http://147.102.106.44/rs/wiki/index.php?feed=atom&target=Tsalmasd&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%2FTsalmasd 2026-04-05T04:54:05Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_%CF%83%CF%85%CF%83%CF%84%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD_%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%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CF%8E%CE%BD_%CF%80%CE%BB%CE%B7%CF%81%CE%BF%CF%86%CE%BF%CF%81%CE%B9%CF%8E%CE%BD_%CF%83%CF%84%CE%B7_%CE%B4%CE%B9%CE%B1%CF%87%CE%B5%CE%AF%CF%81%CE%B9%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%85%CE%B4%CE%AC%CF%84%CF%89%CE%BD_%CE%B1%CF%81%CE%B4%CE%B5%CF%85%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%85%CF%83%CF%84%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD... 2022-03-02T00:42:52Z

<p>Tsalmasd: </p> <hr /> <div>[[Εικόνα:Tsalmasd_eikona_1.1.png|thumb|right|'''Εικόνα 1:''' Κύρια κανάλια, ρυθμιστικές αρχές, αρδευτικές περιοχές του Κυβερνείου Fayoum και οι περιοχές μελέτης των Sinnuris και Gharaq.]]<br /> [[Εικόνα:Tsalmasd_eikona_1.2.png|thumb|right|'''Εικόνα 2:''' Χρονικές μεταβολές στη χρήση της γης στο (α) Sinnuris. β) Περιοχές που εξυπηρετούνται από το Gharaq (έκταση σε ha και %).]]<br /> <br /> <br /> &lt;h3&gt;Application of remote sensing and geographic information systems in irrigation water management under water scarcity conditions in Fayoum, Egypt&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:''' Fahmy Salah Abdelhaleem , Mohamed Basiouny, Eid Ashour, Ali Mahmoud <br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://www.sciencedirect.com/science/article/pii/S030147972101745X?casa_token=HOmHlWGYsa4AAAAA:HKi4n6snQe7kKHH5p42zxYPJakiM_JobwrbSZiaemT-nMKjhqoNpmzfk_1Ce9WqoAQ-_dyhnYw]] <br /> <br /> '''Λέξεις κλειδιά:''' GIS (Geographic Information Systems - Γεωγραφικά συστήματα πληροφοριών), Αλλαγή χρήσεων Γης, NDVI (Normalized Difference Vegetation Index – Κανονικοποιημένος Δείκτης Βλάστησης), Τηλεπισκόπηση , Αστικοποίηση, Διαχείριση υδάτων <br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> Η μελέτη έχει ως στόχο την ανίχνευση των αλλαγών γεωργικών περιοχών λόγω δραστηριοτήτων αστικοποίησης και αποκατάστασης, σε ένα εύρος 20ετίας, χρησιμοποιώντας δορυφορικές εικόνες Landsat από το 1999, 2009 και 2019. Παράλληλα, στοχεύει στην εποχιακή παρακολούθηση αυτών με βάση τον κανονικοποιημένο δείκτη βλάστησης (NDVI), με σκοπό τον προσδιορισμό της ζήτησης αρδευτικού νερού. Διαχείριση υδάτων του Κυβερνείου Fayoum στην Αίγυπτο χαρακτηρίζεται από μια μη ομοιόμορφη ροή κατανομής πάνω από τα κανάλια της. έτσι, επιλέγονται δύο πιλοτικές περιοχές. Ο πρώτος χώρος είναι η διώρυγα sinnuris, οι εξυπηρετούμενοι τομείς της οποίας αντιπροσωπεύουν το πρόβλημα αστικοποίησης, ενώ ο άλλος είναι το κανάλι Gharaq, οι περιοχές του οποίου αντιπροσωπεύουν τις καταστάσεις αστικοποίησης και γεωργικής επέκτασης.<br /> <br /> Τα αποτελέσματα αποκαλύπτουν ότι οι αλλαγές στις γεωργικές περιοχές επηρεάζουν σημαντικά την ομοιομορφία της διαχείρισης των υδάτων. Οι δραστηριότητες αστικοποίησης μειώνουν τη γεωργική έκταση κατά 5,0% και 5,7% στις περιοχές που εξυπηρετούνται από το Sinnuris και το Gharaq, αντίστοιχα. Ωστόσο, οι πρόσφατα καλλιεργημένες εκτάσεις στο Gharaq, διατηρούν αύξηση 5,8% στο σύνολο των γεωργικών περιοχών. Οι σημαντικά τροποποιημένες στρατηγικές κατανομής των υδάτων σε αυτές τις περιοχές πέτυχε, δεδομένου ότι το Sinnuris έχει πάνω από 1,5 m3/s παροχής νερού, ενώ η περιοχή Gharaq αντιμετώπιζε έλλειψη άρδευσης 0,26 m3 το 2019. <br /> <br /> &lt;h3&gt;2. Εισαγωγή&lt;/h3&gt;<br /> <br /> Σε άνυδρες περιοχές, πολλοί παράγοντες επηρεάζουν την αρδευμένη γεωργία, όπως η λειψυδρία, η αστικοποίηση, η αλατοποίηση του εδάφους και η υποβάθμιση, προσθήκη στην αύξηση του πληθυσμού και την κλιματική αλλαγή (Dimov et al., 2016). Η έλλειψη γλυκού νερού έχει δυνητικό αντίκτυπο στη γεωργική παραγωγή, που αντιστοιχεί στο 70% της συνολικής κατανάλωσης γλυκού νερού (Vanino et al., 2018). Η διαχείριση των υδάτων απαιτεί ορισμένες χωρικά κατανεμημένες μεταβλητές σχετικές με το έδαφος, τη βλάστηση και τις παραμέτρους καιρού. Η τηλεπισκόπηση σε συνδυασμό με τα γεωγραφικά συστήματα πληροφοριών είναι πολύτιμη για την ανίχνευση και την ανάλυση τέτοιων χωρικά κατανεμημένων μεταβλητών αξιολογώντας επιτυχώς περιβαλλοντικές επιπτώσεις και μελέτες διαχείρισης υδατικών πόρων. Οι δορυφορικές εικόνες Sentinel-2 προσφέρουν μία γκάμα πολυφασματικών καναλιών σε πολύ καλή χωρική ανάλυση που εξυπηρετούν τον εντοπισμό εποχιακών μεταβολών στην καλλιεργούμενη Γη, όμως οι δορυφορικές εικόνες Landsat λόγω της ιστορικότητας του πρώτου δορυφόρου επιτρέπουν στον χρήστη να εξετάσει τις αλλαγές μιας περιοχής σε βάθος χρόνου, όπως αλλαγές χρήσης Γης, η αστικοποίηση, κ.α. Η χρήση διαφόρων δεικτών, όπως ο κανονικοποιημένος δείκτης βλάστησης (NDVI), για την ανίχνευση ζητούμενων χωρικών μεταβλητών για μια περιοχή μπορούν να αναλυθούν μέσω των γεωγραφικών συστημάτων πληροφοριών και να αποδώσουν αποτελέσματα σημαντικά για διάφορες μελέτες, όπως η διαχείριση των υδάτων. <br /> <br /> <br /> &lt;h3&gt;3. Περιοχή Μελέτης&lt;/h3&gt;<br /> <br /> Στην υπάρχουσα μελέτη εξετάζεται το Fayoum, μια κλειστή λεκάνη νερού που βρίσκεται 25 χιλιόμετρα δυτικά του Νείλου ποταμούκαι 90 χιλιόμετρα νοτιοδυτικά του Καΐρου. To δίκτυο άρδευσης και αποστράγγισης Fayoum αποτελείται από 346 κανάλια μήκους 1398 χιλιομέτρων, 272 αποχετεύσεων με μήκος 1063 χιλιομέτρων, εννέα ρυθμιστών, 79 υδατοφράκτες στα κύρια κανάλια, 1091 στα δευτερεύοντα κανάλια, και περισσότερους από 3800 αεραγωγούς. Για τις ανάγκες της μελέτης εξετάστηκαν δύο ερευνητικές περιοχές στο Κυβερνείο του Φαγιούμ: η περιοχή Sinnuris και η περιοχή Gharaq. Ο σχεδιασμός του καναλιού του Sinnuris, εξαιρώντας την αστική περιοχή, καλύπτεται από 11.458 εκτάρια με 24 υπό-λεκάνες απορροής. Το κανάλι του Gharaq έχει μήκος 27 χιλιομέτρων, ενώ επιπλέον χωρίζεται στο κατάντη άκρο του σε δύο άλλα κανάλια: Μπαχρ Ελ-Μπασαουάτ, μήκους 25 χιλιομέτρων, και Μπαχρ Ελ-Γκαργκάμπα, μήκους 23 χιλιομέτρων.<br /> <br /> &lt;h3&gt;4. Συλλογή και επεξεργασία χωρικών και δορυφορικών δεδομένων&lt;/h3&gt; <br /> <br /> Αρχικά, σχεδιάστηκαν τα πολύγωνα των αρδευτικών καναλιών των δύο περιοχών μελέτης Sinnuris και Gharaq από χάρτες κλίμακας 1:2500 της Αιγυπτιακής Αρχής Γενικής Έρευνας. Αυτά εξετάστηκαν μέσω Google Earth και με τη βοήθεια δορυφορικών εικόνων Landsat παρακολουθήθηκαν οι αλλαγές σε βάθος 20ετίας. Συγκεκριμένα χρησιμοποιήθηκαν δορυφορικές εικόνες Landsat Thematic Mapper (TM5) του 1999 και 2009 και δορυφορικές εικόνες Landsat-8 Operational Land Imager (OLI) του 2019. Στην περίπτωση των δορυφορικών δεδομένων TM5 χρησιμοποιήθηκαν όλα τα κανάλια, όπως και το θερμικό το οποίο ενίσχυσε το διαχωρισμό μεταξύ αστικών περιοχών και περιοχών αγρανάπαυσης στο Gharaq. Όσον αφορά τα δορυφορικά δεδομένα του Landsat 8 χρησιμοποιήθηκαν τα αντίστοιχα κανάλια με αυτά του TM5, όπως και το θερμικό κανάλι 10, εξαιρώντας τα κανάλια 1, 8, 9 και 11. Όλα τα κανάλια των δορυφορικών δεδομένων Landsat που χρησιμοποιήθηκαν είχαν χωρική ανάλυση 30μ, ενώ τα θερμικά επεξεργάστηκαν για να αποκτήσουν επίσης χωρική ανάλυση 30μ. Παράλληλα, χρησιμοποιήθηκαν δορυφορικά δεδομένα Sentinel-2 από τις αρχές του κάθε μήνα από τον Σεπτέμβριο του 2019 έως τον Δεκέμβριο του 2020, με σκοπό την εξέταση της μετάβασης από τις καλοκαιρινές στις χειμερινές καλλιεργητικές περιόδους. Στην περίπτωση των των δορυφορικών δεδομένων Sentinel-2 χρησιμοποιήθηκαν μόνο τα κανάλια 4 και 8 με χωρική ανάλυση 10μ, για την δημιουργία εικόνων σύμφωνα με τον κανονικοποιημένο δείκτη βλάστησης (NDVI). Η λήψη των δεδομένων πραγματοποιήθηκε από το USGS και από την ESA, αντίστοιχα για τους δύο δορυφόρους.<br /> <br /> Για την επεξεργασία των δορυφορικών δεδομένων Landsat χρησιμοποιήθηκε το λογισμικό ENVI 5.3, όπου πραγματοποιήθηκε αρχικά ατμοσφαιρική διόρθωση των εικόνων με τη μέθοδο της αφαίρεσης του σκοτεινού αντικειμένου και στη συνέχεια η στρωματοποιημένη τυχαία δειγματοληψία για την απεικόνιση των διαφόρων κατηγοριών χρήσης Γης ανάλογα με την περιοχή και την ομοιογένεια της κάθε τάξης. Για τη δημιουργία αντιπροσωπευτικών δειγμάτων για κάθε κατηγορία χρησιμοποιήθηκαν πρόσφατες μετρήσεις πεδίου, καθώς έγινε και χρήση του Google Earth. To 70% εξ΄ αυτών χρησιμοποιήθηκαν ως περιοχές εκπαίδευσης για την επιβλεπόμενη ταξινόμηση που εφαρμόστηκε, ενώ το υπόλοιπο 30% αξιοποιήθηκαν ως περιοχές ελέγχου για την εκτίμηση της ακρίβειας της ταξινόμησης. Η ταξινόμηση που πραγματοποιήθηκε ήταν βασισμένη στα εικονοστοιχεία όλων των δορυφορικών δεδομένων χρησιμοποιώντας ένα ταξινομητή διανυσματικής μηχανικής υποστήριξης (SVM), ευρέως χρησιμοποιούμενος σε ταξινομήσεις εικόνων. Οι παράμετροι του SVΜ ορίστηκαν σε ακτινικής βάσης συνάρτηση, ως τύποι πυρήνα, με εύρος από 1 έως 100. Ο ταξινομητής SVM σε σύγκριση με άλλους ταξινομητές, όπως νευρωνικά δίκτυα, μπορεί να επιτύχει υψηλές αποδόσεις ακόμη και με μικρό αριθμό περιοχών εκπαίδευσης. Έπειτα με τη χρήση των δορυφορικών δεδομένων Sentinel-2 και την εφαρμογή δεικτών NDVI ανιχνεύθηκαν οι αλλαγές στις καλλιεργούμενες περιοχές όσον αφορά την βλάστηση και την ξηρασία σε χρονικό εύρος από τον Σεπτέμβριο του 2019 έως το Δεκέμβρη του 2020. <br /> <br /> &lt;h3&gt;5. Αποτελέσματα&lt;/h3&gt;<br /> <br /> Στην περιοχή μελέτης Sinnuris, η ταξινόμηση των συνολικών δεδομένων Landsat κατέδειξε συνολική ακρίβεια και συντελεστή kappa 98% και 0,94 για το 1999, 96%, και 0.93 για το 2009 και 97% και 0,96 για το 2019, αντίστοιχα. Η αστική ανάπτυξη αυξάνεται το 2019 έως και 5% εις βάρος των γεωργικών εκτάσεων, μειώνοντας έτσι την άρδευση απαιτήσεις νερού για ολόκληρη την εξυπηρετηθείσα περιοχή. Αντίστοιχα, αποτελέσματα υπήρξαν και στην περιοχή Gharaq όπου παρατηρείται αύξηση της αστικής ανάπτυξης το 2019 κατά 5.7% εις βάρος των γεωργικών εκτάσεων. Όσον αφορά την μελέτη των αλλαγών βλάστησης και ξηρασίας με χρήση δορυφορικών δεδομένων Sentinel-2 και του δείκτη NDVI εποχιακά παρατηρήθηκε ότι σε γενικές γραμμές κατά τη διάρκεια της θερινής περιόδου, οι καλλιεργήσιμες περιοχές είναι πολύ λιγότερες συγκριτικά με τις χειμερινή περίοδο. Αυτό πιθανόν αποδίδεται στην έλλειψη και στην κακή διαχείριση υδατικών πόρων για αρδευτικούς σκοπούς. Η καλλιεργούμενη έκταση στο Sinnuris κυμαίνεται από 6249,4 έως 9946,8 εκτάρια, ενώ οι μέγιστες καλλιεργήσιμες εκτάσεις εντοπίστηκαν τον Ιανουάριο και τον Ιούλιο, αντίστοιχα για τις δύο περιόδους. Στο Gharaq η καλλιεργούμενη έκταση κυμαίνεται από 6007,4 έως 12688,5 εκτάρια, οι μέγιστες καλλιεργήσιμες εκτάσεις εντοπίστηκαν τον Ιανουάριο και τον Αύγουστο, αντίστοιχα για τις δύο περιόδους, ενώ η μικρότερη εντοπίσθηκε τον Οκτώβριο του 2020 στα 231.5 εκτάρια.<br /> <br /> &lt;h3&gt;6. Επίλογος&lt;/h3&gt;<br /> <br /> Συμπερασματικά, παρόλο που η ετήσια παροχή νερού έχει αυξηθεί στην περιοχή του Fayoum τα τελευταία 20 χρόνια περίπου κατά 30%, η μη ενιαία κατανομή του έχει επιφέρει μείωση των καλλιεργήσιμων εκτάσεων. Αυτό οφείλεται σε διάφορους παράγοντες, όπως η συνεχώς αυξανόμενη απαίτηση νερού από την πλευρά των αγροτών, η επιδείνωση των υποδομών που οδηγεί σε χαμηλή παροχή νερού με συνέπεια, οι γεωργοί να αυξάνουν παράνομα τον εφοδιασμό τους μέσω μη εξουσιοδοτημένης τροποποίησης της δομής, προκαλώντας μία σύγχυση στο συνολικό αρδευτικό σύστημα με ανισορροπίες ανά περιοχές. Η τηλεπισκόπηση σε συνδυασμό με τα γεωγραφικά συστήματα πληροφοριών είναι ικανή για την παρακολούθηση των γεωργικών περιοχών, την εκτίμηση των απαιτήσεων σε αρδευτικό νερό με αποτέλεσμα η τρέχουσα γεωργική έκταση να μπορεί να χρησιμοποιηθεί για την αποκατάσταση αρδευτικών καναλιών βελτιώνοντας τις πραγματικές απαιτήσεις. Η αστικοποίηση είναι ο πρωταρχικός παράγοντας που επηρεάζει το πρόβλημα ιδίως μετά το 2011. Η μελέτη αυτή έδειξε τις δυνατότητες των πολυφασματικών δεδομένων Sentinel-2 για την παρακολούθηση των αλλαγών των γεωργικών περιοχών βοηθώντας τον αρμόδιο φορέα για καλύτερα προσανατολισμένα στη ζήτηση σχέδια διαχείρισης των υδάτων. <br /> <br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_8.3.png 2022-03-02T00:42:17Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_8.2.png 2022-03-02T00:42:04Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_8.1.png 2022-03-02T00:41:51Z

<p>Tsalmasd: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:Tsalmasd eikona 8.1.png&amp;quot;</p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_8.1.png 2022-03-02T00:41:44Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B1%CF%87%CE%B5%CE%AF%CF%81%CE%B9%CF%83%CE%B7_%CE%9A%CE%B1%CF%84%CE%B1%CF%83%CF%84%CF%81%CE%BF%CF%86%CF%8E%CE%BD_%CE%A4%CF%83%CE%BF%CF%85%CE%BD%CE%AC%CE%BC%CE%B9_%CE%BA%CE%B1%CE%B9_%CE%A4%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2022-03-02T00:41:32Z

<p>Tsalmasd: </p> <hr /> <div>[[Εικόνα:Tsalmasd_eikona_8.1.png|thumb|right|'''Εικόνα 1:''' Γεωστροφικό αεροδυναμικό ρεύμα επιφάνειας (Glob current) ινδικής παράκτιας περιοχής (Πηγή: ESA Ocean Virtual laboratory)]]<br /> [[Εικόνα:Tsalmasd_eikona_8.2.png|thumb|right|'''Εικόνα 2:''' Όρια πλακών τσουνάμι (Πηγή: NOAA National Centers for Environmental Information, Natural Hazards Viewer)]]<br /> [[Εικόνα:Tsalmasd_eikona_8.3.png|thumb|right|'''Εικόνα 3:''' Επίπτωση τσουνάμι Τοχόκου-Ιαπωνία στις 11 Μαρτίου 2011 (Πηγή: NOAA National Centers for Environment)]]<br /> <br /> <br /> <br /> &lt;h3&gt;Disaster Management: Tsunami and Remote Sensing Technology&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:''' Sudhir Kumar Chaturvedi <br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://www.researchgate.net/publication/357533937_Disaster_Management_Tsunami_and_Remote_Sensing_Technology]] <br /> <br /> '''Λέξεις κλειδιά:''' Τηλεπισκόπηση, Τσουνάμι, Πλημμύρα, Κίνηση ενέργειας, Σεισμοί<br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> Η τεχνολογία τηλεπισκόπησης έχει αλλάξει τον τρόπο με τον οποίο καταστροφές όπως οι σεισμοί και τα τσουνάμι εντοπίστηκαν, παρατηρήθηκαν και χαρτογραφήθηκαν τα τελευταία χρόνια. Αυτή η ανάλυση παρουσιάζει μια νέα μέθοδο για τη διερεύνηση των επιπτώσεων των κυμάτων τσουνάμι στις παράκτιες περιοχές. <br /> <br /> &lt;h3&gt;2. Εισαγωγή&lt;/h3&gt;<br /> <br /> To 1979, οι ειδικοί πρότειναν τα ραντάρ να χρησιμοποιούνται για να διακρίνουν τα τσουνάμι όσο πλησιάζουν την ακτή, με βάση τη τροχιακή ταχύτητα κύματος. Αρκετά ραντάρ υψηλής συχνότητας γύρω από τις παράκτιες χώρες του Ειρηνικού Ωκεανού εντόπισαν με σαφή αποτελέσματα το σήμα παλιρροιακού κύματος από τοποθεσίες στην Ιαπωνία, τις ΗΠΑ και τη Χιλή. Πάνω από 350 τοποθεσίες ραντάρ υψηλής συχνότητας που βρίσκονται κατά μήκος της ακτής παρέχουν μια συνεχή εκτίμηση των ταχυτήτων ορμής της επιφάνειας και των κυμάτων. Το βασικό μοντέλο του προγραμματισμού της θέσης παλιρροϊκών κυμάτων μπορεί να παρέχει μια προειδοποίηση πριν το κύμα φτάσει στην ακτή.<br /> <br /> &lt;h3&gt;3. Η Τεχνολογία της Τηλεπισκόπησης στην εκτίμηση σήματος τσουνάμι&lt;/h3&gt;<br /> <br /> Η σεισμική ανίχνευση ενός σεισμού θα μπορούσε να είναι το πιο ορατό σημάδι ενός παλιρροϊκού κύματος. Τα συστήματα εκτίμησης βάθους ωκεανών και αναφοράς τσουνάμι (DART) έχουν σχεδιαστεί για να νιώθουν αλλαγές πίεσης στον πυθμένα του ωκεανού που προκαλούνται με το πέρασμα τσουνάμι και να επικοινωνούν αυτές τις αλλαγές σε κέντρα προειδοποίησης. Επειδή αυτό το σύστημα βρίσκεται στη βαθιά θάλασσα, το DART δεν μπορεί να ανιχνεύσει όλα τα παλιρροϊκά κύματα. Τα συστήματα ραντάρ υψηλής συχνότητας μετρούν την ταχύτητα και την κατεύθυνση των επιφανειακών ρευμάτων του ωκεανού σε σχεδόν πραγματικό χρόνο. Αυτά τα ραντάρ μπορούν να μετρήσουν τα ρεύματα σε μια μεγάλη περιοχή του παράκτιου ωκεανού, από λίγα χιλιόμετρα υπεράκτιας έως και 200 km, και μπορούν να λειτουργήσουν υπό οποιεσδήποτε καιρικές συνθήκες. Επί του παρόντος, οι αισθητήρες πίεσης του βυθού του ωκεανού στην ανοιχτή θάλασσα μπορεί να ανιχνεύσουν ένα τσουνάμι ύψους λίγων εκατοστών.<br /> <br /> Σε αυτή τη μελέτη, έχουν πραγματοποιηθεί δύο κύριες εργασίες: (1) Για να υπολογιστούν οι παράμετροι του κύματος (αριθμός κύματος νερού, γωνιακή συχνότητα, οριζόντια και κατακόρυφη τροχιακή ταχύτητα και επιτάχυνση, ταχύτητα των κυμάτων) (2) Χρησιμοποιώντας την επεξεργασία δεδομένων ραντάρ αναπτύχθηκε η ιδέα ενός συστήματος έγκαιρης προειδοποίησης. Δεδομένου ότι η εργασία αφορά πρωτίστως την ανάπτυξη τεχνικών τηλεπισκόπησης ραντάρ για ναυτικές εφαρμογές στην ανίχνευση τσουνάμι και τη διερεύνηση της έγκαιρης προειδοποίησής, χρησιμοποιώντας τεχνολογίες ραντάρ, το σχεδιασμένο σύστημα μπορεί περαιτέρω να ειπωθεί ως Ολοκληρωμένο Σύστημα Προειδοποίησης Τσουνάμι (ITWS).<br /> <br /> &lt;h3&gt;4. Επίλογος&lt;/h3&gt;<br /> <br /> Συνοψίζοντας, η πιθανότητα μείωσης της καταστροφής που χρησιμοποιεί την τηλεπισκόπηση για βελτιωμένη ανίχνευση και παρακολούθηση τσουνάμι είναι ότι η ψηφιοποίηση μειώνει το χρόνο μεταξύ της έγκαιρης προειδοποίησης και της αξιολόγησης του κινδύνου ενώ αυξάνει την περίοδο εκκένωσης, καθώς και την παροχή ακριβών δεδομένων για την περιοχή και το μέγεθος της καταστροφής. Με τη χρήση δορυφορικής τηλεπισκόπησης και ταχείας ανάλυσης δεδομένων μπορεί να προσδιοριστεί ο αντίκτυπος και το διάστημα εμφάνισης του τσουνάμι. <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_7.5.png 2022-03-02T00:36:36Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_7.4.png 2022-03-02T00:36:23Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_7.3.png 2022-03-02T00:36:10Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_7.2.png 2022-03-02T00:35:59Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_7.1.png 2022-03-02T00:35:47Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CE%AF%CF%89%CF%83%CE%B7_%CF%80%CF%85%CE%BA%CE%BD%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CE%BC%CE%B5%CF%84%CE%B1%CF%86%CE%BF%CF%81%CF%8E%CE%BD_%CF%80%CE%BF%CF%85_%CF%80%CF%81%CE%BF%CE%BA%CE%BB%CE%AE%CE%B8%CE%B7%CE%BA%CE%B5_%CE%B1%CF%80%CF%8C_%CE%B1%CF%80%CE%BF%CE%BA%CE%BB%CE%B5%CE%B9%CF%83%CE%BC%CE%BF%CF%8D%CF%82_%CF%80%CF%8C%CE%BB%CE%B5%CF%89%CE%BD_%CF%83%CE%B5_%CF%8C%CE%BB%CE%BF_%CF%84%CE%BF%CE%BD_%CE%BA%CF%8C%CF%83%CE%BC%CE%BF_%CE%BA%CE%B1%CF%84%CE%AC_%CF%84%CE%B7_%CE%B4%CE%B9%CE%AC%CF%81%CE%BA%CE%B5%CE%B9%CE%B1_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%B9%CE%B4%CE%B7%CE%BC%CE%AF%CE%B1%CF%82_COVID-19 2022-03-02T00:35:36Z

