. Μεθοδολογία ==<br /> <br /> Η μελέτη υιοθετεί ένα ολοκληρωμένο πλαίσιο που συνδυάζει την ανάλυση χρονοσειρών δορυφορικών δεδομένων με μοντέλα πρόβλεψης και υδρολογικές προσομοιώσεις.<br /> <br /> [[Αρχείο:methodology.png | right | thumb | 2. Μεθοδολογία ]]<br /> <br /> '''Δεδομένα και Προεπεξεργασία:'''<br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%85%CE%BD%CE%AD%CF%81%CE%B3%CE%B5%CE%B9%CE%B1_%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%BA%CE%B1%CE%B9_%CE%B3%CE%B5%CF%89%CF%87%CF%89%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CF%8E%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CF%80%CF%81%CE%BF%CF%8E%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%83%CF%84%CF%8C%CF%87%CF%89%CE%BD_%CE%B2%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7%CF%82_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7_%CE%BC%CE%B5%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7 2026-02-16T20:26:15Z

<p>TASIOU VASILIKI: Νέα σελίδα με '== Synergy of Remote Sensing and Geospatial Technologies to Advance Sustainable Development Goals for Future Coastal Urbanization and Environmental Challenges in a Riverin...'</p> <hr /> <div>== Synergy of Remote Sensing and Geospatial Technologies to Advance Sustainable Development Goals for Future Coastal Urbanization and Environmental Challenges in a Riverine Megacity ==<br /> <br /> == Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση των παράκτιων περιοχών και τις περιβαλλοντικές προκλήσεις σε μια μεγαλούπολη σε παραποτάμια περιοχή ==<br /> <br /> Minza Mumtaz, Syed Humayoun Jahanzaib, Waqar Hussain, Sadia Khan, Youssef M. Youssef, Saleh Qaysi, Abdalla Abdelnabi, Nassir Alarifi and Mahmoud E. Abd-Elmaboud<br /> <br /> [https://www.mdpi.com/2220-9964/14/1/30 ISPRS Int. J. Geo-Inf. 2025, 14, 30]<br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%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%BF%CE%BD_%CF%80%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C_%CE%B2%CE%AD%CE%BB%CF%84%CE%B9%CF%83%CF%84%CF%89%CE%BD_%CF%83%CE%B5%CE%BD%CE%B1%CF%81%CE%AF%CF%89%CE%BD_%CF%87%CF%81%CE%AE%CF%83%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CF%84%CE%B9%CE%BC%CE%B5%CF%84%CF%8E%CF%80%CE%B9%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B1%CF%8D%CE%BE%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%B5%CF%85%CF%80%CE%AC%CE%B8%CE%B5%CE%B9%CE%B1%CF%82_%CF%83%CE%B5_%CE%BA%CE%B1%CF%84%CE%BF%CE%BB%CE%B9%CF%83%CE%B8%CE%AE%CF%83%CE%B5%CE%B9%CF%82 2026-02-16T20:21:39Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Utilizing Remote Sensing and Random Forests to Identify Optimal Land Use Scenarios and Address the Increase in Landslide Susceptibility ==<br /> <br /> <br /> '''Χρήση τηλεπισκόπησης και Random Forests για τον προσδιορισμό βέλτιστων σεναρίων χρήσης γης και την αντιμετώπιση της αύξησης της ευπάθειας σε κατολισθήσεις'''<br /> <br /> Aditya Nugraha Putra, Jaenudin, Novandi Rizky Prasetya, Michelle Talisia Sugiarto, Sudarto, Cahyo Prayogo, Febrian Maritimo and Fandy Tri Admajaya<br /> <br /> [https://www.mdpi.com/2072-4292/17/14/2497 Remote Sensing 2025, 17, 2497]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Το άρθρο επικεντρώνεται στην περιοχή Sukapura της Ινδονησίας, μια ορεινή περιοχή με έντονο ανάγλυφο που πλήττεται συχνά από κατολισθήσεις. Η μελέτη αναγνωρίζει ότι οι αλλαγές στη χρήση και την κάλυψη γης (LULC), οι οποίες οφείλονται κυρίως στην ανθρώπινη δραστηριότητα, αποτελούν καθοριστικό παράγοντα για την αύξηση της επικινδυνότητας. Στόχος της έρευνας είναι η ανάλυση των ιστορικών μεταβολών της γης από το 1999 έως το 2024, η πρόβλεψη των τάσεων για το 2049 και η αξιολόγηση της ευπάθειας σε κατολισθήσεις υπό διαφορετικά σενάρια διαχείρισης, ώστε να προταθεί η βέλτιστη λύση για τη βιώσιμη ανάπτυξη της περιοχής.<br /> <br /> [[Αρχείο:1.study area.png | right | thumb | 1.Περιοχή μελέτης και κατανομή του επιπέδου κατολισθήσεων από ανάλυση επιτόπιας επιθεώρησης ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η έρευνα χρησιμοποίησε έναν συνδυασμό προηγμένων τεχνικών Τηλεπισκόπησης και Μηχανικής Μάθησης:<br /> <br /> - '''''Επεξεργασία Δεδομένων:''''' Χρησιμοποιήθηκαν δορυφορικές εικόνες Landsat (5, 7, 8 και 9) για τη χαρτογράφηση των χρήσεων γης τα έτη 1999, 2014 και 2024.<br /> <br /> - '''''Ταξινόμηση και Πρόβλεψη:''''' Ο αλγόριθμος Random Forest (RF) χρησιμοποιήθηκε για την ταξινόμηση της κάλυψης γης, ενώ το μοντέλο Cellular Automata-Markov Chain (CA-Markov) χρησιμοποιήθηκε για την πρόβλεψη των μελλοντικών τάσεων έως το 2049.<br /> <br /> - '''''Σενάρια Ανάπτυξης:''''' Εξετάστηκαν τρία σενάρια για το 2049:<br /> <br /> 1.Business-as-Usual (BAU): Συνέχιση των υπαρχουσών τάσεων χωρίς παρεμβάσεις.<br /> <br /> 2.Ecological Protection (EP): Εστίαση στην προστασία των δασών και την αναδάσωση.<br /> <br /> 3.Sustainable Development (SD): Ισορροπία μεταξύ οικονομικής ανάπτυξης και περιβαλλοντικής προστασίας.<br /> <br /> - '''''Χαρτογράφηση Επικινδυνότητας (LSM):''''' Η ευπάθεια σε κατολισθήσεις αναλύθηκε με το μοντέλο RF, λαμβάνοντας υπόψη 10 παράγοντες, όπως η κλίση, το υψόμετρο, η λιθολογία, η βροχόπτωση και η χρήση γης.<br /> <br /> [[Αρχείο:2.framework.png | right | thumb | 2. Πλαίσιο έρευνας και σενάρια με βάση τα μοντέλα BAU, RSP και LC.]]<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> - '''''Ιστορική Εξέλιξη:''''' Από το 1999 έως το 2024, παρατηρήθηκε δραματική αύξηση των δομημένων επιφανειών και της καλλιεργήσιμης γης εις βάρος των δασικών εκτάσεων.<br /> <br /> - '''''Προβλέψεις για το 2049:'''''<br /> <br /> α.Στο σενάριο BAU, η ευπάθεια σε κατολισθήσεις αυξάνεται σημαντικά, καθώς η ανεξέλεγκτη δόμηση επεκτείνεται σε επικίνδυνες πλαγιές.<br /> <br /> β.Το σενάριο EP παρουσίασε τη χαμηλότερη επικινδυνότητα, αναδεικνύοντας τη σημασία της δασικής κάλυψης στη σταθεροποίηση του εδάφους.<br /> <br /> γ.Το σενάριο SD έδειξε μια ελεγχόμενη αύξηση της επικινδυνότητας, επιτρέποντας την απαραίτητη ανάπτυξη με παράλληλη λήψη μέτρων προστασίας.<br /> <br /> - '''''Αξιοπιστία:''''' Το μοντέλο Random Forest επέδειξε υψηλή ακρίβεια πρόβλεψης (AUC &gt; 0.85), επιβεβαιώνοντας την εγκυρότητα των παραγόμενων χαρτών.<br /> <br /> [[Αρχείο:3.results.png | right | thumb | 3. Χάρτες χρήσης γης σε σειρά, με βάση τα βασικά δεδομένα (a) 2017, (b) 2019, (c) 2021, (d) 2022.]]<br /> <br /> [[Αρχείο:4.differences.png | right | thumb | 4. Οπτικοποίηση των διαφορών στη χρήση γης με βάση τα σενάρια BAU, LCC και RSP.]]<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Η μελέτη υπογραμμίζει ότι η χρήση γης είναι ο μόνος δυναμικός παράγοντας που μπορεί να ελεγχθεί από τον άνθρωπο για τον μετριασμό των φυσικών καταστροφών.<br /> <br /> - '''''Πολιτικές Προτάσεις:''''' Οι ερευνητές προτείνουν την υιοθέτηση του σεναρίου Βιώσιμης Ανάπτυξης (SD), το οποίο συνδυάζει τον περιορισμό της δόμησης σε απότομες κλίσεις με τη διατήρηση των δασικών ζωνών.<br /> <br /> - '''''Τεχνολογική Συμβολή:''''' Η συνδυαστική χρήση Τηλεπισκόπησης και Random Forests αποδεικνύεται ένα ισχυρό εργαλείο για τις τοπικές αρχές, επιτρέποντας τον προληπτικό χωροταξικό σχεδιασμό.<br /> <br /> - '''''Συμπέρασμα:''''' Η μετατροπή των δασών σε γεωργική γη στις ορεινές περιοχές είναι ο κύριος &quot;ένοχος&quot; για την αύξηση των κατολισθήσεων, και η αυστηρή εφαρμογή ζωνών προστασίας είναι απαραίτητη για την ασφάλεια των κατοίκων.<br /> <br /> [[Αρχείο:5.priority map.png | right | thumb | 5. Χάρτης προτεραιοτήτων αναβλάστησης για την καταπολέμηση των κινδύνων κατολισθήσεων στην περιοχή μελέτης.]]<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B1%CE%BA%CF%81%CE%BF%CF%80%CF%81%CF%8C%CE%B8%CE%B5%CF%83%CE%BC%CE%B7_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CE%AE_%CF%84%CE%B7%CF%82_%CF%87%CE%B9%CE%BF%CE%BD%CE%BF%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CF%83%CF%84%CE%B1_%CE%B2%CE%BF%CF%85%CE%BD%CE%AC_Qilian_(1986%E2%80%932024):_%CE%9C%CE%AF%CE%B1_%CF%85%CF%88%CE%B7%CE%BB%CE%AE%CF%82-%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%84%CE%BF_Landsat_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7 2026-02-16T20:20:46Z

