RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Βασίλειος Σπανάκης-Μισιρλής

2021-01-13T17:34:53Z

Vasilis:

* [[Μέθοδοι αξιολόγησης και παρακολούθησης της φωτορύπανσης γύρω από οικολογικά ευαίσθητες περιοχές]]
* [[Ανίχνευση εξωπλανητών με τη μέθοδο της διέλευσης]]
* [[Drones - H τρίτης γενιάς πηγή τηλεπισκόπησης]]
* [[Προσδιορισμός πληθυσμού με τηλεσκόπηση]]
* [[Υπέρυθρη θερμική τηλεπισκόπηση θερμοκρασίας νερού σε περιοχές ποταμών]]
* [[Εφαρμογές τηλεπισκόπησης για καταστροφές από τσουνάμι]]
* [[Εκτίμηση θερμοκρασίας της επιφάνειας του εδάφους με τηλεπισκόπηση]]
* [[NELIOTA: Το σεληνιακό σύστημα παρακολούθησης υψηλού ρυθμού του τηλεσκοπίου Κρυονερίου]]
* [[Παγκόσμιος δείκτης ανίχνευσης σκόνης (GDDI): Mια νέα μεθοδολογία για την ανίχνευση καταιγίδων σκόνης]]
* [[Τηλεπισκόπηση οδικής κυκλοφορίας με εικόνες υψηλής ανάλυσης]]

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

Τηλεπισκόπηση οδικής κυκλοφορίας με εικόνες υψηλής ανάλυσης

2021-01-13T17:33:43Z

Vasilis: Νέα σελίδα με ''''Πρωτότυπος Τίτλος:''' Road-Following and Traffic Analysis using High-Resolution Remote Sensing Imagery '''Συγγραφείς:''' Seyed Mostafa Mousav...'

'''Πρωτότυπος Τίτλος:''' Road-Following and Traffic Analysis using High-Resolution Remote Sensing Imagery

'''Συγγραφείς:''' Seyed Mostafa Mousavi Kahaki, Mahmood Fathy and Mohsen Ganj

'''Πηγή:''' 3rd International Workshop on Intelligent Vehicle Controls & Intelligent Transportation Systems, Workshop IVC & ITS

URL: https://www.researchgate.net/publication/234149224

'''Εισαγωγή:'''

Η αυξημένη κίνηση στους αυτοκινητοδρόμους μπορεί να έχει πολλές και σημαντικές προεκτάσεις σε ζητήματα δημόσιας ασφάλειας οικονομίας και περιβάλλοντος. Ειδικά για τα μεγάλα αστικά κέντρα μπορεί να αποτελεί έναν από τους βασικότερους λόγους για την υπερβολική αύξηση του κόστους μεταφοράς και της χρήσης επιπλέον καυσίμου.
Η παρακολούθηση της κίνησης για έναν αυτοκινητόδρομο στοχεύει στη συλλογή δεδομένων που αντικατοπτρίζουν την κατάσταση της κυκλοφορίας σε μια περιοχή. Με άπλα λόγια η παρακολούθηση ενός δρόμου. μπορεί να δώσει σημαντικά χαρακτηριστικά για, τον αριθμό των οχημάτων που τον χρησιμοποιούν, την ταχύτητα αυτών αλλά και την πυκνότητα που διατηρούν στον αυτοκινητόδρομο. Με αυτό τον τρόπο γίνεται εφικτό το να προσδιοριστεί η ανάγκη δημιουργίας νέων δρόμων και έργων ώστε να διασπαστεί η κίνηση, ή αντίστοιχα να γίνει μετατροπή των ορίων ταχύτητας.
Ο έλεγχος όμως της κυκλοφορίας με συμβατικά μέσα μπορεί να είναι μια δύσκολη και χρονοβόρα διαδικασία ενώ αντίθετα με τη χρήση εφαρμογών τηλεπισκόπησης, μπορεί να εξοικονομηθεί χρόνος και κόστος. Αεροσκάφη και δορυφόροι που είναι εξοπλισμένα με τους κατάλληλους αισθητήρες, επιτρέπουν τη συλλογή δεδομένων σε μεγάλη κλίμακα για διάφορους τρόπους παρακολούθησης της κυκλοφορίας από ψηλά.

'''Μεθοδολογία:'''

Τα δεδομένα που χρησιμοποιούνται για την ανάλυση της οδικής κυκλοφορίας παράγονται σε πρώτο στάδιο, από τους φωτογραφικούς αισθητήρες που βρίσκονται στα εναέρια μέσα, και στους οπτικούς δορυφόρους, απεικονίζοντας την κυκλοφορία στην περιοχή ενδιαφέροντος. Με δορυφορικά συστήματα υψηλής χωρικής ανάλυσης 0,4 - 1,0 μέτρων όπως αυτά του IKONOS, του Quick Bird και του Geoeye-1, τα οχήματα μπορούν να παρατηρηθούν αρκετά καθαρά σε έναν αυτοκινητόδρομο.
Σε αυτό το σημείο είναι σημαντικό να υπογραμμιστεί ότι τα συστήματα καταγραφής δεν στοχεύουν σε κάθε αυτοκίνητο μεμονωμένα, αλλά συνολικά στα αυτοκίνητα που διέρχονται, με αυτόν τον τρόπο μια μέθοδος ανίχνευσης οδικής κυκλοφορίας μπορεί να βασίζεται στην ανίχνευση αλλαγών που συμβαίνουν μεταξύ των απεικονίσεων. Στη συνέχεια οι εικόνες των δορυφόρων αποστέλλονται σε ένα σύστημα επεξεργασίας και ανάλυσης, όπου υπολογίζονται τα χαρακτηριστικά της κυκλοφορίας ώστε να μπορούν αργότερα να χρησιμοποιηθούν.

[[Εικόνα: VSM_Arthro10_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', Το σύστημα παρακολούθησης κυκλοφορίας της Λεωφόρου Azadi στην Τεχεράνη (Ιράν). 3rd International Workshop on Intelligent Vehicle Controls & Intelligent Transportation Systems, Workshop IVC & ITS]]

[[Εικόνα: VSM_Arthro10_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Το διάγραμμα ροής του συστήματος αυτόματης ανάλυσης οδικής κυκλοφορίας. 3rd International Workshop on Intelligent Vehicle Controls & Intelligent Transportation Systems, Workshop IVC & ITS]]

Βασικές δυσκολίες ωστόσο μπορεί να προκύψουν στην επεξεργασία των δεδομένων εξαιτίας ορισμένων παραγόντων όπως ο αριθμός των διαφορετικών αντικειμένων σε μια απεικόνιση, για αυτό το λόγο κρίνεται απαραίτητο να γίνει απομόνωση των οχημάτων και των δρόμων.
Στην περίπτωση των δρόμων, κάτι τέτοιο μπορεί να γίνει με τη βοήθεια των γραμμικών χαρακτηριστικών που επιφέρουν ή ακόμα και μέσω των χρωμάτων τους σε σχέση με την υπόλοιπη εδαφική περιοχή. Οι μετασχηματισμοί Hough και Radon δίνουν τη δυνατότητα μετατροπής τέτοιων δισδιάστατων εικόνων με γραμμές, χρησιμοποιώντας τη γραμμική διάταξη αυτών ώστε να οριστεί ο δρόμος. Αυτοί οι μετασχηματισμοί έχουν οδηγήσει σε πολλές εφαρμογές αυτόματης ανίχνευσης δρόμων κατά την επεξεργασία των δεδομένων. Μετά την απομόνωση του δρόμου σειρά έχει η ανίχνευση και απομόνωση των οχημάτων, η οποία γίνεται βάση του ορθογώνιου σχήματος που φαινομενικά εμφανίζεται να φέρουν από την κατακόρυφη οπτική γωνία στην που βρίσκεται ο δορυφόρος. ΈΈνα σημαντικό χαρακτηριστικό στις εναέριες εικόνες είναι και το χρώμα των αυτοκινήτων που συχνά διαφέρει με τα χρώματα άλλων αντικείμενων στην περιοχή. Αυτό σημαίνει ότι υπάρχει ακόμη ένα σημαντικό στοιχείο που μπορεί να βοηθήσει στην ανίχνευση των οχημάτων, και να συμβάλλει στο μοντέλο της απομόνωσης.