<p>Tsalmasd: </p> <hr /> <div>[[Εικόνα:Tsalmasd_eikona_7.1.png|thumb|right|'''Εικόνα 1:''' Πίνακας μεταδεδομένων των συλλεγόμενων δορυφορικών δεδομένων για όλες τις περιοχές μελέτης κατά τις δύο χρονικές περιόδους (πριν και μετά την πανδημία).]]<br /> [[Εικόνα:Tsalmasd_eikona_7.2.png|thumb|right|'''Εικόνα 2:''' Διάγραμμα ροής εξαγωγής υποψήφιου οχήματος]]<br /> [[Εικόνα:Tsalmasd_eikona_7.3.png|thumb|right|'''Εικόνα 3:''' Διάγραμμα πολυκλαδικού μοντέλου βαθιάς μάθησης.]]<br /> [[Εικόνα:Tsalmasd_eikona_7.4.png|thumb|right|'''Εικόνα 4:''' Αποτελέσματα ανίχνευσης οχημάτων σε δορυφορικές πολυφασματικές εικόνες υψηλής ανάλυσης αναπαριστώμενα με κίτρινα κουτάκια. a) κοντά στο σταθμό του μετρό Hankou Railway στην πόλη της Γουχάν, b) σταθμός μετρό Centrale FS στο Μιλάνο, c) στο Puerta de Alcala στη Μαδρίτη, d) στην πλατεία the Place de la Concorde στο Παρίσι, e) κοντά στον Οργανισμό Ηνωμένων Εθνών στη Νέα Υόρκη, f) στη γέφυρα Westminster στο Λονδίνο. ]]<br /> [[Εικόνα:Tsalmasd_eikona_7.5.png|thumb|right|'''Εικόνα 5:''' Στατιστικά στοιχεία των αριθμών οχημάτων στις έξι πόλεις πριν και μετά από την καραντίνα της πανδημίας, μαζί με τις αναλογίες αλλαγής τους.]]<br /> <br /> <br /> <br /> &lt;h3&gt;Transportation Density Reduction Caused by City Lockdowns Across the World during the COVID-19 Epidemic: From the View of High-resolution Remote Sensing Imagery&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:''' Chen Wu, Sihan Zhu, Jiaqi Yang, Meiqi Hu, Bo Du, Liangpei Zhang, Lefei Zhang, Chengxi Han, Meng Lan<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://ieeexplore.ieee.org/document/9191992]] <br /> <br /> '''Λέξεις κλειδιά:''' Covid-19, κυκλοφοριακή πυκνότητα, καραντίνα πόλεων, τηλεπισκόπηση, υψηλή ανάλυση. <br /> <br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> Στη συγκεκριμένη μελέτη εξετάσθηκε η μείωση της πυκνότητας των μεταφορών κατά την περίοδο του 2020 λόγω της πανδημίας του Covid-19 και των μέτρων απαγόρευσης κυκλοφορίας για την αποφυγή εξάπλωσης. Η μελέτη προσεγγίζει το θέμα χρησιμοποιώντας τηλεπισκοπικές εικόνες υψηλής ανάλυσης, χωρικής ακρίβειας 1 και 0.5m με στόχο με ένα μοντέλο ανίχνευσης οχημάτων που συνδυάζει την εξαγωγή υποψήφιου οχήματος χωρίς επίβλεψη και με βαθιά μάθηση ανίχνευσης ειδικότερα για τις εικόνες ανάλυσης 0.5μ. <br /> <br /> &lt;h3&gt;2. Εισαγωγή&lt;/h3&gt;<br /> <br /> Το 2020, η εξάπλωση του κορονοϊού (Covid-19) άλλαξε ραγδαία την ανθρώπινη καθημερινότητα σε ολόκληρο τον κόσμο. Οι περισσότερες χώρες εφάρμοσαν αυστηρά απαγορευτικά μέτρα κυκλοφορίας για την αποφυγή διασποράς του ιού ενώ απαγορεύτηκαν σε πολλές πόλεις εκδηλώσεις, τα μαγαζιά ήταν κλειστά και γενικότερα αυστηρές πολιτικές διατάσσοντας τους πολίτες να παραμένουν στο σπίτι τους και να περιορίζουν τις μετακινήσεις τους. Για το λόγο όμως ότι οι συγκεκριμένες πολιτικές διαφέρουν από χώρα σε χώρα και από πόλη σε πόλη είναι δύσκολο να αξιολογηθούν ποσοτικά οι επιπτώσεις σε παγκόσμιο επίπεδο. Οπότε η μελέτη επικεντρώθηκε σε 6 πόλεις: Γουχάν, Μιλάνο, Μαδρίτη, Παρίσι, Νέα Υόρκη και Λονδίνο. <br /> <br /> Τα δεδομένα τηλεπισκόπησης υψηλής ευκρίνειας δίνουν τη δυνατότητα αντικειμενικών και συνεπών παρατηρήσεων μεταξύ διαφορετικών πόλεων και μεταξύ δύο περιόδων (πριν και μετά την πανδημία και τις απαγορεύσεις κυκλοφορίας), προσφέροντας έτσι την δυνατότητα αξιολόγησης της πυκνότητας των μεταφορών. Στην παρούσα μελέτη χρησιμοποιήθηκαν χρονοσειρές τηλεπισκοπικών δορυφορικών εικόνων χωρικής ανάλυσης 0.5μ. με σκοπό την εξαγωγή του αριθμού των οχημάτων στις 6 πόλεις που προαναφέρθηκαν, δημιουργώντας ένα μοντέλο βαθιάς μάθησης συνδυάζοντας το φίλτρο μορφολογίας και πολλαπλών διακλαδώσεων για την ποσοτικοποίηση της πυκνότητας των μεταφορών.<br /> <br /> &lt;h3&gt;3. Περιοχές μελέτης και τηλεπισκοπικά δεδομένα&lt;/h3&gt;<br /> <br /> Οι περιοχές μελέτης ήταν οι 6 πόλεις που προαναφέρθηκαν. Τα τηλεπισκοπικά δεδομένα που συλλέχθηκαν ήταν πολυχρονικά, με σκοπό την αντικειμενική ανάλυση της πυκνότητας των μεταφορών πριν και μετά της πανδημίας, και υψηλής ανάλυσης για την εξαγωγή του αριθμού των οχημάτων στο δρόμο. Τα μεταδεδομένα των εικόνων που χρησιμοποιήθηκαν φαίνονται στον πίνακα της εικόνας 1.<br /> <br /> Σχεδόν όλες οι εικόνες είναι από τον δορυφόρο Pleiades, χωρικής ανάλυσης 0.5μ., με τέσσερα φασματικά κανάλια (μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο). Για την πόλη της Γουχάν λόγω δυσκολίας εύρεσης καθαρής δορυφορικής εικόνας Pleiades, επιλέχθηκαν δορυφορικές εικόνες του δορυφόρου WorldView-3, χωρικής ανάλυσης 0.5μ, με τα ίδια τέσσερα φασματικά κανάλια. <br /> <br /> Για την αναγνώριση οχημάτων μόνο στους δρόμους, εισήχθησαν από τα ανοιχτά δεδομένα του Open Street Map (OSM) οι αυτοκινητόδρομοι, χρησιμοποιώντας όρους ταξινόμησης με ακτίνες ζώνης (buffer) σε κύριους, δευτερεύοντες, κλπ. Μόνο τα οχήματα μέσα σε αυτές τις ακτίνες ζώνης εξήχθησαν και υπολογίσθηκαν και για τις έξι πόλεις.<br /> <br /> &lt;h3&gt;4. Μεθοδολογία&lt;/h3&gt;<br /> <br /> Δεδομένου ότι η πληροφορία των δορυφορικών δεδομένων υψηλής ανάλυσης 0.5μ. δεν είναι δυνατόν να δώσει αρκετή χωρική πληροφορία για την άμεση ανίχνευση οχημάτων, πραγματοποιήθηκε ένας συνδυασμός εντοπισμού χωρίς επίβλεψη με αλγόριθμο βαθιάς μάθησης εύρεσης των πιθανών στόχων οχημάτων αφαιρώντας τις παρεμβολές των δρόμων για τη διάκριση οχημάτων και μη οχημάτων. Στις εικόνες 2 και 3 παρουσιάζεται η μεθοδολόγια που εφαρμόστηκε αναλυτικά.<br /> <br /> Τα φωτεινά και τα σκοτεινά αντικείμενα στις τηλεπισκοπικές δορυφορικές εικόνες συνδυάζονται για την εύρεση των υποψήφιων οχημάτων. Ωστόσο, αυτό επειδή δεν είναι απόλυτα ακριβές από μόνο του, λόγω περιπτώσεων αντικειμένων που μπορεί να αποπροσανατολίσουν και να δημιουργήσουν λανθασμένα αποτελέσματα, χρησιμοποιήθηκαν πυρήνες στο κέντρο των υποψήφιων οχημάτων, όπου ορίστηκαν γεωμετρικοί κανόνες όσον αφορά το μέγεθος των οχημάτων για τον βέλτιστο εντοπισμό τους. Αφού πραγματοποιήθηκε αυτή η διαδικασία, αναπτύχθηκε ένα πολυκλαδικό μοντέλο βαθιάς μάθησης για τη διάκριση οχημάτων και μη οχημάτων. <br /> <br /> &lt;h3&gt;5. Αποτελέσματα&lt;/h3&gt;<br /> <br /> Tα παραδείγματα των αποτελεσμάτων ανίχνευσης οχημάτων φαίνονται στην εικόνα 4. Μπορεί να παρατηρηθεί ότι μετά το «κλείδωμα» των πόλεων, οι πυκνότητες των οχημάτων μειώθηκαν αισθητά. Τα περισσότερα οχήματα στις εικόνες εντοπίστηκαν με επιτυχία και οι αριθμοί τους εκτιμήθηκαν με ακρίβεια. Αναλυτικά τα αποτελέσματα που προέκυψαν παρουσιάζονται στην εικόνα 5.<br /> <br /> &lt;h3&gt;6. Επίλογος&lt;/h3&gt;<br /> <br /> Τα αποτελέσματα της μελέτης μας υποδεικνύουν ότι οι αυστηρές πολιτικές κατά τη διάρκεια της πανδημίας είχαν ως απόρροια την ραγδαία μείωση της πυκνότητας των μεταφορών κατά μέσο όρο 49.59% και έως και 75.96% στην περίπτωση της Γουχάν. Η επίδραση στις αναλογίες μπορούν να ταξινομηθούν ως εξής:<br /> <br /> Γουχάν &gt; Παρισι ≈ Μιλάνο &gt; Μαδρίτη &gt; Λονδίνο &gt; Νέα Υόρκη<br /> <br /> Τέλος, εντοπίσθηκε ότι η μείωση της πυκνότητας μεταφορών ήταν χωρικά σχετική με την κατανομή της χρήσης γης εντός των πόλεων. Τέλος, οι διαφορετικές πολιτικές μεταξύ αυτών των πόλεων.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CE%AF%CF%89%CF%83%CE%B7_%CF%80%CF%85%CE%BA%CE%BD%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CE%BC%CE%B5%CF%84%CE%B1%CF%86%CE%BF%CF%81%CF%8E%CE%BD_%CF%80%CE%BF%CF%85_%CF%80%CF%81%CE%BF%CE%BA%CE%BB%CE%AE%CE%B8%CE%B7%CE%BA%CE%B5_%CE%B1%CF%80%CF%8C_%CE%B1%CF%80%CE%BF%CE%BA%CE%BB%CE%B5%CE%B9%CF%83%CE%BC%CE%BF%CF%8D%CF%82_%CF%80%CF%8C%CE%BB%CE%B5%CF%89%CE%BD_%CF%83%CE%B5_%CF%8C%CE%BB%CE%BF_%CF%84%CE%BF%CE%BD_%CE%BA%CF%8C%CF%83%CE%BC%CE%BF_%CE%BA%CE%B1%CF%84%CE%AC_%CF%84%CE%B7_%CE%B4%CE%B9%CE%AC%CF%81%CE%BA%CE%B5%CE%B9%CE%B1_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%B9%CE%B4%CE%B7%CE%BC%CE%AF%CE%B1%CF%82_COVID-19 2022-03-02T00:29:40Z

<p>Tsalmasd: </p> <hr /> <div>[[Εικόνα:Tsalmasd_eikona_7.1.png|thumb|right|'''Εικόνα 1:''' Πίνακας μεταδεδομένων των συλλεγόμενων δορυφορικών δεδομένων για όλες τις περιοχές μελέτης κατά τις δύο χρονικές περιόδους (πριν και μετά την πανδημία).]]<br /> [[Εικόνα:Tsalmasd_eikona_7.2.png|thumb|right|'''Εικόνα 2:''' Διάγραμμα ροής εξαγωγής υποψήφιου οχήματος]]<br /> [[Εικόνα:Tsalmasd_eikona_7.3.png|thumb|right|'''Εικόνα 3:''' Διάγραμμα πολυκλαδικού μοντέλου βαθιάς μάθησης.]]<br /> [[Εικόνα:Tsalmasd_eikona_7.4.png|thumb|right|'''Εικόνα 4:''' Αποτελέσματα ανίχνευσης οχημάτων σε δορυφορικές πολυφασματικές εικόνες υψηλής ανάλυσης αναπαριστώμενα με κίτρινα κουτάκια. a) κοντά στο σταθμό του μετρό Hankou Railway στην πόλη της Γουχάν, b) σταθμός μετρό Centrale FS στο Μιλάνο, c) στο Puerta de Alcala στη Μαδρίτη, d) στην πλατεία the Place de la Concorde στο Παρίσι, e) κοντά στον Οργανισμό Ηνωμένων Εθνών στη Νέα Υόρκη, f) στη γέφυρα Westminster στο Λονδίνο. ]]<br /> [[Εικόνα:Tsalmasd_eikona_7.5.png|thumb|right|'''Εικόνα 5:''' Στατιστικά στοιχεία των αριθμών οχημάτων στις έξι πόλεις πριν και μετά από την καραντίνα της πανδημίας, μαζί με τις αναλογίες αλλαγής τους.]]<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BA%CF%84%CE%AF%CE%BC%CE%B7%CF%83%CE%B7_%CF%86%CF%85%CF%83%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CE%B9%CE%BD%CE%B4%CF%8D%CE%BD%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BC%CE%B5_%CF%87%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 2022-03-02T00:25:38Z

<p>Tsalmasd: </p> <hr /> <div>[[Εικόνα:Tsalmasd_eikona_6.1.png|thumb|right|'''Εικόνα 1:''' διάγραμμα ροής της προτεινόμενης μεθοδολογίας]]<br /> [[Εικόνα:Tsalmasd_eikona_6.2.png|thumb|right|'''Εικόνα 2:''' Χάρτης των επτά περιοχών με μεγάλες υδάτινες εκτάσεις]]<br /> [[Εικόνα:Tsalmasd_eikona_6.3.png|thumb|right|'''Εικόνα 3:''' Χάρτης επέκτασης πλημμύρας στη Βομβάη στις 26 Ιουλίου 2005]]<br /> <br /> <br /> &lt;h3&gt;Natural hazard assessment and mapping using remote sensing and QGIS tools for Mumbai city, India&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:''' Darshan Anil Sansare, Sumedh Yamaji Mhaske<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1007/s11069-019-03852-5]] <br /> <br /> '''Λέξεις κλειδιά:''' QGIS, ArcGIS, SWD, σημεία πλημμύρας, σημεία κατολισθήσεων, θεματικοί χάρτες<br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> Οι πλημμύρες και οι κατολισθήσεις ενέχουν σοβαρούς κινδύνους για τον ανθρώπινο πληθυσμό. Η Βομβάη, η περιοχή μελέτης, είναι πόλη της Ινδίας που συχνά επηρεάζεται από πλημμύρες και κατολισθήσεις προκαλώντας μεγάλες απώλειες ζωής και περιουσίας. Η τεράστια χρήση τσιμέντου (σκυροδέτηση) και το σύστημα αποχέτευσης ομβρίων υδάτων, ηλικίας 150 ετών, της Βομβάης έχουν οδηγήσει σε πλημμυρικές συνθήκες, γεγονός που οδηγεί σε φυσικό κίνδυνο. Ο στόχος αυτής της μελέτης είναι να εντοπίσει τα σημεία πλημμυρών και κατολισθήσεων και να τα απεικονίσει σε χάρτη με χρήση λογισμικού GIS. <br /> Από αυτή τη μελέτη, είναι σαφές ότι πραγματοποιήθηκε μεγάλης κλίμακας αναδιαμόρφωση για την ολοκλήρωση του έργου αποκατάστασης που καθιστά όλες αυτές τις περιοχές επιρρεπείς σε διάφορους κινδύνους. <br /> <br /> &lt;h3&gt;2. Εισαγωγή&lt;/h3&gt;<br /> <br /> Οι φυσικοί κίνδυνοι όπως οι πλημμύρες επηρεάζουν τον πληθυσμό, τις υποδομές, την οικονομία και τη συνολική ανάπτυξη μιας πόλης. Για τις πόλεις που βρίσκονται κοντά στη θάλασσα, όπως η Βομβάη, η διαθέσιμη γη είναι περιορισμένη. Η αύξηση της αστικοποίησης έχει αρνητική επιρροή στο υδρολογικό σύστημα. Όταν υπάρχει ταυτόχρονη εμφάνιση βροχοπτώσεων υψηλής έντασης και υψηλής παλίρροιας, το τρέχον σύστημα αποχέτευσης χάνει τη χωρητικότητά του και ως εκ τούτου αυξάνονται οι πιθανότητες υπερχείλισης και πλημμύρας. Οι χάρτες επικινδυνότητας αστικών πλημμυρών είναι χρήσιμο εργαλείο για τον σχεδιασμό μετριασμού και για τον εντοπισμό περιοχών που απαιτούν πρόσθετη υποδομή.<br /> <br /> Έχουν πραγματοποιηθεί διάφορες μελέτες χαρτογράφησης κινδύνου με γνώμονα τις κατολισθήσεις για την πόλη της Βομβάη χρησιμοποιώντας γεωγραφικά συστήματα και τηλεπισκόπηση. Ο χάρτης ζώνης κινδύνου πλημμύρας παρέχει πληροφορίες στους κατοίκους της επιρρεπούς στις πλημμύρες περιοχής για πιθανές συνέπειες πλημμύρας. Οι χάρτες ζωνών κινδύνου πλημμύρας μπορούν να χρησιμοποιηθούν ως αποτελεσματικό εργαλείο για την ελαχιστοποίηση των ζημιών με τη δημιουργία ενός κατάλληλου συστήματος προστασίας από πλημμύρες, προειδοποίησης και εκκένωσης.<br /> <br /> &lt;h3&gt;3. Περιοχή μελέτης&lt;/h3&gt;<br /> <br /> Η Βομβάη βρίσκεται στα δυτικά παράλια της Ινδίας και περιβάλλεται από την Αραβική Θάλασσα από όλες τις πλευρές. Υπάρχουν τέσσερα ποτάμια επί του παρόντος στην πόλη η οποία περικλείεται από την Αραβική Θάλασσα γύρω από τα όριά της. Το πρόβλημα στη Βομβάη είναι η υπερχείλιση του νερού λόγω του παλιού συστήματος αποχέτευσης χωρίς σωστή αποστράγγιση του νερού της βροχής ή της απορροής. Το αποτέλεσμα είναι ότι η πόλη αντιμετωπίζει πλημμυρικά φαινόμενα κάθε χρόνο. <br /> <br /> &lt;h3&gt;4. Πηγές Δεδομένων και προεπεξεργασία&lt;/h3&gt;<br /> <br /> Για τις ανάγκες της μελέτης χρησιμοποιήθηκαν δορυφορικά δεδομένα Landsat 7 που λήφθηκαν από το USGS για το έτος 2018. Τα δεδομένα εισήχθησαν σε περιβάλλον GIS και γεωναφέρθηκαν στο WGS 1984_43 North για την οριοθέτηση των ορίων της πόλης της Βομβάης. Ψηφιοποιήθηκαν σε πολύγωνα τα υδάτινα σώματα ενδιαφέροντος που θα χρησιμοποιηθούν για τις πλημμυρικές επεκτάσεις. <br /> <br /> &lt;h3&gt;5. Μεθοδολογία&lt;/h3&gt;<br /> <br /> Τα δεδομένα για τη Βομβάη συλλέχθηκαν από τη Mumbai Municipal Corporation of Greater Mumbai (MCGM) και στη συνέχεια έγινε γεωγραφική αναφορά χρησιμοποιώντας το λογισμικό QGIS και Arc-GIS. Η μελέτη συνίσταται επίσης στη σύγκριση δυνατοτήτων του λογισμικού QGIS και Arc-GIS με τη μορφή ανάλυσης δεδομένων και δημιουργίας θεματικού χάρτη. Τα σημεία εστίασης και οι θέσεις κατολίσθησης εντοπίστηκαν με χρήση λογισμικού QGIS και Arc-GIS. Όσο για την πλημμύρα, τα δεδομένα για τη περιοχή που είναι επιρρεπής σε κατολισθήσεις σημειώθηκαν στον ψηφιοποιημένο χάρτη.<br /> <br /> &lt;h3&gt;6. Αποτελέσματα&lt;/h3&gt;<br /> <br /> Ο θεματικός χάρτης (Εικ. 1), δείχνει τα όρια της Βομβάης και επίσης τα επτά νησιά (BOMBAY, COLABA, MAHIM, MATUNGA, MAZAGAON, OLD WOMAN’S ISLAND και WORLI) ψηφιοποιούνται σε λογισμικό QGIS. Φαίνεται ξεκάθαρα ότι το μεγαλύτερο μέρος της περιοχής περιβάλλεται από θάλασσα, λίμνες και ποτάμια.<br /> <br /> Ο θεματικός χάρτης (Εικ. 2) δείχνει τις επεκτάσεις πλημμύρας της 26ης Ιουλίου 2005, οι οποίες ψηφιοποιούνται σε λογισμικό QGIS χρησιμοποιώντας επίπεδα πολυγώνων και δημιουργείται πίνακας χαρακτηριστικών για την εύρεση της συνολικής επιφάνειας. Αυτός ο γεωγραφικός χάρτης και οι πληροφορίες του από τον πίνακα χαρακτηριστικών είναι χρήσιμα για μελλοντικές εξελίξεις και μπορούν να χρησιμοποιηθούν από Επιτροπές Διαχείρισης Καταστροφών.<br /> <br /> &lt;h3&gt;7. Επίλογος&lt;/h3&gt;<br /> <br /> Από αυτή τη μελέτη, πραγματοποιήθηκε μεγάλης κλίμακας αναμόρφωση επτά νησιών για την ολοκλήρωση του έργου αποκατάστασης που καθιστά όλες αυτές τις περιοχές επιρρεπείς σε διάφορα επικίνδυνα φαινόμενα. Η ανάλυση της βάσης δεδομένων που δημιουργήθηκε στο λογισμικό QGIS αποκάλυψε επίσης ότι σημαντικός αριθμός σημείων πλημμύρων εντοπίζεται κυρίως στη ζώνη αποκατάστασης και σημεία κατολίσθησης βρίσκονται σε ξαφνική αλλαγή στο περίγραμμα ή στη βάση του λόφου. Αυτή η μελέτη δείχνει ότι αυτή η κατάσταση μπορεί να προκαλέσει στο μέλλον καταστροφικές συνθήκες όπως αυτή της 26ης Ιουλίου 2005, τις οποίες πρέπει να λάβουν υπόψη οι κυβερνητικοί φορείς, τα θεσμικά όργανα και οι ΜΚΟ και οι υπεύθυνοι χάραξης πολιτικής για την αξιολόγηση της έκτασης των ζημιών που προκαλούνται από τις πλημμύρες και τις κατολισθήσεις. <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Διαχείριση κινδύνων]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_6.3.png 2022-03-02T00:25:10Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_6.2.png 2022-03-02T00:24:59Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_6.1.png 2022-03-02T00:24:48Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BA%CF%84%CE%AF%CE%BC%CE%B7%CF%83%CE%B7_%CF%86%CF%85%CF%83%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CE%B9%CE%BD%CE%B4%CF%8D%CE%BD%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BC%CE%B5_%CF%87%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 2022-03-02T00:24:36Z