<p>TASIOU VASILIKI: </p> <hr /> <div>= Long-Term Snow Cover Change in the Qilian Mountains (1986–2024): A High-Resolution Landsat-Based Analysis =<br /> <br /> '''Enwei Huang, Guofeng Zhu, Yuhao Wang, Rui Li, Yuxin Miao, Xiaoyu Qi, Qingyang Wang, Yinying Jiao, Qinqin Wang and Ling Zhao'''<br /> <br /> '''[https://www.mdpi.com/2072-4292/17/14/2497 Remote Sensing 2025, 17, 2497]'''<br /> <br /> <br /> === 1. Εισαγωγή ===<br /> Η κάλυψη χιονιού αποτελεί κρίσιμο στοιχείο της κρυόσφαιρας και ζωτική πηγή νερού για τις άνυδρες περιοχές της βορειοδυτικής Κίνας. Τα βουνά Qilian (QLM), στην βορειοανατολική άκρη του Θιβετιανού Οροπεδίου, λειτουργούν ως οικολογικό φράγμα και περιοχή διατήρησης υδάτων. Λόγω της κλιματικής αλλαγής, η παρακολούθηση του χιονιού είναι απαραίτητη για την πρόβλεψη της διαθεσιμότητας νερού. Ενώ προηγούμενες μελέτες βασίζονταν σε δεδομένα MODIS (χαμηλής ανάλυσης 500m), η παρούσα έρευνα στοχεύει στη δημιουργία του πρώτου προϊόντος χιονιού υψηλής ανάλυσης (30m) για την περίοδο 1986-2024, καλύπτοντας ένα κενό 39 ετών ιστορικών δεδομένων.<br /> <br /> [[Αρχείο:Eikona_01.png | right | thumb | 1.Περιοχή ενδιαφέροντος ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> Η μελέτη χρησιμοποίησε μια σύνθετη προσέγγιση τηλεπισκόπησης και στατιστικής ανάλυσης:<br /> <br /> '''''α. Δεδομένα και Πηγές (Data Acquisition)'''''<br /> <br /> Η μελέτη βασίστηκε σε μια στρατηγική συνδυασμού πολλαπλών αισθητήρων για την επίτευξη συνεχούς παρακολούθησης 39 ετών(1986-2025):<br /> <br /> - Χρησιμοποιήθηκαν δεδομένα από τους Landsat 5 TM (1986-1999), Landsat 7 ETM+ (1999-2012), Landsat 8 OLI (2013-2020) και Landsat 9 OLI-2 (2021-2024).<br /> <br /> - Η επεξεργασία έγινε μέσω του Google Earth Engine (GEE), το οποίο επέτρεψε την ανάλυση 42.006 εικόνων.<br /> <br /> - Χρησιμοποιήθηκαν δεδομένα SRTM (Shuttle Radar Topography Mission) ανάλυσης 30 μέτρων για τον υπολογισμό του υψομέτρου, της κλίσης και του προσανατολισμού.<br /> <br /> '''''β. Στρατηγική Κάλυψης Νεφών (Cloud Masking Strategy)'''''<br /> <br /> Λόγω της συχνής παρουσίας νεφών στις ορεινές περιοχές, αναπτύχθηκε μια διπλή προσαρμοστική στρατηγική:<br /> <br /> - ''Επιεικής (Lenient) Μάσκα:'' Αποκλείει μόνο τα βέβαια νέφη και τις σκιές τους, διατηρώντας το 65-75% των δεδομένων.<br /> <br /> - ''Συντηρητική (Conservative) Μάσκα:'' Αποκλείει μόνο τα νέφη υψηλής εμπιστοσύνης, διατηρώντας το 75-85% των δεδομένων, κάτι που είναι κρίσιμο για τους χειμερινούς μήνες όπου τα δεδομένα είναι σπάνια.<br /> <br /> '''''γ. Φασματικοί Δείκτες και Προεπεξεργασία'''''<br /> <br /> Για την ακριβή αναγνώριση του χιονιού, πραγματοποιήθηκαν οι εξής ενέργειες:<br /> <br /> - ''Ραδιομετρική Διόρθωση:'' Μετατροπή των ψηφιακών αριθμών (DN) σε τιμές επιφανειακής ανάκλασης (SR).<br /> <br /> - ''Δείκτης NDSI (Normalized Difference Snow Index):'' Υπολογίστηκε με βάση την πράσινη (ρgreen) και τη βραχεία υπέρυθρη ζώνη (ρSWIR1). Ο δείκτης αυτός εκμεταλλεύεται την υψηλή ανακλαστικότητα του χιονιού στο ορατό φως και τη χαμηλή ανάκλασή του στο υπέρυθρο.<br /> <br /> '''''δ. Αλγόριθμος Ταξινόμησης Χιονιού Τριών Επιπέδων'''''<br /> <br /> Αντί για ένα απλό όριο, χρησιμοποιήθηκε ένα σύστημα τριών επιπέδων εμπιστοσύνης:<br /> <br /> 1. Βασική Εμπιστοσύνη (Basic): NDSI &gt; 0,3.<br /> <br /> 2. Μέση Εμπιστοσύνη (Medium): NDSI &gt; 0,35 και επιπλέον φασματικά όρια στο μπλε και υπέρυθρο.<br /> <br /> 3. Υψηλή Εμπιστοσύνη (High): NDSI &gt; 0,4 με τα πιο αυστηρά κατώφλια ανάκλασης. <br /> <br /> Η τελική μάσκα χιονιού προέκυψε από τη λογική ένωση (OR) αυτών των τριών επιπέδων.<br /> <br /> '''''ε. Χωρική Παρεμβολή και Συμπλήρωση Κενών'''''<br /> <br /> Για τη συμπλήρωση των κενών που προκαλούνται από σύννεφα ή από την αστοχία του αισθητήρα SLC-off του Landsat 7, εφαρμόστηκαν:<br /> <br /> - Αλγόριθμος χωρικής παρεμβολής (focal statistics) που χρησιμοποιεί ένα κυκλικό παράθυρο ακτίνας 150 μέτρων για την εκτίμηση των ελλειπουσών τιμών από τα γειτονικά pixel.<br /> <br /> - Δημιουργία μηνιαίων σύνθετων εικόνων χρησιμοποιώντας τη διάμεσο τιμή(median compositing), γεγονός που καταστέλλει τον θόρυβο και τις ακραίες τιμές.<br /> <br /> '''''στ. Στατιστική Ανάλυση Τάσεων (Trend Analysis)'''''<br /> <br /> Η ανάλυση της μεταβολής στον χρόνο έγινε με δύο μη παραμετρικές μεθόδους:<br /> <br /> - Sen-Theil Trend Analysis: Χρησιμοποιήθηκε για τον υπολογισμό του ρυθμού μεταβολής (κλίση) της χιονοκάλυψης και του υψομέτρου της χιονογραμμής.<br /> <br /> - Mann-Kendall Test: Εφαρμόστηκε για να διαπιστωθεί αν οι παρατηρούμενες τάσεις είναι στατιστικά σημαντικές ή οφείλονται σε τυχαίες διακυμάνσεις.<br /> <br /> Αυτή η πολυεπίπεδη προσέγγιση επέτρεψε στους ερευνητές να ξεπεράσουν τους περιορισμούς των παραδοσιακών μεθόδων (όπως το MODIS) και να προσφέρουν μια εικόνα υψηλής ακρίβειας για τις αλλαγές στο χιόνι της περιοχής.<br /> <br /> == 3. Αποτελέσματα == <br /> Τα κυριότερα ευρήματα της ανάλυσης είναι:<br /> <br /> - ''Έκταση Χιονοκάλυψης (SCE):'' Η μέση ετήσια κάλυψη χιονιού στα QLM ανήλθε σε 15,73%. Παρατηρήθηκε μια ελαφρά πτωτική τάση (-0,046% ανά έτος), η οποία όμως δεν κρίθηκε στατιστικά σημαντική.<br /> <br /> - ''Μετακίνηση Χιονογραμμής (Snowline):'' Διαπιστώθηκε σημαντική άνοδος της χιονογραμμής, με το μέσο υψόμετρο να αυξάνεται κατά 3,98 m/έτος και το ελάχιστο υψόμετρο κατά 2,81 m/έτος.<br /> <br /> - ''Υψομετρική Διαφοροποίηση:'' Η μείωση του χιονιού ήταν εντονότερη σε υψόμετρα άνω των 5000m και σε χαμηλά υψόμετρα (2000-3500m), ενώ οι ενδιάμεσες περιοχές παρέμειναν σχετικά σταθερές.<br /> <br /> - ''Εποχικότητα:'' Η μέγιστη κάλυψη καταγράφεται τον Φεβρουάριο (27,5%) και η ελάχιστη τον Αύγουστο (2,8%).<br /> <br /> == 4. Συζήτηση ==<br /> <br /> Η έρευνα αναδεικνύει την ανωτερότητα των δεδομένων υψηλής ανάλυσης:<br /> <br /> - ''Αξιοπιστία Δεδομένων:'' Η χρήση των Landsat 8 και 9 βελτίωσε σημαντικά την ακρίβεια ανίχνευσης, επιτυγχάνοντας κάλυψη παρατήρησης 93,4%.<br /> <br /> - ''Σύγκριση με MODIS:'' Η σύγκριση έδειξε ότι το MODIS υποτιμά συστηματικά την κάλυψη χιονιού στις ορεινές περιοχές (κατά περίπου 8,06%), γεγονός που καθιστά τα δεδομένα Landsat πιο ευαίσθητα και αξιόπιστα για τέτοια περιβάλλοντα.<br /> <br /> Τα αποτελέσματα παρέχουν επιστημονικά τεκμήρια για τη διαχείριση των υδάτινων πόρων και τη χάραξη στρατηγικών προσαρμογής στην κλιματική αλλαγή στην ευρύτερη περιοχή. Η άνοδος της χιονογραμμής αποτελεί σαφή δείκτη της επίδρασης της υπερθέρμανσης του πλανήτη στα ορεινά οικοσυστήματα.<br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/Integrating_remote_sensing,_GIS_and_multi-criteria_decision_making_for_assessing_PV_potential_in_mountainous_regions 2026-02-16T20:19:55Z