[[Εικόνα: VSM_Arthro10_Eikona3.png‎ |thumb|right|720x460px| '''Σχήμα 3.''', Διαδικασία απομόνωσης δρόμου: a) η εικόνα όπως βγήκε από το δορυφόρο, b) το πρώτο στάδιο της επεξεργασίας, c) η ανίχνευση των γραμμικών στοιχείων, d) το αποτέλεσμα απομόνωσης του δρόμου. 3rd International Workshop on Intelligent Vehicle Controls & Intelligent Transportation Systems, Workshop IVC & ITS]]

[[Εικόνα: VSM_Arthro10_Eikona4.png‎ |thumb|right|720x460px| '''Σχήμα 4.''', Διαδικασία απομόνωσης δρόμου: Αριστερά η εικόνα όπως βγήκε από το δορυφόρο,
Δεξιά, η επεξεργασμένη εικόνα για την ανάδειξη των οχημάτων. 3rd International Workshop on Intelligent Vehicle Controls & Intelligent Transportation Systems, Workshop IVC & ITS]]

[[Εικόνα: VSM_Arthro10_Eikona5.png‎ |thumb|right|720x460px| '''Σχήμα 5.''', Ανίχνευση των οχημάτων στον αυτοκινητόδρομο με τη μέθοδο της απομόνωσης. 3rd International Workshop on Intelligent Vehicle Controls & Intelligent Transportation Systems, Workshop IVC & ITS]]

Φυσικά άλλο ένα πλεονέκτημα της μεθόδου της ανίχνευσης των δρόμων και των οχημάτων ξεχωριστά είναι ότι, θα αφαιρεθούν και τα στοιχεία/αντικείμενα που θα μπορούσαν να δημιουργήσουν προβλήματα στην αυτόματη ανάλυση των δεδομένων, κάνοντας έτσι τα αποτελέσματα ακόμη πιο έγκυρα. H συγκεκριμένη μέθοδος φαίνεται να λειτούργησε με αρκετά μεγάλη ακρίβεια με συνολικό ποσοστό επιτυχίας πάνω από 75%, σχετικά με τον αριθμό αυτοκίνητων που καταγράφηκαν από το αυτόματο σύστημα ανίχνευσης, και αυτών που δεν καταγράφηκαν. Συγκεκριμένα, όπως παρατηρείται και στο Σχήμα 5, 195 οχήματα πέρασαν συνολικά από 6 δρόμους και ανιχνεύθηκαν τα 166 από αυτά.

[[Εικόνα: VSM_Arthro10_Eikona6.png‎ |thumb|right|720x460px| '''Σχήμα 6.''', Πίνακας αναφοράς επιτυχίας της μεθόδου. 3rd International Workshop on Intelligent Vehicle Controls & Intelligent Transportation Systems, Workshop IVC & ITS]]

'''Συμπεράσματα:'''

Οι εφαρμογές τηλεπισκόπησης μπορούν να παρέχουν πολύ σημαντικές πληροφορίες για την οδική κυκλοφορία σε μια σχετικά μεγάλη γεωγραφική έκταση που δεν θα μπορούσε να να παρέχει αντίστοιχα ένα συμβατικό μέσο. Τα πολλά και συνεχή δεδομένα απαιτούν άμεση επεξεργασία προκειμένου να τεθούν σε εφαρμογή τα αποτελέσματα, κάτι που δεν αφήνει άλλη επιλογή πέρα από τη δημιουργία αυτόματων συστημάτων επεξεργασίας. Η μέθοδος της απομόνωσης συγκεκριμένων χαρακτηριστικών σε μια εικόνα, μπορεί να συνεισφέρει σημαντικά στην αυτοματοποίηση και εξαγωγή των δεδομένων για τη μελέτη της οδικής κυκλοφορίας μιας περιοχής, προσφέροντας άμεσα αποτελέσματα στο λιγότερο δυνατό κόστος. Το μικρό ποσοστό σφάλματος που παρατηρήθηκε βάση του σχήματος 5, δεν είναι ιδιαίτερα ανησυχητικό μιας και θα μπορούσε εύκολα να εξαλειφθεί με την περαιτέρω ανάπτυξη του machine learning της μεθόδου.

[[category:Αστικός και περιφερειακός σχεδιασμός]]

Αρχείο:VSM Arthro10 Eikona6.png

2021-01-13T17:30:11Z

Vasilis: VSM_Arthro10_Eikona6

VSM_Arthro10_Eikona6

Αρχείο:VSM Arthro10 Eikona5.png

2021-01-13T17:29:46Z

Vasilis: VSM_Arthro10_Eikona5

VSM_Arthro10_Eikona5

Αρχείο:VSM Arthro10 Eikona4.png

2021-01-13T17:29:26Z

Vasilis: ανέβασμα νέας έκδοσης του "Αρχείο:VSM Arthro10 Eikona4.png": VSM_Arthro10_Eikona4

VSM_Arthro10_Eikona4

Αρχείο:VSM Arthro10 Eikona4.png

2021-01-13T17:27:44Z

Vasilis: VSM_Arthro10_Eikona4

VSM_Arthro10_Eikona4

Αρχείο:VSM Arthro10 Eikona3.png

2021-01-13T17:27:27Z

Vasilis: VSM_Arthro10_Eikona3

VSM_Arthro10_Eikona3

Αρχείο:VSM Arthro10 Eikona2.png

2021-01-13T17:26:57Z

Vasilis: VSM_Arthro10_Eikona2

VSM_Arthro10_Eikona2

Αρχείο:VSM Arthro10 Eikona1.png

2021-01-13T17:26:46Z

Vasilis: VSM_Arthro10_Eikona1

VSM_Arthro10_Eikona1

Βασίλειος Σπανάκης-Μισιρλής

2021-01-13T17:22:37Z

Vasilis:

* [[Μέθοδοι αξιολόγησης και παρακολούθησης της φωτορύπανσης γύρω από οικολογικά ευαίσθητες περιοχές]]
* [[Ανίχνευση εξωπλανητών με τη μέθοδο της διέλευσης]]
* [[Drones - H τρίτης γενιάς πηγή τηλεπισκόπησης]]
* [[Προσδιορισμός πληθυσμού με τηλεσκόπηση]]
* [[Υπέρυθρη θερμική τηλεπισκόπηση θερμοκρασίας νερού σε περιοχές ποταμών]]
* [[Εφαρμογές τηλεπισκόπησης για καταστροφές από τσουνάμι]]
* [[Εκτίμηση θερμοκρασίας της επιφάνειας του εδάφους με τηλεπισκόπηση]]
* [[NELIOTA: Το σεληνιακό σύστημα παρακολούθησης υψηλού ρυθμού του τηλεσκοπίου Κρυονερίου]]
* [[Παγκόσμιος δείκτης ανίχνευσης σκόνης (GDDI): Mια νέα μεθοδολογία για την ανίχνευση καταιγίδων σκόνης]]

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

Παγκόσμιος δείκτης ανίχνευσης σκόνης (GDDI): Mια νέα μεθοδολογία για την ανίχνευση καταιγίδων σκόνης

2021-01-13T17:21:50Z

Vasilis: Νέα σελίδα με ''''Πρωτότυπος Τίτλος:''' Global dust Detection Index (GDDI); A new remotely sensed methodology for dust storms detection '''Συγγραφείς:''' Mehdi...'

'''Πρωτότυπος Τίτλος:''' Global dust Detection Index (GDDI); A new remotely sensed methodology for dust storms detection

'''Συγγραφείς:''' Mehdi Samadi, Ali Darvishi Boloorani, Seyed Kazem Alavipanah, Hossein Mohamadi, Mohamad Saeed Najafi.

'''Πηγή:''' JOURNAL OF ENVIRONMENTAL HEALTH SCIENCE & ENGINEERING

URL: https://www.researchgate.net/publication/259650398_Global_dust_Detection_Index_GDDI_A_new_remotely_sensed_methodology_for_dust_storms_detection

'''Εισαγωγή:'''

Αμμοθύελλα ονομάζεται το φαινόμενο όπου οι ισχυροί άνεμοι που επικρατούν πάνω από ερήμους, άνυδρες και ημι-άνυδρες περιοχές, υψώνουν και μεταφέρουν μεγάλες ποσότητες άμμου ή σκόνης δημιουργώντας ένα νέφος στην ατμόσφαιρα που μπορεί να είναι τόσο πυκνό ώστε να προκαλέσει πολλές δυσμενείς επιπτώσεις στο περιβάλλον και την υγεία. Πιο συγκεκριμένα οι καταιγίδες σκόνης μπορούν να μεταφέρουν μεγάλη ποσότητα σκόνης και με αυτόν τον τρόπο να δημιουργήσουν τεράστιες καταστροφές σε καλλιέργειες, και εγκαταστάσεις εξόρυξης και επικοινωνίας. Μέσω της μείωσης της ορατότητας λόγω του νέφους μπορούν να διαταραχθούν οι καθημερινές δραστηριότητες του ανθρώπου, όπως οι αεροπορικές και χερσαίες μεταφορές, και λόγο της απόκρυψης του ήλιου να υπάρξει και μείωση της θερμοκρασίας. Περιβαλλοντικά μια αμμοθύελλα μπορεί να συμβάλει σε μόλυνση της ατμόσφαιρας και μείωση της ποιότητας του αέρα, ακόμη και σε επιτάχυνση της διαδικασίας της απερήμωσης μιας περιοχής. ΆΆμεσες επιπτώσεις τους στην ανθρώπινη υγεία απεικονίζονται κυρίως σε δυσκολίες στην αναπνοή.