<p>Tsalmasd: </p> <hr /> <div>[[Εικόνα:Tsalmasd_eikona_6.1.png|thumb|right|'''Εικόνα 1:''' διάγραμμα ροής της προτεινόμενης μεθοδολογίας]]<br /> [[Εικόνα:Tsalmasd_eikona_6.2.png|thumb|right|'''Εικόνα 2:''' Χάρτης των επτά περιοχών με μεγάλες υδάτινες εκτάσεις]]<br /> [[Εικόνα:Tsalmasd_eikona_6.3.png|thumb|right|'''Εικόνα 3:''' Χάρτης επέκτασης πλημμύρας στη Βομβάη στις 26 Ιουλίου 2005]]<br /> <br /> <br /> &lt;h3&gt;Natural hazard assessment and mapping using remote sensing and QGIS tools for Mumbai city, India&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:'''Darshan Anil Sansare, Sumedh Yamaji Mhaske<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1007/s11069-019-03852-5]] <br /> <br /> '''Λέξεις κλειδιά:'''QGIS, ArcGIS, SWD, σημεία πλημμύρας, σημεία κατολισθήσεων, θεματικοί χάρτες<br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> Οι πλημμύρες και οι κατολισθήσεις ενέχουν σοβαρούς κινδύνους για τον ανθρώπινο πληθυσμό. Η Βομβάη, η περιοχή μελέτης, είναι πόλη της Ινδίας που συχνά επηρεάζεται από πλημμύρες και κατολισθήσεις προκαλώντας μεγάλες απώλειες ζωής και περιουσίας. Η τεράστια χρήση τσιμέντου (σκυροδέτηση) και το σύστημα αποχέτευσης ομβρίων υδάτων, ηλικίας 150 ετών, της Βομβάης έχουν οδηγήσει σε πλημμυρικές συνθήκες, γεγονός που οδηγεί σε φυσικό κίνδυνο. Ο στόχος αυτής της μελέτης είναι να εντοπίσει τα σημεία πλημμυρών και κατολισθήσεων και να τα απεικονίσει σε χάρτη με χρήση λογισμικού GIS. <br /> Από αυτή τη μελέτη, είναι σαφές ότι πραγματοποιήθηκε μεγάλης κλίμακας αναδιαμόρφωση για την ολοκλήρωση του έργου αποκατάστασης που καθιστά όλες αυτές τις περιοχές επιρρεπείς σε διάφορους κινδύνους. <br /> <br /> &lt;h3&gt;2. Εισαγωγή&lt;/h3&gt;<br /> <br /> Οι φυσικοί κίνδυνοι όπως οι πλημμύρες επηρεάζουν τον πληθυσμό, τις υποδομές, την οικονομία και τη συνολική ανάπτυξη μιας πόλης. Για τις πόλεις που βρίσκονται κοντά στη θάλασσα, όπως η Βομβάη, η διαθέσιμη γη είναι περιορισμένη. Η αύξηση της αστικοποίησης έχει αρνητική επιρροή στο υδρολογικό σύστημα. Όταν υπάρχει ταυτόχρονη εμφάνιση βροχοπτώσεων υψηλής έντασης και υψηλής παλίρροιας, το τρέχον σύστημα αποχέτευσης χάνει τη χωρητικότητά του και ως εκ τούτου αυξάνονται οι πιθανότητες υπερχείλισης και πλημμύρας. Οι χάρτες επικινδυνότητας αστικών πλημμυρών είναι χρήσιμο εργαλείο για τον σχεδιασμό μετριασμού και για τον εντοπισμό περιοχών που απαιτούν πρόσθετη υποδομή.<br /> <br /> Έχουν πραγματοποιηθεί διάφορες μελέτες χαρτογράφησης κινδύνου με γνώμονα τις κατολισθήσεις για την πόλη της Βομβάη χρησιμοποιώντας γεωγραφικά συστήματα και τηλεπισκόπηση. Ο χάρτης ζώνης κινδύνου πλημμύρας παρέχει πληροφορίες στους κατοίκους της επιρρεπούς στις πλημμύρες περιοχής για πιθανές συνέπειες πλημμύρας. Οι χάρτες ζωνών κινδύνου πλημμύρας μπορούν να χρησιμοποιηθούν ως αποτελεσματικό εργαλείο για την ελαχιστοποίηση των ζημιών με τη δημιουργία ενός κατάλληλου συστήματος προστασίας από πλημμύρες, προειδοποίησης και εκκένωσης.<br /> <br /> &lt;h3&gt;3. Περιοχή μελέτης&lt;/h3&gt;<br /> <br /> Η Βομβάη βρίσκεται στα δυτικά παράλια της Ινδίας και περιβάλλεται από την Αραβική Θάλασσα από όλες τις πλευρές. Υπάρχουν τέσσερα ποτάμια επί του παρόντος στην πόλη η οποία περικλείεται από την Αραβική Θάλασσα γύρω από τα όριά της. Το πρόβλημα στη Βομβάη είναι η υπερχείλιση του νερού λόγω του παλιού συστήματος αποχέτευσης χωρίς σωστή αποστράγγιση του νερού της βροχής ή της απορροής. Το αποτέλεσμα είναι ότι η πόλη αντιμετωπίζει πλημμυρικά φαινόμενα κάθε χρόνο. <br /> <br /> &lt;h3&gt;4. Πηγές Δεδομένων και προεπεξεργασία&lt;/h3&gt;<br /> <br /> Για τις ανάγκες της μελέτης χρησιμοποιήθηκαν δορυφορικά δεδομένα Landsat 7 που λήφθηκαν από το USGS για το έτος 2018. Τα δεδομένα εισήχθησαν σε περιβάλλον GIS και γεωναφέρθηκαν στο WGS 1984_43 North για την οριοθέτηση των ορίων της πόλης της Βομβάης. Ψηφιοποιήθηκαν σε πολύγωνα τα υδάτινα σώματα ενδιαφέροντος που θα χρησιμοποιηθούν για τις πλημμυρικές επεκτάσεις. <br /> <br /> &lt;h3&gt;5. Μεθοδολογία&lt;/h3&gt;<br /> <br /> Τα δεδομένα για τη Βομβάη συλλέχθηκαν από τη Mumbai Municipal Corporation of Greater Mumbai (MCGM) και στη συνέχεια έγινε γεωγραφική αναφορά χρησιμοποιώντας το λογισμικό QGIS και Arc-GIS. Η μελέτη συνίσταται επίσης στη σύγκριση δυνατοτήτων του λογισμικού QGIS και Arc-GIS με τη μορφή ανάλυσης δεδομένων και δημιουργίας θεματικού χάρτη. Τα σημεία εστίασης και οι θέσεις κατολίσθησης εντοπίστηκαν με χρήση λογισμικού QGIS και Arc-GIS. Όσο για την πλημμύρα, τα δεδομένα για τη περιοχή που είναι επιρρεπής σε κατολισθήσεις σημειώθηκαν στον ψηφιοποιημένο χάρτη.<br /> <br /> &lt;h3&gt;6. Αποτελέσματα&lt;/h3&gt;<br /> <br /> Ο θεματικός χάρτης (Εικ. 1), δείχνει τα όρια της Βομβάης και επίσης τα επτά νησιά (BOMBAY, COLABA, MAHIM, MATUNGA, MAZAGAON, OLD WOMAN’S ISLAND και WORLI) ψηφιοποιούνται σε λογισμικό QGIS. Φαίνεται ξεκάθαρα ότι το μεγαλύτερο μέρος της περιοχής περιβάλλεται από θάλασσα, λίμνες και ποτάμια.<br /> <br /> Ο θεματικός χάρτης (Εικ. 2) δείχνει τις επεκτάσεις πλημμύρας της 26ης Ιουλίου 2005, οι οποίες ψηφιοποιούνται σε λογισμικό QGIS χρησιμοποιώντας επίπεδα πολυγώνων και δημιουργείται πίνακας χαρακτηριστικών για την εύρεση της συνολικής επιφάνειας. Αυτός ο γεωγραφικός χάρτης και οι πληροφορίες του από τον πίνακα χαρακτηριστικών είναι χρήσιμα για μελλοντικές εξελίξεις και μπορούν να χρησιμοποιηθούν από Επιτροπές Διαχείρισης Καταστροφών.<br /> <br /> &lt;h3&gt;7. Επίλογος&lt;/h3&gt;<br /> <br /> Από αυτή τη μελέτη, πραγματοποιήθηκε μεγάλης κλίμακας αναμόρφωση επτά νησιών για την ολοκλήρωση του έργου αποκατάστασης που καθιστά όλες αυτές τις περιοχές επιρρεπείς σε διάφορα επικίνδυνα φαινόμενα. Η ανάλυση της βάσης δεδομένων που δημιουργήθηκε στο λογισμικό QGIS αποκάλυψε επίσης ότι σημαντικός αριθμός σημείων πλημμύρων εντοπίζεται κυρίως στη ζώνη αποκατάστασης και σημεία κατολίσθησης βρίσκονται σε ξαφνική αλλαγή στο περίγραμμα ή στη βάση του λόφου. Αυτή η μελέτη δείχνει ότι αυτή η κατάσταση μπορεί να προκαλέσει στο μέλλον καταστροφικές συνθήκες όπως αυτή της 26ης Ιουλίου 2005, τις οποίες πρέπει να λάβουν υπόψη οι κυβερνητικοί φορείς, τα θεσμικά όργανα και οι ΜΚΟ και οι υπεύθυνοι χάραξης πολιτικής για την αξιολόγηση της έκτασης των ζημιών που προκαλούνται από τις πλημμύρες και τις κατολισθήσεις. <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Διαχείριση κινδύνων]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_5.4.png 2022-03-02T00:15:24Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_5.3.png 2022-03-02T00:15:12Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_5.2.png 2022-03-02T00:14:59Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_5.1.png 2022-03-02T00:14:47Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B5%CF%82_%CE%BC%CE%B5%CF%84%CE%B1%CF%83%CF%87%CE%B7%CE%BC%CE%B1%CF%84%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CF%84%CE%BF%CF%80%CE%AF%CE%BF%CF%85_%CF%83%CE%B5_%CE%B4%CF%8D%CE%BF_%CE%BC%CE%B5%CE%B3%CE%AC%CE%BB%CE%B5%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B4%CF%8D%CE%BF_%CE%BC%CE%B9%CE%BA%CF%81%CE%AD%CF%82_%CF%80%CF%8C%CE%BB%CE%B5%CE%B9%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%91%CE%AF%CE%B3%CF%85%CF%80%CF%84%CE%BF_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CE%BD_%CE%99%CE%BF%CF%81%CE%B4%CE%B1%CE%BD%CE%AF%CE%B1_%CF%84%CE%B9%CF%82_%CF%84%CE%B5%CE%BB%CE%B5%CF%85%CF%84%CE%B1%CE%AF%CE%B5%CF%82_%CF%80%CE%AD%CE%BD%CF%84%CE%B5_%CE%B4%CE%B5%CE%BA%CE%B1%CE%B5%CF%84%CE%AF%CE%B5%CF%82 2022-03-02T00:14:27Z

<p>Tsalmasd: </p> <hr /> <div>[[Εικόνα:Tsalmasd_eikona_5.1.png|thumb|right|'''Εικόνα 1:''' Δομή πολυ-επίπεδης κατάτμησης]]<br /> [[Εικόνα:Tsalmasd_eikona_5.2.png|thumb|right|'''Εικόνα 2:''' Πίνακας αποτελεσμάτων ακρίβειας κατάτμησης]]<br /> [[Εικόνα:Tsalmasd_eikona_5.3.png|thumb|right|'''Εικόνα 3:''' Σύγκριση αποτελεσμάτων κατάτμησης]]<br /> [[Εικόνα:Tsalmasd_eikona_5.4.png|thumb|right|'''Εικόνα 4:''' Ανίχνευση παράνομης δόμησης της Jiangxi στην Κίνα]]<br /> <br /> <br /> &lt;h3&gt;Landscape transformation processes in two large and two small cities in Egypt and Jordan over the last five decades using remote sensing data&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:'''Peter Riad, Sophie Graefe, Hussam Hussein, Andreas Buerkert.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.landurbplan.2020.103766]] <br /> <br /> '''Λέξεις κλειδιά:'''Δορυφορικές εικόνες Landsat, χρήση γης και κάλυψη γης, περιαστικές περιοχές πρασίνου, μετάβαση αγροτικής-αστικής ανάπτυξης, φυσικοί πόροι γης και υδάτων, Μέση Ανατολή και Βόρεια Αφρική.<br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> Το αντικείμενο της έρευνας είναι η παρακολούθηση της αστικής ανάπτυξης και ο συνακόλουθος μετασχηματισμός αγροτικής-αστικής χρήσης γης που συμβαίνει σε όλο τον κόσμο, επικεντρωμένη στη Μέση Ανατολή και την Περιοχή της Βόρειας Αφρικής. Η μελέτη διερευνά τις αλλαγές χρήσης γης από τη δεκατία του 1970 ως το 2018 στις πόλεις Λούξορ και Κάϊρο της Αιγύπτου και Άκαμπα και Αμμάν στην Ιορδανία χρησιμοποιώντας χρονοσειρές δορυφορικών δεδομένων Landsat. Οι ταξινομήσεις κάλυψης γης πραγματοποιήθηκαν χρησιμοποιώντας τον αλγόριθμο της μέγιστης πιθανοφάνειας (Maximum Likelihood) και της φασματικής γωνίας (Spectral Angle Mapping). <br /> <br /> &lt;h3&gt;2. Εισαγωγή&lt;/h3&gt;<br /> <br /> Η αστική ανάπτυξη οδηγεί σε αλλαγές χρήσης και κάλυψης γης γύρω από οικισμούς. Αυτές οι αλλαγές είναι ιδιαίτερα μεγάλες σε πολλές φτωχές χώρες που χαρακτηρίζονται από ταχεία αύξηση του πληθυσμού, ενώ η αστική επέκταση δεν περιορίζεται σε μεγάλες μητροπολιτικές περιοχές, αλλά εμφανίζεται εξίσου σε μεσαίου μεγέθους και μικρές πόλεις. Η επέκταση των αστικών περιοχών αψηφώντας την ύπαρξη καλλιεργήσιμων εκτάσεων, και συγκεκριμένα την ανάπτυξη μικρών και μεσαίου μεγέθους οικισμών στην περιφέρεια των μητροπολιτικών περιοχών, θέτει σε κίνδυνο την τοπική επισιτιστική ασφάλεια, δεδομένου ότι οι αστικές απαιτήσεις υποδομών αυξάνονται με ανάλογο ρυθμό όπως και η επέκταση τους. Εν όψει του ραγδαίου αυτού μετασχηματισμού αγροτικής-αστικής περιοχής στις πόλεις της Μέσης Ανατολής και Βόρειας Αφρικής, ο κύριος στόχος αυτής της μελέτης ήταν να ποσοτικοποιήσει τα πρότυπα αστικής επέκτασης και τις επιπτώσεις της στη γεωργική γη από τη δεκαετία του 1970 έως το 2018 για τέσσερις πόλεις που διαφέρουν σε μέγεθος και δυναμική ανάπτυξης. Για το σκοπό αυτό χρησιμοποιήθηκε ανάλυση τηλεπισκόπησης που βασίζεται σε γεωγραφικά συστήματα πληροφοριών (GIS) χρησιμοποιώντας διαφορετικά εργαλεία στο λογισμικό ERDAS IMAGINE 2014 και προσεγγίσεις ανοιχτού κώδικα που εφαρμόστηκαν στο λογισμικό QGIS και στην R.<br /> <br /> &lt;h3&gt;3. Περιοχή Μελέτης&lt;/h3&gt;<br /> <br /> Οι περιοχές μελέτης είναι οι πόλεις Κάϊρο και Λούξορ της Αιγύπτου και Άκαμπα και Αμμάν της Ιορδανίας, οι οποίες επιλέχθηκαν λόγω της έντονης και ραγδαίας αστικοποίησης τους βάσει στατιστικών μελετών που λήφθηκαν υπόψη. Οι περιοχές μελέτης απεικονίζονται γεωγραφικά στους χάρτες των εικόνων 1 και 2. <br /> <br /> &lt;h3&gt;4. Πηγές Δεδομένων και προεπεξεργασία&lt;/h3&gt;<br /> <br /> Τα επίσημα διοικητικά όρια των περιοχών μελέτης αντλήθηκαν από τη βάση δεδομένων της DIVA-GIS και εισήχθησαν σε shapefiles στο Qgis. Απαιτήθηκαν ορισμένες διορθώσεις και βελτιώσεις στα όρια των πόλεων με βάση πρόσφατους χάρτες της Google που χρησιμοποιήθηκαν. Ο αρχικός έλεγχος της εικόνας αποκάλυψε ότι οι περιοχές μετασχηματισμού αγροτικής πόλης ήταν πολύ μικρότερες από το σύνολο των διοικητικών περιοχών των πόλεων, δεδομένου ότι η υπόλοιπη έκταση αποτελείται από έρημο, άγονη γη ή βουνά. Ως εκ τούτου, η περιοχή που αναλύθηκε από κάθε πόλη επιλέχθηκε οπτικά ώστε να βρίσκεται εντός των διοικητικών ορίων των πόλεων και να καλύπτει τουλάχιστον το διπλάσιο της περιοχής όπου εντοπίζεται ο μετασχηματισμός αγροτικής – αστικής περιοχής μέχρι το 2018. Αυτά τα όρια μελέτης διατηρήθηκαν σταθερά για την επεξεργασία εικόνων, και στη συνέχεια τις ταξινομήσεις και την ανάλυση σε χρονοσειρές. Τέλος, χρησιμοποιήθηκε το USGS για λήψη δορυφορικών εικόνων Landsat 4-5 σε χρονικό εύρος από το 1980 έως τις αρχές του 2000 και δορυφορικών εικόνων Landsat 8 για το πιο πρόσφατο χρονικό διάστημα ως το 2018. Όλες οι εικόνες που χρησιμοποιήθηκαν στην μελέτη αφορούσαν την καλοκαιρινή αγροτική περίοδο (Μάρτιο έως Αύγουστο) κατά την οποία η χαμηλή ή μηδενική νεφοκάλυψη βοήθησε στην υψηλή ποιότητα των εικόνων, ενώ όλοι οι χώροι πρασίνου ήταν σαφώς ορατοί και στις δύο χώρες.<br /> Επιπλέον συλλέχθηκαν δημογραφικά ιστορικά στοιχεία για τις περιοχές μελέτης για τη συσχέτιση των κατηγοριών κάλυψης γης.<br /> <br /> &lt;h3&gt;5. Μεθοδολογία&lt;/h3&gt;<br /> <br /> Για τις ανάγκες της μελέτης χρησιμοποιήθηκαν όλα τα κανάλια των δορυφορικών εικόνων εκτός από τα θερμικά των εικόνων του δορυφόρου Landsat 8 και αποκόπηκαν στα προκαθορισμένα όρια των περιοχών μελέτης για επεξεργασία. Αρχικά εκτελέσθηκε επιβλεπόμενη ταξινόμηση με τη μέθοδο της μέγιστης πιθανοφάνειας στο λογισμικό Erdas Imagine για όλους τους τομείς της μελέτης. Ο αλγόριθμος της μέγιστης πιθανοφάνειας υποθέτει ότι οι πιθανότητες είναι ίσες για όλες τις κλάσεις της ταξινόμησης, τα κανάλια εισόδου είναι ομοιόμορφα κατανεμημένα και τα δεδομένα κατανέμονται κανονικά σε κάθε κανάλι της ταξινόμησης. Για την ταξινόμηση δημιουργήθηκαν συνολικά 24 αρχεία φασματικών υπογραφών για όλες τις περιοχές μελέτης σε όλα τα έτη ανάλυσης. Οι θεματικές κατηγορίες ήταν αστική περιοχή, αστικό πράσινο (περιοχές σε κτίρια με κήπους και πυκνούς θάμνους), περιαστικό πράσινο (περιοχές που καλύπτονται από βλάστηση - θάμνοι και δάση που βρίσκονται εκτός της αστικής περιοχής), γυμνό έδαφος (έρημος και βουνά) και υδάτινες επιφάνειες. <br /> <br /> Στη συνέχεια, με σκοπό τη σύγκριση των αποτελεσμάτων εφαρμόστηκε στις περιοχές μελέτης επιβλεπόμενη ταξινόμηση και με τη μέθοδο της φασματικής γωνίας στο Semi-Automatic Classification pluggin του ανοιχτού λογισμικού Qgis. Αυτή η μέθοδος βασίζεται στην αναγνώριση του φάσματος των εικονοστοιχείων μόνο μέσω των γωνιακών πληροφοριών τους. Το μήκος του διανύσματος αυξάνεται ή μειώνεται ανάλογα με το συνολικό φωτισμό (λόγω παρουσίας ηλιακού φωτός ή σκιάς), ενώ ο γωνιακός προσανατολισμός παραμένει σταθερός. Ο αλγόριθμος αυτός αναγνωρίζει και ταιριάζει δύο χαρακτηριστικά της εικόνας αν η γωνία είναι μικρότερη από μια καθορισμένη τιμή ανοχής. <br /> <br /> Έπειτα δημιουργήθηκε ο κανονικοποιημένος δείκτης βλάστησης ως ένα πρόσθετο εργαλείο για τον καλύτερο εντοπισμό περιοχών πρασίνου στην πόλη Άκαμπα της Ιορδανίας, επειδή η συγκεκριμένη πόλη έχει περιορισμένες εκτάσεις πρασίνου με αδύναμη βλάστηση, οι οποίες δεν είναι ευδιάκριτες. Έτσι υπολογίσθηκε στην R ο κανονικοποιημένος δείκτης βλάστησης (NDVI), που περιλαμβάνει τιμές εύρους -1 έως 1, συναρτήσει του κόκκινου (RED) και του εγγύς υπέρυθρου (NIR) καναλιού των δορυφορικών εικόνων, όπως περιγράφεται στον παρακάτω τύπο:<br /> <br /> NDVI=(NIR-RED)/(NIR+RED)<br /> <br /> Ο συγκεκριμένος δείκτης χρησιμοποιεί την υψηλή ανακλαστικότητα της βλάστησης στο μήκος κύματος του εγγύς υπέρυθρου κανάλιου δίνοντας υψηλές θετικές τιμές στις περιοχές πυκνής βλάστησης, χαμηλότερες σε περιοχές αραιής και αρνητικές σε περιοχές που δεν έχουν καθόλου βλάστηση, όπως στο γυμνό έδαφος, βουνά, νερό, κλπ.<br /> <br /> Τέλος, για τον εντοπισμό των αλλαγών εφαρμόστηκε σύγκριση των ταξινομήσεων βασιζόμενη στην επικάλυψη δύο η περισσοτέρων ανεξάρτητων παραγόμενων φασματικών ταξινομημένων αποτελεσμάτων, όπου οι περιοχές αλλαγής προσδιορίζονται μεταξύ των εικόνων που λαμβάνονται σε διαφορετικές εποχές. Πραγματοποιήθηκε ανάλυση της διασταυρούμενης πινακοποίησης για την προβολή τη μεταμόρφωση της γης σε κάθε πόλη. Η ακρίβεια των ταξινομημένων χαρτών προσδιορίστηκε από τους συντελεστές Kappa και την ολική ακρίβεια. <br /> <br /> &lt;h3&gt;6. Αποτελέσματα&lt;/h3&gt;<br /> <br /> Και στις τέσσερις πόλεις οι περιαστικές περιοχές πρασίνου συρρικνώθηκαν ή μετατοπίστηκαν λόγω της αυξημένης επέκτασης της αστικής – δομημένης περιοχής. Οι μεγαλύτερες μειώσεις των περιαστικών περιοχών πρασίνου παρατηρήθηκαν για το Αμμάν και το Λούξορ, οι οποίες μειώθηκαν κατά 122,4 km2 και 17,2 km2, αντίστοιχα, κατά την περίοδο μελέτης. Για το Κάιρο, υπήρξε αύξηση της περιαστικής περιοχής πρασίνου κατά 29 km2, αλλά η θέση των περιοχών πρασίνου μετατοπίστηκαν τις τελευταίες πέντε δεκαετίες λόγω της αστικής επέκτασης. Το 2018, οι περιοχές πρασίνου (αστικές και περιαστικές) ήταν 4,6, 12, 91 και 142 m2 ανά κάτοικο για την Άκαμπα, Κάιρο, Αμμάν και Λούξορ, αντίστοιχα. Τα αποτελέσματα απεικονίζονται στους χάρτες των εικόνων 3 και 4. <br /> <br /> &lt;h3&gt;7. Επίλογος&lt;/h3&gt;<br /> <br /> Οι αλλαγές κάλυψης γης αντανακλούσαν κρίσιμα πολιτικά γεγονότα όπως το λεγόμενο «Αραβ Άνοιξη», διεθνείς συνθήκες, πρόσφατα μεταναστευτικά κύματα και πληθυσμιακή αύξηση. Η ταχεία αύξηση της αστικής οικοδόμησης στην περιοχή μελέτης ασκεί πίεση στους σπάνιους πόρους γης και υδάτων στις περιαστικές παρυφές, οδηγώντας έτσι δυνητικά σε περιβαλλοντικό στρες. Απαιτείται αποτελεσματικός σχεδιασμός πόλης για την αντιμετώπιση των πολλαπλών προκλήσεων και τον ανταγωνισμό στα συμφέροντα των αστικών και περιαστικών περιβαλλόντων.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B5%CF%82_%CE%BC%CE%B5%CF%84%CE%B1%CF%83%CF%87%CE%B7%CE%BC%CE%B1%CF%84%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CF%84%CE%BF%CF%80%CE%AF%CE%BF%CF%85_%CF%83%CE%B5_%CE%B4%CF%8D%CE%BF_%CE%BC%CE%B5%CE%B3%CE%AC%CE%BB%CE%B5%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B4%CF%8D%CE%BF_%CE%BC%CE%B9%CE%BA%CF%81%CE%AD%CF%82_%CF%80%CF%8C%CE%BB%CE%B5%CE%B9%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%91%CE%AF%CE%B3%CF%85%CF%80%CF%84%CE%BF_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CE%BD_%CE%99%CE%BF%CF%81%CE%B4%CE%B1%CE%BD%CE%AF%CE%B1_%CF%84%CE%B9%CF%82_%CF%84%CE%B5%CE%BB%CE%B5%CF%85%CF%84%CE%B1%CE%AF%CE%B5%CF%82_%CF%80%CE%AD%CE%BD%CF%84%CE%B5_%CE%B4%CE%B5%CE%BA%CE%B1%CE%B5%CF%84%CE%AF%CE%B5%CF%82 2022-03-02T00:13:54Z