<p>TASIOU VASILIKI: </p> <hr /> <div>= Integrating remote sensing, GIS and multi-criteria decision making for assessing PV potential in mountainous regions =<br /> <br /> '''Xiaofan Feng, Zhengjia Zhang, Qi Chen, Zhiling Guo, Haoran Zhang, Mengmeng Wang, Wei Gao, Xiuguo Liu'''<br /> <br /> '''[https://www.sciencedirect.com/science/article/pii/S0960148125000023?via%3Dihub Renewable Energy 241 (2025) 122340]'''<br /> ----<br /> <br /> == 1. Εισαγωγή ==<br /> <br /> Η ανάγκη για μείωση των εκπομπών άνθρακα στον πλανήτη και κατ’επέκταση η συνεχής αύξηση της τεχνολογίας των εργαλείων για εκμετάλλευση των ανανεώσιμων πηγών ενέργειας, και συγκεκριμένα της ηλιακής ενέργειας έχει οδηγήσει στον κορεσμό της ελεύθερης γης για τοποθέτηση φωτοβολταϊκών (φ/β) πάρκων. Η συγκεκριμένη έρευνα πραγματεύεται την εξερεύνηση ορεινών περιοχών και την δυνατότητα δημιουργίας (φ/β) πάρκων σε τέτοιου είδους δύσβατες περιοχές, όπου όμως η ηλιακή ακτινοβολία φτάνει υψηλά επίπεδα, με τη βοήθεια της τηλεπισκόπησης, των γεωγραφικών συστημάτων πληροφοριών (ΓΣΠ) και της μεθόδου λήψης αποφάσεων με πολλαπλά κριτήρια.<br /> <br /> <br /> == 2. Περιγραφή του προβλήματος ==<br /> <br /> Το κύριο πρόβλημα που εξετάζεται είναι η έλλειψη διαθέσιμης γης για την εγκατάσταση φωτοβολταϊκών μονάδων. Η κατασκευή σε ορεινό ανάγλυφο είναι ιδιαίτερα περίπλοκη λόγω της ακανόνιστης τοπογραφίας. Οι ερευνητές επικεντρώνονται σε τέσσερα βασικά ζητήματα:<br /> <br /> • Ποιοι παράγοντες πρέπει να ληφθούν υπόψη για την επιλογή τοποθεσίας σε βουνά.<br /> <br /> • Ποιες περιοχές είναι πραγματικά κατάλληλες για την κατασκευή φ/β εγκαταστάσεων.<br /> <br /> • Ποια είναι η δυνατότητα παραγωγής ενέργειας.<br /> <br /> • Ποιο είναι το ισοσταθμισμένο κόστος ενέργειας (LCOE) με βάση τις τιμές της ορεινής γης.<br /> <br /> Επιπλέον, η μελέτη λαμβάνει υπόψη τους αυστηρούς περιορισμούς των πολιτικών χρήσης γης, όπως η προστασία της καλλιεργήσιμης γης και οι οικολογικές «κόκκινες γραμμές», όπως αυτές ορίζονται από τον εθνικό χωροταξικό σχεδιασμό.<br /> <br /> <br /> == 3. Μεθοδολογία ==<br /> <br /> [[Αρχείο:paper_01.jpg | right | thumb | 1.Μεθοδολογία της μελέτης ]]<br /> <br /> Η μεθοδολογία περιλαμβάνει 4 κύρια στάδια που παρουσιάζονται με σειρά προτεραιότητας:<br /> <br /> '''''α. Επιλογή των κριτηρίων'''''<br /> <br /> Αρχικά, επιλέχθηκαν τα παρακάτω 9 κριτήρια:<br /> <br /> • ηλιακή ακτινοβολία<br /> <br /> • κλίση εδάφους (slope)<br /> <br /> • υψόμετρο<br /> <br /> • ρυθμός παραμόρφωσης επιφάνειας εδάφους<br /> <br /> • πυκνότητα δικτύου γραμμών μεταφοράς<br /> <br /> • προσανατολισμός (aspect)<br /> <br /> • κάλυψη γης (land cover)<br /> <br /> • προσβασιμότητα μεταφορών<br /> <br /> • απόσταση από υδάτινους πόρους<br /> <br /> Η επεξεργασία των γεωγραφικών δεδομένων έγινε στο περιβάλλον ArcGIS 10.2 (Spatial Analyst). Χρησιμοποιήθηκαν δεδομένα υψομέτρου NASADEM για την εξαγωγή της κλίσης και του προσανατολισμού, ενώ η ηλιακή ακτινοβολία αντλήθηκε από το μοντέλο ERA5-Land.<br /> <br /> <br /> '''''β. Χρήση της μεθόδου MT-InSAR (Multi-Temporal Interferometric Synthetic Aperture Radar)'''''<br /> <br /> Χρησιμοποιήθηκε η μέθοδος MT-InSAR για την παρακολούθηση της παραμόρφωσης της επιφάνειας του εδάφους και κατά συνέπεια τον εντοπισμό γεωλογικά σταθερών περιοχών, αποφεύγοντας περιοχές με κίνδυνο κατολισθήσεων.<br /> Η τεχνική βασίστηκε στην επεξεργασία 52 δορυφορικών εικόνων ραντάρ Sentinel-1 μέσω του λογισμικού StaMPS (Stanford Method for Persistent Scatterers), επιτρέποντας μετρήσεις μετακίνησης του εδάφους με ακρίβεια χιλιοστού.<br /> <br /> <br /> '''''γ. Μοντέλο OPA (Ordinal Priority Approach)'''''<br /> <br /> Εφαρμόστηκε το μοντέλο OPA για την αξιολόγηση της καταλληλότητας των κριτηρίων και τον υπολογισμό των βαρών καθενός από αυτά, αποφεύγοντας τις υποκειμενικές συγκρίσεις άλλων μεθόδων (όπως η AHP).<br /> Το μοντέλο OPA επιλύθηκε μέσω γραμμικού προγραμματισμού (χρησιμοποιώντας λογισμικά όπως το MATLAB), αποδίδοντας την υψηλότερη βαρύτητα στην ακτινοβολία (0,3535) και στην κλίση (0,1768).<br /> <br /> <br /> '''''δ. LCOE (Levelized Cost of Energy)'''''<br /> <br /> Τέλος, εκτιμήθηκε η ετήσια παραγωγή ενέργειας και το οικονομικό κόστος της επένδυσης.<br /> Η χωρική υπέρθεση (overlay) των δεδομένων έγινε με το Raster Calculator του ArcGIS. Για το οικονομικό σκέλος, χρησιμοποιήθηκε ο δείκτης LCOE (Levelized Cost of Energy), ενσωματώνοντας τον παράγοντα &quot;αυξημένου κόστους ορεινής κατασκευής&quot; για να διασφαλιστεί η ρεαλιστική απόδοση της επένδυσης.<br /> <br /> <br /> == 4. Αποτελέσματα ==<br /> <br /> Η μελέτη στην περιοχή Yongren κατέληξε σε συγκεκριμένα ποσοτικά δεδομένα:<br /> <br /> • ''Επιλογή Γης:'' Εντοπίστηκαν 85,45 km2 ως &quot;εξαιρετικά κατάλληλες&quot; περιοχές.<br /> <br /> • ''Ενεργειακό Δυναμικό:'' Η ετήσια παραγωγή εκτιμάται στα 665,41 GWh.<br /> <br /> • ''Οικονομική Απόδοση:'' Το LCOE (Levelized Cost of Energy) υπολογίστηκε στα 0,3963 RMB/kWh. Το μοντέλο υπολόγισε το LCOE ενσωματώνοντας το &quot;Mountainous Construction Cost&quot; (αυξημένο κόστος λόγω κλίσης και δυσκολίας πρόσβασης).<br /> <br /> • ''Εγκυρότητα:'' Ο χάρτης καταλληλότητας που παρήγαγε το ArcGIS επαληθεύτηκε με οπτική σύγκριση από δορυφορικές εικόνες υψηλής ανάλυσης (Google Earth), δείχνοντας ότι οι περιοχές που υποδείχθηκαν είναι όντως ελεύθερες από δάση ή καλλιέργειες.<br /> <br /> <br /> == 5. Συζήτηση ==<br /> <br /> Το προτεινόμενο πλαίσιο προσφέρει μια ολοκληρωμένη λύση στο πρόβλημα της σπανιότητας γης για την ανάπτυξη των φωτοβολταϊκών. Η ενσωμάτωση της τεχνολογίας MT-InSAR κρίνεται κρίσιμη για την ασφάλεια των εγκαταστάσεων σε ορεινά εδάφη. Οι συγγραφείς τονίζουν ότι η επιλογή των τοποθεσιών πρέπει να ευθυγραμμίζεται αυστηρά με τις εθνικές πολιτικές προστασίας του περιβάλλοντος και της γεωργίας. Τελικά, η ανάπτυξη φωτοβολταϊκών σε ορεινές περιοχές δεν συμβάλλει μόνο στη μείωση των εκπομπών άνθρακα, αλλά ενισχύει και την οικονομική ανάπτυξη των αγροτικών περιοχών μέσω της χρήσης ανεκμετάλλευτης γης.</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%AC%CF%83%CE%B9%CE%BF%CF%85_%CE%92%CE%B1%CF%83%CE%B9%CE%BB%CE%B9%CE%BA%CE%AE 2026-02-16T20:18:37Z

<p>TASIOU VASILIKI: </p> <hr /> <div>[[Integrating remote sensing, GIS and multi-criteria decision making for assessing PV potential in mountainous regions]] <br /> <br /> [[Μακροπρόθεσμη μεταβολή της χιονοκάλυψης στα βουνά Qilian (1986–2024): Μία υψηλής-ανάλυσης με βάση το Landsat ανάλυση]]<br /> <br /> [[Χρήση τηλεπισκόπησης για τον προσδιορισμό βέλτιστων σεναρίων χρήσης γης και την αντιμετώπιση της αύξησης της ευπάθειας σε κατολισθήσεις]]<br /> <br /> [[Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΑ και τηλεπισκόπηση δασών και καλλιεργειών]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CF%84%CE%B7%CF%82:TASIOU_VASILIKI 2026-02-16T20:17:24Z

<p>TASIOU VASILIKI: </p> <hr /> <div>[[Integrating remote sensing, GIS and multi-criteria decision making for assessing PV potential in mountainous regions]]<br /> <br /> [[Μακροπρόθεσμη μεταβολή της χιονοκάλυψης στα βουνά Qilian (1986–2024): Μία υψηλής-ανάλυσης με βάση το Landsat ανάλυση]]<br /> <br /> [[Χρήση τηλεπισκόπησης για τον προσδιορισμό βέλτιστων σεναρίων χρήσης γης και την αντιμετώπιση της αύξησης της ευπάθειας σε κατολισθήσεις]]<br /> <br /> [[Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΑ και τηλεπισκόπηση δασών και καλλιεργειών]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%9C%CE%BF%CE%BB%CE%B4%CE%B1%CE%B2%CE%AF%CE%B1:_%CE%93%CE%A3%CE%A0_%CE%BA%CE%B1%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_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD 2026-02-16T20:16:46Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Sustainable land use in Moldova: GIS &amp; remote sensing of forests and crops ==<br /> <br /> '''Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΑ και τηλεπισκόπηση δασών και καλλιεργειών'''<br /> <br /> Aleksandar Valjarevic, Cezar Morar, Ljiljana Brasanac-Bosanac, Tatjana Cirkovic-Mitrovic, Tatjana Djekic, Marija Mihajlovic, Ivica Milevski, Golub Culafic, Milan Lukovic, Liudmyla Niemets, Kateryna Sehida, Gordana Kaplan<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0264837725000481?via%3Dihub Land Use Policy 152 (2025) 107515]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Το άρθρο εξετάζει τη σημασία των δασών και των γεωργικών εκτάσεων ως κρίσιμων στοιχείων για την περιβαλλοντική σταθερότητα και τη βιοποικιλότητα. Η Δημοκρατία της Μολδαβίας αντιμετωπίζει μια ιδιαίτερη πρόκληση, καθώς διαθέτει ένα από τα χαμηλότερα ποσοστά δασοκάλυψης στην Ευρώπη (μόλις 11,4% της επικράτειας), ενώ ο γεωργικός τομέας είναι κυρίαρχος, με έμφαση στις καλλιέργειες ηλίανθου και σταφυλιών. Η μελέτη στοχεύει στην ανάλυση των χωρικών αλληλεπιδράσεων μεταξύ των δασικών εκτάσεων και αυτών των δύο βασικών καλλιεργειών, προκειμένου να προταθούν στρατηγικές βιώσιμης διαχείρισης γης που εξισορροπούν την οικονομική ανάπτυξη με την προστασία του περιβάλλοντος.