Ο εντοπισμός μιας αμμοθύελλας και η παρακολούθηση των χαρακτηριστικών της είναι πολύ σημαντικές στο σχεδιασμό συστημάτων προειδοποίησης, και στη διαχείριση για μείωση του κινδύνου αυτού του φαινομένου. Σημαντικό ερευνητικό πεδίο αποτελεί τόσο η ανίχνευση αυτού του φαινομένου όσο και διαχωρισμός του από άλλα ατμοσφαιρικά φαινόμενα, ώστε να γίνει καλύτερη αξιολόγηση των χαρακτηριστικών και των επιπτώσεων μιας αμμοθύελλας. Για αυτό το λόγο, από το 1970 έχουν αναπτυχθεί αρκετές εφαρμογές τηλεπισκόπησης για την ανίχνευση καταιγίδων σκόνης, αφού έτσι μπορεί να γίνει η καλύτερη παρακολούθηση της περιφερειακής και παγκόσμιας έκτασης του φαινομένου, γρήγορα εύκολα και οικονομικά.

'''Μεθοδολογία:'''

Η τηλεπισκόπηση μπορεί να δώσει σημαντικά στοιχεία για τις χωρικές και χρονικές μεταβολές μιας αμμοθύελλας, και μιας και η σκόνη μπορεί να ανιχνευθεί σε πολλά διαφορετικά φασματικά κανάλια δίνεται η δυνατότητα απόσπασης της κατά την επεξεργασία των δεδομένων. Συγκεκριμένα το σύστημα MODIS που λειτουργεί μέσω των δορυφόρων Terra και Aqua τους προγράμματος Earth Observing System της NASA, χρησιμοποιεί 36 φασματικές ζώνες με φασματικό εύρος από 0,41 έως 14,4 μm και χωρικές αναλύσεις σε 0,25, 0,5 και 1km.

[[Εικόνα: VSM_Arthro9_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', Απικόνηση μιας περιοχής με το σύστημα MODIS: A) Σε φυσικά χρώματα, Β) Σε χωρισμό 3 κατηγοριών: Με πράσινο χρώμα οι σκοτεινές επιφάνειες, με κίτρινο χρώμα οι φωτεινές επιφάνειες και με μπλε χρώμα τα υδάτινα σώματα. JOURNAL OF ENVIRONMENTAL HEALTH SCIENCE & ENGINEERING]]

Τα χαρακτηριστικά μιας αμμοθύελλας ενδέχεται να προσδιοριστούν διαφορετικά και αυτό οφείλεται στις διαφορετικές επιφάνειες που υπάρχουν στη Γη. Οι φωτεινές επιφάνειες όπως οι έρημοι και οι πεδιάδες έχουν πολύ πιο υψηλά επίπεδα ακτινοβολίας σε σχέση με τις σκοτεινότερες επιφάνειες όπως τα βουνά. Αυτό σημαίνει ότι για κάθε περιοχή ενδιαφέροντος πρέπει αν δημιουργηθεί και ένας συγκεκριμένος χάρτης κάλυψης Γης.

[[Εικόνα: VSM_Arthro9_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Επίπεδα ανάκλασης: Με μπλε χρώμα τα επίπεδα ανάκλασης φωτεινής επιφάνειας με αμμοθύελλα. Με κόκκινο χρώμα τα επίπεδα ανάκλασης σκοτεινής επιφάνειας με αμμοθύελλα. Με μαύρο χρώμα το επίπεδο ανάκλασης της συννεφιάς. JOURNAL OF ENVIRONMENTAL HEALTH SCIENCE & ENGINEERING]]

Όπως παρουσιάζεται στο Σχήμα 2, η ανάλυση των φασματικών καμπύλων δείχνει ότι τα σύννεφα έχουν υψηλή ανακλαστικότητα στη ζώνη 3 του MODIS και χαμηλή ανάκλαση στη ζώνη 7, ενώ η σκόνη έχει υψηλή ανακλαστικότητα στη ζώνη 7 και χαμηλή στη ζώνη 3. Επίσης παρατηρείτε ότι στο θερμικό φάσμα (25), τα σύννεφα έχουν πολύ χαμηλότερη θερμοκρασία φωτεινότητας από τη σκόνη.
Μέσο των παρατηρήσεων που παράγει το MODIS για μια περιοχή, μπορεί να δημιουργηθεί μια βάση δεδομένων, η οποία να συμβάλει στη δημιουργία ενός αλγορίθμου στον οποίο, να μπορούν να εξεταστούν τα επίπεδα ανάκλασης της σκόνης πάνω από μια περιοχή συγκριτικά με τα κανονικά επίπεδα ανάκλασης της ίδιας περιοχής, μέσω της κατηγοριοποίησης της επιφάνειας ανάκλασης. Συγκεκριμένα για την περίπτωση ανάλυσης του φαινομένου πάνω από το δυτικό τμήμα του Ιράν, προκειμένου να αποφασιστούν με ακρίβεια οι ζώνες και τα επίπεδα ανάκλασης στον αλγόριθμο ανίχνευσης σκόνης, χρησιμοποιήθηκαν ως δεδομένα εκπαίδευσης για φασματική ανάλυση περισσότερα από 20 περιστατικά αμμοθύελλας που εμφανίστηκαν στην περιοχή κατά την περίοδο 2000-2011.
Λαμβάνοντας υπόψιν τα επίπεδα ανάκλασης της αμμοθύελλας, της συννεφιάς, και των επιφανειών της περιοχής ενδιαφέροντος, μπορούν να τεθούν τιμές ώστε ανάλογα με το βαθμό ανάκλασης των παραπάνω, να προσδιορίζεται με μεγάλη ακρίβεια από το σύστημα αυτόματης ανίχνευσης ο βαθμός αμμοθύελλας που επικρατεί.

[[Εικόνα: VSM_Arthro9_Eikona3.png‎ |thumb|right|720x460px| '''Σχήμα 3.''', Αξιολόγηση του συστήματος αυτόματης ανίχνευσης σκόνης: A) Απεικόνιση της περιοχής σε φυσικά χρώματα από το MODIS, B) Ανίχνευση της σκόνης (κόκκινο χρώμα) με τη μέθοδο της κατηγοριοποίησης. JOURNAL OF ENVIRONMENTAL HEALTH SCIENCE & ENGINEERING]]

Η διαδικασία χωρίζεται σε δύο μέρη: α) στη σκόνη πάνω από τη στεριά και, β) στη σκόνη πάνω από νερό. Στην ανίχνευση σκόνης πάνω από τη στεριά, αφού αφαιρεθούν το νερό και τα σύννεφα, η στεριά χωρίζεται σε σκοτεινές και φωτεινές επιφάνειες.
Χρησιμοποιώντας τους καθορισμένους δείκτες, αυτό που απομένει στην εικόνα είναι η σκόνη και ο θόρυβος. Στην ίδια διαδικασία διακρίνονται επίσης και οι σκόνες πάνω από νερό. Με αυτόν τον τρόπο, όλα τα χαρακτηριστικά χωρίζονται από την εικόνα με μια συγκεκριμένη σειρά και στο τέλος, τα αποτελέσματα και των δύο θα συνδυαστούν για τη χαρτογράφηση της αμμοθύελλας.

[[Εικόνα: VSM_Arthro9_Eikona4.png‎ |thumb|right|720x460px| '''Σχήμα 4.''', Το διάγραμμα ροής, των διαδικασιών του συτήματος αυτόματης ανίχνευσης σκόνης. JOURNAL OF ENVIRONMENTAL HEALTH SCIENCE & ENGINEERING]]

'''Συμπεράσματα:'''

Οι εφαρμογές τηλεπισκόπησης της αμμοθύελλας μπορούσαν να γίνουν με διάφορες τεχνικές, τα προβλήματα όμως που προέκυπταν όπως για παράδειγμα οι αλλαγές των εποχών και των συνεχών μετατροπών των ορίων που χρειαζόντουσαν, δημιούργησαν την ανάγκη για τη δημιουργία ενός συστήματος που θα έλυνε όλα αυτά τα προβλήματα.
Η αποτελεσματικότητα αυτής της μεθόδου έχει ελεγχθεί εξετάζοντας αρκετά περιστατικά αμμοθύελλας και τα αποτελέσματα δείχνουν ότι το μοντέλο έχει καλή απόδοση σε όλες τις περιπτώσεις ενώ έχει και την ικανότητα να χρησιμοποιείται σε οποιοδήποτε σύστημα πρόβλεψης.