<p>Tsalmasd: </p> <hr /> <div>[[Εικόνα:Tsalmasd_eikona_5.1.png|thumb|right|'''Εικόνα 1:''' Δομή πολυ-επίπεδης κατάτμησης]]<br /> [[Εικόνα:Tsalmasd_eikona_5.2.png|thumb|right|'''Εικόνα 2:''' Πίνακας αποτελεσμάτων ακρίβειας κατάτμησης]]<br /> [[Εικόνα:Tsalmasd_eikona_5.3.png|thumb|right|'''Εικόνα 3:''' Σύγκριση αποτελεσμάτων κατάτμησης]]<br /> [[Εικόνα:Tsalmasd_eikona_5.4.png|thumb|right|'''Εικόνα 4:''' Ανίχνευση παράνομης δόμησης της Jiangxi στην Κίνα]]<br /> <br /> <br /> &lt;h3&gt;Landscape transformation processes in two large and two small cities in Egypt and Jordan over the last five decades using remote sensing data&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:'''Peter Riad, Sophie Graefe, Hussam Hussein, Andreas Buerkert.<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.landurbplan.2020.103766]] <br /> <br /> '''Λέξεις κλειδιά:'''Δορυφορικές εικόνες Landsat, χρήση γης και κάλυψη γης, περιαστικές περιοχές πρασίνου, μετάβαση αγροτικής-αστικής ανάπτυξης, φυσικοί πόροι γης και υδάτων, Μέση Ανατολή και Βόρεια Αφρική.<br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> Το αντικείμενο της έρευνας είναι η παρακολούθηση της αστικής ανάπτυξης και ο συνακόλουθος μετασχηματισμός αγροτικής-αστικής χρήσης γης που συμβαίνει σε όλο τον κόσμο, επικεντρωμένη στη Μέση Ανατολή και την Περιοχή της Βόρειας Αφρικής. Η μελέτη διερευνά τις αλλαγές χρήσης γης από τη δεκατία του 1970 ως το 2018 στις πόλεις Λούξορ και Κάϊρο της Αιγύπτου και Άκαμπα και Αμμάν στην Ιορδανία χρησιμοποιώντας χρονοσειρές δορυφορικών δεδομένων Landsat. Οι ταξινομήσεις κάλυψης γης πραγματοποιήθηκαν χρησιμοποιώντας τον αλγόριθμο της μέγιστης πιθανοφάνειας (Maximum Likelihood) και της φασματικής γωνίας (Spectral Angle Mapping). <br /> <br /> &lt;h3&gt;2. Εισαγωγή&lt;/h3&gt;<br /> <br /> Η αστική ανάπτυξη οδηγεί σε αλλαγές χρήσης και κάλυψης γης γύρω από οικισμούς. Αυτές οι αλλαγές είναι ιδιαίτερα μεγάλες σε πολλές φτωχές χώρες που χαρακτηρίζονται από ταχεία αύξηση του πληθυσμού, ενώ η αστική επέκταση δεν περιορίζεται σε μεγάλες μητροπολιτικές περιοχές, αλλά εμφανίζεται εξίσου σε μεσαίου μεγέθους και μικρές πόλεις. Η επέκταση των αστικών περιοχών αψηφώντας την ύπαρξη καλλιεργήσιμων εκτάσεων, και συγκεκριμένα την ανάπτυξη μικρών και μεσαίου μεγέθους οικισμών στην περιφέρεια των μητροπολιτικών περιοχών, θέτει σε κίνδυνο την τοπική επισιτιστική ασφάλεια, δεδομένου ότι οι αστικές απαιτήσεις υποδομών αυξάνονται με ανάλογο ρυθμό όπως και η επέκταση τους. Εν όψει του ραγδαίου αυτού μετασχηματισμού αγροτικής-αστικής περιοχής στις πόλεις της Μέσης Ανατολής και Βόρειας Αφρικής, ο κύριος στόχος αυτής της μελέτης ήταν να ποσοτικοποιήσει τα πρότυπα αστικής επέκτασης και τις επιπτώσεις της στη γεωργική γη από τη δεκαετία του 1970 έως το 2018 για τέσσερις πόλεις που διαφέρουν σε μέγεθος και δυναμική ανάπτυξης. Για το σκοπό αυτό χρησιμοποιήθηκε ανάλυση τηλεπισκόπησης που βασίζεται σε γεωγραφικά συστήματα πληροφοριών (GIS) χρησιμοποιώντας διαφορετικά εργαλεία στο λογισμικό ERDAS IMAGINE 2014 και προσεγγίσεις ανοιχτού κώδικα που εφαρμόστηκαν στο λογισμικό QGIS και στην R.<br /> <br /> &lt;h3&gt;3. Περιοχή Μελέτης&lt;/h3&gt;<br /> <br /> Οι περιοχές μελέτης είναι οι πόλεις Κάϊρο και Λούξορ της Αιγύπτου και Άκαμπα και Αμμάν της Ιορδανίας, οι οποίες επιλέχθηκαν λόγω της έντονης και ραγδαίας αστικοποίησης τους βάσει στατιστικών μελετών που λήφθηκαν υπόψη. Οι περιοχές μελέτης απεικονίζονται γεωγραφικά στους χάρτες των εικόνων 1 και 2. <br /> <br /> &lt;h3&gt;4. Πηγές Δεδομένων και προεπεξεργασία&lt;/h3&gt;<br /> <br /> Τα επίσημα διοικητικά όρια των περιοχών μελέτης αντλήθηκαν από τη βάση δεδομένων της DIVA-GIS και εισήχθησαν σε shapefiles στο Qgis. Απαιτήθηκαν ορισμένες διορθώσεις και βελτιώσεις στα όρια των πόλεων με βάση πρόσφατους χάρτες της Google που χρησιμοποιήθηκαν. Ο αρχικός έλεγχος της εικόνας αποκάλυψε ότι οι περιοχές μετασχηματισμού αγροτικής πόλης ήταν πολύ μικρότερες από το σύνολο των διοικητικών περιοχών των πόλεων, δεδομένου ότι η υπόλοιπη έκταση αποτελείται από έρημο, άγονη γη ή βουνά. Ως εκ τούτου, η περιοχή που αναλύθηκε από κάθε πόλη επιλέχθηκε οπτικά ώστε να βρίσκεται εντός των διοικητικών ορίων των πόλεων και να καλύπτει τουλάχιστον το διπλάσιο της περιοχής όπου εντοπίζεται ο μετασχηματισμός αγροτικής – αστικής περιοχής μέχρι το 2018. Αυτά τα όρια μελέτης διατηρήθηκαν σταθερά για την επεξεργασία εικόνων, και στη συνέχεια τις ταξινομήσεις και την ανάλυση σε χρονοσειρές. Τέλος, χρησιμοποιήθηκε το USGS για λήψη δορυφορικών εικόνων Landsat 4-5 σε χρονικό εύρος από το 1980 έως τις αρχές του 2000 και δορυφορικών εικόνων Landsat 8 για το πιο πρόσφατο χρονικό διάστημα ως το 2018. Όλες οι εικόνες που χρησιμοποιήθηκαν στην μελέτη αφορούσαν την καλοκαιρινή αγροτική περίοδο (Μάρτιο έως Αύγουστο) κατά την οποία η χαμηλή ή μηδενική νεφοκάλυψη βοήθησε στην υψηλή ποιότητα των εικόνων, ενώ όλοι οι χώροι πρασίνου ήταν σαφώς ορατοί και στις δύο χώρες.<br /> <br /> Επιπλέον συλλέχθηκαν δημογραφικά ιστορικά στοιχεία για τις περιοχές μελέτης για τη συσχέτιση των κατηγοριών κάλυψης γης.<br /> <br /> &lt;h3&gt;5. Μεθοδολογία&lt;/h3&gt;<br /> <br /> Για τις ανάγκες της μελέτης χρησιμοποιήθηκαν όλα τα κανάλια των δορυφορικών εικόνων εκτός από τα θερμικά των εικόνων του δορυφόρου Landsat 8 και αποκόπηκαν στα προκαθορισμένα όρια των περιοχών μελέτης για επεξεργασία. Αρχικά εκτελέσθηκε επιβλεπόμενη ταξινόμηση με τη μέθοδο της μέγιστης πιθανοφάνειας στο λογισμικό Erdas Imagine για όλους τους τομείς της μελέτης. Ο αλγόριθμος της μέγιστης πιθανοφάνειας υποθέτει ότι οι πιθανότητες είναι ίσες για όλες τις κλάσεις της ταξινόμησης, τα κανάλια εισόδου είναι ομοιόμορφα κατανεμημένα και τα δεδομένα κατανέμονται κανονικά σε κάθε κανάλι της ταξινόμησης. Για την ταξινόμηση δημιουργήθηκαν συνολικά 24 αρχεία φασματικών υπογραφών για όλες τις περιοχές μελέτης σε όλα τα έτη ανάλυσης. Οι θεματικές κατηγορίες ήταν αστική περιοχή, αστικό πράσινο (περιοχές σε κτίρια με κήπους και πυκνούς θάμνους), περιαστικό πράσινο (περιοχές που καλύπτονται από βλάστηση - θάμνοι και δάση που βρίσκονται εκτός της αστικής περιοχής), γυμνό έδαφος (έρημος και βουνά) και υδάτινες επιφάνειες. <br /> <br /> Στη συνέχεια, με σκοπό τη σύγκριση των αποτελεσμάτων εφαρμόστηκε στις περιοχές μελέτης επιβλεπόμενη ταξινόμηση και με τη μέθοδο της φασματικής γωνίας στο Semi-Automatic Classification pluggin του ανοιχτού λογισμικού Qgis. Αυτή η μέθοδος βασίζεται στην αναγνώριση του φάσματος των εικονοστοιχείων μόνο μέσω των γωνιακών πληροφοριών τους. Το μήκος του διανύσματος αυξάνεται ή μειώνεται ανάλογα με το συνολικό φωτισμό (λόγω παρουσίας ηλιακού φωτός ή σκιάς), ενώ ο γωνιακός προσανατολισμός παραμένει σταθερός. Ο αλγόριθμος αυτός αναγνωρίζει και ταιριάζει δύο χαρακτηριστικά της εικόνας αν η γωνία είναι μικρότερη από μια καθορισμένη τιμή ανοχής. <br /> <br /> Έπειτα δημιουργήθηκε ο κανονικοποιημένος δείκτης βλάστησης ως ένα πρόσθετο εργαλείο για τον καλύτερο εντοπισμό περιοχών πρασίνου στην πόλη Άκαμπα της Ιορδανίας, επειδή η συγκεκριμένη πόλη έχει περιορισμένες εκτάσεις πρασίνου με αδύναμη βλάστηση, οι οποίες δεν είναι ευδιάκριτες. Έτσι υπολογίσθηκε στην R ο κανονικοποιημένος δείκτης βλάστησης (NDVI), που περιλαμβάνει τιμές εύρους -1 έως 1, συναρτήσει του κόκκινου (RED) και του εγγύς υπέρυθρου (NIR) καναλιού των δορυφορικών εικόνων, όπως περιγράφεται στον παρακάτω τύπο:<br /> <br /> NDVI=(NIR-RED)/(NIR+RED)<br /> <br /> Ο συγκεκριμένος δείκτης χρησιμοποιεί την υψηλή ανακλαστικότητα της βλάστησης στο μήκος κύματος του εγγύς υπέρυθρου κανάλιου δίνοντας υψηλές θετικές τιμές στις περιοχές πυκνής βλάστησης, χαμηλότερες σε περιοχές αραιής και αρνητικές σε περιοχές που δεν έχουν καθόλου βλάστηση, όπως στο γυμνό έδαφος, βουνά, νερό, κλπ.<br /> <br /> Τέλος, για τον εντοπισμό των αλλαγών εφαρμόστηκε σύγκριση των ταξινομήσεων βασιζόμενη στην επικάλυψη δύο η περισσοτέρων ανεξάρτητων παραγόμενων φασματικών ταξινομημένων αποτελεσμάτων, όπου οι περιοχές αλλαγής προσδιορίζονται μεταξύ των εικόνων που λαμβάνονται σε διαφορετικές εποχές. Πραγματοποιήθηκε ανάλυση της διασταυρούμενης πινακοποίησης για την προβολή τη μεταμόρφωση της γης σε κάθε πόλη. Η ακρίβεια των ταξινομημένων χαρτών προσδιορίστηκε από τους συντελεστές Kappa και την ολική ακρίβεια. <br /> <br /> <br /> &lt;h3&gt;6. Αποτελέσματα&lt;/h3&gt;<br /> <br /> Και στις τέσσερις πόλεις οι περιαστικές περιοχές πρασίνου συρρικνώθηκαν ή μετατοπίστηκαν λόγω της αυξημένης επέκτασης της αστικής – δομημένης περιοχής. Οι μεγαλύτερες μειώσεις των περιαστικών περιοχών πρασίνου παρατηρήθηκαν για το Αμμάν και το Λούξορ, οι οποίες μειώθηκαν κατά 122,4 km2 και 17,2 km2, αντίστοιχα, κατά την περίοδο μελέτης. Για το Κάιρο, υπήρξε αύξηση της περιαστικής περιοχής πρασίνου κατά 29 km2, αλλά η θέση των περιοχών πρασίνου μετατοπίστηκαν τις τελευταίες πέντε δεκαετίες λόγω της αστικής επέκτασης. Το 2018, οι περιοχές πρασίνου (αστικές και περιαστικές) ήταν 4,6, 12, 91 και 142 m2 ανά κάτοικο για την Άκαμπα, Κάιρο, Αμμάν και Λούξορ, αντίστοιχα. Τα αποτελέσματα απεικονίζονται στους χάρτες των εικόνων 3 και 4. <br /> <br /> &lt;h3&gt;7. Επίλογος&lt;/h3&gt;<br /> <br /> Οι αλλαγές κάλυψης γης αντανακλούσαν κρίσιμα πολιτικά γεγονότα όπως το λεγόμενο «Αραβ Άνοιξη», διεθνείς συνθήκες, πρόσφατα μεταναστευτικά κύματα και πληθυσμιακή αύξηση. Η ταχεία αύξηση της αστικής οικοδόμησης στην περιοχή μελέτης ασκεί πίεση στους σπάνιους πόρους γης και υδάτων στις περιαστικές παρυφές, οδηγώντας έτσι δυνητικά σε περιβαλλοντικό στρες. Απαιτείται αποτελεσματικός σχεδιασμός πόλης για την αντιμετώπιση των πολλαπλών προκλήσεων και τον ανταγωνισμό στα συμφέροντα των αστικών και περιαστικών περιβαλλόντων.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%97_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE_%CE%B5%CE%BE%CE%AC%CF%80%CE%BB%CF%89%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%84%CE%BF_%CE%B1%CE%BD%CF%84%CE%AF%CE%BA%CF%84%CF%85%CF%80%CF%8C_%CF%84%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%B2%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7_%CF%83%CF%85%CE%BD%CE%B4%CF%85%CE%B1%CF%83%CE%BC%CF%8C%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%BC%CE%AD%CF%83%CF%89%CE%BD_%CE%BA%CE%BF%CE%B9%CE%BD%CF%89%CE%BD%CE%B9%CE%BA%CE%AE%CF%82_%CE%B4%CE%B9%CE%BA%CF%84%CF%8D%CF%89%CF%83%CE%B7%CF%82 2022-03-02T00:05:04Z

<p>Tsalmasd: </p> <hr /> <div>[[Εικόνα:Tsalmasd_eikona_4.1.png|thumb|right|'''Εικόνα 1:''' Χωρική κατανομή δεδομένων του κοινωνικού δικτόυ (Twitter) στον αστικό Δήμο του Morogoro.]]<br /> [[Εικόνα:Tsalmasd_eikona_4.2.png|thumb|right|'''Εικόνα 2:''' Επιγραμματική απεικόνιση της ερευνητικής προσέγγισης.]]<br /> [[Εικόνα:Tsalmasd_eikona_4.3.png|thumb|right|'''Εικόνα 3:''' Χωρική κατανομή της αστικής γης από το 2011 έως το 2017 με ενσωματωμένα τα δεδομένα από το Twitter.]]<br /> <br /> <br /> &lt;h3&gt;Urban sprawl and its impact on sustainable urban development: a combination of remote sensing and social media data&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:'''Zhenfeng Shao, Neema S. Sumari, Aleksei Portnov, Fanan Ujoh, Walter Musakwa &amp; Paulo J. Mandela<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://ieeexplore.ieee.org/document/9191992]] <br /> <br /> '''Λέξεις κλειδιά:'''Αστικοποίηση, υπηρεσίες οικοσυστήματος, βιώσιμη αστική ανάπτυξη, τηλεπισκόπηση, δεδομένα μέσων κοινωνικής δικτύωσης, Twitter, Morogoro, Tanzania. <br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> Η αστική εξάπλωση έχει οδηγήσει σε μη βιώσιμα πρότυπα αστικής ανάπτυξης από κοινωνική, περιβαλλοντική και οικονομική προοπτική. Αυτή η μελέτη είναι από τα πρώτα παραδείγματα έρευνας στην Αφρική να συνδυάσει δεδομένα τηλεπισκόπησης με δεδομένα μέσων κοινωνικής δικτύωσης για τον προσδιορισμό της αστικής εξάπλωσης από το 2011 έως το 2017 στον αστικό δήμο Morogoro, Τανζανία. Εφαρμόστηκε η μέθοδος ταξινόμησης Random Forest, χρησιμοποιώντας δορυφορικές εικόνες και δεδομένα μέσων κοινωνικής δικτύωσης βάσει τοποθεσίας (χρήση Twitter), τα οποία λαμβάνονται μέσω μιας διεπαφής προγραμματισμού εφαρμογών Twitter (API). Ο αστικός δήμος του Morogoro ταξινομήθηκε σε τάξεις οικιστικής εγκατάστασης, βλάστησης, γεωργίας και υδάτινης κάλυψης γης ενώ τα αποτελέσματα της ταξινόμησης ενισχύθηκαν με τη δημιουργία 480 τυχαίων σημείων. Χρησιμοποιώντας την λειτουργία πυρήνα, η μελέτη μέτρησε τη θέση των χρηστών του Twitter σε μια ακτίνα ζώνης 1 χιλιομέτρου από το κέντρο της πόλης. Τα αποτελέσματα δείχνουν ότι, η επέκταση της πόλης (δομημένη χρήση γης), που είναι κυρίως λόγω της πληθυσμιακής επέκτασης, έχει αρνητικές επιπτώσεις στις υπηρεσίες του οικοσυστήματος. Επιπλέον, τα δεδομένα χρήσης μέσων κοινωνικής δικτύωσης υποδηλώνουν ότι υπάρχει συγκέντρωση της χρήσης Twitter εντός του κέντρου της πόλης ενώ η χρήση του Twitter μειώνεται μακριά από το κέντρο της πόλης με σημαντική χωρική και αριθμητική αύξηση της χρήσης Twitter στην περιοχή μελέτης. Ο σκοπός και Τα αποτέλεσμα της μελέτης υποδηλώνουν ότι ο συνδυασμός τηλεπισκόπησης, κοινωνικής ανίχνευσης και δεδομένων πληθυσμού είναι ένα χρήσιμο εργαλείο, που λειτουργεί σε πραγματικό χρόνο, για την ερμηνεία της αστικής εξάπλωσης και της κατάστασης πρόσβασης στις αστικές υπηρεσίες και υποδομές στο Morogoro και στην πόλη της Αφρικής, όπου τα δεδομένα για τον πολεοδομικό σχεδιασμό είναι συχνά μη διαθέσιμα και ανακριβή και μη ενημερωμένα.<br /> <br /> &lt;h3&gt;2. Εισαγωγή&lt;/h3&gt;<br /> <br /> Η αστικοποίηση είναι μια από τις πιο σημαντικές ανθρώπινες δραστηριότητες σε όλο τον κόσμο σήμερα που επηρεάζει την ποιότητα της αστικής ζωής και τη βιώσιμη ανάπτυξή της. Η αστικοποίηση στην Αφρική συμβαίνει σε ένα πρωτοφανές ποσοστό και απειλεί την επίτευξη των Στόχων Βιώσιμης Ανάπτυξης (SDGs). Στην παρούσα μελέτη, εξετάζεται η αύξηση των αστικών πληθυσμών παγκοσμίως ως ο παράγοντας που ευθύνεται άμεσα για το πρωτοφανές ποσοστό αστικής εξάπλωσης που καταγράφεται κυρίως σε πόλεις στον παγκόσμιο νότο. Το φαινόμενο αυτό, δημιουργεί ανάγκες για υποδομές στις πόλεις. Εξαιτίας της αυξημένης αστικοποίησης σε όλο τον κόσμο από το 1950 και μετά, η παρακολούθηση και η ανάλυση της αστικής επέκτασης έχει γίνει δημοφιλές θέμα σε εφαρμογές γεωεπιστήμης. Η χρήση των πολλών γεωδεδομένων που παρέχονται πλέον μπορεί να επιταχύνει την υποστήριξη της παγκόσμιας αειφόρου ανάπτυξης με τη χρήση τηλεπισκόπησης για πληθυσμιακές μελέτες. Επιπλέον, δεδομένα των μέσων κοινωνικής δικτύωσης (Twitter) που προέρχονται από χρήστες, οι οποίοι επιτρέπουν στην εφαρμογή τον γεωγραφικό εντοπισμό τους μέσω του ενσωματωμένου GPS δέκτη των συσκευών τους, μπορούν να ενισχύσουν την μελέτη της αστικής επέκτασης με επιπρόσθετες ποιοτικές πληροφορίες για την καλύτερη επίγνωση της κατάστασης της ανθρώπινης δραστηριότητας με αποτελεσματικές ενδείξεις όσον αφορά τη διαχείριση του πολεοδομικού σχεδιασμού. <br /> <br /> Η παρούσα μελέτη στοχεύει στον συνδυασμό δορυφορικών τηλεπισκοπικών εικόνων και δεδομένων μέσων κοινωνικής δικτύωσης για τη μοντελοποίηση τοποθεσίας και κατεύθυνση της αστικής εξάπλωσης στον αστικό Δήμο Morogoro της Τανζανίας προκειμένου: <br /> <br /> * να εντοπιστεί η αστική εξάπλωση με ένα συνοπτικό χωρικό και χρονικό μοτίβο από το 2011 έως 2017<br /> * να προσδιορίσει το αντίκτυπο της αστικής εξάπλωσης στη βιώσιμη αστική ανάπτυξη και ειδικότερα στις υπηρεσίες οικολογικού συστήματος για την πόλη.<br /> <br /> &lt;h3&gt;3. Περιοχή Μελέτης&lt;/h3&gt;<br /> <br /> Η μελέτη διεξήχθη στον αστικό Δήμο Morogoro, που είναι το κύριο διαμέρισμα της περιφέρειας Morogoro και είναι γνωστό ανεπίσημα ως «Mji kasoro bahari» και μεταφράζεται ως «πόλη μικρότερη από ένα λιμάνι». Η περιοχή συνορεύει με την αγροτική περιοχή του Morogoro και δυτικά με την περιοχή Mvomero. <br /> <br /> &lt;h3&gt;4. Πηγές Δεδομένων&lt;/h3&gt;<br /> <br /> &lt;h4&gt;4.1. Δορυφορικά Δεδομένα&lt;/h4&gt;<br /> <br /> Για τις ανάγκες της μελέτης έγινε λήψη δορυφορικών εικόνων Landsat 7, χωρικής ακρίβειας 30 μέτρων, από την ιστοσελίδα του Γεωλογικού Ινστιτούτου των ΗΠΑ (USGS) και από την πλατφόρμα της Google Earth Engine εξήχθησαν εικόνες χρονοσειράς για την περιοχή μελέτης από το 2011 έως το 2017. Για την επεξεργασία των δεδομένων έγινε χρήση των λογισμικών Erdas Imagine και ArcGIS, όπου πραγματοποιήθηκαν ραδιομετρικές και γεωμετρικές διορθώσεις και μετασχηματίστηκαν στην παγκόσμια εγκάρσια μερκατορική προβολή (UTM – Zone 37 South) στο παγκόσμιο γεωδαιτικό σύστημα αναφοράς (WGS84). <br /> <br /> &lt;h4&gt;4.2 Δεδομένα κοινωνικού δικτύου (Twitter)&lt;/h4&gt;<br /> <br /> Το Twitter είναι ένα από τα πιο δημοφιλή διαδικτυακά νέα και πλατφόρμες δικτύωσης μέσων κοινωνικής δικτύωσης για αλληλεπίδραση και κοινή χρήση πληροφοριών με εκατομμύρια χρήστες σχετικά με έκτακτες ειδήσεις, διαφημίσεις και κοινή χρήση τοποθεσιών μέσω μηνυμάτων γνωστών ως &quot;tweets&quot;. Η ευρεία διαθεσιμότητα ενσωματωμένου GPS στις τηλεφωνικές συσκευές κατέστησε δυνατή τη γεωγραφική προσθήκη των tweet, καθιστώντας αυτές τις χωρικές πληροφορίες διαθέσιμες για εκατομμύρια χρήστες. Από τον λογαριασμό Twitter, δύο είναι οι επιλογές που δίνονται σε έναν χρήστη. <br /> <br /> * Η πρώτη επιλογή είναι να οριστεί μια τοποθεσία, η οποία καταγράφεται αυτόματα από έναν ενσωματωμένο δέκτη GPS στον κινητό εξοπλισμό, καταγράφοντας τη θέση του χρήστη με τη μορφή γεωγραφικού μήκους και πλάτους. <br /> <br /> * Η δεύτερη είναι η επιλογή του χρήστη μιας τοποθεσίας από μια λίστα με μέρη που παρέχονται από το Twitter. Σε αυτήν την περίπτωση, το Twitter καταγράφει την εκτιμώμενη θέση της κινητής συσκευής ή του Διεύθυνση Πρωτοκόλλου Διαδικτύου (IP), που παρέχει πολλές πιθανές τοποθεσίες (π.χ. ένα κτίριο, μια γειτονιά, μια πόλη, ακόμη και μια χώρα) με βάση γεωκώδικες για επιλογή.<br /> <br /> Όπως είναι λογικό η τοποθεσία αναλόγως την επιλογή θα διαφέρει σημαντικά. Σε γενικές γραμμές, όσον αφορά την δεύτερη επιλογή, αυτή του χρήστη όταν αναζητεί κάτι, η τοποθεσία που θα επιλέξει όπως παρέχεται από το Twitter θα είναι ακριβής εντός 30 έως 3000m, ενώ παράλληλα η τοποθεσία που δημιουργείται από τη διεύθυνση IP δεν είναι επίσης ακριβής, ανάλογα με τη μέθοδο που χρησιμοποιείται για τη μετατροπή της διεύθυνσης IP σε συντεταγμένες.<br /> <br /> Η παρούσα μελέτη υιοθέτησε το γεωγραφικό σήμα tweets που δείχνουν γεωγραφικό μήκος και πλάτος, όπως είναι πιο ακριβείς για τη δημιουργία τόσο προσβασιμότητας όσο και χωρικής ανάλυσης χρησιμοποιώντας ανάλυση δικτύου για την εξέταση της απόστασης του χρήστη για δεδομένη ακτίνα από την πόλη κέντρο του Morogoro. Οι συνολικές γεωγραφικές τοποθεσίες που εξήχθησαν ήταν συνολικά 1597, από λογαριασμούς χρηστών από το 2011 έως το 2017 εντός των ορίων της περιοχής μελέτης με τη χρήση της διεπαφής προγραμματισμού εφαρμογών (Application Programming Interface) του Twitter με βάση τη θέση των λογαριασμών των χρηστών όπως αναφέρεται στα προφίλ τους. Αυτά τα tweets αποθηκεύτηκαν και διαχειρίστηκαν σε μια βάση δεδομένων.<br /> <br /> &lt;h3&gt;5. Μεθοδολογία&lt;/h3&gt;<br /> <br /> Η ροή εργασίας παρουσιάζει τρία βασικά βήματα: <br /> <br /> * Προεπεξεργασία δεδομένων τηλεπισκόπησης και Twitter. <br /> * Ταξινόμηση εικόνας, αλλαγή χρήσης γης εντοπισμού και επικύρωσης. <br /> * Προσδιορισμός χωρικών μοτίβων/ διαδρομών με βάση τα αποτελέσματα της ταξινόμησης των αλλαγών κάλυψης γης.<br /> <br /> Αναλυτικότερα, όσον αφορά την προεπεξεργασία των δεδομένων, υπολογίστηκαν και αναλύθηκαν χρησιμοποιώντας διαφορετικές μεθόδους ανάλυσης για να εκτιμηθεί η «εδαφική αλήθεια» της αστικής εξάπλωσης σε συγκεκριμένη τοποθεσία και χρόνο. <br /> Για την ταξινόμηση των τηλεπισκοπικών δεδομένων εκτελέσθηκε η ταξινόμηση με τη μέθοδο τους τυχαίου δάσους (Random Forest), που επιλέχθηκε λόγω της αξιοπιστίας της. Η περιοχή μελέτης ταξινομήθηκε σε τέσσερις κατηγορίες: δομημένη περιοχή, βλάστηση, καλλιέργεια και νερό. Τα αποτελέσματα της ταξινόμησης ενισχύθηκαν με τη δημιουργία 480 τυχαίων σημείων. Η αλλαγή αξιολογήθηκε αν ήταν θετικές ή αρνητικές για τις υπηρεσίες οικοσυστήματος που χρησιμοποιούν η αναφορά και η ταξινόμηση σύμφωνα με την εκτίμηση οικοσυστήματος της χιλιετίας.<br /> <br /> Για την αξιοποίηση των δεδομένων του κοινωνικού δικτύου Twitter χρησιμοποιήθηκε το ακόλουθο μοντέλο: <br /> <br /> UETt={a1,(x1,y1,t1,D1),(x2,y2,t2,D2),…,(xn,yn,tn,Dn)<br /> <br /> Όπου, κάθε χρήστης έχει τη θέση του λογαριασμού (ai) που ορίζεται ως (xi, yi, ti ), με x: γεωγραφικό πλάτος, y: γεωγραφικό μήκος, σε χρόνο t και Di: η χιλιομετρική απόσταση του χρήστη από το έτος αναφοράς που δημιουργήθηκε ο λογαριασμός, για συνολικούς n χρήστες. <br /> <br /> Τέλος, εκτελέσθηκε η συνάρτηση πυκνότητας πυρήνα (Kernel density function) για τον υπολογισμό της πυκνότητας του χρήστη μετά την εξαγωγή της αστικής χρήσης γης για τη μέτρηση της πυκνότητας κάθε τοποθεσίας προκειμένου να αξιολογηθούν και να αναλυθούν ποσοτικά οι διαφορές στη χωρική επέκταση. Το κέντρο της επιφάνειας του πυρήνα ήταν στο κέντρο της πόλης (CDB) και η ακτίνα ζώνης (buffer) ήταν 1km. Οπότε η συνάρτηση πυκνότητας πυρήνα χρησιμοποιήθηκε για τον υπολογισμό της τυπικής απόστασης (Standard Distance: SD) της τοποθεσίας των χρηστών του Twitter σε συνάρτηση με τον πληθυσμό του αστικού Δήμου Morogoro: <br /> <br /> SD=1/(buffer)2[3/π×popi(1-(disti/buffer)2)2]<br /> <br /> Όπου, το i είναι μια τοποθεσία χρήστη εντός της ακτίνας ζώνης (buffer) 1km, pop είναι ο πληθυσμός, disti είναι η απόσταση μεταξύ της τοποθεσίας χρήστη στο σημείο i. <br /> <br /> &lt;h3&gt;6. Αποτελέσματα&lt;/h3&gt;<br /> <br /> Τα αποτελέσματα δείχνουν ότι οι άνθρωποι τείνουν να κάνουν tweet περισσότερο στο κέντρο της πόλης παρότι στα προάστια. Με την απεικόνιση της συνάρτησης πυκνότητας πυρήνα προέκυψε ότι υπάρχουν περισσότερες τηλεπικοινωνιακές υποδομές για την υποστήριξη του Twitter εντός του κέντρου της πόλης από ό,τι συμβαίνει στο παρυφές της πόλης.<br /> <br /> Η κατάσταση είναι ίδια τόσο για τους νέους λογαριασμούς Twitter όσο και για τα πραγματικά tweets που προέρχονται από την περιοχή μελέτης. Η συσχέτιση μεταξύ λογαριασμών Twitter και πληθυσμού του αστικού Δήμου Morogoro αποκαλύπτει μια ισχυρή θετική συσχέτιση όπου η αύξηση του πληθυσμού αντιστοιχεί στην αύξηση των λογαριασμών Twitter στον αστικό Δήμο Morogoro.<br /> <br /> Από την ενσωμάτωση εικόνων από το 2011 έως το 2017, το αποτέλεσμα δείχνει ότι η κεντρική περιοχή του Morogoro είναι περισσότερο αναπτυσσόμενη ενώ μειώνεται προς τα έξω σε ημιακτινική μορφή. Το συμπέρασμα, είναι ότι η τηλεπικοινωνιακή υποδομή και οι σχετικές υπηρεσίες συνδεσιμότητας στο Διαδίκτυο που μπορούν να υποστηρίζουν το Twitter (καθώς και άλλες πλατφόρμες μέσων κοινωνικής δικτύωσης) εντοπίζεται κυρίως στο κέντρο της πόλης, και λιγότερο έξω από το κέντρο της πόλης εντός της περιοχής μελέτης. Αναμενόμενα, μια έρευνα της πόλης δείχνει ότι αυτό το μοτίβο ισχύει και για άλλες υποδομές και υπηρεσίες όπως για παράδειγμα οδούς, δημόσια παροχή νερού μέσω αγωγών, σχολεία, εγκαταστάσεις υγειονομικής περίθαλψης, υπηρεσίες διαχείρισης στερεών αποβλήτων κ.λπ. Στην εικόνα 3 παρουσιάζεται ο τελικός χάρτης που δημιουργήθηκε και απεικονίζει τη χωρική κατανομή της αστικής γης από το 2011 έως το 2017 με ενσωματωμένα τα δεδομένα από το Twitter.<br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_4.3.png 2022-03-02T00:03:04Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_4.2.png 2022-03-02T00:02:50Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_4.1.png 2022-03-02T00:02:36Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%97_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE_%CE%B5%CE%BE%CE%AC%CF%80%CE%BB%CF%89%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%84%CE%BF_%CE%B1%CE%BD%CF%84%CE%AF%CE%BA%CF%84%CF%85%CF%80%CF%8C_%CF%84%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%B2%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7_%CF%83%CF%85%CE%BD%CE%B4%CF%85%CE%B1%CF%83%CE%BC%CF%8C%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%BC%CE%AD%CF%83%CF%89%CE%BD_%CE%BA%CE%BF%CE%B9%CE%BD%CF%89%CE%BD%CE%B9%CE%BA%CE%AE%CF%82_%CE%B4%CE%B9%CE%BA%CF%84%CF%8D%CF%89%CF%83%CE%B7%CF%82 2022-03-02T00:02:23Z