<br /> <br /> [[Αρχείο:moldova.png | right | thumb | 1. Περιοχή ενδιαφέροντος: Μολδαβία και η τοπολογία της ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η έρευνα βασίζεται στην ενσωμάτωση προηγμένων εργαλείων τηλεπισκόπησης και συστημάτων γεωγραφικών πληροφοριών:<br /> <br /> [[Αρχείο:flowchart_methodology.png | right | thumb | 2. Σχεδιάγραμμα ροής - Μεθοδολογία]]<br /> <br /> '''i. Πηγές και Διαχείριση Δεδομένων'''<br /> <br /> Οι ερευνητές αξιοποίησαν ένα ευρύ φάσμα δεδομένων για να καλύψουν τη χρονική περίοδο από το 1996 έως το 2018, αλλά και την τρέχουσα κατάσταση (2021):<br /> <br /> '''''Δορυφορικές Εικόνες:''''' Χρησιμοποιήθηκαν δεδομένα από τις αποστολές Sentinel-1 (ραντάρ) και Sentinel-2 (οπτικά δεδομένα) για τη χαρτογράφηση του 2021. Επίσης, αντλήθηκαν ιστορικά δεδομένα από τους δορυφόρους Landsat 7 και 8 για τη σύγκριση των μεταβολών.<br /> <br /> '''''Πλατφόρμα Google Earth Engine (GEE):''''' Η χρήση του GEE επέτρεψε την επεξεργασία τεράστιου όγκου δεδομένων στο υπολογιστικό νέφος, ξεπερνώντας τους περιορισμούς των τοπικών υπολογιστών.<br /> <br /> '''''Βάσεις Δεδομένων:''''' Ενσωματώθηκαν δεδομένα από το ευρωπαϊκό πρόγραμμα CORINE Land Cover (CLC) για τον προσδιορισμό των χρήσεων γης, καθώς και κτηματολογικά (cadastral) αρχεία της Μολδαβίας για την ιδιοκτησία και τα όρια των εκτάσεων.<br /> <br /> '''ii. Προεπεξεργασία και Φασματικοί Δείκτες'''<br /> <br /> Πριν την ταξινόμηση, οι εικόνες υποβλήθηκαν σε αυστηρά φίλτρα:<br /> <br /> '''''Cloud Masking:''''' Εφαρμόστηκε φίλτρο νεφώσεων κάτω του 5% για τη διασφάλιση καθαρών παρατηρήσεων, με τη χρήση 215 εικόνων για το καλοκαίρι και 200 για τον χειμώνα.<br /> <br /> '''''Υπολογισμός Δεικτών:''''' Για τον καλύτερο διαχωρισμό των κλάσεων, υπολογίστηκαν οι δείκτες:<br /> <br /> - ''NDVI (Βλάστηση):'' Για τον εντοπισμό των διαφόρων ειδών βλάστησης.<br /> <br /> - ''NDWI (Νερό):'' Για τον εντοπισμό υδάτινων όγκων.<br /> <br /> - ''NDBI (Δόμηση):'' Για τις αστικές και τεχνητές επιφάνειες.<br /> <br /> '''iii. Αλγόριθμος Ταξινόμησης και Επικύρωση'''<br /> <br /> Για τη δημιουργία του χάρτη κάλυψης γης 5 κλάσεων (αστικά, καλλιέργειες, δάση, νερό, άγονη γη), ακολουθήθηκε η εξής διαδικασία:<br /> <br /> '''''Support Vector Machine (SVM):''''' Χρησιμοποιήθηκε αυτός ο αλγόριθμος επιβλεπόμενης μάθησης, ο οποίος θεωρείται από τους πλέον αξιόπιστους για την ταξινόμηση δορυφορικών εικόνων.<br /> <br /> '''''Δείγμα Εκπαίδευσης:''''' Συλλέχθηκαν πάνω από 300 δείγματα εδάφους. Το σύνολο των δεδομένων χωρίστηκε σε 70% για την εκπαίδευση του μοντέλου και 30% για τον έλεγχο της ακρίβειας.<br /> <br /> '''''Αξιολόγηση:''''' Η ακρίβεια επικυρώθηκε με τη χρήση της συνολικής ακρίβειας (Overall Accuracy) και του στατιστικού δείκτη Kappa.<br /> <br /> '''iv. Εξειδικευμένη Ανάλυση Καλλιεργειών και Κλίματος'''<br /> <br /> Ιδιαίτερη έμφαση δόθηκε στον ηλίανθο και τα αμπέλια:<br /> <br /> '''''Λογισμικό DIVA-GIS:''''' Χρησιμοποιήθηκε για τον ακριβή υπολογισμό των εκτάσεων συγκεκριμένων καλλιεργειών, λαμβάνοντας υπόψη τις φυσικές ιδιότητες των φυτών.<br /> <br /> '''''Κλιματικά Δεδομένα:''''' Ενσωματώθηκαν μετεωρολογικά δεδομένα 30 ετών (θερμοκρασία, βροχόπτωση) για να αναλυθεί πώς οι κλιματικές ακρότητες (π.χ. ξηρασίες) επηρεάζουν τη γεωργική παραγωγή.<br /> <br /> '''v. Μοντέλο Ασαφούς Λογικής (Fuzzy MCDM)'''<br /> <br /> Για την αξιολόγηση της κοινωνικοοικονομικής πίεσης στα δάση, εφαρμόστηκε το πλαίσιο '''''Pressure-Regional-Response (PRR):'''''<br /> <br /> ''Fuzzy AHP (Analytic Hierarchy Process):'' Μια μέθοδος λήψης αποφάσεων που ιεραρχεί τα κριτήρια (περιβαλλοντικά, οικονομικά) χρησιμοποιώντας ασαφή λογική για να αντιμετωπιστεί η αβεβαιότητα των δεδομένων.<br /> <br /> ''Weighted Sum Model:'' Μέσω του QGIS, οι βαθμολογίες της ασαφούς λογικής συνδυάστηκαν για να δημιουργηθούν χάρτες τρωτότητας, που κατατάσσουν τις περιοχές από &quot;πολύ χαμηλή&quot; έως &quot;υψηλή&quot; επικινδυνότητα για υποβάθμιση.<br /> <br /> [[Αρχείο:kuries_sunistwses_AHP.png | right | thumb | 3. Χάρτης τρωτότητας ]]<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> '''''Χωρική Κατανομή:''''' Τα δάση της Μολδαβίας είναι εξαιρετικά περιορισμένα και συγκεντρώνονται κυρίως στην κεντρική περιοχή (οροπέδιο Codri), ενώ στο βορρά και το νότο η δασοκάλυψη είναι πολύ αραιή.<br /> <br /> '''''Ακρίβεια Μοντέλων:''''' Η ταξινόμηση της κάλυψης γης μέσω GEE επέδειξε υψηλή αξιοπιστία, με συνολική ακρίβεια 90% και συντελεστή Kappa 0,88.<br /> <br /> [[Αρχείο:GEE_land-classification_2021.png | right | thumb | 4. Κατανομή γης βάσει του Google Earth Engine ]]<br /> <br /> '''''Κλιματικές Επιπτώσεις:''''' Διαπιστώθηκε ότι οι ακραίες ξηρασίες (όπως αυτές του 2007 και του 2020) έχουν προκαλέσει τεράστιες οικονομικές απώλειες στον γεωργικό τομέα, επηρεάζοντας το 80% της επικράτειας και οδηγώντας σε σημαντική μείωση της παραγωγής.<br /> <br /> '''''Ευάλωτες Περιοχές:''''' Εντοπίστηκαν ζώνες όπου η γεωργική επέκταση έρχεται σε άμεση σύγκρουση με τις προστατευόμενες δασικές εκτάσεις, αυξάνοντας τον κίνδυνο υποβάθμισης του εδάφους.<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Τα αποτελέσματα υπογραμμίζουν την επείγουσα ανάγκη για προσαρμοστικές στρατηγικές χρήσης γης που να λαμβάνουν υπόψη την κλιματική μεταβλητότητα και την αστική εξάπλωση.<br /> <br /> '''''Πολιτικές Προστασίας:''''' Η έρευνα προτείνει την ιεράρχηση της αναδάσωσης σε ευάλωτες περιοχές για την αποκατάσταση της οικολογικής ισορροπίας και την πρόληψη της διάβρωσης του εδάφους.<br /> <br /> '''''Βιώσιμη Ανάπτυξη:''''' Η εξισορρόπηση μεταξύ της γεωργικής παραγωγικότητας (ιδιαίτερα στον τομέα της οινοποιίας και του ηλίανθου) και της διατήρησης των δασών είναι απαραίτητη για τη μακροπρόθεσμη ανθεκτικότητα των φυσικών πόρων της χώρας.<br /> <br /> '''''Τεχνολογική Συμβολή:''''' Η μελέτη αποδεικνύει ότι ο συνδυασμός GIS, Τηλεπισκόπησης και κτηματολογικών δεδομένων παρέχει ένα ισχυρό πλαίσιο για τους λήπτες αποφάσεων, επιτρέποντας τον ακριβή εντοπισμό περιοχών που απαιτούν άμεση παρέμβαση.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:GEE_land-classification_2021.png 2026-02-16T20:16:05Z