[[category:Ατμοσφαιρική Ρύπανση]]

Αρχείο:VSM Arthro9 Eikona4.png

2021-01-13T17:21:07Z

Vasilis: VSM_Arthro9_Eikona4

VSM_Arthro9_Eikona4

Αρχείο:VSM Arthro9 Eikona3.png

2021-01-13T17:20:23Z

Vasilis: VSM_Arthro9_Eikona

VSM_Arthro9_Eikona

Αρχείο:VSM Arthro9 Eikona2.png

2021-01-13T17:19:28Z

Vasilis: VSM_Arthro9_Eikona2

VSM_Arthro9_Eikona2

Αρχείο:VSM Arthro9 Eikona1.png

2021-01-13T17:18:04Z

Vasilis: VSM_Arthro9_Eikona1

VSM_Arthro9_Eikona1

Βασίλειος Σπανάκης-Μισιρλής

2021-01-13T16:59:27Z

Vasilis:

* [[Μέθοδοι αξιολόγησης και παρακολούθησης της φωτορύπανσης γύρω από οικολογικά ευαίσθητες περιοχές]]
* [[Ανίχνευση εξωπλανητών με τη μέθοδο της διέλευσης]]
* [[Drones - H τρίτης γενιάς πηγή τηλεπισκόπησης]]
* [[Προσδιορισμός πληθυσμού με τηλεσκόπηση]]
* [[Υπέρυθρη θερμική τηλεπισκόπηση θερμοκρασίας νερού σε περιοχές ποταμών]]
* [[Εφαρμογές τηλεπισκόπησης για καταστροφές από τσουνάμι]]
* [[Εκτίμηση θερμοκρασίας της επιφάνειας του εδάφους με τηλεπισκόπηση]]
* [[NELIOTA: Το σεληνιακό σύστημα παρακολούθησης υψηλού ρυθμού του τηλεσκοπίου Κρυονερίου]]

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

NELIOTA: Το σεληνιακό σύστημα παρακολούθησης υψηλού ρυθμού του τηλεσκοπίου Κρυονερίου

2021-01-13T16:58:33Z

Vasilis:

'''Πρωτότυπος Τίτλος:''' NELIOTA: The wide-field, high-cadence lunar monitoring system at the prime focus of the Kryoneri telescope

'''Συγγραφείς:''' E.M. Xilouris, A.Z. Bonanos, I. Bellas-Velidis, P. Boumis, A. Dapergolas, A. Maroussis, A. Liakos, I. Alikakos, V. Charmandaris, G. Dimou, A. Fytsilis, M. Kelley, D. Koschny, V. Navarro, K. Tsiganis, and K. Tsinganos

'''Πηγή:''' Astronomy & Astrophysics manuscript no. paperv10

URL: https://www.researchgate.net/publication/328147541_NELIOTA_The_wide-field_high- cadence_lunar_monitoring_system_at_the_prime_focus_of_the_Kryoneri_telescope

'''Εισαγωγή:'''

Η τροχιακή κίνηση της σελήνης ως φυσικός δορυφόρος της Γης μπορεί να παρατηρηθεί μέσω των σεληνιακών φάσεων που δημιουργούνται λόγο της κίνησης αυτής σε συνάρτηση με το φωτισμό του Ιλίου. Αυτό σημαίνει ότι η Σελήνη μπορεί να εξεταστεί υπό διαφορετικούς φωτισμούς και σκιές διαγράφοντας συγκεκριμένα γεωγραφικά χαρακτηριστικά της ανά φάση. Η παρακολούθηση της Σελήνης μπορεί βοηθήσει τους επιστήμονες στην ανάλυση διαφόρων φαινομένων που ορισμένα από αυτά ενδέχεται να επηρεάζουν και τη Γη. ΈΈνα από αυτά τα φαινόμενα αυτά είναι οι παραγήινοι αστεροειδείς.
Οι παραγήινοι αστεροειδείς είναι με απλά λόγια μετεωρίτες κομήτες ή αστεροειδείς που περνούν κοντά από τη Γη. Η ατμόσφαιρα της Γης μπορεί να την προστατέψει από μια πιθανή σύγκρουση με ένα τέτοιο αντικείμενο λόγο της ανάφλεξης που θα προκαλέσει σε αυτά καθώς εισέρχονται με μεγάλες ταχύτητες. Στην περίπτωση της σελήνης όμως όπου δεν υπάρχει ατμόσφαιρα οι παραγήινοι αστεροειδείς που κατευθύνονται προς αυτήν μπορούν να φτάσουν στην επιφάνεια της.
Η μελέτη των προσκρούσεων αυτών των αντικειμένων στη Σελήνη, μπορεί να είναι χρήσιμη τόσο για τη γεωγραφική εξέταση της σελήνης λόγος της πιθανής δημιουργίας κρατήρων στην επιφάνεια της μετά από κάποια πρόσκρουση, όσο και για μελέτες προστασίας των τεχνιτών δορυφόρων στο διάστημα από παραγήινους αστεροειδείς. ΈΈνα ερευνητικό πρόγραμμα που αφοσιώνεται στη μελέτη αυτού του φαινομένου είναι το NELIOTA το οποίο χρηματοδοτήθηκε από την Ευρωπαϊκή Διαστημική Υπηρεσία
και υπάγεται στο Εθνικό Αστεροσκοπείο Αθηνών.

'''Μεθοδολογία:'''

Το όργανο το οποίο χρησιμοποιείτε στο πρόγραμμα NELIOTA είναι το κατοπτρικό τηλεσκόπιο Κρυονερίου διαμέτρου 1,2 μέτρων σε διάταξη κύριας εστίας (prime focus). Το πολύ ιδιαίτερο χαρακτηριστικό του συγκεκριμένου οργάνου είναι η χρήση 2 φωτογραφικών αισθητήρων, ώστε να μπορούν να γίνονται ταυτόχρονες παρατήρησης της Σελήνης στις μπάντες RED και INFRARED για τη δυνατότητα προσδιορισμού της θερμοκρασίας των εκλάμψεων που δημιουργούνται στη Σελήνη την ώρα μιας πρόσκρουσης. Προκειμένου να μπορούν να δουλέψουν ταυτόχρονα και οι 2 φωτογραφικοί αισθητήρες, το φως αφού ανακλάται από τα κάτοπτρα του τηλεσκοπίου, περνάει από
φακούς διορθώσεις σφαιρικής εκτροπής που δημιουργείται από τα κάτοπτρα, και μειωτές εστιακού λόγου (focal reducer), στη συνέχεια περνάει από το διαχωριστή δέσμης (beam splitter) ο οποίος στέλνει το φως προς 2 κατευθύνσεις, ώστε να μπορεί να συλλέξει φως και ο αισθητήριας με το φίλτρο RED (κόκκινο) και ο αισθητήριας με το φίλτρο υπερύθρου. Ο λόγος που χρησιμοποιούνται φίλτρα είναι για να αποκόβεται το υπόλοιπο μέρος του φάσματος ώστε να μπορεί να γίνετε καλύτερη ανάλυση των δεδομένων.

[[Εικόνα: VSM_Arthro8_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', Το διάγραμμα οπτικής διάταξης του τηλεσκοπίου Κρυονερίου. Astronomy & Astrophysics manuscript no. paperv10]]