<p>Tsalmasd: </p> <hr /> <div>[[Εικόνα:Tsalmasd_eikona_4.1.png|thumb|right|'''Εικόνα 1:''' Χωρική κατανομή δεδομένων του κοινωνικού δικτόυ (Twitter) στον αστικό Δήμο του Morogoro.]]<br /> [[Εικόνα:Tsalmasd_eikona_4.2.png|thumb|right|'''Εικόνα 2:''' Επιγραμματική απεικόνιση της ερευνητικής προσέγγισης.]]<br /> [[Εικόνα:Tsalmasd_eikona_4.3.png|thumb|right|'''Εικόνα 3:''' Χωρική κατανομή της αστικής γης από το 2011 έως το 2017 με ενσωματωμένα τα δεδομένα από το Twitter.]]<br /> <br /> <br /> &lt;h3&gt;Urban sprawl and its impact on sustainable urban development: a combination of remote sensing and social media data&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:'''Zhenfeng Shao, Neema S. Sumari, Aleksei Portnov, Fanan Ujoh, Walter Musakwa &amp; Paulo J. Mandela<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://ieeexplore.ieee.org/document/9191992]] <br /> <br /> '''Λέξεις κλειδιά:'''Αστικοποίηση, υπηρεσίες οικοσυστήματος, βιώσιμη αστική ανάπτυξη, τηλεπισκόπηση, δεδομένα μέσων κοινωνικής δικτύωσης, Twitter, Morogoro, Tanzania. <br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> Η αστική εξάπλωση έχει οδηγήσει σε μη βιώσιμα πρότυπα αστικής ανάπτυξης από κοινωνική, περιβαλλοντική και οικονομική προοπτική. Αυτή η μελέτη είναι από τα πρώτα παραδείγματα έρευνας στην Αφρική να συνδυάσει δεδομένα τηλεπισκόπησης με δεδομένα μέσων κοινωνικής δικτύωσης για τον προσδιορισμό της αστικής εξάπλωσης από το 2011 έως το 2017 στον αστικό δήμο Morogoro, Τανζανία. Εφαρμόστηκε η μέθοδος ταξινόμησης Random Forest, χρησιμοποιώντας δορυφορικές εικόνες και δεδομένα μέσων κοινωνικής δικτύωσης βάσει τοποθεσίας (χρήση Twitter), τα οποία λαμβάνονται μέσω μιας διεπαφής προγραμματισμού εφαρμογών Twitter (API). Ο αστικός δήμος του Morogoro ταξινομήθηκε σε τάξεις οικιστικής εγκατάστασης, βλάστησης, γεωργίας και υδάτινης κάλυψης γης ενώ τα αποτελέσματα της ταξινόμησης ενισχύθηκαν με τη δημιουργία 480 τυχαίων σημείων. Χρησιμοποιώντας την λειτουργία πυρήνα, η μελέτη μέτρησε τη θέση των χρηστών του Twitter σε μια ακτίνα ζώνης 1 χιλιομέτρου από το κέντρο της πόλης. Τα αποτελέσματα δείχνουν ότι, η επέκταση της πόλης (δομημένη χρήση γης), που είναι κυρίως λόγω της πληθυσμιακής επέκτασης, έχει αρνητικές επιπτώσεις στις υπηρεσίες του οικοσυστήματος. Επιπλέον, τα δεδομένα χρήσης μέσων κοινωνικής δικτύωσης υποδηλώνουν ότι υπάρχει συγκέντρωση της χρήσης Twitter εντός του κέντρου της πόλης ενώ η χρήση του Twitter μειώνεται μακριά από το κέντρο της πόλης με σημαντική χωρική και αριθμητική αύξηση της χρήσης Twitter στην περιοχή μελέτης. Ο σκοπός και Τα αποτέλεσμα της μελέτης υποδηλώνουν ότι ο συνδυασμός τηλεπισκόπησης, κοινωνικής ανίχνευσης και δεδομένων πληθυσμού είναι ένα χρήσιμο εργαλείο, που λειτουργεί σε πραγματικό χρόνο, για την ερμηνεία της αστικής εξάπλωσης και της κατάστασης πρόσβασης στις αστικές υπηρεσίες και υποδομές στο Morogoro και στην πόλη της Αφρικής, όπου τα δεδομένα για τον πολεοδομικό σχεδιασμό είναι συχνά μη διαθέσιμα και ανακριβή και μη ενημερωμένα.<br /> <br /> &lt;h3&gt;2. Εισαγωγή&lt;/h3&gt;<br /> <br /> Η αστικοποίηση είναι μια από τις πιο σημαντικές ανθρώπινες δραστηριότητες σε όλο τον κόσμο σήμερα που επηρεάζει την ποιότητα της αστικής ζωής και τη βιώσιμη ανάπτυξή της. Η αστικοποίηση στην Αφρική συμβαίνει σε ένα πρωτοφανές ποσοστό και απειλεί την επίτευξη των Στόχων Βιώσιμης Ανάπτυξης (SDGs). Στην παρούσα μελέτη, εξετάζεται η αύξηση των αστικών πληθυσμών παγκοσμίως ως ο παράγοντας που ευθύνεται άμεσα για το πρωτοφανές ποσοστό αστικής εξάπλωσης που καταγράφεται κυρίως σε πόλεις στον παγκόσμιο νότο. Το φαινόμενο αυτό, δημιουργεί ανάγκες για υποδομές στις πόλεις. Εξαιτίας της αυξημένης αστικοποίησης σε όλο τον κόσμο από το 1950 και μετά, η παρακολούθηση και η ανάλυση της αστικής επέκτασης έχει γίνει δημοφιλές θέμα σε εφαρμογές γεωεπιστήμης. Η χρήση των πολλών γεωδεδομένων που παρέχονται πλέον μπορεί να επιταχύνει την υποστήριξη της παγκόσμιας αειφόρου ανάπτυξης με τη χρήση τηλεπισκόπησης για πληθυσμιακές μελέτες. Επιπλέον, δεδομένα των μέσων κοινωνικής δικτύωσης (Twitter) που προέρχονται από χρήστες, οι οποίοι επιτρέπουν στην εφαρμογή τον γεωγραφικό εντοπισμό τους μέσω του ενσωματωμένου GPS δέκτη των συσκευών τους, μπορούν να ενισχύσουν την μελέτη της αστικής επέκτασης με επιπρόσθετες ποιοτικές πληροφορίες για την καλύτερη επίγνωση της κατάστασης της ανθρώπινης δραστηριότητας με αποτελεσματικές ενδείξεις όσον αφορά τη διαχείριση του πολεοδομικού σχεδιασμού. <br /> <br /> Η παρούσα μελέτη στοχεύει στον συνδυασμό δορυφορικών τηλεπισκοπικών εικόνων και δεδομένων μέσων κοινωνικής δικτύωσης για τη μοντελοποίηση τοποθεσίας και κατεύθυνση της αστικής εξάπλωσης στον αστικό Δήμο Morogoro της Τανζανίας προκειμένου: <br /> <br /> * να εντοπιστεί η αστική εξάπλωση με ένα συνοπτικό χωρικό και χρονικό μοτίβο από το 2011 έως 2017<br /> * να προσδιορίσει το αντίκτυπο της αστικής εξάπλωσης στη βιώσιμη αστική ανάπτυξη και ειδικότερα στις υπηρεσίες οικολογικού συστήματος για την πόλη.<br /> <br /> &lt;h3&gt;3. Περιοχή Μελέτης&lt;/h3&gt;<br /> <br /> Η μελέτη διεξήχθη στον αστικό Δήμο Morogoro, που είναι το κύριο διαμέρισμα της περιφέρειας Morogoro και είναι γνωστό ανεπίσημα ως «Mji kasoro bahari» και μεταφράζεται ως «πόλη μικρότερη από ένα λιμάνι». Η περιοχή συνορεύει με την αγροτική περιοχή του Morogoro και δυτικά με την περιοχή Mvomero. <br /> <br /> &lt;h3&gt;4. Πηγές Δεδομένων&lt;/h3&gt;<br /> <br /> '''&lt;h1&gt;4.1. Δορυφορικά Δεδομένα&lt;/h1&gt;'''<br /> <br /> Για τις ανάγκες της μελέτης έγινε λήψη δορυφορικών εικόνων Landsat 7, χωρικής ακρίβειας 30 μέτρων, από την ιστοσελίδα του Γεωλογικού Ινστιτούτου των ΗΠΑ (USGS) και από την πλατφόρμα της Google Earth Engine εξήχθησαν εικόνες χρονοσειράς για την περιοχή μελέτης από το 2011 έως το 2017. Για την επεξεργασία των δεδομένων έγινε χρήση των λογισμικών Erdas Imagine και ArcGIS, όπου πραγματοποιήθηκαν ραδιομετρικές και γεωμετρικές διορθώσεις και μετασχηματίστηκαν στην παγκόσμια εγκάρσια μερκατορική προβολή (UTM – Zone 37 South) στο παγκόσμιο γεωδαιτικό σύστημα αναφοράς (WGS84). <br /> <br /> '''&lt;h1&gt;4.2 Δεδομένα κοινωνικού δικτύου (Twitter)&lt;/h1&gt;'''<br /> <br /> Το Twitter είναι ένα από τα πιο δημοφιλή διαδικτυακά νέα και πλατφόρμες δικτύωσης μέσων κοινωνικής δικτύωσης για αλληλεπίδραση και κοινή χρήση πληροφοριών με εκατομμύρια χρήστες σχετικά με έκτακτες ειδήσεις, διαφημίσεις και κοινή χρήση τοποθεσιών μέσω μηνυμάτων γνωστών ως &quot;tweets&quot;. Η ευρεία διαθεσιμότητα ενσωματωμένου GPS στις τηλεφωνικές συσκευές κατέστησε δυνατή τη γεωγραφική προσθήκη των tweet, καθιστώντας αυτές τις χωρικές πληροφορίες διαθέσιμες για εκατομμύρια χρήστες. Από τον λογαριασμό Twitter, δύο είναι οι επιλογές που δίνονται σε έναν χρήστη. <br /> <br /> * Η πρώτη επιλογή είναι να οριστεί μια τοποθεσία, η οποία καταγράφεται αυτόματα από έναν ενσωματωμένο δέκτη GPS στον κινητό εξοπλισμό, καταγράφοντας τη θέση του χρήστη με τη μορφή γεωγραφικού μήκους και πλάτους. <br /> <br /> * Η δεύτερη είναι η επιλογή του χρήστη μιας τοποθεσίας από μια λίστα με μέρη που παρέχονται από το Twitter. Σε αυτήν την περίπτωση, το Twitter καταγράφει την εκτιμώμενη θέση της κινητής συσκευής ή του Διεύθυνση Πρωτοκόλλου Διαδικτύου (IP), που παρέχει πολλές πιθανές τοποθεσίες (π.χ. ένα κτίριο, μια γειτονιά, μια πόλη, ακόμη και μια χώρα) με βάση γεωκώδικες για επιλογή.<br /> <br /> Όπως είναι λογικό η τοποθεσία αναλόγως την επιλογή θα διαφέρει σημαντικά. Σε γενικές γραμμές, όσον αφορά την δεύτερη επιλογή, αυτή του χρήστη όταν αναζητεί κάτι, η τοποθεσία που θα επιλέξει όπως παρέχεται από το Twitter θα είναι ακριβής εντός 30 έως 3000m, ενώ παράλληλα η τοποθεσία που δημιουργείται από τη διεύθυνση IP δεν είναι επίσης ακριβής, ανάλογα με τη μέθοδο που χρησιμοποιείται για τη μετατροπή της διεύθυνσης IP σε συντεταγμένες.<br /> <br /> Η παρούσα μελέτη υιοθέτησε το γεωγραφικό σήμα tweets που δείχνουν γεωγραφικό μήκος και πλάτος, όπως είναι πιο ακριβείς για τη δημιουργία τόσο προσβασιμότητας όσο και χωρικής ανάλυσης χρησιμοποιώντας ανάλυση δικτύου για την εξέταση της απόστασης του χρήστη για δεδομένη ακτίνα από την πόλη κέντρο του Morogoro. Οι συνολικές γεωγραφικές τοποθεσίες που εξήχθησαν ήταν συνολικά 1597, από λογαριασμούς χρηστών από το 2011 έως το 2017 εντός των ορίων της περιοχής μελέτης με τη χρήση της διεπαφής προγραμματισμού εφαρμογών (Application Programming Interface) του Twitter με βάση τη θέση των λογαριασμών των χρηστών όπως αναφέρεται στα προφίλ τους. Αυτά τα tweets αποθηκεύτηκαν και διαχειρίστηκαν σε μια βάση δεδομένων.<br /> <br /> &lt;h3&gt;5. Μεθοδολογία&lt;/h3&gt;<br /> <br /> Η ροή εργασίας παρουσιάζει τρία βασικά βήματα: <br /> <br /> * Προεπεξεργασία δεδομένων τηλεπισκόπησης και Twitter. <br /> * Ταξινόμηση εικόνας, αλλαγή χρήσης γης εντοπισμού και επικύρωσης. <br /> * Προσδιορισμός χωρικών μοτίβων/ διαδρομών με βάση τα αποτελέσματα της ταξινόμησης των αλλαγών κάλυψης γης.<br /> <br /> Αναλυτικότερα, όσον αφορά την προεπεξεργασία των δεδομένων, υπολογίστηκαν και αναλύθηκαν χρησιμοποιώντας διαφορετικές μεθόδους ανάλυσης για να εκτιμηθεί η «εδαφική αλήθεια» της αστικής εξάπλωσης σε συγκεκριμένη τοποθεσία και χρόνο. <br /> Για την ταξινόμηση των τηλεπισκοπικών δεδομένων εκτελέσθηκε η ταξινόμηση με τη μέθοδο τους τυχαίου δάσους (Random Forest), που επιλέχθηκε λόγω της αξιοπιστίας της. Η περιοχή μελέτης ταξινομήθηκε σε τέσσερις κατηγορίες: δομημένη περιοχή, βλάστηση, καλλιέργεια και νερό. Τα αποτελέσματα της ταξινόμησης ενισχύθηκαν με τη δημιουργία 480 τυχαίων σημείων. Η αλλαγή αξιολογήθηκε αν ήταν θετικές ή αρνητικές για τις υπηρεσίες οικοσυστήματος που χρησιμοποιούν η αναφορά και η ταξινόμηση σύμφωνα με την εκτίμηση οικοσυστήματος της χιλιετίας.<br /> <br /> Για την αξιοποίηση των δεδομένων του κοινωνικού δικτύου Twitter χρησιμοποιήθηκε το ακόλουθο μοντέλο: <br /> <br /> UETt={a1,(x1,y1,t1,D1),(x2,y2,t2,D2),…,(xn,yn,tn,Dn)<br /> <br /> Όπου, κάθε χρήστης έχει τη θέση του λογαριασμού (ai) που ορίζεται ως (xi, yi, ti ), με x: γεωγραφικό πλάτος, y: γεωγραφικό μήκος, σε χρόνο t και Di: η χιλιομετρική απόσταση του χρήστη από το έτος αναφοράς που δημιουργήθηκε ο λογαριασμός, για συνολικούς n χρήστες. <br /> <br /> Τέλος, εκτελέσθηκε η συνάρτηση πυκνότητας πυρήνα (Kernel density function) για τον υπολογισμό της πυκνότητας του χρήστη μετά την εξαγωγή της αστικής χρήσης γης για τη μέτρηση της πυκνότητας κάθε τοποθεσίας προκειμένου να αξιολογηθούν και να αναλυθούν ποσοτικά οι διαφορές στη χωρική επέκταση. Το κέντρο της επιφάνειας του πυρήνα ήταν στο κέντρο της πόλης (CDB) και η ακτίνα ζώνης (buffer) ήταν 1km. Οπότε η συνάρτηση πυκνότητας πυρήνα χρησιμοποιήθηκε για τον υπολογισμό της τυπικής απόστασης (Standard Distance: SD) της τοποθεσίας των χρηστών του Twitter σε συνάρτηση με τον πληθυσμό του αστικού Δήμου Morogoro: <br /> <br /> SD=1/(buffer)2[3/π×popi(1-(disti/buffer)2)2]<br /> <br /> Όπου, το i είναι μια τοποθεσία χρήστη εντός της ακτίνας ζώνης (buffer) 1km, pop είναι ο πληθυσμός, disti είναι η απόσταση μεταξύ της τοποθεσίας χρήστη στο σημείο i. <br /> <br /> &lt;h3&gt;6. Αποτελέσματα&lt;/h3&gt;<br /> <br /> Τα αποτελέσματα δείχνουν ότι οι άνθρωποι τείνουν να κάνουν tweet περισσότερο στο κέντρο της πόλης παρότι στα προάστια. Με την απεικόνιση της συνάρτησης πυκνότητας πυρήνα προέκυψε ότι υπάρχουν περισσότερες τηλεπικοινωνιακές υποδομές για την υποστήριξη του Twitter εντός του κέντρου της πόλης από ό,τι συμβαίνει στο παρυφές της πόλης.<br /> <br /> Η κατάσταση είναι ίδια τόσο για τους νέους λογαριασμούς Twitter όσο και για τα πραγματικά tweets που προέρχονται από την περιοχή μελέτης. Η συσχέτιση μεταξύ λογαριασμών Twitter και πληθυσμού του αστικού Δήμου Morogoro αποκαλύπτει μια ισχυρή θετική συσχέτιση όπου η αύξηση του πληθυσμού αντιστοιχεί στην αύξηση των λογαριασμών Twitter στον αστικό Δήμο Morogoro.<br /> <br /> Από την ενσωμάτωση εικόνων από το 2011 έως το 2017, το αποτέλεσμα δείχνει ότι η κεντρική περιοχή του Morogoro είναι περισσότερο αναπτυσσόμενη ενώ μειώνεται προς τα έξω σε ημιακτινική μορφή. Το συμπέρασμα, είναι ότι η τηλεπικοινωνιακή υποδομή και οι σχετικές υπηρεσίες συνδεσιμότητας στο Διαδίκτυο που μπορούν να υποστηρίζουν το Twitter (καθώς και άλλες πλατφόρμες μέσων κοινωνικής δικτύωσης) εντοπίζεται κυρίως στο κέντρο της πόλης, και λιγότερο έξω από το κέντρο της πόλης εντός της περιοχής μελέτης. Αναμενόμενα, μια έρευνα της πόλης δείχνει ότι αυτό το μοτίβο ισχύει και για άλλες υποδομές και υπηρεσίες όπως για παράδειγμα οδούς, δημόσια παροχή νερού μέσω αγωγών, σχολεία, εγκαταστάσεις υγειονομικής περίθαλψης, υπηρεσίες διαχείρισης στερεών αποβλήτων κ.λπ. Στην εικόνα 3 παρουσιάζεται ο τελικός χάρτης που δημιουργήθηκε και απεικονίζει τη χωρική κατανομή της αστικής γης από το 2011 έως το 2017 με ενσωματωμένα τα δεδομένα από το Twitter.<br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%BF%CE%B4%CE%BF%CE%B9_%CF%84%CE%B7%CF%82_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1%CF%82_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AE%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CF%80%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%83%CE%B5%CE%B9%CF%83%CE%BC%CF%8E%CE%BD 2022-03-01T23:47:09Z

<p>Tsalmasd: </p> <hr /> <div>&lt;h3&gt;Advances of Satellite Remote Sensing Technology in Earthquake Prediction&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:'''Xiangwei Zhao, Shun Pan, Zhongchang Sun, Huadong Guo, Lei Zhang, Ph.D. and Kang Feng<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://www.tandfonline.com/doi/abs/10.1111/0033-0124.5502005]] <br /> <br /> '''Λέξεις κλειδιά:'''Πρόβλεψη σεισμών, Τηλεπισκόπηση, Θερμικές υπέρυθρες, Ηλεκτρομαγνητικό πεδίο, Πεδίο βαρύτητας <br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> Το παρόν άρθρο ανατρέχει στη τρέχουσα βιβλιογραφία των μελετών πρόβλεψης σεισμών σε όλο τον κόσμο. Αναλύθηκαν τα χαρακτηριστικά διάφορων προσεισμικών εκδηλώσεων, μελετήθηκαν οι μηχανισμοί παρακολούθησης με τη βοήθεια δορυφόρου καθώς και η πρόοδος της έρευνας της Τηλεπισκόπησης στην πρόβλεψη σεισμών. Τέλος, προτάθηκαν πιθανές λύσεις για την αντιμετώπιση των πιθανών προβλημάτων που προκύπτουν.<br /> <br /> &lt;h3&gt;2. Εισαγωγή&lt;/h3&gt;<br /> <br /> Οι σεισμοί αποτελούν μια από τις σοβαρότερες φυσικές καταστροφές καθώς προκαλούν τεράστιες επιπτώσεις τόσο στη ζωή του ανθρώπου όσο και στην ακίνητη περιουσία. Τον τελευταίο αιώνα περισσότεροι από 1.8 άνθρωποι παγκοσμίως έχασαν τη ζωή τους εξαιτίας σεισμών, ενώ προκλήθηκαν τεράστιες οικονομικές απώλειες. Φαίνεται λοιπόν πως υπάρχει μεγάλη ανάγκη για την ανάπτυξη και εφαρμογή μεθόδων πρόβλεψης και προειδοποίησης για σεισμικά φαινόμενα καθώς θα συμβάλλουν στη μείωση των καταστροφικών επιπτώσεων.<br /> <br /> Η επιστήμη της Τηλεπισκόπησης σταδιακά γίνεται ένα σημαντικό μέσον για τη βοήθεια στη πρόβλεψη σεισμών. Με τα πλεονεκτήματα της παρατήρησης χρονοσειρών, με μια ποικιλία σημάτων, υπάρχει η δυνατότητα να παρέχει χωρικά σαφείς και έγκαιρες πληροφορίες για τις αλλαγές που υφίσταται το πεδίο κατά τη διάρκεια σεισμών. Παράλληλα μπορεί να αντισταθμίσει αποτελεσματικά τις ελλείψεις των σταθμών σταθερού σημείου. Έτσι δίνεται η δυνατότητα να κατανοηθούν παραπάνω οι νόμοι της προετοιμασίας, της εμφάνισης και ανάπτυξης σεισμού.<br /> <br /> Ωστόσο τα σεισμικά σήματα που ανιχνεύονται από απόσταση επηρεάζονται σε μεγάλο βαθμό από περιβαλλοντικές διαταραχές όπως οι έντονες καιρικές συνθήκες, το λοφώδες έδαφος και η βλάστηση, γεγονός που μειώνει την ακρίβεια των μετρήσεων πριν και μετά το σεισμικό γεγονός.Στο παρόν άρθρο γίνεται μια προσπάθεια μελέτης αυτών των εμποδίων και διερευνάται η εύρεση πιθανών λύσεων και βελτιστοποίησης της μεθόδου πρόγνωσης των σεισμικών φαινομένων.<br /> <br /> &lt;h3&gt;3. Τρέχοντα επιτεύγματα της Τηλεπισκόπησης στον τομέα της Πρόβλεψης Σεισμών&lt;/h3&gt;<br /> <br /> Η εφαρμογή της Τηλεπισκόπησης για την πρόβλεψη σεισμών μπορεί να κατηγοριοποιηθεί σε τέσσερις εφαρμογές που βασίζονται στις ασυνήθιστες προσεισμικές δονήσεις που παρατηρήθηκαν: θερμική ανωμαλία, ανωμαλία ηλεκτρομαγνητικού σήματος, φλοιός παραμόρφωσης και ανωμαλία βαρύτητας.<br /> <br /> &lt;h3&gt;4. Προκλήσεις και Μελλοντικό Έργο του μεθόδου πρόβλεψης σεισμών με Τηλεπισκόπηση&lt;/h3&gt;<br /> <br /> '''Δυσκολίες της εφαρμογής'''<br /> <br /> Στις περισσότερες περιπτώσεις, οι σεισμικές δραστηριότητες εντοπίζονται βαθιά στη λιθόσφαιρα ή την ασθενόσφαιρα του φλοιού, όπου είναι αδύνατο να προσομοιωθεί η διαδικασία συσσώρευσης ύλης και ενέργειας κατά τη διάρκεια της σεισμικής διαδικασίας. Αν και η τεχνολογία τηλεπισκόπησης εφαρμόζεται εδώ και 30 χρόνια στη πρόβλεψη σεισμών, υπάρχει ανάγκη για περεταίρω μελέτη προκειμένου να μειωθούν οι εξωτερικοί παράγοντες που δημιουργούν θόρυβο στα δεδομένα που λαμβάνονται δια της Τηλεπισκόπησης. Τα σημαντικότερα προβλήματα στη πρόβλεψη σεισμών αφορούν: <br /> <br /> * Η αδυναμία παρατήρησης της σεισμικής πηγής<br /> * Η αβεβαιότητα των προσεισμικών σημάτων<br /> * Η αβεβαιότητα των δεδομένων και των αλγορίθμων της Τηλεπισκόπησης <br /> * Η πολυπλοκότητα των προγνωστικών μοντέλων <br /> * Η σπανιότητα των βίαιων σεισμών<br /> <br /> &lt;h3&gt;5. Προτείνοντας νέες λύσεις στα προβλήματα&lt;/h3&gt;<br /> <br /> Επανεξετάζοντας τις τρέχουσες εξελίξεις και τα προβλήματα που αντιμετωπίζει η τηλεπισκόπηση αυτό το έγγραφο διατυπώνει τις ακόλουθες προτάσεις για πιθανές λύσεις:<br /> <br /> * Την Καθιέρωση ενός ενιαίου πλαισίου.<br /> * Ενσωμάτωση δεδομένων πολλαπλών πηγών.<br /> * Κατασκευή επιστημονικών μοντέλων πρόβλεψης<br /> * Εφαρμογή τεχνολογίας εικονικής πραγματικότητας<br /> <br /> &lt;h3&gt;6. Επίλογος&lt;/h3&gt;<br /> <br /> Η τεχνολογία τηλεπισκόπησης έχει προφανή πλεονεκτήματα στην πρόβλεψη σεισμών, αν και εξακολουθούν να υπάρχουν διάφορα προβλήματα. Τέσσερις τεχνολογίες Τηλεπισκόπησης και εφαρμοσμένες μελέτες εξετάστηκαν σε αυτό το άρθρο. Τα κύρια ευρήματα παρατήρησης των προσεισμικών εκδηλώσεων περιλαμβάνουν: <br /> <br /> * Στη θερμική υπέρυθρη τηλεπισκόπηση, οι ανωμαλίες LST μπορούν να ανιχνευθούν 1 ημέρα έως 1 μήνα πριν από έναν σεισμό. <br /> <br /> * Στην ηλεκτρομαγνητική τηλεπισκόπηση, οι ηλεκτρομαγνητικές ανωμαλίες μπορούν να ανιχνευθούν 3-6 ημέρες πριν από τον σεισμό, επομένως αυτή η μέθοδος είναι πιο κατάλληλη για βραχυπρόθεσμη και πρόβλεψη.<br /> <br /> * Στην τηλεπισκόπηση παραμόρφωσης γης, οι τεχνολογίες D-InSAR και GPS έχουν καλή εφαρμογή για την παρακολούθηση της σεισμικής παραμόρφωσης και η ακρίβεια μπορεί να φτάσει τα εκατοστά ή και τα χιλιοστά.<br /> <br /> * Στην τηλεπισκόπηση βαρύτητας, η αλλαγή του πεδίου βαρύτητας αντανακλά τη διαδικασία της κίνησης του υλικού και της μεταφοράς μάζας στο εσωτερικό της γης.<br /> <br /> <br /> <br /> <br /> [[category:Διαχείριση κινδύνων]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%BF%CE%B4%CE%BF%CE%B9_%CF%84%CE%B7%CF%82_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1%CF%82_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AE%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CF%80%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%83%CE%B5%CE%B9%CF%83%CE%BC%CF%8E%CE%BD 2022-03-01T23:41:23Z