<p>TASIOU VASILIKI: 4. Κατανομή γης βάσει του Google Earth Engine</p> <hr /> <div>4. Κατανομή γης βάσει του Google Earth Engine</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%9C%CE%BF%CE%BB%CE%B4%CE%B1%CE%B2%CE%AF%CE%B1:_%CE%93%CE%A3%CE%A0_%CE%BA%CE%B1%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_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD 2026-02-16T20:12:14Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Sustainable land use in Moldova: GIS &amp; remote sensing of forests and crops ==<br /> <br /> '''Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΑ και τηλεπισκόπηση δασών και καλλιεργειών'''<br /> <br /> Aleksandar Valjarevic, Cezar Morar, Ljiljana Brasanac-Bosanac, Tatjana Cirkovic-Mitrovic, Tatjana Djekic, Marija Mihajlovic, Ivica Milevski, Golub Culafic, Milan Lukovic, Liudmyla Niemets, Kateryna Sehida, Gordana Kaplan<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0264837725000481?via%3Dihub Land Use Policy 152 (2025) 107515]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Το άρθρο εξετάζει τη σημασία των δασών και των γεωργικών εκτάσεων ως κρίσιμων στοιχείων για την περιβαλλοντική σταθερότητα και τη βιοποικιλότητα. Η Δημοκρατία της Μολδαβίας αντιμετωπίζει μια ιδιαίτερη πρόκληση, καθώς διαθέτει ένα από τα χαμηλότερα ποσοστά δασοκάλυψης στην Ευρώπη (μόλις 11,4% της επικράτειας), ενώ ο γεωργικός τομέας είναι κυρίαρχος, με έμφαση στις καλλιέργειες ηλίανθου και σταφυλιών. Η μελέτη στοχεύει στην ανάλυση των χωρικών αλληλεπιδράσεων μεταξύ των δασικών εκτάσεων και αυτών των δύο βασικών καλλιεργειών, προκειμένου να προταθούν στρατηγικές βιώσιμης διαχείρισης γης που εξισορροπούν την οικονομική ανάπτυξη με την προστασία του περιβάλλοντος.<br /> <br /> [[Αρχείο:moldova.png | right | thumb | 1. Περιοχή ενδιαφέροντος: Μολδαβία και η τοπολογία της ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η έρευνα βασίζεται στην ενσωμάτωση προηγμένων εργαλείων τηλεπισκόπησης και συστημάτων γεωγραφικών πληροφοριών:<br /> <br /> [[Αρχείο:flowchart_methodology.png | right | thumb | 2. Σχεδιάγραμμα ροής - Μεθοδολογία]]<br /> <br /> '''i. Πηγές και Διαχείριση Δεδομένων'''<br /> <br /> Οι ερευνητές αξιοποίησαν ένα ευρύ φάσμα δεδομένων για να καλύψουν τη χρονική περίοδο από το 1996 έως το 2018, αλλά και την τρέχουσα κατάσταση (2021):<br /> <br /> '''''Δορυφορικές Εικόνες:''''' Χρησιμοποιήθηκαν δεδομένα από τις αποστολές Sentinel-1 (ραντάρ) και Sentinel-2 (οπτικά δεδομένα) για τη χαρτογράφηση του 2021. Επίσης, αντλήθηκαν ιστορικά δεδομένα από τους δορυφόρους Landsat 7 και 8 για τη σύγκριση των μεταβολών.<br /> <br /> '''''Πλατφόρμα Google Earth Engine (GEE):''''' Η χρήση του GEE επέτρεψε την επεξεργασία τεράστιου όγκου δεδομένων στο υπολογιστικό νέφος, ξεπερνώντας τους περιορισμούς των τοπικών υπολογιστών.<br /> <br /> '''''Βάσεις Δεδομένων:''''' Ενσωματώθηκαν δεδομένα από το ευρωπαϊκό πρόγραμμα CORINE Land Cover (CLC) για τον προσδιορισμό των χρήσεων γης, καθώς και κτηματολογικά (cadastral) αρχεία της Μολδαβίας για την ιδιοκτησία και τα όρια των εκτάσεων.<br /> <br /> '''ii. Προεπεξεργασία και Φασματικοί Δείκτες'''<br /> <br /> Πριν την ταξινόμηση, οι εικόνες υποβλήθηκαν σε αυστηρά φίλτρα:<br /> <br /> '''''Cloud Masking:''''' Εφαρμόστηκε φίλτρο νεφώσεων κάτω του 5% για τη διασφάλιση καθαρών παρατηρήσεων, με τη χρήση 215 εικόνων για το καλοκαίρι και 200 για τον χειμώνα.<br /> <br /> '''''Υπολογισμός Δεικτών:''''' Για τον καλύτερο διαχωρισμό των κλάσεων, υπολογίστηκαν οι δείκτες:<br /> <br /> - ''NDVI (Βλάστηση):'' Για τον εντοπισμό των διαφόρων ειδών βλάστησης.<br /> <br /> - ''NDWI (Νερό):'' Για τον εντοπισμό υδάτινων όγκων.<br /> <br /> - ''NDBI (Δόμηση):'' Για τις αστικές και τεχνητές επιφάνειες.<br /> <br /> '''iii. Αλγόριθμος Ταξινόμησης και Επικύρωση'''<br /> <br /> Για τη δημιουργία του χάρτη κάλυψης γης 5 κλάσεων (αστικά, καλλιέργειες, δάση, νερό, άγονη γη), ακολουθήθηκε η εξής διαδικασία:<br /> <br /> '''''Support Vector Machine (SVM):''''' Χρησιμοποιήθηκε αυτός ο αλγόριθμος επιβλεπόμενης μάθησης, ο οποίος θεωρείται από τους πλέον αξιόπιστους για την ταξινόμηση δορυφορικών εικόνων.<br /> <br /> '''''Δείγμα Εκπαίδευσης:''''' Συλλέχθηκαν πάνω από 300 δείγματα εδάφους. Το σύνολο των δεδομένων χωρίστηκε σε 70% για την εκπαίδευση του μοντέλου και 30% για τον έλεγχο της ακρίβειας.<br /> <br /> '''''Αξιολόγηση:''''' Η ακρίβεια επικυρώθηκε με τη χρήση της συνολικής ακρίβειας (Overall Accuracy) και του στατιστικού δείκτη Kappa.<br /> <br /> '''iv. Εξειδικευμένη Ανάλυση Καλλιεργειών και Κλίματος'''<br /> <br /> Ιδιαίτερη έμφαση δόθηκε στον ηλίανθο και τα αμπέλια:<br /> <br /> '''''Λογισμικό DIVA-GIS:''''' Χρησιμοποιήθηκε για τον ακριβή υπολογισμό των εκτάσεων συγκεκριμένων καλλιεργειών, λαμβάνοντας υπόψη τις φυσικές ιδιότητες των φυτών.<br /> <br /> '''''Κλιματικά Δεδομένα:''''' Ενσωματώθηκαν μετεωρολογικά δεδομένα 30 ετών (θερμοκρασία, βροχόπτωση) για να αναλυθεί πώς οι κλιματικές ακρότητες (π.χ. ξηρασίες) επηρεάζουν τη γεωργική παραγωγή.<br /> <br /> '''v. Μοντέλο Ασαφούς Λογικής (Fuzzy MCDM)'''<br /> <br /> Για την αξιολόγηση της κοινωνικοοικονομικής πίεσης στα δάση, εφαρμόστηκε το πλαίσιο '''''Pressure-Regional-Response (PRR):'''''<br /> <br /> ''Fuzzy AHP (Analytic Hierarchy Process):'' Μια μέθοδος λήψης αποφάσεων που ιεραρχεί τα κριτήρια (περιβαλλοντικά, οικονομικά) χρησιμοποιώντας ασαφή λογική για να αντιμετωπιστεί η αβεβαιότητα των δεδομένων.<br /> <br /> ''Weighted Sum Model:'' Μέσω του QGIS, οι βαθμολογίες της ασαφούς λογικής συνδυάστηκαν για να δημιουργηθούν χάρτες τρωτότητας, που κατατάσσουν τις περιοχές από &quot;πολύ χαμηλή&quot; έως &quot;υψηλή&quot; επικινδυνότητα για υποβάθμιση.<br /> <br /> [[Αρχείο:kuries_sunistwses_AHP.png | right | thumb | 3. Χάρτης τρωτότητας ]]<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> '''''Χωρική Κατανομή:''''' Τα δάση της Μολδαβίας είναι εξαιρετικά περιορισμένα και συγκεντρώνονται κυρίως στην κεντρική περιοχή (οροπέδιο Codri), ενώ στο βορρά και το νότο η δασοκάλυψη είναι πολύ αραιή.<br /> <br /> '''''Ακρίβεια Μοντέλων:''''' Η ταξινόμηση της κάλυψης γης μέσω GEE επέδειξε υψηλή αξιοπιστία, με συνολική ακρίβεια 90% και συντελεστή Kappa 0,88.<br /> <br /> [[Αρχείο:GEE_land-classification_2021.png | right | thumb | 4. Κατανομή γης βάσει του Google Earth Engine]]<br /> <br /> '''''Κλιματικές Επιπτώσεις:''''' Διαπιστώθηκε ότι οι ακραίες ξηρασίες (όπως αυτές του 2007 και του 2020) έχουν προκαλέσει τεράστιες οικονομικές απώλειες στον γεωργικό τομέα, επηρεάζοντας το 80% της επικράτειας και οδηγώντας σε σημαντική μείωση της παραγωγής.<br /> <br /> '''''Ευάλωτες Περιοχές:''''' Εντοπίστηκαν ζώνες όπου η γεωργική επέκταση έρχεται σε άμεση σύγκρουση με τις προστατευόμενες δασικές εκτάσεις, αυξάνοντας τον κίνδυνο υποβάθμισης του εδάφους.<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Τα αποτελέσματα υπογραμμίζουν την επείγουσα ανάγκη για προσαρμοστικές στρατηγικές χρήσης γης που να λαμβάνουν υπόψη την κλιματική μεταβλητότητα και την αστική εξάπλωση.<br /> <br /> '''''Πολιτικές Προστασίας:''''' Η έρευνα προτείνει την ιεράρχηση της αναδάσωσης σε ευάλωτες περιοχές για την αποκατάσταση της οικολογικής ισορροπίας και την πρόληψη της διάβρωσης του εδάφους.<br /> <br /> '''''Βιώσιμη Ανάπτυξη:''''' Η εξισορρόπηση μεταξύ της γεωργικής παραγωγικότητας (ιδιαίτερα στον τομέα της οινοποιίας και του ηλίανθου) και της διατήρησης των δασών είναι απαραίτητη για τη μακροπρόθεσμη ανθεκτικότητα των φυσικών πόρων της χώρας.<br /> <br /> '''''Τεχνολογική Συμβολή:''''' Η μελέτη αποδεικνύει ότι ο συνδυασμός GIS, Τηλεπισκόπησης και κτηματολογικών δεδομένων παρέχει ένα ισχυρό πλαίσιο για τους λήπτες αποφάσεων, επιτρέποντας τον ακριβή εντοπισμό περιοχών που απαιτούν άμεση παρέμβαση.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Kuries_sunistwses_AHP.png 2026-02-16T20:11:44Z