Η συγκεκριμένη διάταξη μπορεί να δώσει ένα pixel size 0.8 arcsec, σε συνολικό πεδίο (Field of View) 17.0ʹ′×14.4ʹ′, και να αποτυπώνει περιοχές στη σελήνη ανα 30 καρέ το δευτερόλεπτο σε ένα binning 2×2. Με τη χρήση του binning εκτός του ότι αλλάζει η ανάλυση λόγο του ορισμού τεσσάρων pixel ως ένα, βοηθάει σημαντικά και στη διαχείριση των δεδομένων.
Το σύστημα αποθήκευσης των δεδομένων λειτουργεί σε ταχύτητες 5 Gbps ανά κάμερα σε 3 κατευθύνσεις αποθήκευσης. Αρχικά στην πρώτη κατεύθυνση A κατευθύνονται τα δεδομένα από τον αισθητήρα RED και στην κατεύθυνση B κατευθύνονται τα δεδομένα από τον αισθητήρα INFRARED. Στο τέλος κάθε κατεύθυνσης βρίσκετε ένα σύνολο σκληρών δίσκων όπου αποθηκεύονται τα δεδομένα. Σε αυτό το σημείο αξίζει να σημειωθεί ότι τα δεδομένα κατευθύνονται και στις δυο κατευθύνσεις ώστε η μια κατεύθυνση να λειτουργεί ως αντίγραφο ασφαλείας της άλλης. Στην κατεύθυνση C λειτουργεί μια τρίτη μονάδα αποθήκευσης όπου καταλήγουν τα δεδομένα με υποψήφιες σημαντικές παρατηρήσεις, όπως αξιολογούνται από τα συστήματα ανίχνευσης.
Όταν το σύστημα ανίχνευσης αξιολογήσει μια παρατήρηση ως υποψήφιο συμβάν, τα στοιχεία εξάγονται έτσι ώστε να μπορεί να προσδιοριστεί η έκτασή του συμβάντος. Με αυτό το κριτήριο, αντικείμενα που είναι μικρότερα από ένα ελάχιστο μέγεθος (10 pixel) θεωρούνται ως θόρυβος και απορρίπτονται. Στη συνέχεια, τα αντικείμενα που είναι αρκετά μεγάλα θεωρούνται υποψήφια συμβάντα και καταγράφονται. Για κάθε υποψήφιο συμβάν που εντοπίζεται από το σύστημα, πραγματοποιείται οπτική επιθεώρηση προκειμένου να επικυρωθεί και στη συνέχεια, πραγματοποιείται φωτομετρική βαθμονόμηση. Με το σύστημα διπλής κάμερας δίνεται και η δυνατότητα απόκλισης ορισμένων σφαλμάτων όπως την είσοδο κοσμικών ακτίνων η οποία θα εμφανιστεί μονο σε μια από τις 2 κάμερες. Επίσης αντικείμενα, όπως δορυφόροι ή αεροπλάνα που διασχίζουν το οπτικό πεδίο μπορούν επίσης να αποκλειστούν λόγω της επιμήκους πορείας τους.

[[Εικόνα: VSM_Arthro8_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Η έκλαμψη της πρόσκρουσης αντικειμένου στη Σελήνη που συνέβη στις14 Δεκεμβρίου 2017 σε ένα χρονοδιάγραμμα 165ms,
Από αριστερά προς τα δεξιά, στην πρώτη εικόνα, η περιοχή πριν την πρόσκρουση, στη δεύτερη, η ώρα της πρόσκρουση και έκλαμψη της, και στη συνέχεια η πορεία μείωσης της φωτεινότητας της έκλαμψης. Το μώβ περίγραμμα δείχνει το επίπεδο των 500 ADUs (Analog το Digital Units), που αντιστοιχεί στο όριο ανίχνευσης σήματος προς θόρυβο ∼2. Astronomy & Astrophysics manuscript no. paperv10]]

[[Εικόνα: VSM_Arthro8_Eikona3.png‎ |thumb|right|720x460px| '''Σχήμα 3.''', Τα επικυρωμένα συμβάντα που παρατηρήθηκαν από το πρόγραμμα NELIOTA στη Σελήνη μέσω εκλάμψεων. Τα πράσινα σημεία πιθανώς να προέρχονται από τη ροή μετεωριτών «Geminid» που παρατηρήθηκε κατά την περίοδο 12-14 Δεκεμβρίου του 2017. Astronomy & Astrophysics manuscript no. paperv10]]

Είναι πολύ σημαντικό να μπορούν να προσδιοριστούν τα οπτικά σφάλματα που μπορεί δημιουργούνται εξαιτίας των πολλών φακών που υπάρχουν στο οπτικό μονοπάτι για την καλύτερη αξιολόγηση ενός τέτοιου συστήματος. Για αυτό το λόγο το πρόγραμμα
NELIOTA πραγματοποίησε κάποιες παρατηρήσεις και με τους δυο αισθητήρες καταγραφής (RED και INFRARED) για να προσδιοριστεί η παραμόρφωση πεδίου. Για μια τέτοια παρατήρηση μπορούν να χρησιμοποιηθούν αστρικά σμήνη όπως το ανοικτό αστρικό σμήνος NGC 6811 (RA2000: 19h37m17s, DEC2000: + 46◦23ʹ′18 ʹ′ ʹ′), προκειμένου να παρατηρηθούν αρκετά αστέρια σε όλο το πεδίο (FOV) και με τη βοήθεια βάσεων δεδομένων και καταλόγων να μπορεί να προσδιοριστεί μέσω αστρομετρικών διαφορών η

πραγματική θέση των αστεριών στο πεδίο (FOV). Η τεχνική με την οποία αναγνωρίζεται μια περιοχή στον ουρανό ονομάζεται Plate Solve και χρησιμοποιεί τα αστέρια που απεικονίζονται σε μια παρατήρηση ώστε να βρει σε πιο σημείο του ουρανού βρίσκονται, με τη βοήθεια των βάσεων δεδομένων. Για την περίπτωση του NELIOTA χρησιμοποιήθηκαν συνολικά 30 αστέρια και για τους δυο φωτογραφικούς αισθητήρες ώστε να προσδιοριστεί η παραμόρφωση πεδίου όπως φαίνεται και στο Σχήμα 4. Παρατηρώντας τους χάρτες παραμορφώσεις φαίνεται ότι στο κέντρο του πεδίου η παραμόρφωση του πεδίου δεν είναι σημαντική, ενώ πλησιάζοντας στις άκρες η παραμόρφωση γίνεται όλο και πιο έντονη.

[[Εικόνα: VSM_Arthro8_Eikona4.png‎ |thumb|right|720x460px| '''Σχήμα 4.''', Χάρτης παραμόρφωσης πεδίου (FOV). Στο αριστερό πλαίσιο ο αισθητήριας INFRARED και στο δεξί πλαίσιο ο αισθητήριας RED. Κάθε αρχή του βέλους δείχνει την αναμενόμενη/ σωστή θέση του πεδίου στον ουρανό. Κάθε τέλος του βέλους δείχνει τη θέση την οποία παρουσίασαν οι παρατηρήσεις. Astronomy & Astrophysics manuscript no. paperv10]]

'''Συμπεράσματα:'''

Η τηλεπισκόπηση στη σελήνη μπορεί να δώσει πολλά σημαντικά δεδομένα για φαινόμενα όπως αυτό που παρουσιάστηκε και να αξιολογήσει σημαντικές μεταβολές στην επιφάνεια της. Η χρήση ενός μεγάλου (σε διάμετρο) τηλεσκοπίου σε συνδυασμό με τον υψηλό ρυθμό ανίχνευσης των 30 καρέ ανά δευτερόλεπτο σε δύο οπτικές ζώνες (RED και INFRARED), είναι τα στοιχεία που κάνουν το NELIOTA μοναδικό στην παρατήρηση φαινομένων στη Σελήνη. Προγράμματα σαν το NELIOTA μπορούν να συνεισφέρουν σημαντικά μέσω της αποτύπωσης των προσκρούσεων αντικειμένων στη σελήνη, στην προστασία διάστημοσυσκευών από πιθανές συγκρούσεις με τέτοια αντικείμενα. Επίσης με τις συγκεκριμένες παρατηρήσεις μπορούμε να εξετάσουμε την τεράστια προστασία που παρέχει στη Γη η ατμόσφαιρα της σε αντίθεση με την απουσία αυτής στη Σελήνη. Η ανάγκη για διορθώσεις του πεδίου είναι και σε αυτή τη μορφή τηλεπισκόπησης πολύ σημαντική, στη συγκεκριμένη περίπτωση όχι τόσο λόγο της διαταραχής της ατμόσφαιρας όσο λόγο των οπτικών συστημάτων που χρησιμοποιούνται.

[[category:Διαστημική Τηλεπισκόπηση]]

NELIOTA: Το σεληνιακό σύστημα παρακολούθησης υψηλού ρυθμού του τηλεσκοπίου Κρυονερίου

2021-01-13T16:58:05Z

Vasilis: Νέα σελίδα με ''''Πρωτότυπος Τίτλος:''' NELIOTA: The wide-field, high-cadence lunar monitoring system at the prime focus of the Kryoneri telescope '''Συγγραφεί...'