<p>Tsalmasd: </p> <hr /> <div>&lt;h3&gt;Advances of Satellite Remote Sensing Technology in Earthquake Prediction&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:'''Xiangwei Zhao, Shun Pan, Zhongchang Sun, Huadong Guo, Lei Zhang, Ph.D. and Kang Feng<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://www.tandfonline.com/doi/abs/10.1111/0033-0124.5502005]] <br /> <br /> '''Λέξεις κλειδιά:'''Πρόβλεψη σεισμών, Τηλεπισκόπηση, Θερμικές υπέρυθρες, Ηλεκτρομαγνητικό πεδίο, Πεδίο βαρύτητας <br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Διαχείριση κινδύνων]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_1.2.png 2022-03-01T23:36:56Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_1.1.png 2022-03-01T23:36:38Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_1.2.PNG 2022-03-01T23:36:01Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tsalmasd_eikona_1.1.PNG 2022-03-01T23:35:31Z

<p>Tsalmasd: </p> <hr /> <div></div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_%CF%83%CF%85%CF%83%CF%84%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD_%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%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CF%8E%CE%BD_%CF%80%CE%BB%CE%B7%CF%81%CE%BF%CF%86%CE%BF%CF%81%CE%B9%CF%8E%CE%BD_%CF%83%CF%84%CE%B7_%CE%B4%CE%B9%CE%B1%CF%87%CE%B5%CE%AF%CF%81%CE%B9%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%85%CE%B4%CE%AC%CF%84%CF%89%CE%BD_%CE%B1%CF%81%CE%B4%CE%B5%CF%85%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%85%CF%83%CF%84%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD... 2022-03-01T23:35:12Z

<p>Tsalmasd: </p> <hr /> <div>[[Εικόνα:Tsalmasd_eikona_1.1.png|thumb|right|'''Εικόνα 1:''' Κύρια κανάλια, ρυθμιστικές αρχές, αρδευτικές περιοχές του Κυβερνείου Fayoum και οι περιοχές μελέτης των Sinnuris και Gharaq.]]<br /> [[Εικόνα:Tsalmasd_eikona_1.2.png|thumb|right|'''Εικόνα 2:''' Χρονικές μεταβολές στη χρήση της γης στο (α) Sinnuris. β) Περιοχές που εξυπηρετούνται από το Gharaq (έκταση σε ha και %).]]<br /> <br /> <br /> &lt;h3&gt;Application of remote sensing and geographic information systems in irrigation water management under water scarcity conditions in Fayoum, Egypt&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:'''Fahmy Salah Abdelhaleem , Mohamed Basiouny, Eid Ashour, Ali Mahmoud <br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://www.sciencedirect.com/science/article/pii/S030147972101745X?casa_token=HOmHlWGYsa4AAAAA:HKi4n6snQe7kKHH5p42zxYPJakiM_JobwrbSZiaemT-nMKjhqoNpmzfk_1Ce9WqoAQ-_dyhnYw]] <br /> <br /> '''Λέξεις κλειδιά:'''GIS (Geographic Information Systems - Γεωγραφικά συστήματα πληροφοριών), Αλλαγή χρήσεων Γης, NDVI (Normalized Difference Vegetation Index – Κανονικοποιημένος Δείκτης Βλάστησης), Τηλεπισκόπηση , Αστικοποίηση, Διαχείριση υδάτων <br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> Η μελέτη έχει ως στόχο την ανίχνευση των αλλαγών γεωργικών περιοχών λόγω δραστηριοτήτων αστικοποίησης και αποκατάστασης, σε ένα εύρος 20ετίας, χρησιμοποιώντας δορυφορικές εικόνες Landsat από το 1999, 2009 και 2019. Παράλληλα, στοχεύει στην εποχιακή παρακολούθηση αυτών με βάση τον κανονικοποιημένο δείκτη βλάστησης (NDVI), με σκοπό τον προσδιορισμό της ζήτησης αρδευτικού νερού. Διαχείριση υδάτων του Κυβερνείου Fayoum στην Αίγυπτο χαρακτηρίζεται από μια μη ομοιόμορφη ροή κατανομής πάνω από τα κανάλια της. έτσι, επιλέγονται δύο πιλοτικές περιοχές. Ο πρώτος χώρος είναι η διώρυγα sinnuris, οι εξυπηρετούμενοι τομείς της οποίας αντιπροσωπεύουν το πρόβλημα αστικοποίησης, ενώ ο άλλος είναι το κανάλι Gharaq, οι περιοχές του οποίου αντιπροσωπεύουν τις καταστάσεις αστικοποίησης και γεωργικής επέκτασης.<br /> <br /> Τα αποτελέσματα αποκαλύπτουν ότι οι αλλαγές στις γεωργικές περιοχές επηρεάζουν σημαντικά την ομοιομορφία της διαχείρισης των υδάτων. Οι δραστηριότητες αστικοποίησης μειώνουν τη γεωργική έκταση κατά 5,0% και 5,7% στις περιοχές που εξυπηρετούνται από το Sinnuris και το Gharaq, αντίστοιχα. Ωστόσο, οι πρόσφατα καλλιεργημένες εκτάσεις στο Gharaq, διατηρούν αύξηση 5,8% στο σύνολο των γεωργικών περιοχών. Οι σημαντικά τροποποιημένες στρατηγικές κατανομής των υδάτων σε αυτές τις περιοχές πέτυχε, δεδομένου ότι το Sinnuris έχει πάνω από 1,5 m3/s παροχής νερού, ενώ η περιοχή Gharaq αντιμετώπιζε έλλειψη άρδευσης 0,26 m3 το 2019. <br /> <br /> &lt;h3&gt;2. Εισαγωγή&lt;/h3&gt;<br /> <br /> Σε άνυδρες περιοχές, πολλοί παράγοντες επηρεάζουν την αρδευμένη γεωργία, όπως η λειψυδρία, η αστικοποίηση, η αλατοποίηση του εδάφους και η υποβάθμιση, προσθήκη στην αύξηση του πληθυσμού και την κλιματική αλλαγή (Dimov et al., 2016). Η έλλειψη γλυκού νερού έχει δυνητικό αντίκτυπο στη γεωργική παραγωγή, που αντιστοιχεί στο 70% της συνολικής κατανάλωσης γλυκού νερού (Vanino et al., 2018). Η διαχείριση των υδάτων απαιτεί ορισμένες χωρικά κατανεμημένες μεταβλητές σχετικές με το έδαφος, τη βλάστηση και τις παραμέτρους καιρού. Η τηλεπισκόπηση σε συνδυασμό με τα γεωγραφικά συστήματα πληροφοριών είναι πολύτιμη για την ανίχνευση και την ανάλυση τέτοιων χωρικά κατανεμημένων μεταβλητών αξιολογώντας επιτυχώς περιβαλλοντικές επιπτώσεις και μελέτες διαχείρισης υδατικών πόρων. Οι δορυφορικές εικόνες Sentinel-2 προσφέρουν μία γκάμα πολυφασματικών καναλιών σε πολύ καλή χωρική ανάλυση που εξυπηρετούν τον εντοπισμό εποχιακών μεταβολών στην καλλιεργούμενη Γη, όμως οι δορυφορικές εικόνες Landsat λόγω της ιστορικότητας του πρώτου δορυφόρου επιτρέπουν στον χρήστη να εξετάσει τις αλλαγές μιας περιοχής σε βάθος χρόνου, όπως αλλαγές χρήσης Γης, η αστικοποίηση, κ.α. Η χρήση διαφόρων δεικτών, όπως ο κανονικοποιημένος δείκτης βλάστησης (NDVI), για την ανίχνευση ζητούμενων χωρικών μεταβλητών για μια περιοχή μπορούν να αναλυθούν μέσω των γεωγραφικών συστημάτων πληροφοριών και να αποδώσουν αποτελέσματα σημαντικά για διάφορες μελέτες, όπως η διαχείριση των υδάτων. <br /> <br /> <br /> &lt;h3&gt;3. Περιοχή Μελέτης&lt;/h3&gt;<br /> <br /> Στην υπάρχουσα μελέτη εξετάζεται το Fayoum, μια κλειστή λεκάνη νερού που βρίσκεται 25 χιλιόμετρα δυτικά του Νείλου ποταμούκαι 90 χιλιόμετρα νοτιοδυτικά του Καΐρου. To δίκτυο άρδευσης και αποστράγγισης Fayoum αποτελείται από 346 κανάλια μήκους 1398 χιλιομέτρων, 272 αποχετεύσεων με μήκος 1063 χιλιομέτρων, εννέα ρυθμιστών, 79 υδατοφράκτες στα κύρια κανάλια, 1091 στα δευτερεύοντα κανάλια, και περισσότερους από 3800 αεραγωγούς. Για τις ανάγκες της μελέτης εξετάστηκαν δύο ερευνητικές περιοχές στο Κυβερνείο του Φαγιούμ: η περιοχή Sinnuris και η περιοχή Gharaq. Ο σχεδιασμός του καναλιού του Sinnuris, εξαιρώντας την αστική περιοχή, καλύπτεται από 11.458 εκτάρια με 24 υπό-λεκάνες απορροής. Το κανάλι του Gharaq έχει μήκος 27 χιλιομέτρων, ενώ επιπλέον χωρίζεται στο κατάντη άκρο του σε δύο άλλα κανάλια: Μπαχρ Ελ-Μπασαουάτ, μήκους 25 χιλιομέτρων, και Μπαχρ Ελ-Γκαργκάμπα, μήκους 23 χιλιομέτρων.<br /> <br /> &lt;h3&gt;4. Συλλογή και επεξεργασία χωρικών και δορυφορικών δεδομένων&lt;/h3&gt; <br /> <br /> Αρχικά, σχεδιάστηκαν τα πολύγωνα των αρδευτικών καναλιών των δύο περιοχών μελέτης Sinnuris και Gharaq από χάρτες κλίμακας 1:2500 της Αιγυπτιακής Αρχής Γενικής Έρευνας. Αυτά εξετάστηκαν μέσω Google Earth και με τη βοήθεια δορυφορικών εικόνων Landsat παρακολουθήθηκαν οι αλλαγές σε βάθος 20ετίας. Συγκεκριμένα χρησιμοποιήθηκαν δορυφορικές εικόνες Landsat Thematic Mapper (TM5) του 1999 και 2009 και δορυφορικές εικόνες Landsat-8 Operational Land Imager (OLI) του 2019. Στην περίπτωση των δορυφορικών δεδομένων TM5 χρησιμοποιήθηκαν όλα τα κανάλια, όπως και το θερμικό το οποίο ενίσχυσε το διαχωρισμό μεταξύ αστικών περιοχών και περιοχών αγρανάπαυσης στο Gharaq. Όσον αφορά τα δορυφορικά δεδομένα του Landsat 8 χρησιμοποιήθηκαν τα αντίστοιχα κανάλια με αυτά του TM5, όπως και το θερμικό κανάλι 10, εξαιρώντας τα κανάλια 1, 8, 9 και 11. Όλα τα κανάλια των δορυφορικών δεδομένων Landsat που χρησιμοποιήθηκαν είχαν χωρική ανάλυση 30μ, ενώ τα θερμικά επεξεργάστηκαν για να αποκτήσουν επίσης χωρική ανάλυση 30μ. Παράλληλα, χρησιμοποιήθηκαν δορυφορικά δεδομένα Sentinel-2 από τις αρχές του κάθε μήνα από τον Σεπτέμβριο του 2019 έως τον Δεκέμβριο του 2020, με σκοπό την εξέταση της μετάβασης από τις καλοκαιρινές στις χειμερινές καλλιεργητικές περιόδους. Στην περίπτωση των των δορυφορικών δεδομένων Sentinel-2 χρησιμοποιήθηκαν μόνο τα κανάλια 4 και 8 με χωρική ανάλυση 10μ, για την δημιουργία εικόνων σύμφωνα με τον κανονικοποιημένο δείκτη βλάστησης (NDVI). Η λήψη των δεδομένων πραγματοποιήθηκε από το USGS και από την ESA, αντίστοιχα για τους δύο δορυφόρους.<br /> <br /> Για την επεξεργασία των δορυφορικών δεδομένων Landsat χρησιμοποιήθηκε το λογισμικό ENVI 5.3, όπου πραγματοποιήθηκε αρχικά ατμοσφαιρική διόρθωση των εικόνων με τη μέθοδο της αφαίρεσης του σκοτεινού αντικειμένου και στη συνέχεια η στρωματοποιημένη τυχαία δειγματοληψία για την απεικόνιση των διαφόρων κατηγοριών χρήσης Γης ανάλογα με την περιοχή και την ομοιογένεια της κάθε τάξης. Για τη δημιουργία αντιπροσωπευτικών δειγμάτων για κάθε κατηγορία χρησιμοποιήθηκαν πρόσφατες μετρήσεις πεδίου, καθώς έγινε και χρήση του Google Earth. To 70% εξ΄ αυτών χρησιμοποιήθηκαν ως περιοχές εκπαίδευσης για την επιβλεπόμενη ταξινόμηση που εφαρμόστηκε, ενώ το υπόλοιπο 30% αξιοποιήθηκαν ως περιοχές ελέγχου για την εκτίμηση της ακρίβειας της ταξινόμησης. Η ταξινόμηση που πραγματοποιήθηκε ήταν βασισμένη στα εικονοστοιχεία όλων των δορυφορικών δεδομένων χρησιμοποιώντας ένα ταξινομητή διανυσματικής μηχανικής υποστήριξης (SVM), ευρέως χρησιμοποιούμενος σε ταξινομήσεις εικόνων. Οι παράμετροι του SVΜ ορίστηκαν σε ακτινικής βάσης συνάρτηση, ως τύποι πυρήνα, με εύρος από 1 έως 100. Ο ταξινομητής SVM σε σύγκριση με άλλους ταξινομητές, όπως νευρωνικά δίκτυα, μπορεί να επιτύχει υψηλές αποδόσεις ακόμη και με μικρό αριθμό περιοχών εκπαίδευσης. Έπειτα με τη χρήση των δορυφορικών δεδομένων Sentinel-2 και την εφαρμογή δεικτών NDVI ανιχνεύθηκαν οι αλλαγές στις καλλιεργούμενες περιοχές όσον αφορά την βλάστηση και την ξηρασία σε χρονικό εύρος από τον Σεπτέμβριο του 2019 έως το Δεκέμβρη του 2020. <br /> <br /> &lt;h3&gt;5. Αποτελέσματα&lt;/h3&gt;<br /> <br /> Στην περιοχή μελέτης Sinnuris, η ταξινόμηση των συνολικών δεδομένων Landsat κατέδειξε συνολική ακρίβεια και συντελεστή kappa 98% και 0,94 για το 1999, 96%, και 0.93 για το 2009 και 97% και 0,96 για το 2019, αντίστοιχα. Η αστική ανάπτυξη αυξάνεται το 2019 έως και 5% εις βάρος των γεωργικών εκτάσεων, μειώνοντας έτσι την άρδευση απαιτήσεις νερού για ολόκληρη την εξυπηρετηθείσα περιοχή. Αντίστοιχα, αποτελέσματα υπήρξαν και στην περιοχή Gharaq όπου παρατηρείται αύξηση της αστικής ανάπτυξης το 2019 κατά 5.7% εις βάρος των γεωργικών εκτάσεων. Όσον αφορά την μελέτη των αλλαγών βλάστησης και ξηρασίας με χρήση δορυφορικών δεδομένων Sentinel-2 και του δείκτη NDVI εποχιακά παρατηρήθηκε ότι σε γενικές γραμμές κατά τη διάρκεια της θερινής περιόδου, οι καλλιεργήσιμες περιοχές είναι πολύ λιγότερες συγκριτικά με τις χειμερινή περίοδο. Αυτό πιθανόν αποδίδεται στην έλλειψη και στην κακή διαχείριση υδατικών πόρων για αρδευτικούς σκοπούς. Η καλλιεργούμενη έκταση στο Sinnuris κυμαίνεται από 6249,4 έως 9946,8 εκτάρια, ενώ οι μέγιστες καλλιεργήσιμες εκτάσεις εντοπίστηκαν τον Ιανουάριο και τον Ιούλιο, αντίστοιχα για τις δύο περιόδους. Στο Gharaq η καλλιεργούμενη έκταση κυμαίνεται από 6007,4 έως 12688,5 εκτάρια, οι μέγιστες καλλιεργήσιμες εκτάσεις εντοπίστηκαν τον Ιανουάριο και τον Αύγουστο, αντίστοιχα για τις δύο περιόδους, ενώ η μικρότερη εντοπίσθηκε τον Οκτώβριο του 2020 στα 231.5 εκτάρια.<br /> <br /> &lt;h3&gt;6. Επίλογος&lt;/h3&gt;<br /> <br /> Συμπερασματικά, παρόλο που η ετήσια παροχή νερού έχει αυξηθεί στην περιοχή του Fayoum τα τελευταία 20 χρόνια περίπου κατά 30%, η μη ενιαία κατανομή του έχει επιφέρει μείωση των καλλιεργήσιμων εκτάσεων. Αυτό οφείλεται σε διάφορους παράγοντες, όπως η συνεχώς αυξανόμενη απαίτηση νερού από την πλευρά των αγροτών, η επιδείνωση των υποδομών που οδηγεί σε χαμηλή παροχή νερού με συνέπεια, οι γεωργοί να αυξάνουν παράνομα τον εφοδιασμό τους μέσω μη εξουσιοδοτημένης τροποποίησης της δομής, προκαλώντας μία σύγχυση στο συνολικό αρδευτικό σύστημα με ανισορροπίες ανά περιοχές. Η τηλεπισκόπηση σε συνδυασμό με τα γεωγραφικά συστήματα πληροφοριών είναι ικανή για την παρακολούθηση των γεωργικών περιοχών, την εκτίμηση των απαιτήσεων σε αρδευτικό νερό με αποτέλεσμα η τρέχουσα γεωργική έκταση να μπορεί να χρησιμοποιηθεί για την αποκατάσταση αρδευτικών καναλιών βελτιώνοντας τις πραγματικές απαιτήσεις. Η αστικοποίηση είναι ο πρωταρχικός παράγοντας που επηρεάζει το πρόβλημα ιδίως μετά το 2011. Η μελέτη αυτή έδειξε τις δυνατότητες των πολυφασματικών δεδομένων Sentinel-2 για την παρακολούθηση των αλλαγών των γεωργικών περιοχών βοηθώντας τον αρμόδιο φορέα για καλύτερα προσανατολισμένα στη ζήτηση σχέδια διαχείρισης των υδάτων. <br /> <br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_%CF%83%CF%85%CF%83%CF%84%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD_%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%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CF%8E%CE%BD_%CF%80%CE%BB%CE%B7%CF%81%CE%BF%CF%86%CE%BF%CF%81%CE%B9%CF%8E%CE%BD_%CF%83%CF%84%CE%B7_%CE%B4%CE%B9%CE%B1%CF%87%CE%B5%CE%AF%CF%81%CE%B9%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%85%CE%B4%CE%AC%CF%84%CF%89%CE%BD_%CE%B1%CF%81%CE%B4%CE%B5%CF%85%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%85%CF%83%CF%84%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD... 2022-03-01T23:23:56Z