<p>TASIOU VASILIKI: 3. Χάρτης τρωτότητας</p> <hr /> <div>3. Χάρτης τρωτότητας</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%9C%CE%BF%CE%BB%CE%B4%CE%B1%CE%B2%CE%AF%CE%B1:_%CE%93%CE%A3%CE%A0_%CE%BA%CE%B1%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_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD 2026-02-16T20:11:17Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Sustainable land use in Moldova: GIS &amp; remote sensing of forests and crops ==<br /> <br /> '''Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΑ και τηλεπισκόπηση δασών και καλλιεργειών'''<br /> <br /> Aleksandar Valjarevic, Cezar Morar, Ljiljana Brasanac-Bosanac, Tatjana Cirkovic-Mitrovic, Tatjana Djekic, Marija Mihajlovic, Ivica Milevski, Golub Culafic, Milan Lukovic, Liudmyla Niemets, Kateryna Sehida, Gordana Kaplan<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0264837725000481?via%3Dihub Land Use Policy 152 (2025) 107515]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Το άρθρο εξετάζει τη σημασία των δασών και των γεωργικών εκτάσεων ως κρίσιμων στοιχείων για την περιβαλλοντική σταθερότητα και τη βιοποικιλότητα. Η Δημοκρατία της Μολδαβίας αντιμετωπίζει μια ιδιαίτερη πρόκληση, καθώς διαθέτει ένα από τα χαμηλότερα ποσοστά δασοκάλυψης στην Ευρώπη (μόλις 11,4% της επικράτειας), ενώ ο γεωργικός τομέας είναι κυρίαρχος, με έμφαση στις καλλιέργειες ηλίανθου και σταφυλιών. Η μελέτη στοχεύει στην ανάλυση των χωρικών αλληλεπιδράσεων μεταξύ των δασικών εκτάσεων και αυτών των δύο βασικών καλλιεργειών, προκειμένου να προταθούν στρατηγικές βιώσιμης διαχείρισης γης που εξισορροπούν την οικονομική ανάπτυξη με την προστασία του περιβάλλοντος.<br /> <br /> [[Αρχείο:moldova.png | right | thumb | 1. Περιοχή ενδιαφέροντος: Μολδαβία και η τοπολογία της ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η έρευνα βασίζεται στην ενσωμάτωση προηγμένων εργαλείων τηλεπισκόπησης και συστημάτων γεωγραφικών πληροφοριών:<br /> <br /> [[Αρχείο:flowchart_methodology.png | right | thumb | 2. Σχεδιάγραμμα ροής - Μεθοδολογία]]<br /> <br /> '''i. Πηγές και Διαχείριση Δεδομένων'''<br /> <br /> Οι ερευνητές αξιοποίησαν ένα ευρύ φάσμα δεδομένων για να καλύψουν τη χρονική περίοδο από το 1996 έως το 2018, αλλά και την τρέχουσα κατάσταση (2021):<br /> <br /> '''''Δορυφορικές Εικόνες:''''' Χρησιμοποιήθηκαν δεδομένα από τις αποστολές Sentinel-1 (ραντάρ) και Sentinel-2 (οπτικά δεδομένα) για τη χαρτογράφηση του 2021. Επίσης, αντλήθηκαν ιστορικά δεδομένα από τους δορυφόρους Landsat 7 και 8 για τη σύγκριση των μεταβολών.<br /> <br /> '''''Πλατφόρμα Google Earth Engine (GEE):''''' Η χρήση του GEE επέτρεψε την επεξεργασία τεράστιου όγκου δεδομένων στο υπολογιστικό νέφος, ξεπερνώντας τους περιορισμούς των τοπικών υπολογιστών.<br /> <br /> '''''Βάσεις Δεδομένων:''''' Ενσωματώθηκαν δεδομένα από το ευρωπαϊκό πρόγραμμα CORINE Land Cover (CLC) για τον προσδιορισμό των χρήσεων γης, καθώς και κτηματολογικά (cadastral) αρχεία της Μολδαβίας για την ιδιοκτησία και τα όρια των εκτάσεων.<br /> <br /> '''ii. Προεπεξεργασία και Φασματικοί Δείκτες'''<br /> <br /> Πριν την ταξινόμηση, οι εικόνες υποβλήθηκαν σε αυστηρά φίλτρα:<br /> <br /> '''''Cloud Masking:''''' Εφαρμόστηκε φίλτρο νεφώσεων κάτω του 5% για τη διασφάλιση καθαρών παρατηρήσεων, με τη χρήση 215 εικόνων για το καλοκαίρι και 200 για τον χειμώνα.<br /> <br /> '''''Υπολογισμός Δεικτών:''''' Για τον καλύτερο διαχωρισμό των κλάσεων, υπολογίστηκαν οι δείκτες:<br /> <br /> - ''NDVI (Βλάστηση):'' Για τον εντοπισμό των διαφόρων ειδών βλάστησης.<br /> <br /> - ''NDWI (Νερό):'' Για τον εντοπισμό υδάτινων όγκων.<br /> <br /> - ''NDBI (Δόμηση):'' Για τις αστικές και τεχνητές επιφάνειες.<br /> <br /> '''iii. Αλγόριθμος Ταξινόμησης και Επικύρωση'''<br /> <br /> Για τη δημιουργία του χάρτη κάλυψης γης 5 κλάσεων (αστικά, καλλιέργειες, δάση, νερό, άγονη γη), ακολουθήθηκε η εξής διαδικασία:<br /> <br /> '''''Support Vector Machine (SVM):''''' Χρησιμοποιήθηκε αυτός ο αλγόριθμος επιβλεπόμενης μάθησης, ο οποίος θεωρείται από τους πλέον αξιόπιστους για την ταξινόμηση δορυφορικών εικόνων.<br /> <br /> '''''Δείγμα Εκπαίδευσης:''''' Συλλέχθηκαν πάνω από 300 δείγματα εδάφους. Το σύνολο των δεδομένων χωρίστηκε σε 70% για την εκπαίδευση του μοντέλου και 30% για τον έλεγχο της ακρίβειας.<br /> <br /> '''''Αξιολόγηση:''''' Η ακρίβεια επικυρώθηκε με τη χρήση της συνολικής ακρίβειας (Overall Accuracy) και του στατιστικού δείκτη Kappa.<br /> <br /> '''iv. Εξειδικευμένη Ανάλυση Καλλιεργειών και Κλίματος'''<br /> <br /> Ιδιαίτερη έμφαση δόθηκε στον ηλίανθο και τα αμπέλια:<br /> <br /> '''''Λογισμικό DIVA-GIS:''''' Χρησιμοποιήθηκε για τον ακριβή υπολογισμό των εκτάσεων συγκεκριμένων καλλιεργειών, λαμβάνοντας υπόψη τις φυσικές ιδιότητες των φυτών.<br /> <br /> '''''Κλιματικά Δεδομένα:''''' Ενσωματώθηκαν μετεωρολογικά δεδομένα 30 ετών (θερμοκρασία, βροχόπτωση) για να αναλυθεί πώς οι κλιματικές ακρότητες (π.χ. ξηρασίες) επηρεάζουν τη γεωργική παραγωγή.<br /> <br /> '''v. Μοντέλο Ασαφούς Λογικής (Fuzzy MCDM)'''<br /> <br /> Για την αξιολόγηση της κοινωνικοοικονομικής πίεσης στα δάση, εφαρμόστηκε το πλαίσιο '''''Pressure-Regional-Response (PRR):'''''<br /> <br /> ''Fuzzy AHP (Analytic Hierarchy Process):'' Μια μέθοδος λήψης αποφάσεων που ιεραρχεί τα κριτήρια (περιβαλλοντικά, οικονομικά) χρησιμοποιώντας ασαφή λογική για να αντιμετωπιστεί η αβεβαιότητα των δεδομένων.<br /> <br /> ''Weighted Sum Model:'' Μέσω του QGIS, οι βαθμολογίες της ασαφούς λογικής συνδυάστηκαν για να δημιουργηθούν χάρτες τρωτότητας, που κατατάσσουν τις περιοχές από &quot;πολύ χαμηλή&quot; έως &quot;υψηλή&quot; επικινδυνότητα για υποβάθμιση.<br /> <br /> [[Αρχείο:kuries_sunistwses_AHP.png | right | thumb | 3. Χάρτης τρωτότητας]]<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> '''''Χωρική Κατανομή:''''' Τα δάση της Μολδαβίας είναι εξαιρετικά περιορισμένα και συγκεντρώνονται κυρίως στην κεντρική περιοχή (οροπέδιο Codri), ενώ στο βορρά και το νότο η δασοκάλυψη είναι πολύ αραιή.<br /> <br /> '''''Ακρίβεια Μοντέλων:''''' Η ταξινόμηση της κάλυψης γης μέσω GEE επέδειξε υψηλή αξιοπιστία, με συνολική ακρίβεια 90% και συντελεστή Kappa 0,88.<br /> <br /> [[Αρχείο:GEE_land-classification_2021.png | right | thumb | 4. Κατανομή γης βάσει του Google Earth Engine]]<br /> <br /> '''''Κλιματικές Επιπτώσεις:''''' Διαπιστώθηκε ότι οι ακραίες ξηρασίες (όπως αυτές του 2007 και του 2020) έχουν προκαλέσει τεράστιες οικονομικές απώλειες στον γεωργικό τομέα, επηρεάζοντας το 80% της επικράτειας και οδηγώντας σε σημαντική μείωση της παραγωγής.<br /> <br /> '''''Ευάλωτες Περιοχές:''''' Εντοπίστηκαν ζώνες όπου η γεωργική επέκταση έρχεται σε άμεση σύγκρουση με τις προστατευόμενες δασικές εκτάσεις, αυξάνοντας τον κίνδυνο υποβάθμισης του εδάφους.<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Τα αποτελέσματα υπογραμμίζουν την επείγουσα ανάγκη για προσαρμοστικές στρατηγικές χρήσης γης που να λαμβάνουν υπόψη την κλιματική μεταβλητότητα και την αστική εξάπλωση.<br /> <br /> '''''Πολιτικές Προστασίας:''''' Η έρευνα προτείνει την ιεράρχηση της αναδάσωσης σε ευάλωτες περιοχές για την αποκατάσταση της οικολογικής ισορροπίας και την πρόληψη της διάβρωσης του εδάφους.<br /> <br /> '''''Βιώσιμη Ανάπτυξη:''''' Η εξισορρόπηση μεταξύ της γεωργικής παραγωγικότητας (ιδιαίτερα στον τομέα της οινοποιίας και του ηλίανθου) και της διατήρησης των δασών είναι απαραίτητη για τη μακροπρόθεσμη ανθεκτικότητα των φυσικών πόρων της χώρας.<br /> <br /> '''''Τεχνολογική Συμβολή:''''' Η μελέτη αποδεικνύει ότι ο συνδυασμός GIS, Τηλεπισκόπησης και κτηματολογικών δεδομένων παρέχει ένα ισχυρό πλαίσιο για τους λήπτες αποφάσεων, επιτρέποντας τον ακριβή εντοπισμό περιοχών που απαιτούν άμεση παρέμβαση.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Moldova.png 2026-02-16T20:10:51Z