'''Πρωτότυπος Τίτλος:''' NELIOTA: The wide-field, high-cadence lunar monitoring system at the prime focus of the Kryoneri telescope

'''Συγγραφείς:''' E.M. Xilouris, A.Z. Bonanos, I. Bellas-Velidis, P. Boumis, A. Dapergolas, A. Maroussis, A. Liakos, I. Alikakos, V. Charmandaris, G. Dimou, A. Fytsilis, M. Kelley, D. Koschny, V. Navarro, K. Tsiganis, and K. Tsinganos

'''Πηγή:''' Astronomy & Astrophysics manuscript no. paperv10

URL: https://www.researchgate.net/publication/328147541_NELIOTA_The_wide-field_high- cadence_lunar_monitoring_system_at_the_prime_focus_of_the_Kryoneri_telescope

'''Εισαγωγή:'''

Η τροχιακή κίνηση της σελήνης ως φυσικός δορυφόρος της Γης μπορεί να παρατηρηθεί μέσω των σεληνιακών φάσεων που δημιουργούνται λόγο της κίνησης αυτής σε συνάρτηση με το φωτισμό του Ιλίου. Αυτό σημαίνει ότι η Σελήνη μπορεί να εξεταστεί υπό διαφορετικούς φωτισμούς και σκιές διαγράφοντας συγκεκριμένα γεωγραφικά χαρακτηριστικά της ανά φάση. Η παρακολούθηση της Σελήνης μπορεί βοηθήσει τους επιστήμονες στην ανάλυση διαφόρων φαινομένων που ορισμένα από αυτά ενδέχεται να επηρεάζουν και τη Γη. ΈΈνα από αυτά τα φαινόμενα αυτά είναι οι παραγήινοι αστεροειδείς.
Οι παραγήινοι αστεροειδείς είναι με απλά λόγια μετεωρίτες κομήτες ή αστεροειδείς που περνούν κοντά από τη Γη. Η ατμόσφαιρα της Γης μπορεί να την προστατέψει από μια πιθανή σύγκρουση με ένα τέτοιο αντικείμενο λόγο της ανάφλεξης που θα προκαλέσει σε αυτά καθώς εισέρχονται με μεγάλες ταχύτητες. Στην περίπτωση της σελήνης όμως όπου δεν υπάρχει ατμόσφαιρα οι παραγήινοι αστεροειδείς που κατευθύνονται προς αυτήν μπορούν να φτάσουν στην επιφάνεια της.
Η μελέτη των προσκρούσεων αυτών των αντικειμένων στη Σελήνη, μπορεί να είναι χρήσιμη τόσο για τη γεωγραφική εξέταση της σελήνης λόγος της πιθανής δημιουργίας κρατήρων στην επιφάνεια της μετά από κάποια πρόσκρουση, όσο και για μελέτες προστασίας των τεχνιτών δορυφόρων στο διάστημα από παραγήινους αστεροειδείς. ΈΈνα ερευνητικό πρόγραμμα που αφοσιώνεται στη μελέτη αυτού του φαινομένου είναι το NELIOTA το οποίο χρηματοδοτήθηκε από την Ευρωπαϊκή Διαστημική Υπηρεσία
και υπάγεται στο Εθνικό Αστεροσκοπείο Αθηνών.

'''Μεθοδολογία:''

'Το όργανο το οποίο χρησιμοποιείτε στο πρόγραμμα NELIOTA είναι το κατοπτρικό τηλεσκόπιο Κρυονερίου διαμέτρου 1,2 μέτρων σε διάταξη κύριας εστίας (prime focus). Το πολύ ιδιαίτερο χαρακτηριστικό του συγκεκριμένου οργάνου είναι η χρήση 2 φωτογραφικών αισθητήρων, ώστε να μπορούν να γίνονται ταυτόχρονες παρατήρησης της Σελήνης στις μπάντες RED και INFRARED για τη δυνατότητα προσδιορισμού της θερμοκρασίας των εκλάμψεων που δημιουργούνται στη Σελήνη την ώρα μιας πρόσκρουσης. Προκειμένου να μπορούν να δουλέψουν ταυτόχρονα και οι 2 φωτογραφικοί αισθητήρες, το φως αφού ανακλάται από τα κάτοπτρα του τηλεσκοπίου, περνάει από
φακούς διορθώσεις σφαιρικής εκτροπής που δημιουργείται από τα κάτοπτρα, και μειωτές εστιακού λόγου (focal reducer), στη συνέχεια περνάει από το διαχωριστή δέσμης (beam splitter) ο οποίος στέλνει το φως προς 2 κατευθύνσεις, ώστε να μπορεί να συλλέξει φως και ο αισθητήριας με το φίλτρο RED (κόκκινο) και ο αισθητήριας με το φίλτρο υπερύθρου. Ο λόγος που χρησιμοποιούνται φίλτρα είναι για να αποκόβεται το υπόλοιπο μέρος του φάσματος ώστε να μπορεί να γίνετε καλύτερη ανάλυση των δεδομένων.

[[Εικόνα: VSM_Arthro8_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', Το διάγραμμα οπτικής διάταξης του τηλεσκοπίου Κρυονερίου. Astronomy & Astrophysics manuscript no. paperv10]]

Η συγκεκριμένη διάταξη μπορεί να δώσει ένα pixel size 0.8 arcsec, σε συνολικό πεδίο (Field of View) 17.0ʹ′×14.4ʹ′, και να αποτυπώνει περιοχές στη σελήνη ανα 30 καρέ το δευτερόλεπτο σε ένα binning 2×2. Με τη χρήση του binning εκτός του ότι αλλάζει η ανάλυση λόγο του ορισμού τεσσάρων pixel ως ένα, βοηθάει σημαντικά και στη διαχείριση των δεδομένων.
Το σύστημα αποθήκευσης των δεδομένων λειτουργεί σε ταχύτητες 5 Gbps ανά κάμερα σε 3 κατευθύνσεις αποθήκευσης. Αρχικά στην πρώτη κατεύθυνση A κατευθύνονται τα δεδομένα από τον αισθητήρα RED και στην κατεύθυνση B κατευθύνονται τα δεδομένα από τον αισθητήρα INFRARED. Στο τέλος κάθε κατεύθυνσης βρίσκετε ένα σύνολο σκληρών δίσκων όπου αποθηκεύονται τα δεδομένα. Σε αυτό το σημείο αξίζει να σημειωθεί ότι τα δεδομένα κατευθύνονται και στις δυο κατευθύνσεις ώστε η μια κατεύθυνση να λειτουργεί ως αντίγραφο ασφαλείας της άλλης. Στην κατεύθυνση C λειτουργεί μια τρίτη μονάδα αποθήκευσης όπου καταλήγουν τα δεδομένα με υποψήφιες σημαντικές παρατηρήσεις, όπως αξιολογούνται από τα συστήματα ανίχνευσης.
Όταν το σύστημα ανίχνευσης αξιολογήσει μια παρατήρηση ως υποψήφιο συμβάν, τα στοιχεία εξάγονται έτσι ώστε να μπορεί να προσδιοριστεί η έκτασή του συμβάντος. Με αυτό το κριτήριο, αντικείμενα που είναι μικρότερα από ένα ελάχιστο μέγεθος (10 pixel) θεωρούνται ως θόρυβος και απορρίπτονται. Στη συνέχεια, τα αντικείμενα που είναι αρκετά μεγάλα θεωρούνται υποψήφια συμβάντα και καταγράφονται. Για κάθε υποψήφιο συμβάν που εντοπίζεται από το σύστημα, πραγματοποιείται οπτική επιθεώρηση προκειμένου να επικυρωθεί και στη συνέχεια, πραγματοποιείται φωτομετρική βαθμονόμηση. Με το σύστημα διπλής κάμερας δίνεται και η δυνατότητα απόκλισης ορισμένων σφαλμάτων όπως την είσοδο κοσμικών ακτίνων η οποία θα εμφανιστεί μονο σε μια από τις 2 κάμερες. Επίσης αντικείμενα, όπως δορυφόροι ή αεροπλάνα που διασχίζουν το οπτικό πεδίο μπορούν επίσης να αποκλειστούν λόγω της επιμήκους πορείας τους.

[[Εικόνα: VSM_Arthro8_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Η έκλαμψη της πρόσκρουσης αντικειμένου στη Σελήνη που συνέβη στις14 Δεκεμβρίου 2017 σε ένα χρονοδιάγραμμα 165ms,
Από αριστερά προς τα δεξιά, στην πρώτη εικόνα, η περιοχή πριν την πρόσκρουση, στη δεύτερη, η ώρα της πρόσκρουση και έκλαμψη της, και στη συνέχεια η πορεία μείωσης της φωτεινότητας της έκλαμψης. Το μώβ περίγραμμα δείχνει το επίπεδο των 500 ADUs (Analog το Digital Units), που αντιστοιχεί στο όριο ανίχνευσης σήματος προς θόρυβο ∼2. Astronomy & Astrophysics manuscript no. paperv10]]

[[Εικόνα: VSM_Arthro8_Eikona3.png‎ |thumb|right|720x460px| '''Σχήμα 3.''', Τα επικυρωμένα συμβάντα που παρατηρήθηκαν από το πρόγραμμα NELIOTA στη Σελήνη μέσω εκλάμψεων. Τα πράσινα σημεία πιθανώς να προέρχονται από τη ροή μετεωριτών «Geminid» που παρατηρήθηκε κατά την περίοδο 12-14 Δεκεμβρίου του 2017. Astronomy & Astrophysics manuscript no. paperv10]]