<p>Tsalmasd: </p> <hr /> <div>[[Εικόνα:Tsalmasd_eikona_1.1.png|thumb|right|'''Εικόνα 1:''' Κύρια κανάλια, ρυθμιστικές αρχές, αρδευτικές περιοχές του Κυβερνείου Fayoum και οι περιοχές μελέτης των Sinnuris και Gharaq.]]<br /> [[Εικόνα:Tsalmasd_eikona_1.2.png|thumb|right|'''Εικόνα 2:''' Χρονικές μεταβολές στη χρήση της γης στο (α) Sinnuris. β) Περιοχές που εξυπηρετούνται από το Gharaq (έκταση σε ha και %).]]<br /> <br /> <br /> &lt;h3&gt;Application of remote sensing and geographic information systems in irrigation water management under water scarcity conditions in Fayoum, Egypt&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:'''Fahmy Salah Abdelhaleem , Mohamed Basiouny, Eid Ashour, Ali Mahmoud <br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://www.sciencedirect.com/science/article/pii/S030147972101745X?casa_token=HOmHlWGYsa4AAAAA:HKi4n6snQe7kKHH5p42zxYPJakiM_JobwrbSZiaemT-nMKjhqoNpmzfk_1Ce9WqoAQ-_dyhnYw]] <br /> <br /> '''Λέξεις κλειδιά:'''GIS (Geographic Information Systems - Γεωγραφικά συστήματα πληροφοριών), Αλλαγή χρήσεων Γης, NDVI (Normalized Difference Vegetation Index – Κανονικοποιημένος Δείκτης Βλάστησης), Τηλεπισκόπηση , Αστικοποίηση, Διαχείριση υδάτων <br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> Η μελέτη έχει ως στόχο την ανίχνευση των αλλαγών γεωργικών περιοχών λόγω δραστηριοτήτων αστικοποίησης και αποκατάστασης, σε ένα εύρος 20ετίας, χρησιμοποιώντας δορυφορικές εικόνες Landsat από το 1999, 2009 και 2019. Παράλληλα, στοχεύει στην εποχιακή παρακολούθηση αυτών με βάση τον κανονικοποιημένο δείκτη βλάστησης (NDVI), με σκοπό τον προσδιορισμό της ζήτησης αρδευτικού νερού. Διαχείριση υδάτων του Κυβερνείου Fayoum στην Αίγυπτο χαρακτηρίζεται από μια μη ομοιόμορφη ροή κατανομής πάνω από τα κανάλια της. έτσι, επιλέγονται δύο πιλοτικές περιοχές. Ο πρώτος χώρος είναι η διώρυγα sinnuris, οι εξυπηρετούμενοι τομείς της οποίας αντιπροσωπεύουν το πρόβλημα αστικοποίησης, ενώ ο άλλος είναι το κανάλι Gharaq, οι περιοχές του οποίου αντιπροσωπεύουν τις καταστάσεις αστικοποίησης και γεωργικής επέκτασης.<br /> <br /> Τα αποτελέσματα αποκαλύπτουν ότι οι αλλαγές στις γεωργικές περιοχές επηρεάζουν σημαντικά την ομοιομορφία της διαχείρισης των υδάτων. Οι δραστηριότητες αστικοποίησης μειώνουν τη γεωργική έκταση κατά 5,0% και 5,7% στις περιοχές που εξυπηρετούνται από το Sinnuris και το Gharaq, αντίστοιχα. Ωστόσο, οι πρόσφατα καλλιεργημένες εκτάσεις στο Gharaq, διατηρούν αύξηση 5,8% στο σύνολο των γεωργικών περιοχών. Οι σημαντικά τροποποιημένες στρατηγικές κατανομής των υδάτων σε αυτές τις περιοχές πέτυχε, δεδομένου ότι το Sinnuris έχει πάνω από 1,5 m3/s παροχής νερού, ενώ η περιοχή Gharaq αντιμετώπιζε έλλειψη άρδευσης 0,26 m3 το 2019. <br /> <br /> &lt;h3&gt;2. Εισαγωγή&lt;/h3&gt;<br /> <br /> Σε άνυδρες περιοχές, πολλοί παράγοντες επηρεάζουν την αρδευμένη γεωργία, όπως η λειψυδρία, η αστικοποίηση, η αλατοποίηση του εδάφους και η υποβάθμιση, προσθήκη στην αύξηση του πληθυσμού και την κλιματική αλλαγή (Dimov et al., 2016). Η έλλειψη γλυκού νερού έχει δυνητικό αντίκτυπο στη γεωργική παραγωγή, που αντιστοιχεί στο 70% της συνολικής κατανάλωσης γλυκού νερού (Vanino et al., 2018). Η διαχείριση των υδάτων απαιτεί ορισμένες χωρικά κατανεμημένες μεταβλητές σχετικές με το έδαφος, τη βλάστηση και τις παραμέτρους καιρού. Η τηλεπισκόπηση σε συνδυασμό με τα γεωγραφικά συστήματα πληροφοριών είναι πολύτιμη για την ανίχνευση και την ανάλυση τέτοιων χωρικά κατανεμημένων μεταβλητών αξιολογώντας επιτυχώς περιβαλλοντικές επιπτώσεις και μελέτες διαχείρισης υδατικών πόρων. Οι δορυφορικές εικόνες Sentinel-2 προσφέρουν μία γκάμα πολυφασματικών καναλιών σε πολύ καλή χωρική ανάλυση που εξυπηρετούν τον εντοπισμό εποχιακών μεταβολών στην καλλιεργούμενη Γη, όμως οι δορυφορικές εικόνες Landsat λόγω της ιστορικότητας του πρώτου δορυφόρου επιτρέπουν στον χρήστη να εξετάσει τις αλλαγές μιας περιοχής σε βάθος χρόνου, όπως αλλαγές χρήσης Γης, η αστικοποίηση, κ.α. Η χρήση διαφόρων δεικτών, όπως ο κανονικοποιημένος δείκτης βλάστησης (NDVI), για την ανίχνευση ζητούμενων χωρικών μεταβλητών για μια περιοχή μπορούν να αναλυθούν μέσω των γεωγραφικών συστημάτων πληροφοριών και να αποδώσουν αποτελέσματα σημαντικά για διάφορες μελέτες, όπως η διαχείριση των υδάτων. <br /> <br /> <br /> &lt;h3&gt;3. Περιοχή Μελέτης&lt;/h3&gt;<br /> <br /> Στην υπάρχουσα μελέτη εξετάζεται το Fayoum, μια κλειστή λεκάνη νερού που βρίσκεται 25 χιλιόμετρα δυτικά του Νείλου ποταμούκαι 90 χιλιόμετρα νοτιοδυτικά του Καΐρου. To δίκτυο άρδευσης και αποστράγγισης Fayoum αποτελείται από 346 κανάλια μήκους 1398 χιλιομέτρων, 272 αποχετεύσεων με μήκος 1063 χιλιομέτρων, εννέα ρυθμιστών, 79 υδατοφράκτες στα κύρια κανάλια, 1091 στα δευτερεύοντα κανάλια, και περισσότερους από 3800 αεραγωγούς. Για τις ανάγκες της μελέτης εξετάστηκαν δύο ερευνητικές περιοχές στο Κυβερνείο του Φαγιούμ: η περιοχή Sinnuris και η περιοχή Gharaq. Ο σχεδιασμός του καναλιού του Sinnuris, εξαιρώντας την αστική περιοχή, καλύπτεται από 11.458 εκτάρια με 24 υπό-λεκάνες απορροής. Το κανάλι του Gharaq έχει μήκος 27 χιλιομέτρων, ενώ επιπλέον χωρίζεται στο κατάντη άκρο του σε δύο άλλα κανάλια: Μπαχρ Ελ-Μπασαουάτ, μήκους 25 χιλιομέτρων, και Μπαχρ Ελ-Γκαργκάμπα, μήκους 23 χιλιομέτρων.<br /> <br /> &lt;h3&gt;4. Συλλογή και επεξεργασία χωρικών και δορυφορικών δεδομένων&lt;/h3&gt; <br /> <br /> Αρχικά, σχεδιάστηκαν τα πολύγωνα των αρδευτικών καναλιών των δύο περιοχών μελέτης Sinnuris και Gharaq από χάρτες κλίμακας 1:2500 της Αιγυπτιακής Αρχής Γενικής Έρευνας. Αυτά εξετάστηκαν μέσω Google Earth και με τη βοήθεια δορυφορικών εικόνων Landsat παρακολουθήθηκαν οι αλλαγές σε βάθος 20ετίας. Συγκεκριμένα χρησιμοποιήθηκαν δορυφορικές εικόνες Landsat Thematic Mapper (TM5) του 1999 και 2009 και δορυφορικές εικόνες Landsat-8 Operational Land Imager (OLI) του 2019. Στην περίπτωση των δορυφορικών δεδομένων TM5 χρησιμοποιήθηκαν όλα τα κανάλια, όπως και το θερμικό το οποίο ενίσχυσε το διαχωρισμό μεταξύ αστικών περιοχών και περιοχών αγρανάπαυσης στο Gharaq. Όσον αφορά τα δορυφορικά δεδομένα του Landsat 8 χρησιμοποιήθηκαν τα αντίστοιχα κανάλια με αυτά του TM5, όπως και το θερμικό κανάλι 10, εξαιρώντας τα κανάλια 1, 8, 9 και 11. Όλα τα κανάλια των δορυφορικών δεδομένων Landsat που χρησιμοποιήθηκαν είχαν χωρική ανάλυση 30μ, ενώ τα θερμικά επεξεργάστηκαν για να αποκτήσουν επίσης χωρική ανάλυση 30μ. Παράλληλα, χρησιμοποιήθηκαν δορυφορικά δεδομένα Sentinel-2 από τις αρχές του κάθε μήνα από τον Σεπτέμβριο του 2019 έως τον Δεκέμβριο του 2020, με σκοπό την εξέταση της μετάβασης από τις καλοκαιρινές στις χειμερινές καλλιεργητικές περιόδους. Στην περίπτωση των των δορυφορικών δεδομένων Sentinel-2 χρησιμοποιήθηκαν μόνο τα κανάλια 4 και 8 με χωρική ανάλυση 10μ, για την δημιουργία εικόνων σύμφωνα με τον κανονικοποιημένο δείκτη βλάστησης (NDVI). Η λήψη των δεδομένων πραγματοποιήθηκε από το USGS και από την ESA, αντίστοιχα για τους δύο δορυφόρους.<br /> <br /> Για την επεξεργασία των δορυφορικών δεδομένων Landsat χρησιμοποιήθηκε το λογισμικό ENVI 5.3, όπου πραγματοποιήθηκε αρχικά ατμοσφαιρική διόρθωση των εικόνων με τη μέθοδο της αφαίρεσης του σκοτεινού αντικειμένου και στη συνέχεια η στρωματοποιημένη τυχαία δειγματοληψία για την απεικόνιση των διαφόρων κατηγοριών χρήσης Γης ανάλογα με την περιοχή και την ομοιογένεια της κάθε τάξης. Για τη δημιουργία αντιπροσωπευτικών δειγμάτων για κάθε κατηγορία χρησιμοποιήθηκαν πρόσφατες μετρήσεις πεδίου, καθώς έγινε και χρήση του Google Earth. To 70% εξ΄ αυτών χρησιμοποιήθηκαν ως περιοχές εκπαίδευσης για την επιβλεπόμενη ταξινόμηση που εφαρμόστηκε, ενώ το υπόλοιπο 30% αξιοποιήθηκαν ως περιοχές ελέγχου για την εκτίμηση της ακρίβειας της ταξινόμησης. Η ταξινόμηση που πραγματοποιήθηκε ήταν βασισμένη στα εικονοστοιχεία όλων των δορυφορικών δεδομένων χρησιμοποιώντας ένα ταξινομητή διανυσματικής μηχανικής υποστήριξης (SVM), ευρέως χρησιμοποιούμενος σε ταξινομήσεις εικόνων. Οι παράμετροι του SVΜ ορίστηκαν σε ακτινικής βάσης συνάρτηση, ως τύποι πυρήνα, με εύρος από 1 έως 100. Ο ταξινομητής SVM σε σύγκριση με άλλους ταξινομητές, όπως νευρωνικά δίκτυα, μπορεί να επιτύχει υψηλές αποδόσεις ακόμη και με μικρό αριθμό περιοχών εκπαίδευσης. Έπειτα με τη χρήση των δορυφορικών δεδομένων Sentinel-2 και την εφαρμογή δεικτών NDVI ανιχνεύθηκαν οι αλλαγές στις καλλιεργούμενες περιοχές όσον αφορά την βλάστηση και την ξηρασία σε χρονικό εύρος από τον Σεπτέμβριο του 2019 έως το Δεκέμβρη του 2020. <br /> <br /> &lt;h3&gt;5. Αποτελέσματα&lt;/h3&gt;<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B1%CF%87%CE%B5%CE%AF%CF%81%CE%B9%CF%83%CE%B7_%CE%9A%CE%B1%CF%84%CE%B1%CF%83%CF%84%CF%81%CE%BF%CF%86%CF%8E%CE%BD_%CE%A4%CF%83%CE%BF%CF%85%CE%BD%CE%AC%CE%BC%CE%B9_%CE%BA%CE%B1%CE%B9_%CE%A4%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2022-03-01T21:57:34Z

<p>Tsalmasd: Νέα σελίδα με ' category:Υδατικοί Πόροι'</p> <hr /> <div><br /> [[category:Υδατικοί Πόροι]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%A4%CF%83%CE%AC%CE%BB%CE%BC%CE%B1%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2022-03-01T21:56:04Z

<p>Tsalmasd: </p> <hr /> <div>&lt;ol&gt;<br /> &lt;li&gt;[[Εφαρμογή συστημάτων τηλεπισκόπησης και γεωγραφικών πληροφοριών στη διαχείριση των υδάτων αρδευτικών συστημάτων...]]<br /> &lt;li&gt;[[Πρόοδοι της τεχνολογίας δορυφορικής τηλεπισκόπησης στην πρόβλεψη σεισμών]]<br /> &lt;li&gt;[[Ανίχνευση Παράνομων Κατασκευών στην Τηλεπισκόπηση - Εικόνες βασισμένες σε σημασιολογική κατάτμηση πολλαπλών κλιμάκων]]<br /> &lt;li&gt;[[Η αστική εξάπλωση και το αντίκτυπό της στη βιώσιμη αστική ανάπτυξη συνδυασμός τηλεπισκόπησης και δεδομένων μέσων κοινωνικής δικτύωσης]]<br /> &lt;li&gt;[[Επεξεργασίες μετασχηματισμού τοπίου σε δύο μεγάλες και δύο μικρές πόλεις στην Αίγυπτο και την Ιορδανία τις τελευταίες πέντε δεκαετίες]] <br /> &lt;li&gt;[[Εκτίμηση φυσικών κινδύνων και χαρτογράφηση με χρήση τηλεπισκόπησης]]<br /> &lt;li&gt;[[Μείωση πυκνότητας μεταφορών που προκλήθηκε από αποκλεισμούς πόλεων σε όλο τον κόσμο κατά τη διάρκεια της επιδημίας COVID-19]]<br /> &lt;li&gt;[[Διαχείριση Καταστροφών Τσουνάμι και Τεχνολογία Τηλεπισκόπησης]]<br /> <br /> &lt;/ol&gt;<br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα)]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CE%AF%CF%89%CF%83%CE%B7_%CF%80%CF%85%CE%BA%CE%BD%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CE%BC%CE%B5%CF%84%CE%B1%CF%86%CE%BF%CF%81%CF%8E%CE%BD_%CF%80%CE%BF%CF%85_%CF%80%CF%81%CE%BF%CE%BA%CE%BB%CE%AE%CE%B8%CE%B7%CE%BA%CE%B5_%CE%B1%CF%80%CF%8C_%CE%B1%CF%80%CE%BF%CE%BA%CE%BB%CE%B5%CE%B9%CF%83%CE%BC%CE%BF%CF%8D%CF%82_%CF%80%CF%8C%CE%BB%CE%B5%CF%89%CE%BD_%CF%83%CE%B5_%CF%8C%CE%BB%CE%BF_%CF%84%CE%BF%CE%BD_%CE%BA%CF%8C%CF%83%CE%BC%CE%BF_%CE%BA%CE%B1%CF%84%CE%AC_%CF%84%CE%B7_%CE%B4%CE%B9%CE%AC%CF%81%CE%BA%CE%B5%CE%B9%CE%B1_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%B9%CE%B4%CE%B7%CE%BC%CE%AF%CE%B1%CF%82_COVID-19 2022-03-01T21:55:51Z

<p>Tsalmasd: Νέα σελίδα με 'Add Your Content Here category:Αστικός και περιφερειακός σχεδιασμός'</p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BA%CF%84%CE%AF%CE%BC%CE%B7%CF%83%CE%B7_%CF%86%CF%85%CF%83%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BA%CE%B9%CE%BD%CE%B4%CF%8D%CE%BD%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%BC%CE%B5_%CF%87%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 2022-03-01T21:55:24Z

<p>Tsalmasd: Νέα σελίδα με ' category:Διαχείριση κινδύνων'</p> <hr /> <div><br /> <br /> [[category:Διαχείριση κινδύνων]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B5%CF%82_%CE%BC%CE%B5%CF%84%CE%B1%CF%83%CF%87%CE%B7%CE%BC%CE%B1%CF%84%CE%B9%CF%83%CE%BC%CE%BF%CF%8D_%CF%84%CE%BF%CF%80%CE%AF%CE%BF%CF%85_%CF%83%CE%B5_%CE%B4%CF%8D%CE%BF_%CE%BC%CE%B5%CE%B3%CE%AC%CE%BB%CE%B5%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B4%CF%8D%CE%BF_%CE%BC%CE%B9%CE%BA%CF%81%CE%AD%CF%82_%CF%80%CF%8C%CE%BB%CE%B5%CE%B9%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%91%CE%AF%CE%B3%CF%85%CF%80%CF%84%CE%BF_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CE%BD_%CE%99%CE%BF%CF%81%CE%B4%CE%B1%CE%BD%CE%AF%CE%B1_%CF%84%CE%B9%CF%82_%CF%84%CE%B5%CE%BB%CE%B5%CF%85%CF%84%CE%B1%CE%AF%CE%B5%CF%82_%CF%80%CE%AD%CE%BD%CF%84%CE%B5_%CE%B4%CE%B5%CE%BA%CE%B1%CE%B5%CF%84%CE%AF%CE%B5%CF%82 2022-03-01T21:54:48Z

<p>Tsalmasd: Νέα σελίδα με 'Add Your Content Here category:Αστικός και περιφερειακός σχεδιασμός'</p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%A4%CF%83%CE%AC%CE%BB%CE%BC%CE%B1%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2022-03-01T21:54:43Z

<p>Tsalmasd: </p> <hr /> <div>&lt;ol&gt;<br /> &lt;li&gt;[[Εφαρμογή συστημάτων τηλεπισκόπησης και γεωγραφικών πληροφοριών στη διαχείριση των υδάτων αρδευτικών συστημάτων...]]<br /> &lt;li&gt;[[Πρόοδοι της τεχνολογίας δορυφορικής τηλεπισκόπησης στην πρόβλεψη σεισμών]]<br /> &lt;li&gt;[[Ανίχνευση Παράνομων Κατασκευών στην Τηλεπισκόπηση - Εικόνες βασισμένες σε σημασιολογική κατάτμηση πολλαπλών κλιμάκων]]<br /> &lt;li&gt;[[Η αστική εξάπλωση και το αντίκτυπό της στη βιώσιμη αστική ανάπτυξη συνδυασμός τηλεπισκόπησης και δεδομένων μέσων κοινωνικής δικτύωσης]]<br /> &lt;li&gt;[[Επεξεργασίες μετασχηματισμού τοπίου σε δύο μεγάλες και δύο μικρές πόλεις στην Αίγυπτο και την Ιορδανία τις τελευταίες πέντε δεκαετίες]] <br /> &lt;li&gt;[[Εκτίμηση φυσικών κινδύνων και χαρτογράφηση με χρήση τηλεπισκόπησης]]<br /> &lt;li&gt;[[Μείωση πυκνότητας μεταφορών που προκλήθηκε από αποκλεισμούς πόλεων σε όλο τον κόσμο κατά τη διάρκεια της επιδημίας COVID-19 Από την όψη των εικόνων τηλεπισκόπησης]]<br /> &lt;li&gt;[[Διαχείριση Καταστροφών Τσουνάμι και Τεχνολογία Τηλεπισκόπησης]]<br /> <br /> &lt;/ol&gt;<br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα)]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%97_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE_%CE%B5%CE%BE%CE%AC%CF%80%CE%BB%CF%89%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%84%CE%BF_%CE%B1%CE%BD%CF%84%CE%AF%CE%BA%CF%84%CF%85%CF%80%CF%8C_%CF%84%CE%B7%CF%82_%CF%83%CF%84%CE%B7_%CE%B2%CE%B9%CF%8E%CF%83%CE%B9%CE%BC%CE%B7_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE_%CE%B1%CE%BD%CE%AC%CF%80%CF%84%CF%85%CE%BE%CE%B7_%CF%83%CF%85%CE%BD%CE%B4%CF%85%CE%B1%CF%83%CE%BC%CF%8C%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%BC%CE%AD%CF%83%CF%89%CE%BD_%CE%BA%CE%BF%CE%B9%CE%BD%CF%89%CE%BD%CE%B9%CE%BA%CE%AE%CF%82_%CE%B4%CE%B9%CE%BA%CF%84%CF%8D%CF%89%CF%83%CE%B7%CF%82 2022-03-01T21:53:41Z

<p>Tsalmasd: Νέα σελίδα με 'Add Your Content Here category:Αστικός και περιφερειακός σχεδιασμός'</p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%BF%CE%B4%CE%BF%CE%B9_%CF%84%CE%B7%CF%82_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1%CF%82_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AE%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CF%80%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CF%83%CE%B5%CE%B9%CF%83%CE%BC%CF%8E%CE%BD 2022-03-01T21:51:48Z

<p>Tsalmasd: Νέα σελίδα με 'Add Your Content Here category:Διαχείριση κινδύνων'</p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Διαχείριση κινδύνων]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%A4%CF%83%CE%AC%CE%BB%CE%BC%CE%B1%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2022-03-01T21:47:15Z

<p>Tsalmasd: </p> <hr /> <div>&lt;ol&gt;<br /> &lt;li&gt;[[Εφαρμογή συστημάτων τηλεπισκόπησης και γεωγραφικών πληροφοριών στη διαχείριση των υδάτων αρδευτικών συστημάτων...]]<br /> &lt;li&gt;[[Πρόοδοι της τεχνολογίας δορυφορικής τηλεπισκόπησης στην πρόβλεψη σεισμών]]<br /> &lt;li&gt;[[Ανίχνευση Παράνομων Κατασκευών στην Τηλεπισκόπηση - Εικόνες βασισμένες σε σημασιολογική κατάτμηση πολλαπλών κλιμάκων]]<br /> &lt;li&gt;[[Η αστική εξάπλωση και το αντίκτυπό της στη βιώσιμη αστική ανάπτυξη συνδυασμός τηλεπισκόπησης και δεδομένων μέσων κοινωνικής δικτύωσης]]<br /> &lt;li&gt;[[Επεξεργασίες μετασχηματισμού τοπίου σε δύο μεγάλες και δύο μικρές πόλεις στην Αίγυπτο και την Ιορδανία τις τελευταίες πέντε δεκαετίες με χρήση δεδομένων τηλεπισκόπη]] <br /> &lt;li&gt;[[Εκτίμηση φυσικών κινδύνων και χαρτογράφηση με χρήση τηλεπισκόπησης]]<br /> &lt;li&gt;[[Μείωση πυκνότητας μεταφορών που προκλήθηκε από αποκλεισμούς πόλεων σε όλο τον κόσμο κατά τη διάρκεια της επιδημίας COVID-19 Από την όψη των εικόνων τηλεπισκόπησης]]<br /> &lt;li&gt;[[Διαχείριση Καταστροφών Τσουνάμι και Τεχνολογία Τηλεπισκόπησης]]<br /> <br /> &lt;/ol&gt;<br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα)]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%A4%CF%83%CE%AC%CE%BB%CE%BC%CE%B1%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2022-03-01T21:37:44Z

<p>Tsalmasd: </p> <hr /> <div>&lt;ol&gt;<br /> &lt;li&gt;[[Εφαρμογή συστημάτων τηλεπισκόπησης και γεωγραφικών πληροφοριών στη διαχείριση των υδάτων αρδευτικών συστημάτων...]]<br /> &lt;li&gt;[[Πρόοδοι της τεχνολογίας δορυφορικής τηλεπισκόπησης στην πρόβλεψη σεισμών]]<br /> &lt;li&gt;[[Ανίχνευση Παράνομων Κατασκευών στην Τηλεπισκόπηση - Εικόνες βασισμένες σε σημασιολογική κατάτμηση πολλαπλών κλιμάκων]]<br /> &lt;li&gt;[[Η αστική εξάπλωση και το αντίκτυπό της στη βιώσιμη αστική ανάπτυξη συνδυασμός τηλεπισκόπησης και δεδομένων μέσων κοινωνικής δικτύωσης]]<br /> &lt;li&gt;[[Επεξεργασίες μετασχηματισμού τοπίου σε δύο μεγάλες και δύο μικρές πόλεις στην Αίγυπτο και την Ιορδανία τις τελευταίες πέντε δεκαετίες με χρήση δεδομένων τηλεπισκόπη]] <br /> &lt;li&gt;[[Εκτίμηση-φυσικών-κινδύνων-και-χαρτογράφηση-με-χρήση-τηλεπισκόπησης]]<br /> &lt;li&gt;[[Μείωση πυκνότητας μεταφορών που προκλήθηκε από αποκλεισμούς πόλεων σε όλο τον κόσμο κατά τη διάρκεια της επιδημίας COVID-19 Από την όψη των εικόνων τηλεπισκόπησης]]<br /> &lt;li&gt;[[Διαχείριση Καταστροφών Τσουνάμι και Τεχνολογία Τηλεπισκόπησης]]<br /> <br /> &lt;/ol&gt;<br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα)]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_%CF%83%CF%85%CF%83%CF%84%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD_%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%CE%B3%CF%81%CE%B1%CF%86%CE%B9%CE%BA%CF%8E%CE%BD_%CF%80%CE%BB%CE%B7%CF%81%CE%BF%CF%86%CE%BF%CF%81%CE%B9%CF%8E%CE%BD_%CF%83%CF%84%CE%B7_%CE%B4%CE%B9%CE%B1%CF%87%CE%B5%CE%AF%CF%81%CE%B9%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CF%85%CE%B4%CE%AC%CF%84%CF%89%CE%BD_%CE%B1%CF%81%CE%B4%CE%B5%CF%85%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%85%CF%83%CF%84%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD... 2022-03-01T21:35:33Z

<p>Tsalmasd: Νέα σελίδα με ' category:Υδατικοί Πόροι'</p> <hr /> <div><br /> <br /> <br /> <br /> <br /> <br /> [[category:Υδατικοί Πόροι]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%A4%CF%83%CE%AC%CE%BB%CE%BC%CE%B1%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82 2022-03-01T20:19:31Z

<p>Tsalmasd: </p> <hr /> <div>&lt;ol&gt;<br /> &lt;li&gt;[[Εφαρμογή συστημάτων τηλεπισκόπησης και γεωγραφικών πληροφοριών στη διαχείριση των υδάτων αρδευτικών συστημάτων υπό συνθήκες λειψυδρίας στο Φαγιούμ, Αίγυπτος]]<br /> &lt;li&gt;[[Πρόοδοι της τεχνολογίας δορυφορικής τηλεπισκόπησης στην πρόβλεψη σεισμών]]<br /> &lt;li&gt;[[Ανίχνευση Παράνομων Κατασκευών στην Τηλεπισκόπηση - Εικόνες βασισμένες σε σημασιολογική κατάτμηση πολλαπλών κλιμάκων]]<br /> &lt;li&gt;[[Η αστική εξάπλωση και το αντίκτυπό της στη βιώσιμη αστική ανάπτυξη συνδυασμός τηλεπισκόπησης και δεδομένων μέσων κοινωνικής δικτύωσης]]<br /> &lt;li&gt;[[Επεξεργασίες μετασχηματισμού τοπίου σε δύο μεγάλες και δύο μικρές πόλεις στην Αίγυπτο και την Ιορδανία τις τελευταίες πέντε δεκαετίες με χρήση δεδομένων τηλεπισκόπη]] <br /> &lt;li&gt;[[Εκτίμηση-φυσικών-κινδύνων-και-χαρτογράφηση-με-χρήση-τηλεπισκόπησης]]<br /> &lt;li&gt;[[Μείωση πυκνότητας μεταφορών που προκλήθηκε από αποκλεισμούς πόλεων σε όλο τον κόσμο κατά τη διάρκεια της επιδημίας COVID-19 Από την όψη των εικόνων τηλεπισκόπησης]]<br /> &lt;li&gt;[[Διαχείριση Καταστροφών Τσουνάμι και Τεχνολογία Τηλεπισκόπησης]]<br /> <br /> &lt;/ol&gt;<br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα)]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%AC%CE%BD%CE%BF%CE%BC%CF%89%CE%BD_%CE%9A%CE%B1%CF%84%CE%B1%CF%83%CE%BA%CE%B5%CF%85%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%A4%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%95%CE%B9%CE%BA%CF%8C%CE%BD%CE%B5%CF%82_%CE%B2%CE%B1%CF%83%CE%B9%CF%83%CE%BC%CE%AD%CE%BD%CE%B5%CF%82_%CF%83%CE%B5_%CF%83%CE%B7%CE%BC%CE%B1%CF%83%CE%B9%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CE%AE_%CE%BA%CE%B1%CF%84%CE%AC%CF%84%CE%BC%CE%B7%CF%83%CE%B7_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CF%8E%CE%BD_%CE%BA%CE%BB%CE%B9%CE%BC%CE%AC%CE%BA%CF%89%CE%BD 2022-03-01T20:17:54Z