<p>TASIOU VASILIKI: 1. Περιοχή ενδιαφέροντος: Μολδαβία και η τοπολογία της</p> <hr /> <div>1. Περιοχή ενδιαφέροντος: Μολδαβία και η τοπολογία της</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%9C%CE%BF%CE%BB%CE%B4%CE%B1%CE%B2%CE%AF%CE%B1:_%CE%93%CE%A3%CE%A0_%CE%BA%CE%B1%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_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD 2026-02-16T20:08:53Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Sustainable land use in Moldova: GIS &amp; remote sensing of forests and crops ==<br /> <br /> '''Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΑ και τηλεπισκόπηση δασών και καλλιεργειών'''<br /> <br /> Aleksandar Valjarevic, Cezar Morar, Ljiljana Brasanac-Bosanac, Tatjana Cirkovic-Mitrovic, Tatjana Djekic, Marija Mihajlovic, Ivica Milevski, Golub Culafic, Milan Lukovic, Liudmyla Niemets, Kateryna Sehida, Gordana Kaplan<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0264837725000481?via%3Dihub Land Use Policy 152 (2025) 107515]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Το άρθρο εξετάζει τη σημασία των δασών και των γεωργικών εκτάσεων ως κρίσιμων στοιχείων για την περιβαλλοντική σταθερότητα και τη βιοποικιλότητα. Η Δημοκρατία της Μολδαβίας αντιμετωπίζει μια ιδιαίτερη πρόκληση, καθώς διαθέτει ένα από τα χαμηλότερα ποσοστά δασοκάλυψης στην Ευρώπη (μόλις 11,4% της επικράτειας), ενώ ο γεωργικός τομέας είναι κυρίαρχος, με έμφαση στις καλλιέργειες ηλίανθου και σταφυλιών. Η μελέτη στοχεύει στην ανάλυση των χωρικών αλληλεπιδράσεων μεταξύ των δασικών εκτάσεων και αυτών των δύο βασικών καλλιεργειών, προκειμένου να προταθούν στρατηγικές βιώσιμης διαχείρισης γης που εξισορροπούν την οικονομική ανάπτυξη με την προστασία του περιβάλλοντος.<br /> <br /> [[Αρχείο:moldova.png | right | thumb | 1. Περιοχή ενδιαφέροντος: Μολδαβία και η τοπολογία της]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η έρευνα βασίζεται στην ενσωμάτωση προηγμένων εργαλείων τηλεπισκόπησης και συστημάτων γεωγραφικών πληροφοριών:<br /> <br /> [[Αρχείο:flowchart_methodology.png | right | thumb | 2. Σχεδιάγραμμα ροής - Μεθοδολογία]]<br /> <br /> '''i. Πηγές και Διαχείριση Δεδομένων'''<br /> <br /> Οι ερευνητές αξιοποίησαν ένα ευρύ φάσμα δεδομένων για να καλύψουν τη χρονική περίοδο από το 1996 έως το 2018, αλλά και την τρέχουσα κατάσταση (2021):<br /> <br /> '''''Δορυφορικές Εικόνες:''''' Χρησιμοποιήθηκαν δεδομένα από τις αποστολές Sentinel-1 (ραντάρ) και Sentinel-2 (οπτικά δεδομένα) για τη χαρτογράφηση του 2021. Επίσης, αντλήθηκαν ιστορικά δεδομένα από τους δορυφόρους Landsat 7 και 8 για τη σύγκριση των μεταβολών.<br /> <br /> '''''Πλατφόρμα Google Earth Engine (GEE):''''' Η χρήση του GEE επέτρεψε την επεξεργασία τεράστιου όγκου δεδομένων στο υπολογιστικό νέφος, ξεπερνώντας τους περιορισμούς των τοπικών υπολογιστών.<br /> <br /> '''''Βάσεις Δεδομένων:''''' Ενσωματώθηκαν δεδομένα από το ευρωπαϊκό πρόγραμμα CORINE Land Cover (CLC) για τον προσδιορισμό των χρήσεων γης, καθώς και κτηματολογικά (cadastral) αρχεία της Μολδαβίας για την ιδιοκτησία και τα όρια των εκτάσεων.<br /> <br /> '''ii. Προεπεξεργασία και Φασματικοί Δείκτες'''<br /> <br /> Πριν την ταξινόμηση, οι εικόνες υποβλήθηκαν σε αυστηρά φίλτρα:<br /> <br /> '''''Cloud Masking:''''' Εφαρμόστηκε φίλτρο νεφώσεων κάτω του 5% για τη διασφάλιση καθαρών παρατηρήσεων, με τη χρήση 215 εικόνων για το καλοκαίρι και 200 για τον χειμώνα.<br /> <br /> '''''Υπολογισμός Δεικτών:''''' Για τον καλύτερο διαχωρισμό των κλάσεων, υπολογίστηκαν οι δείκτες:<br /> <br /> - ''NDVI (Βλάστηση):'' Για τον εντοπισμό των διαφόρων ειδών βλάστησης.<br /> <br /> - ''NDWI (Νερό):'' Για τον εντοπισμό υδάτινων όγκων.<br /> <br /> - ''NDBI (Δόμηση):'' Για τις αστικές και τεχνητές επιφάνειες.<br /> <br /> '''iii. Αλγόριθμος Ταξινόμησης και Επικύρωση'''<br /> <br /> Για τη δημιουργία του χάρτη κάλυψης γης 5 κλάσεων (αστικά, καλλιέργειες, δάση, νερό, άγονη γη), ακολουθήθηκε η εξής διαδικασία:<br /> <br /> '''''Support Vector Machine (SVM):''''' Χρησιμοποιήθηκε αυτός ο αλγόριθμος επιβλεπόμενης μάθησης, ο οποίος θεωρείται από τους πλέον αξιόπιστους για την ταξινόμηση δορυφορικών εικόνων.<br /> <br /> '''''Δείγμα Εκπαίδευσης:''''' Συλλέχθηκαν πάνω από 300 δείγματα εδάφους. Το σύνολο των δεδομένων χωρίστηκε σε 70% για την εκπαίδευση του μοντέλου και 30% για τον έλεγχο της ακρίβειας.<br /> <br /> '''''Αξιολόγηση:''''' Η ακρίβεια επικυρώθηκε με τη χρήση της συνολικής ακρίβειας (Overall Accuracy) και του στατιστικού δείκτη Kappa.<br /> <br /> '''iv. Εξειδικευμένη Ανάλυση Καλλιεργειών και Κλίματος'''<br /> <br /> Ιδιαίτερη έμφαση δόθηκε στον ηλίανθο και τα αμπέλια:<br /> <br /> '''''Λογισμικό DIVA-GIS:''''' Χρησιμοποιήθηκε για τον ακριβή υπολογισμό των εκτάσεων συγκεκριμένων καλλιεργειών, λαμβάνοντας υπόψη τις φυσικές ιδιότητες των φυτών.<br /> <br /> '''''Κλιματικά Δεδομένα:''''' Ενσωματώθηκαν μετεωρολογικά δεδομένα 30 ετών (θερμοκρασία, βροχόπτωση) για να αναλυθεί πώς οι κλιματικές ακρότητες (π.χ. ξηρασίες) επηρεάζουν τη γεωργική παραγωγή.<br /> <br /> '''v. Μοντέλο Ασαφούς Λογικής (Fuzzy MCDM)'''<br /> <br /> Για την αξιολόγηση της κοινωνικοοικονομικής πίεσης στα δάση, εφαρμόστηκε το πλαίσιο '''''Pressure-Regional-Response (PRR):'''''<br /> <br /> ''Fuzzy AHP (Analytic Hierarchy Process):'' Μια μέθοδος λήψης αποφάσεων που ιεραρχεί τα κριτήρια (περιβαλλοντικά, οικονομικά) χρησιμοποιώντας ασαφή λογική για να αντιμετωπιστεί η αβεβαιότητα των δεδομένων.<br /> <br /> ''Weighted Sum Model:'' Μέσω του QGIS, οι βαθμολογίες της ασαφούς λογικής συνδυάστηκαν για να δημιουργηθούν χάρτες τρωτότητας, που κατατάσσουν τις περιοχές από &quot;πολύ χαμηλή&quot; έως &quot;υψηλή&quot; επικινδυνότητα για υποβάθμιση.<br /> <br /> [[Αρχείο:kuries_sunistwses_AHP.png | right | thumb | 3. Χάρτης τρωτότητας]]<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> '''''Χωρική Κατανομή:''''' Τα δάση της Μολδαβίας είναι εξαιρετικά περιορισμένα και συγκεντρώνονται κυρίως στην κεντρική περιοχή (οροπέδιο Codri), ενώ στο βορρά και το νότο η δασοκάλυψη είναι πολύ αραιή.<br /> <br /> '''''Ακρίβεια Μοντέλων:''''' Η ταξινόμηση της κάλυψης γης μέσω GEE επέδειξε υψηλή αξιοπιστία, με συνολική ακρίβεια 90% και συντελεστή Kappa 0,88.<br /> <br /> [[Αρχείο:GEE_land-classification_2021.png | right | thumb | 4. Κατανομή γης βάσει του Google Earth Engine]]<br /> <br /> '''''Κλιματικές Επιπτώσεις:''''' Διαπιστώθηκε ότι οι ακραίες ξηρασίες (όπως αυτές του 2007 και του 2020) έχουν προκαλέσει τεράστιες οικονομικές απώλειες στον γεωργικό τομέα, επηρεάζοντας το 80% της επικράτειας και οδηγώντας σε σημαντική μείωση της παραγωγής.<br /> <br /> '''''Ευάλωτες Περιοχές:''''' Εντοπίστηκαν ζώνες όπου η γεωργική επέκταση έρχεται σε άμεση σύγκρουση με τις προστατευόμενες δασικές εκτάσεις, αυξάνοντας τον κίνδυνο υποβάθμισης του εδάφους.<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Τα αποτελέσματα υπογραμμίζουν την επείγουσα ανάγκη για προσαρμοστικές στρατηγικές χρήσης γης που να λαμβάνουν υπόψη την κλιματική μεταβλητότητα και την αστική εξάπλωση.<br /> <br /> '''''Πολιτικές Προστασίας:''''' Η έρευνα προτείνει την ιεράρχηση της αναδάσωσης σε ευάλωτες περιοχές για την αποκατάσταση της οικολογικής ισορροπίας και την πρόληψη της διάβρωσης του εδάφους.<br /> <br /> '''''Βιώσιμη Ανάπτυξη:''''' Η εξισορρόπηση μεταξύ της γεωργικής παραγωγικότητας (ιδιαίτερα στον τομέα της οινοποιίας και του ηλίανθου) και της διατήρησης των δασών είναι απαραίτητη για τη μακροπρόθεσμη ανθεκτικότητα των φυσικών πόρων της χώρας.<br /> <br /> '''''Τεχνολογική Συμβολή:''''' Η μελέτη αποδεικνύει ότι ο συνδυασμός GIS, Τηλεπισκόπησης και κτηματολογικών δεδομένων παρέχει ένα ισχυρό πλαίσιο για τους λήπτες αποφάσεων, επιτρέποντας τον ακριβή εντοπισμό περιοχών που απαιτούν άμεση παρέμβαση.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Flowchart_methodology.png 2026-02-16T20:07:24Z

<p>TASIOU VASILIKI: 2. Σχεδιάγραμμα ροής - Μεθοδολογία</p> <hr /> <div>2. Σχεδιάγραμμα ροής - Μεθοδολογία</div>