Είναι πολύ σημαντικό να μπορούν να προσδιοριστούν τα οπτικά σφάλματα που μπορεί δημιουργούνται εξαιτίας των πολλών φακών που υπάρχουν στο οπτικό μονοπάτι για την καλύτερη αξιολόγηση ενός τέτοιου συστήματος. Για αυτό το λόγο το πρόγραμμα
NELIOTA πραγματοποίησε κάποιες παρατηρήσεις και με τους δυο αισθητήρες καταγραφής (RED και INFRARED) για να προσδιοριστεί η παραμόρφωση πεδίου. Για μια τέτοια παρατήρηση μπορούν να χρησιμοποιηθούν αστρικά σμήνη όπως το ανοικτό αστρικό σμήνος NGC 6811 (RA2000: 19h37m17s, DEC2000: + 46◦23ʹ′18 ʹ′ ʹ′), προκειμένου να παρατηρηθούν αρκετά αστέρια σε όλο το πεδίο (FOV) και με τη βοήθεια βάσεων δεδομένων και καταλόγων να μπορεί να προσδιοριστεί μέσω αστρομετρικών διαφορών η

πραγματική θέση των αστεριών στο πεδίο (FOV). Η τεχνική με την οποία αναγνωρίζεται μια περιοχή στον ουρανό ονομάζεται Plate Solve και χρησιμοποιεί τα αστέρια που απεικονίζονται σε μια παρατήρηση ώστε να βρει σε πιο σημείο του ουρανού βρίσκονται, με τη βοήθεια των βάσεων δεδομένων. Για την περίπτωση του NELIOTA χρησιμοποιήθηκαν συνολικά 30 αστέρια και για τους δυο φωτογραφικούς αισθητήρες ώστε να προσδιοριστεί η παραμόρφωση πεδίου όπως φαίνεται και στο Σχήμα 4. Παρατηρώντας τους χάρτες παραμορφώσεις φαίνεται ότι στο κέντρο του πεδίου η παραμόρφωση του πεδίου δεν είναι σημαντική, ενώ πλησιάζοντας στις άκρες η παραμόρφωση γίνεται όλο και πιο έντονη.

[[Εικόνα: VSM_Arthro8_Eikona4.png‎ |thumb|right|720x460px| '''Σχήμα 4.''', Χάρτης παραμόρφωσης πεδίου (FOV). Στο αριστερό πλαίσιο ο αισθητήριας INFRARED και στο δεξί πλαίσιο ο αισθητήριας RED. Κάθε αρχή του βέλους δείχνει την αναμενόμενη/ σωστή θέση του πεδίου στον ουρανό. Κάθε τέλος του βέλους δείχνει τη θέση την οποία παρουσίασαν οι παρατηρήσεις. Astronomy & Astrophysics manuscript no. paperv10]]

'''Συμπεράσματα:'''

Η τηλεπισκόπηση στη σελήνη μπορεί να δώσει πολλά σημαντικά δεδομένα για φαινόμενα όπως αυτό που παρουσιάστηκε και να αξιολογήσει σημαντικές μεταβολές στην επιφάνεια της. Η χρήση ενός μεγάλου (σε διάμετρο) τηλεσκοπίου σε συνδυασμό με τον υψηλό ρυθμό ανίχνευσης των 30 καρέ ανά δευτερόλεπτο σε δύο οπτικές ζώνες (RED και INFRARED), είναι τα στοιχεία που κάνουν το NELIOTA μοναδικό στην παρατήρηση φαινομένων στη Σελήνη. Προγράμματα σαν το NELIOTA μπορούν να συνεισφέρουν σημαντικά μέσω της αποτύπωσης των προσκρούσεων αντικειμένων στη σελήνη, στην προστασία διάστημοσυσκευών από πιθανές συγκρούσεις με τέτοια αντικείμενα. Επίσης με τις συγκεκριμένες παρατηρήσεις μπορούμε να εξετάσουμε την τεράστια προστασία που παρέχει στη Γη η ατμόσφαιρα της σε αντίθεση με την απουσία αυτής στη Σελήνη. Η ανάγκη για διορθώσεις του πεδίου είναι και σε αυτή τη μορφή τηλεπισκόπησης πολύ σημαντική, στη συγκεκριμένη περίπτωση όχι τόσο λόγο της διαταραχής της ατμόσφαιρας όσο λόγο των οπτικών συστημάτων που χρησιμοποιούνται.

[[category:Διαστημική Τηλεπισκόπηση]]

Αρχείο:VSM Arthro8 Eikona4.png

2021-01-13T16:57:18Z

Vasilis: VSM_Arthro8_Eikona4

VSM_Arthro8_Eikona4

Αρχείο:VSM Arthro8 Eikona3.png

2021-01-13T16:56:29Z

Vasilis: VSM_Arthro8_Eikona3

VSM_Arthro8_Eikona3

Αρχείο:VSM Arthro8 Eikona2.png

2021-01-13T16:55:30Z

Vasilis: VSM_Arthro8_Eikona

VSM_Arthro8_Eikona

Αρχείο:VSM Arthro8 Eikona1.png

2021-01-13T16:53:56Z

Vasilis: VSM_Arthro8_Eikona1

VSM_Arthro8_Eikona1

Βασίλειος Σπανάκης-Μισιρλής

2021-01-13T16:50:45Z

Vasilis:

Εκτίμηση θερμοκρασίας της επιφάνειας του εδάφους με τηλεπισκόπηση

2021-01-13T16:49:42Z

Vasilis:

'''Πρωτότυπος Τίτλος:''' Land Surface Temperature Estimation Using Remote Sensing Data

'''Συγγραφείς:''' Vijay Solanky, Sangeeta Singh and S. K. Katiyar

'''Πηγή:''' Hydrologic Modeling (pp.343-351)

URL: https://www.researchgate.net/publication/ 322639619_Land_Surface_Temperature_Estimation_Using_Remote_Sensing_Data

'''Εισαγωγή:'''

Η υπερθέρμανση του πλανήτη αποτελεί μια από τις πιο σοβαρές προεκτάσεις του φαινομένου της κλιματικής αλλαγής, με σημαντικές επιπτώσεις στο παγκόσμιο περιβάλλον. Μετρώντας τη θερμοκρασία που επικρατεί σε περιοχές είναι εφικτό να εξετάσουμε το φαινόμενο της υπερθέρμανσης του πλανήτη και εκτός των άλλων να λάβουμε στοιχεία για τα χαρακτηριστικά των περιοχών αυτών.
Μια κατεύθυνση για περιβαλλοντικές μετρήσεις σε περιοχές είναι αυτή της θερμοκρασίας της επιφάνειας του εδάφους (Land Surface Temperature) η οποία είναι εξίσου χρήσιμη για υδρολογικές, μετεωρολογικές και κλιματολογικές μελέτες. Τα τελευταία χρόνια η μέτρηση της θερμοκρασίας του εδάφους θεωρείται μια πολύ σημαντική παράμετρος για την εξέταση φυσικών διεργασιών και χαρακτηριστικών του νερού, και για τον ίδιο λόγο μπορεί να χρησιμοποιηθεί σε πολλά ερευνητικά πεδία, όπως στη μελέτη υδρολογικών κύκλων, στην ανάπτυξη της βλάστησης και της παρακολούθησης αστικών κλιμάτων.
Με τη βοήθεια της ανάπτυξης των εφαρμογών τηλεπισκόπησης είναι πλέον πολύ εύκολο να κάνουμε μετρήσεις της επιφάνειας του εδάφους εξ αποστάσεως, βάση της θερμικής ακτινοβολίας των περιοχών ενδιαφέροντος με τη χρήση δορυφορικών δεδομένων όπως αυτά του LANDSAT.

'''Μεθοδολογία:'''

Η θερμοκρασία της επιφάνειας εδάφους μπορεί να παρέχει πληροφορίες σχετικά με χρονικές και χωρικές παραλλαγές της επιφανειακής θερμοκρασίας ενός γεωγραφικού μοντέλου.
Η ανάκτηση της θερμοκρασίας επιτυγχάνεται με αισθητήρες υπέρυθρης θερμικής ακτινοβολίας με τους οποίους είναι εξοπλισμένα τα εναέρια μέσα. Συγκεκριμένα ο δορυφόρος Landsat 8 χρησιμοποιεί αισθητήρες TIRS (Thermal InfraRed Sensor) ώστε να μετρά την υπέρυθρη θερμική ακτινοβολία σε χωρική ανάλυση 100m χρησιμοποιώντας δύο ζώνες που βρίσκονται στο ατμοσφαιρικό παράθυρο μεταξύ των 10 και 12 μικρόμετρων.