<p>Tsalmasd: </p> <hr /> <div>[[Εικόνα:Tsalmasd_eikona_3.1.png|thumb|right|'''Εικόνα 1:''' Δομή πολυ-επίπεδης κατάτμησης]]<br /> [[Εικόνα:Tsalmasd_eikona_3.2.png|thumb|right|'''Εικόνα 2:''' Πίνακας αποτελεσμάτων ακρίβειας κατάτμησης]]<br /> [[Εικόνα:Tsalmasd_eikona_3.3.png|thumb|right|'''Εικόνα 3:''' Σύγκριση αποτελεσμάτων κατάτμησης]]<br /> [[Εικόνα:Tsalmasd_eikona_3.4.png|thumb|right|'''Εικόνα 4:''' Ανίχνευση παράνομης δόμησης της Jiangxi στην Κίνα]]<br /> <br /> <br /> &lt;h3&gt;Illegal Constructions Detection in Remote Sensing - Images based on Multi-scale Semantic Segmentation&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:'''Chen Chen, Jiaxuan Deng, Ning Lv <br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://ieeexplore.ieee.org/document/9191992]] <br /> <br /> '''Λέξεις κλειδιά:'''σύνθετη σημασιολογική κατάτμηση, συνέλιξη πολλαπλής κλίμακας, τυχαίο πεδίο <br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> Ο πολεοδομικός σχεδιασμός αποτελεί σημαντικό πεδίο εφαρμογής των εικόνων τηλεπισκόπησης. Η χρήση της σημασιολογικής κατάτμησης για τον πολεοδομικό σχεδιασμό παρουσιάζει μεγάλες δυνατότητες, ωστόσο, το να επιτευχθεί μια πολύπλοκη σημασιολογική κατάτμηση απέχει ακόμη. Για τη βελτίωση της ικανότητας εκμάθησης πολύπλοκων κανόνων σε ένα δίκτυο σημασιολογικής κατάτμησης πρέπει να υποδεικνύεται ρητά η περιεχόμενη σύνδεση μεταξύ των κατηγοριών/τμημάτων. Το παρόν δημοσίευμα προτείνει μια νέα δομή συνέλιξης η οποία βασίζεται στο τρέχον δίκτυο σημασιολογικής κατάτμησης με τη δομή κωδικοποίησης-αποκωδικοποίησης. Η παραδοσιακή πολυεπίπεδη δομή συνέλιξης αντικαθίσταται από μια νέα, παράλληλη δομή συνέλιξης πολλαπλών κλιμάκων. Επιπλέον, μια πλήρης σύνδεση συνεχούς τυχαίου πεδίου κάτω από ορισμένους κανόνες προστίθεται για τον περιορισμό των αποτελεσμάτων της κατάτμησης. Για την ακρίβεια της κατάτμησης πρώτα γίνεται η σύγκριση με το τρέχον δίκτυο κατάτμησης σε ανοιχτά σύνολα δεδομένων, και έχει δείξει καλή εφαρμογή και πρακτικότητα όσον αφορά τον εντοπισμό παράνομων κατασκευών στην επαρχία Jiangxi, Κίνα.<br /> <br /> &lt;h3&gt;2. Εισαγωγή&lt;/h3&gt;<br /> <br /> Η σημασιολογική κατάτμηση της εικόνας είναι μια διαδικασία κατανόησης εικόνας η οποία βασίζεται σε προγενέστερη γνώση. Ένα βαθύ συνελικτικό δίκτυο μπορεί να συνδέσει τα οπτικά χαρακτηριστικά της εικόνας με την υψηλού επιπέδου σημασιολογική έννοια μέσω της διαδικασίας «έμπειρης» μηχανικής μάθησης. Αυτή η σύνδεση χρησιμοποιεί την οπτική ομοιότητα μεταξύ εικόνων ώστε να μιμηθεί την ανθρώπινη κρίση, η οποίες βασίζεται στη σημασιολογική ομοιότητα.<br /> <br /> Στη σημασιολογική κατάτμηση Τηλεπισκοπικών εικόνων, υπάρχουν αντικείμενα διαφόρων μεγεθών, κάποια από τα οποία καταλαμβάνουν ολόκληρη την κομμένη εικόνα, ενώ άλλα είναι μόνο μερικά (λίγα) εικονοστοιχεία. Σε διαφορετικές εφαρμογές, π.χ. ανίχνευση οχημάτων, αναγνώριση προσώπου, και οι δύο αυτοί στόχοι είναι σημαντικοί. Τα περισσότερα από τα υπάρχοντα δίκτυα κατάτμησης εικόνων έχουν αντιληπτά πεδία σταθερού μεγέθους και η αντιστοίχιση μεταξύ εικόνων και σημασιολογίας διερευνάται μέσα από όλο και βαθύτερες δομές δικτύων, γεγονός το οποίο δεν είναι τόσο θετικό για την αποτελεσματικότητα των πεδίων εκπαίδευσης και την ικανότητα γενίκευσης του δικτύου.<br /> <br /> Το παρόν δημοσίευμα τροποποιεί τη δομή κωδικοποίησης-αποκωδικοποίησης σε δίκτυα κατάτμησης για αντικείμενα πολλαπλών κλιμάκων στις τηλεπισκοπικές εικόνες. Η συνέλιξη στη διαδικασία της μάθησης χαρακτηριστικών και ταξινόμησης αλλάζει. Η παραδοσιακή συνέλιξη πολλαπλών επιπέδων υπέρθεση πυρήνα με σταθερό μέγεθος αλλάζει σε μια μέθοδο που συνδέει μέσω πολλαπλών κλιμάκων το πεδίο αισθητήρων με παράλληλη επεξεργασία. Ταυτόχρονα, αποτελεί μια πολύ αποτελεσματική μέθοδο, καθώς δεν απαιτεί τα δεδομένα εκπαίδευσης και τους υπολογιστικούς πόρους για την βελτίωσή της. Χρησιμοποιείται ένα πυκνό τυχαίο πεδίο υπό όρους ώστε να περιοριστεί το αποτέλεσμα της κατάτμησης.<br /> Κάνοντας τη σχέση μεταξύ των κατηγοριών πιο σαφείς, έχει βελτιωθεί σημαντικά ο χειρισμός ορισμένων ζητημάτων πολεοδομικού σχεδιασμού και χρήσης γης για τις μεταφορές, για τους φυσικός πόρους, τις έξυπνες πόλεις κ.λπ.<br /> <br /> Ως δίκτυο για τη σημασιολογική κατάτμηση Τηλεπισκοπικών εικόνων, συγκρίνεται η ακρίβειά του με τις τρέχουσες άριστες ακρίβειες των δικτύων κατάτμησης στο ανοιχτό σύνολο δεδομένων τηλεπισκόπησης. Η ακρίβεια είναι παρόμοια με αυτή του καλύτερου αποτελέσματος και συγκλίνει γρηγορότερα. Για την ανίχνευση παράνομων κτισμάτων σε ορισμένο τόπο, πρέπει να γίνει ανίχνευση των άκτιστων κτιρίων ή αυτών που είναι χτισμένα σε λάθος περιοχή. Με βάση τον παραπάνω κανόνα, δείχνει υψηλή ακρίβεια ανίχνευσης.<br /> <br /> &lt;h3&gt;3. Περιοχή μελέτης&lt;/h3&gt;<br /> <br /> Η πρώτη σύγκριση απόδοσης προέρχεται από σύνολα δεδομένων αστικών κτιρίων στη Μασαχουσέτη και χρησιμοποιούνται ορισμένες μέθοδοι βελτίωσης δεδομένων. Το σύνολο των δεδομένων είναι περίπου 5000 δείγματα τα οποία (224,224,3) χωρίζονται σε τρία μέρη, αυτά της εκπαίδευσης, της διασταύρωσης και δοκιμής.<br /> <br /> Στην εφαρμογή ανίχνευσης παράνομων κατασκευών, χαρακτηρίστηκαν χειροκίνητα οι υποπεριοχές ως περιοχές εκπαίδευσης. Στη συνέχεια, χρησιμοποιήθηκε αυτό το μοντέλο για την πρόβλεψη ολόκληρης της περιοχής.<br /> <br /> &lt;h3&gt;4. Επισκόπηση&lt;/h3&gt;<br /> <br /> Το συνολικό πλαίσιο του μοντέλου που χρησιμοποιείται φαίνεται στο Σχήμα 1, το οποίο βασίζεται σε ένα δίκτυο σημασιολογικής κατάτμησης από άκρο σε άκρο στη δομή κωδικοποίησης-αποκωδικοποίησης. Η διαδικασία της συνέλιξης του σταδίου εξαγωγής χαρακτηριστικών που χρησιμποποιήθηκε, είναι εμπνευσμένη από τη δομή του DeepLab που χρησιμοποιεί πυρήνες συνέλιξης διαφορετικών μεγεθών ώστε να συνδυάσει τους χάρτες χαρακτηριστικών αντίστοιχα και μετά συνδέει τα αποτελέσματα.<br /> <br /> Αποτελέσματα σε αντίθεση με την κοίλη συνέλιξη σταθερού μεγέθους, το μέγεθος του πυρήνα συνέλιξης κάθε γραμμής είναι διαφορετικό. Το βάθος της κάθε διαδρομής στον χάρτη χαρακτηριστικών είναι διαφορετικό. Μετά από αυτό, το βάρος θα ρυθμιστεί περαιτέρω από το δίκτυο εκπαίδευσης.<br /> <br /> Τα περισσότερα δίκτυα κατάτμησης εικόνων βασίζονται στο CNN δίκτυο. Για καλύτερα αποτελέσματα ταξινόμησης, το CNN «στοιβάζει» περισσότερα και περισσότερα μετατρεπτικά επίπεδα. Ταυτόχρονα, επιφέρει προβλήματα όπως η διασπορά κλίσης και η αργή ταχύτητα. Η δομή διασύνδεσης επιπέδων όπως το ResNet και το DenseNet επιτρέπει στο δίκτυο να αναπτυχθεί βαθύτερα. Ωστόσο, το δίκτυο κατάτμησης της εικόνας όχι μόνο βρίσκει τα σωστά αποτελέσματα ταξινόμησης αλλά χρειάζεται επίσης να αποκαταστήσει τη χωρική σχέση των αποτελεσμάτων της ταξινόμησης. Εξάλλου, η συμμετρική δομή αποκωδικοποίησης κάνει το βάθος του πολλαπλασιασμού του δικτύου, κάτι που αποτελεί μεγάλη πρόκληση για την διάδοση κλίσης και την απαιτούμενη ποσότητα τμημάτων εκπαίδευσης.<br /> <br /> &lt;h3&gt;5. Αποτελέσματα&lt;/h3&gt;<br /> <br /> Αυτά τα δίκτυα σημασιολογικής τμηματοποίησης με καλή απόδοση επιλέγονται ως γραμμές βάσης. Όπως φαίνεται στον Πίνακα 1, αποτελούν σχετικά εξέχοντα δίκτυα, το UresNet το οποίο είναι ένα Unet που χρησιμοποιεί το ResNet ως βασικό δίκτυο και το In-net είναι η μέθοδος που χρησιμοποιείται σε αυτό το άρθρο.<br /> <br /> Οι εικόνες που επιλέχθηκαν για την απεικόνιση είναι αρκετά αντιπροσωπευτικές και μπορεί να έχουν μικρά αντικείμενα, μεγάλα αντικείμενα και περιοχές με ανώμαλες άκρες. Όπως φαίνεται στο Σχ. 3, αν και το βαθύτερο δίκτυο όπως το UresNet μπορεί να εντοπίσει τους στόχους, δεν μπορεί να διαχωρίσει καλά τα όρια. Τα δύο δίκτυα είναι παρόμοια όσον αφορά την ικανότητα αναγνώρισης στόχων. Το αποτέλεσμα της διαδικασίας CRF για την επεξεργασία ορίων είναι πολύ σημαντικά. Οι οδοντωτές άκρες στο τρίτο είναι προφανείς, αλλά αυτό το χαρακτηριστικό εκφράζεται σε άλλα δίκτυα κατάτμησης χωρίς γωνίες.<br /> <br /> Η μέθοδος της παρούσας μελέτης χρησιμοποιήθηκε σε ένα έργο του οποίου ο σκοπός ήταν ο εντοπισμός των παράνομων κτιρίων. Οι στόχοι εντοπισμού ήταν άκτιστα κτίρια και κτίρια που χτίστηκαν σε λάθος μέρος. <br /> <br /> Ο εντοπισμός παράνομων κατασκευών φαίνεται στην εικόνα 4 Αξίζει να σημειωθεί πως η αρχική εικόνα είναι μια εικόνα μεγάλης κλίμακας. Η πρώτη εικόνα είναι δορυφορική εικόνα με ετικέτες σημειωμένες (χειροκίνητα) και δείχνει τις παράνομες περιοχές. Στη δεύτερη εικόνα, υπάρχουν τρία είδη ετικετών:<br /> <br /> * Οι λευκές γραμμές αντιπροσωπεύουν την περιοχή που έχει σημειωθεί σωστά<br /> * Οι κόκκινες γραμμές αντιπροσωπεύουν την περιοχή που σημειώθηκε εσφαλμένα και <br /> * Οι μπλε γραμμές αντιπροσωπεύουν την περιοχή που δεν έχει εντοπιστεί καθόλου.<br /> <br /> Το δίκτυο παρουσίασε αρκετά καλή απόδοση και αποτελεσματικότητα σε αυτή την περίπτωση, ακόμη και αν το δείγμα των sample tests ήταν μεγάλο. <br /> <br /> &lt;h3&gt;6.Επίλογος&lt;/h3&gt;<br /> <br /> Από αυτά τα πειραματικά αποτελέσματα, παρατηρείται ότι στη σημασιολογική κατάτμηση Τηλεπισκοπικών εικόνων, η συνέλιξη πολλαπλών κλιμάκων που σχετίζεται με το πλαίσιο έχει μεγάλη συμβολή στη βελτίωση της ακρίβειας. Αυτό το συμπέρασμα επαληθεύεται επίσης και στις πραγματικές εικόνες τηλεπισκόπησης μεγάλου μήκους οι οποίες περιέχουν πολλαπλούς τύπους εδάφους.<br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

Tsalmasd http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%A0%CE%B1%CF%81%CE%AC%CE%BD%CE%BF%CE%BC%CF%89%CE%BD_%CE%9A%CE%B1%CF%84%CE%B1%CF%83%CE%BA%CE%B5%CF%85%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%A4%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%95%CE%B9%CE%BA%CF%8C%CE%BD%CE%B5%CF%82_%CE%B2%CE%B1%CF%83%CE%B9%CF%83%CE%BC%CE%AD%CE%BD%CE%B5%CF%82_%CF%83%CE%B5_%CF%83%CE%B7%CE%BC%CE%B1%CF%83%CE%B9%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CE%AE_%CE%BA%CE%B1%CF%84%CE%AC%CF%84%CE%BC%CE%B7%CF%83%CE%B7_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CF%8E%CE%BD_%CE%BA%CE%BB%CE%B9%CE%BC%CE%AC%CE%BA%CF%89%CE%BD 2022-03-01T20:16:09Z

<p>Tsalmasd: </p> <hr /> <div>[[Εικόνα:Tsalmasd_eikona_3.1.png|thumb|right|Εικόνα 1: Δομή πολυ-επίπεδης κατάτμησης]]<br /> [[Εικόνα:Tsalmasd_eikona_3.2.png|thumb|right|Εικόνα 2: Πίνακας αποτελεσμάτων ακρίβειας κατάτμησης]]<br /> [[Εικόνα:Tsalmasd_eikona_3.3.png|thumb|right|Εικόνα 3: Σύγκριση αποτελεσμάτων κατάτμησης]]<br /> [[Εικόνα:Tsalmasd_eikona_3.4.png|thumb|right|Εικόνα 4: Ανίχνευση παράνομης δόμησης της Jiangxi στην Κίνα]]<br /> <br /> <br /> &lt;h3&gt;Illegal Constructions Detection in Remote Sensing - Images based on Multi-scale Semantic Segmentation&lt;/h3&gt;<br /> <br /> '''Συγγραφείς:'''Chen Chen, Jiaxuan Deng, Ning Lv <br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://ieeexplore.ieee.org/document/9191992]] <br /> <br /> '''Λέξεις κλειδιά:'''σύνθετη σημασιολογική κατάτμηση, συνέλιξη πολλαπλής κλίμακας, τυχαίο πεδίο <br /> <br /> &lt;h3&gt;1. Αντικείμενο&lt;/h3&gt;<br /> <br /> Ο πολεοδομικός σχεδιασμός αποτελεί σημαντικό πεδίο εφαρμογής των εικόνων τηλεπισκόπησης. Η χρήση της σημασιολογικής κατάτμησης για τον πολεοδομικό σχεδιασμό παρουσιάζει μεγάλες δυνατότητες, ωστόσο, το να επιτευχθεί μια πολύπλοκη σημασιολογική κατάτμηση απέχει ακόμη. Για τη βελτίωση της ικανότητας εκμάθησης πολύπλοκων κανόνων σε ένα δίκτυο σημασιολογικής κατάτμησης πρέπει να υποδεικνύεται ρητά η περιεχόμενη σύνδεση μεταξύ των κατηγοριών/τμημάτων. Το παρόν δημοσίευμα προτείνει μια νέα δομή συνέλιξης η οποία βασίζεται στο τρέχον δίκτυο σημασιολογικής κατάτμησης με τη δομή κωδικοποίησης-αποκωδικοποίησης. Η παραδοσιακή πολυεπίπεδη δομή συνέλιξης αντικαθίσταται από μια νέα, παράλληλη δομή συνέλιξης πολλαπλών κλιμάκων. Επιπλέον, μια πλήρης σύνδεση συνεχούς τυχαίου πεδίου κάτω από ορισμένους κανόνες προστίθεται για τον περιορισμό των αποτελεσμάτων της κατάτμησης. Για την ακρίβεια της κατάτμησης πρώτα γίνεται η σύγκριση με το τρέχον δίκτυο κατάτμησης σε ανοιχτά σύνολα δεδομένων, και έχει δείξει καλή εφαρμογή και πρακτικότητα όσον αφορά τον εντοπισμό παράνομων κατασκευών στην επαρχία Jiangxi, Κίνα.<br /> <br /> &lt;h3&gt;2. Εισαγωγή&lt;/h3&gt;<br /> <br /> Η σημασιολογική κατάτμηση της εικόνας είναι μια διαδικασία κατανόησης εικόνας η οποία βασίζεται σε προγενέστερη γνώση. Ένα βαθύ συνελικτικό δίκτυο μπορεί να συνδέσει τα οπτικά χαρακτηριστικά της εικόνας με την υψηλού επιπέδου σημασιολογική έννοια μέσω της διαδικασίας «έμπειρης» μηχανικής μάθησης. Αυτή η σύνδεση χρησιμοποιεί την οπτική ομοιότητα μεταξύ εικόνων ώστε να μιμηθεί την ανθρώπινη κρίση, η οποίες βασίζεται στη σημασιολογική ομοιότητα.<br /> <br /> Στη σημασιολογική κατάτμηση Τηλεπισκοπικών εικόνων, υπάρχουν αντικείμενα διαφόρων μεγεθών, κάποια από τα οποία καταλαμβάνουν ολόκληρη την κομμένη εικόνα, ενώ άλλα είναι μόνο μερικά (λίγα) εικονοστοιχεία. Σε διαφορετικές εφαρμογές, π.χ. ανίχνευση οχημάτων, αναγνώριση προσώπου, και οι δύο αυτοί στόχοι είναι σημαντικοί. Τα περισσότερα από τα υπάρχοντα δίκτυα κατάτμησης εικόνων έχουν αντιληπτά πεδία σταθερού μεγέθους και η αντιστοίχιση μεταξύ εικόνων και σημασιολογίας διερευνάται μέσα από όλο και βαθύτερες δομές δικτύων, γεγονός το οποίο δεν είναι τόσο θετικό για την αποτελεσματικότητα των πεδίων εκπαίδευσης και την ικανότητα γενίκευσης του δικτύου.<br /> <br /> Το παρόν δημοσίευμα τροποποιεί τη δομή κωδικοποίησης-αποκωδικοποίησης σε δίκτυα κατάτμησης για αντικείμενα πολλαπλών κλιμάκων στις τηλεπισκοπικές εικόνες. Η συνέλιξη στη διαδικασία της μάθησης χαρακτηριστικών και ταξινόμησης αλλάζει. Η παραδοσιακή συνέλιξη πολλαπλών επιπέδων υπέρθεση πυρήνα με σταθερό μέγεθος αλλάζει σε μια μέθοδο που συνδέει μέσω πολλαπλών κλιμάκων το πεδίο αισθητήρων με παράλληλη επεξεργασία. Ταυτόχρονα, αποτελεί μια πολύ αποτελεσματική μέθοδο, καθώς δεν απαιτεί τα δεδομένα εκπαίδευσης και τους υπολογιστικούς πόρους για την βελτίωσή της. Χρησιμοποιείται ένα πυκνό τυχαίο πεδίο υπό όρους ώστε να περιοριστεί το αποτέλεσμα της κατάτμησης.<br /> Κάνοντας τη σχέση μεταξύ των κατηγοριών πιο σαφείς, έχει βελτιωθεί σημαντικά ο χειρισμός ορισμένων ζητημάτων πολεοδομικού σχεδιασμού και χρήσης γης για τις μεταφορές, για τους φυσικός πόρους, τις έξυπνες πόλεις κ.λπ.<br /> <br /> Ως δίκτυο για τη σημασιολογική κατάτμηση Τηλεπισκοπικών εικόνων, συγκρίνεται η ακρίβειά του με τις τρέχουσες άριστες ακρίβειες των δικτύων κατάτμησης στο ανοιχτό σύνολο δεδομένων τηλεπισκόπησης. Η ακρίβεια είναι παρόμοια με αυτή του καλύτερου αποτελέσματος και συγκλίνει γρηγορότερα. Για την ανίχνευση παράνομων κτισμάτων σε ορισμένο τόπο, πρέπει να γίνει ανίχνευση των άκτιστων κτιρίων ή αυτών που είναι χτισμένα σε λάθος περιοχή. Με βάση τον παραπάνω κανόνα, δείχνει υψηλή ακρίβεια ανίχνευσης.<br /> <br /> &lt;h3&gt;3. Περιοχή μελέτης&lt;/h3&gt;<br /> <br /> Η πρώτη σύγκριση απόδοσης προέρχεται από σύνολα δεδομένων αστικών κτιρίων στη Μασαχουσέτη και χρησιμοποιούνται ορισμένες μέθοδοι βελτίωσης δεδομένων. Το σύνολο των δεδομένων είναι περίπου 5000 δείγματα τα οποία (224,224,3) χωρίζονται σε τρία μέρη, αυτά της εκπαίδευσης, της διασταύρωσης και δοκιμής.<br /> <br /> Στην εφαρμογή ανίχνευσης παράνομων κατασκευών, χαρακτηρίστηκαν χειροκίνητα οι υποπεριοχές ως περιοχές εκπαίδευσης. Στη συνέχεια, χρησιμοποιήθηκε αυτό το μοντέλο για την πρόβλεψη ολόκληρης της περιοχής.<br /> <br /> &lt;h3&gt;4. Επισκόπηση&lt;/h3&gt;<br /> <br /> Το συνολικό πλαίσιο του μοντέλου που χρησιμοποιείται φαίνεται στο Σχήμα 1, το οποίο βασίζεται σε ένα δίκτυο σημασιολογικής κατάτμησης από άκρο σε άκρο στη δομή κωδικοποίησης-αποκωδικοποίησης. Η διαδικασία της συνέλιξης του σταδίου εξαγωγής χαρακτηριστικών που χρησιμποποιήθηκε, είναι εμπνευσμένη από τη δομή του DeepLab που χρησιμοποιεί πυρήνες συνέλιξης διαφορετικών μεγεθών ώστε να συνδυάσει τους χάρτες χαρακτηριστικών αντίστοιχα και μετά συνδέει τα αποτελέσματα.<br /> <br /> Αποτελέσματα σε αντίθεση με την κοίλη συνέλιξη σταθερού μεγέθους, το μέγεθος του πυρήνα συνέλιξης κάθε γραμμής είναι διαφορετικό. Το βάθος της κάθε διαδρομής στον χάρτη χαρακτηριστικών είναι διαφορετικό. Μετά από αυτό, το βάρος θα ρυθμιστεί περαιτέρω από το δίκτυο εκπαίδευσης.<br /> <br /> Τα περισσότερα δίκτυα κατάτμησης εικόνων βασίζονται στο CNN δίκτυο. Για καλύτερα αποτελέσματα ταξινόμησης, το CNN «στοιβάζει» περισσότερα και περισσότερα μετατρεπτικά επίπεδα. Ταυτόχρονα, επιφέρει προβλήματα όπως η διασπορά κλίσης και η αργή ταχύτητα. Η δομή διασύνδεσης επιπέδων όπως το ResNet και το DenseNet επιτρέπει στο δίκτυο να αναπτυχθεί βαθύτερα. Ωστόσο, το δίκτυο κατάτμησης της εικόνας όχι μόνο βρίσκει τα σωστά αποτελέσματα ταξινόμησης αλλά χρειάζεται επίσης να αποκαταστήσει τη χωρική σχέση των αποτελεσμάτων της ταξινόμησης. Εξάλλου, η συμμετρική δομή αποκωδικοποίησης κάνει το βάθος του πολλαπλασιασμού του δικτύου, κάτι που αποτελεί μεγάλη πρόκληση για την διάδοση κλίσης και την απαιτούμενη ποσότητα τμημάτων εκπαίδευσης.<br /> <br /> &lt;h3&gt;5. Αποτελέσματα&lt;/h3&gt;<br /> <br /> Αυτά τα δίκτυα σημασιολογικής τμηματοποίησης με καλή απόδοση επιλέγονται ως γραμμές βάσης. Όπως φαίνεται στον Πίνακα 1, αποτελούν σχετικά εξέχοντα δίκτυα, το UresNet το οποίο είναι ένα Unet που χρησιμοποιεί το ResNet ως βασικό δίκτυο και το In-net είναι η μέθοδος που χρησιμοποιείται σε αυτό το άρθρο.<br /> <br /> Οι εικόνες που επιλέχθηκαν για την απεικόνιση είναι αρκετά αντιπροσωπευτικές και μπορεί να έχουν μικρά αντικείμενα, μεγάλα αντικείμενα και περιοχές με ανώμαλες άκρες. Όπως φαίνεται στο Σχ. 3, αν και το βαθύτερο δίκτυο όπως το UresNet μπορεί να εντοπίσει τους στόχους, δεν μπορεί να διαχωρίσει καλά τα όρια. Τα δύο δίκτυα είναι παρόμοια όσον αφορά την ικανότητα αναγνώρισης στόχων. Το αποτέλεσμα της διαδικασίας CRF για την επεξεργασία ορίων είναι πολύ σημαντικά. Οι οδοντωτές άκρες στο τρίτο είναι προφανείς, αλλά αυτό το χαρακτηριστικό εκφράζεται σε άλλα δίκτυα κατάτμησης χωρίς γωνίες.<br /> <br /> Η μέθοδος της παρούσας μελέτης χρησιμοποιήθηκε σε ένα έργο του οποίου ο σκοπός ήταν ο εντοπισμός των παράνομων κτιρίων. Οι στόχοι εντοπισμού ήταν άκτιστα κτίρια και κτίρια που χτίστηκαν σε λάθος μέρος. <br /> <br /> Ο εντοπισμός παράνομων κατασκευών φαίνεται στην εικόνα 4 Αξίζει να σημειωθεί πως η αρχική εικόνα είναι μια εικόνα μεγάλης κλίμακας. Η πρώτη εικόνα είναι δορυφορική εικόνα με ετικέτες σημειωμένες (χειροκίνητα) και δείχνει τις παράνομες περιοχές. Στη δεύτερη εικόνα, υπάρχουν τρία είδη ετικετών:<br /> <br /> * Οι λευκές γραμμές αντιπροσωπεύουν την περιοχή που έχει σημειωθεί σωστά<br /> * Οι κόκκινες γραμμές αντιπροσωπεύουν την περιοχή που σημειώθηκε εσφαλμένα και <br /> * Οι μπλε γραμμές αντιπροσωπεύουν την περιοχή που δεν έχει εντοπιστεί καθόλου.<br /> <br /> Το δίκτυο παρουσίασε αρκετά καλή απόδοση και αποτελεσματικότητα σε αυτή την περίπτωση, ακόμη και αν το δείγμα των sample tests ήταν μεγάλο. <br /> <br /> &lt;h3&gt;6.Επίλογος&lt;/h3&gt;<br /> <br /> Από αυτά τα πειραματικά αποτελέσματα, παρατηρείται ότι στη σημασιολογική κατάτμηση Τηλεπισκοπικών εικόνων, η συνέλιξη πολλαπλών κλιμάκων που σχετίζεται με το πλαίσιο έχει μεγάλη συμβολή στη βελτίωση της ακρίβειας. Αυτό το συμπέρασμα επαληθεύεται επίσης και στις πραγματικές εικόνες τηλεπισκόπησης μεγάλου μήκους οι οποίες περιέχουν πολλαπλούς τύπους εδάφους.<br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]</div>

Tsalmasd