TASIOU VASILIKI http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%9C%CE%BF%CE%BB%CE%B4%CE%B1%CE%B2%CE%AF%CE%B1:_%CE%93%CE%A3%CE%A0_%CE%BA%CE%B1%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_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BA%CE%B1%CE%BB%CE%BB%CE%B9%CE%B5%CF%81%CE%B3%CE%B5%CE%B9%CF%8E%CE%BD 2026-02-16T20:03:52Z

<p>TASIOU VASILIKI: </p> <hr /> <div>== Sustainable land use in Moldova: GIS &amp; remote sensing of forests and crops ==<br /> <br /> '''Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΑ και τηλεπισκόπηση δασών και καλλιεργειών'''<br /> <br /> Aleksandar Valjarevic, Cezar Morar, Ljiljana Brasanac-Bosanac, Tatjana Cirkovic-Mitrovic, Tatjana Djekic, Marija Mihajlovic, Ivica Milevski, Golub Culafic, Milan Lukovic, Liudmyla Niemets, Kateryna Sehida, Gordana Kaplan<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0264837725000481?via%3Dihub Land Use Policy 152 (2025) 107515]<br /> <br /> === 1. Εισαγωγή ===<br /> <br /> Το άρθρο εξετάζει τη σημασία των δασών και των γεωργικών εκτάσεων ως κρίσιμων στοιχείων για την περιβαλλοντική σταθερότητα και τη βιοποικιλότητα. Η Δημοκρατία της Μολδαβίας αντιμετωπίζει μια ιδιαίτερη πρόκληση, καθώς διαθέτει ένα από τα χαμηλότερα ποσοστά δασοκάλυψης στην Ευρώπη (μόλις 11,4% της επικράτειας), ενώ ο γεωργικός τομέας είναι κυρίαρχος, με έμφαση στις καλλιέργειες ηλίανθου και σταφυλιών. Η μελέτη στοχεύει στην ανάλυση των χωρικών αλληλεπιδράσεων μεταξύ των δασικών εκτάσεων και αυτών των δύο βασικών καλλιεργειών, προκειμένου να προταθούν στρατηγικές βιώσιμης διαχείρισης γης που εξισορροπούν την οικονομική ανάπτυξη με την προστασία του περιβάλλοντος.<br /> <br /> [[Αρχείο:moldova.png | right | thumb | 1. Περιοχή ενδιαφέροντος: Μολδαβία και η τοπολογία της ]]<br /> <br /> === 2. Μεθοδολογία ===<br /> <br /> Η έρευνα βασίζεται στην ενσωμάτωση προηγμένων εργαλείων τηλεπισκόπησης και συστημάτων γεωγραφικών πληροφοριών:<br /> <br /> [[Αρχείο:flowchart_methodology.png | right | thumb | 2. Σχεδιάγραμμα ροής - Μεθοδολογία]]<br /> <br /> '''i. Πηγές και Διαχείριση Δεδομένων'''<br /> <br /> Οι ερευνητές αξιοποίησαν ένα ευρύ φάσμα δεδομένων για να καλύψουν τη χρονική περίοδο από το 1996 έως το 2018, αλλά και την τρέχουσα κατάσταση (2021):<br /> <br /> '''''Δορυφορικές Εικόνες:''''' Χρησιμοποιήθηκαν δεδομένα από τις αποστολές Sentinel-1 (ραντάρ) και Sentinel-2 (οπτικά δεδομένα) για τη χαρτογράφηση του 2021. Επίσης, αντλήθηκαν ιστορικά δεδομένα από τους δορυφόρους Landsat 7 και 8 για τη σύγκριση των μεταβολών.<br /> <br /> '''''Πλατφόρμα Google Earth Engine (GEE):''''' Η χρήση του GEE επέτρεψε την επεξεργασία τεράστιου όγκου δεδομένων στο υπολογιστικό νέφος, ξεπερνώντας τους περιορισμούς των τοπικών υπολογιστών.<br /> <br /> '''''Βάσεις Δεδομένων:''''' Ενσωματώθηκαν δεδομένα από το ευρωπαϊκό πρόγραμμα CORINE Land Cover (CLC) για τον προσδιορισμό των χρήσεων γης, καθώς και κτηματολογικά (cadastral) αρχεία της Μολδαβίας για την ιδιοκτησία και τα όρια των εκτάσεων.<br /> <br /> '''ii. Προεπεξεργασία και Φασματικοί Δείκτες'''<br /> <br /> Πριν την ταξινόμηση, οι εικόνες υποβλήθηκαν σε αυστηρά φίλτρα:<br /> <br /> '''''Cloud Masking:''''' Εφαρμόστηκε φίλτρο νεφώσεων κάτω του 5% για τη διασφάλιση καθαρών παρατηρήσεων, με τη χρήση 215 εικόνων για το καλοκαίρι και 200 για τον χειμώνα.<br /> <br /> '''''Υπολογισμός Δεικτών:''''' Για τον καλύτερο διαχωρισμό των κλάσεων, υπολογίστηκαν οι δείκτες:<br /> <br /> - ''NDVI (Βλάστηση):'' Για τον εντοπισμό των διαφόρων ειδών βλάστησης.<br /> <br /> - ''NDWI (Νερό):'' Για τον εντοπισμό υδάτινων όγκων.<br /> <br /> - ''NDBI (Δόμηση):'' Για τις αστικές και τεχνητές επιφάνειες.<br /> <br /> '''iii. Αλγόριθμος Ταξινόμησης και Επικύρωση'''<br /> <br /> Για τη δημιουργία του χάρτη κάλυψης γης 5 κλάσεων (αστικά, καλλιέργειες, δάση, νερό, άγονη γη), ακολουθήθηκε η εξής διαδικασία:<br /> <br /> '''''Support Vector Machine (SVM):''''' Χρησιμοποιήθηκε αυτός ο αλγόριθμος επιβλεπόμενης μάθησης, ο οποίος θεωρείται από τους πλέον αξιόπιστους για την ταξινόμηση δορυφορικών εικόνων.<br /> <br /> '''''Δείγμα Εκπαίδευσης:''''' Συλλέχθηκαν πάνω από 300 δείγματα εδάφους. Το σύνολο των δεδομένων χωρίστηκε σε 70% για την εκπαίδευση του μοντέλου και 30% για τον έλεγχο της ακρίβειας.<br /> <br /> '''''Αξιολόγηση:''''' Η ακρίβεια επικυρώθηκε με τη χρήση της συνολικής ακρίβειας (Overall Accuracy) και του στατιστικού δείκτη Kappa.<br /> <br /> '''iv. Εξειδικευμένη Ανάλυση Καλλιεργειών και Κλίματος'''<br /> <br /> Ιδιαίτερη έμφαση δόθηκε στον ηλίανθο και τα αμπέλια:<br /> <br /> '''''Λογισμικό DIVA-GIS:''''' Χρησιμοποιήθηκε για τον ακριβή υπολογισμό των εκτάσεων συγκεκριμένων καλλιεργειών, λαμβάνοντας υπόψη τις φυσικές ιδιότητες των φυτών.<br /> <br /> '''''Κλιματικά Δεδομένα:''''' Ενσωματώθηκαν μετεωρολογικά δεδομένα 30 ετών (θερμοκρασία, βροχόπτωση) για να αναλυθεί πώς οι κλιματικές ακρότητες (π.χ. ξηρασίες) επηρεάζουν τη γεωργική παραγωγή.<br /> <br /> '''v. Μοντέλο Ασαφούς Λογικής (Fuzzy MCDM)'''<br /> <br /> Για την αξιολόγηση της κοινωνικοοικονομικής πίεσης στα δάση, εφαρμόστηκε το πλαίσιο '''''Pressure-Regional-Response (PRR):'''''<br /> <br /> ''Fuzzy AHP (Analytic Hierarchy Process):'' Μια μέθοδος λήψης αποφάσεων που ιεραρχεί τα κριτήρια (περιβαλλοντικά, οικονομικά) χρησιμοποιώντας ασαφή λογική για να αντιμετωπιστεί η αβεβαιότητα των δεδομένων.<br /> <br /> ''Weighted Sum Model:'' Μέσω του QGIS, οι βαθμολογίες της ασαφούς λογικής συνδυάστηκαν για να δημιουργηθούν χάρτες τρωτότητας, που κατατάσσουν τις περιοχές από &quot;πολύ χαμηλή&quot; έως &quot;υψηλή&quot; επικινδυνότητα για υποβάθμιση.<br /> <br /> [[Αρχείο:kuries_sunistwses_AHP.png | right | thumb | 3. Χάρτης τρωτότητας]]<br /> <br /> === 3. Αποτελέσματα ===<br /> <br /> '''''Χωρική Κατανομή:''''' Τα δάση της Μολδαβίας είναι εξαιρετικά περιορισμένα και συγκεντρώνονται κυρίως στην κεντρική περιοχή (οροπέδιο Codri), ενώ στο βορρά και το νότο η δασοκάλυψη είναι πολύ αραιή.<br /> <br /> '''''Ακρίβεια Μοντέλων:''''' Η ταξινόμηση της κάλυψης γης μέσω GEE επέδειξε υψηλή αξιοπιστία, με συνολική ακρίβεια 90% και συντελεστή Kappa 0,88.<br /> <br /> [[Αρχείο:GEE_land-classification_2021.png | right | thumb | 4. Κατανομή γης βάσει του Google Earth Engine]]<br /> <br /> '''''Κλιματικές Επιπτώσεις:''''' Διαπιστώθηκε ότι οι ακραίες ξηρασίες (όπως αυτές του 2007 και του 2020) έχουν προκαλέσει τεράστιες οικονομικές απώλειες στον γεωργικό τομέα, επηρεάζοντας το 80% της επικράτειας και οδηγώντας σε σημαντική μείωση της παραγωγής.<br /> <br /> '''''Ευάλωτες Περιοχές:''''' Εντοπίστηκαν ζώνες όπου η γεωργική επέκταση έρχεται σε άμεση σύγκρουση με τις προστατευόμενες δασικές εκτάσεις, αυξάνοντας τον κίνδυνο υποβάθμισης του εδάφους.<br /> <br /> === 4. Συζήτηση ===<br /> <br /> Τα αποτελέσματα υπογραμμίζουν την επείγουσα ανάγκη για προσαρμοστικές στρατηγικές χρήσης γης που να λαμβάνουν υπόψη την κλιματική μεταβλητότητα και την αστική εξάπλωση.<br /> <br /> '''''Πολιτικές Προστασίας:''''' Η έρευνα προτείνει την ιεράρχηση της αναδάσωσης σε ευάλωτες περιοχές για την αποκατάσταση της οικολογικής ισορροπίας και την πρόληψη της διάβρωσης του εδάφους.<br /> <br /> '''''Βιώσιμη Ανάπτυξη:''''' Η εξισορρόπηση μεταξύ της γεωργικής παραγωγικότητας (ιδιαίτερα στον τομέα της οινοποιίας και του ηλίανθου) και της διατήρησης των δασών είναι απαραίτητη για τη μακροπρόθεσμη ανθεκτικότητα των φυσικών πόρων της χώρας.<br /> <br /> '''''Τεχνολογική Συμβολή:''''' Η μελέτη αποδεικνύει ότι ο συνδυασμός GIS, Τηλεπισκόπησης και κτηματολογικών δεδομένων παρέχει ένα ισχυρό πλαίσιο για τους λήπτες αποφάσεων, επιτρέποντας τον ακριβή εντοπισμό περιοχών που απαιτούν άμεση παρέμβαση.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

TASIOU VASILIKI