Ωστόσο ορισμένες φορές μπορεί να είναι ιδιαίτερα δύσκολος ο άμεσος προσδιορισμός της θερμοκρασίας της επιφάνειας του εδάφους από την ακτινοβολία που εκπέμπεται στη φασματική περιοχή με ακρίβεια, διότι οι ακτινοβολίες που μετρώνται από τους δορυφόρους εξαρτώνται όχι μόνο από τις επιφανειακές παραμέτρους όπως τη θερμοκρασία, αλλά και από τις ατμοσφαιρικές συνθήκες. Συνεπώς οι δορυφορικές μετρήσεις της θερμοκρασίας της επιφάνειας του εδάφους ενδέχεται να απαιτούν ατμοσφαιρικές διορθώσεις.
Στην περίπτωση του Landsat 8, επειδή το φασματικό εύρος της ζώνης της υπέρυθρης θερμικής ακτινοβολίας, είναι αρκετά στενό και ενδέχεται κάτι τέτοιο να προκαλέσει προβλήματα, χρησιμοποιείται ένας αλγόριθμος ο οποίος μπορεί να εκμεταλλευτεί 2 ζώνες υπέρυθρης θερμικής ακτινοβολίας. O αλγόριθμος ονομάζεται Split-Window (SW Algorithm) και βασίζεται σε δύο ζώνες που βρίσκονται σε συνολικό φασματικό εύρος μεταξύ 10 και 12 μικρόμετρων. Η μαθηματική δομή του αλγορίθμου Split-Window ορίζεται ως:

''Tₛ=Tᵢ+c₁(Tᵢ-Tⱼ)+c₂+(Tᵢ-Tⱼ)²+c₀+(c₃+c₄w)(1-ε)+(c₅+c₆w)Δε''

Όπου ''Ti'' και ''Tj'' είναι η φωτηνότητα θερμοκρασίας στον αισθητήρα της ζώνης ''i'' και ''j'' αντίστοιχα, ε είναι η μέση εκπομπή, και δεδομένου ότι ε=0.5(''εi+εj''), Δε είναι η διαφορά εκπομπής Δε=(''εi-εj''), w είναι η συνολική ατμοσφαιρική περιεκτικότητα υδρατμών (σε g/cm2) και C₀- C₆ είναι οι συντελεστές Split Window. Οι βασικοί παράμετροι που εισάγονται στον αλγόριθμο είναι η θερμοκρασία φωτεινότητας και η επιφανειακή εκπομπή εδάφους.

[[Εικόνα: VSM_Arthro7_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', Το διάγραμμα ροής για τον προσδιορισμό της θερμοκρασίας επιφάνειας εδάφους. Hydrologic Modeling (pp.343-351)]]

Στις πολυφασματικές εικόνες από το σύστημα Operational Land Imager του Landsat8, γίνεται ένα αρχικό στάδιο επεξεργασίας, μετά ακολουθεί υπολογισμός του δείκτη βλάστησης NDVI, και στη συνέχεια ανά-ταξινόμηση και προσδιορισμός της επιφανειακής εκπομπής εδάφους. Ταυτόχρονα στις εικόνες από τους αισθητήρες υπέρυθρης θερμικής ακτινοβολίας του Landsat8 γίνεται και πάλι ένα πρώτο στάδιο επεξεργασίας, ώστε να ακολουθήσει ο υπολογισμός φωτεινότητας θερμοκρασίας. Αυτές οι διαδικασίες καταλήγουν στην εφαρμογή του αλγορίθμου Split Window, ώστε σε τελικό στάδιο να ανακτηθεί η θερμοκρασία επιφάνειας εδάφους.

[[Εικόνα: VSM_Arthro7_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Απεικόνιση της θερμοκρασίας επιφάνειας εδάφους της περιφέρειας Bhopal της Ινδίας, τα έτη 2014 (a) και 2015 (b). Hydrologic Modeling (pp.343-351)]]

Στο Σχήμα 2, παρατηρείται η εντυπωσιακή αύξηση της θερμοκρασίας επιφάνειας εδάφους στην περιφέρεια του Bhopal από το έτος 2014 στο 2015. Ελάχιστη θερμοκρασία για το 2014 οι 17°C, ενώ για το 2015 οι 19°C. Αντίστοιχα η μέγιστη θερμοκρασία για το 2014 ήταν οι 34°C ενώ το 2015 ήταν 35°C. Αξίζει να σημειωθεί επίσης ότι σε γεωργικές, υδάτινες και πλούσιες σε βλάστηση περιοχές (οι οποίες εκτιμήθηκαν με τη μέθοδο NDVI), παρατηρήθηκε χαμηλότερη θερμοκρασία.

'''Συμπεράσματα:'''

Οι μετρήσεις θερμοκρασίας επιφάνειας εδάφους μπορούν να δώσουν σημαντικά στοιχεία για τα επίπεδα θερμοκρασίας σε μια η περισσότερες περιοχές, ανά διαφορετικά χρονικά διαστήματα, βοηθώντας έτσι τους ερευνητές να πραγματοποιούν συγκρίσεις αλλά και να αναπτύσσουν συστήματα διαχείρισης των παραπάνω συνθηκών. Σε φαινόμενα όπως αυτό της υπερθέρμανσης του πλανήτη που μπορεί να δημιουργήσει σημαντικές επιπτώσεις στο κλίμα στον άνθρωπο και φυσικά σε οικοσυστήματα, θα πρέπει να εστιάσουν οι ερευνητές και να αναπτυχθούν τεχνικές και προτάσεις εξάλειψης αυτών των φαινομένων. Η συνεισφορά των εφαρμογών τηλεπισκόπησης είναι επίσης πολύ σημαντική αναφορικά με τους τρόπους λήψεις και επεξεργασίας των σχετικών παρατηρήσεων αλλά και για τη δυνατότητα ενσωμάτωσης των δεδομένων που μπορούν να παρέχουν για λογισμικά ανάλυσης γεωγραφικών μοντέλων.

[[category:Γεωλογία – Εδαφολογία]]

Εκτίμηση θερμοκρασίας της επιφάνειας του εδάφους με τηλεπισκόπηση

2021-01-13T16:49:17Z

Vasilis:

'''Πρωτότυπος Τίτλος:''' Land Surface Temperature Estimation Using Remote Sensing Data

'''Συγγραφείς:''' Vijay Solanky, Sangeeta Singh and S. K. Katiyar

'''Πηγή:''' Hydrologic Modeling (pp.343-351)

URL: https://www.researchgate.net/publication/ 322639619_Land_Surface_Temperature_Estimation_Using_Remote_Sensing_Data

'''Εισαγωγή:'''

Η υπερθέρμανση του πλανήτη αποτελεί μια από τις πιο σοβαρές προεκτάσεις του φαινομένου της κλιματικής αλλαγής, με σημαντικές επιπτώσεις στο παγκόσμιο περιβάλλον. Μετρώντας τη θερμοκρασία που επικρατεί σε περιοχές είναι εφικτό να εξετάσουμε το φαινόμενο της υπερθέρμανσης του πλανήτη και εκτός των άλλων να λάβουμε στοιχεία για τα χαρακτηριστικά των περιοχών αυτών.
Μια κατεύθυνση για περιβαλλοντικές μετρήσεις σε περιοχές είναι αυτή της θερμοκρασίας της επιφάνειας του εδάφους (Land Surface Temperature) η οποία είναι εξίσου χρήσιμη για υδρολογικές, μετεωρολογικές και κλιματολογικές μελέτες. Τα τελευταία χρόνια η μέτρηση της θερμοκρασίας του εδάφους θεωρείται μια πολύ σημαντική παράμετρος για την εξέταση φυσικών διεργασιών και χαρακτηριστικών του νερού, και για τον ίδιο λόγο μπορεί να χρησιμοποιηθεί σε πολλά ερευνητικά πεδία, όπως στη μελέτη υδρολογικών κύκλων, στην ανάπτυξη της βλάστησης και της παρακολούθησης αστικών κλιμάτων.
Με τη βοήθεια της ανάπτυξης των εφαρμογών τηλεπισκόπησης είναι πλέον πολύ εύκολο να κάνουμε μετρήσεις της επιφάνειας του εδάφους εξ αποστάσεως, βάση της θερμικής ακτινοβολίας των περιοχών ενδιαφέροντος με τη χρήση δορυφορικών δεδομένων όπως αυτά του LANDSAT.

'''Μεθοδολογία:'''

Η θερμοκρασία της επιφάνειας εδάφους μπορεί να παρέχει πληροφορίες σχετικά με χρονικές και χωρικές παραλλαγές της επιφανειακής θερμοκρασίας ενός γεωγραφικού μοντέλου.
Η ανάκτηση της θερμοκρασίας επιτυγχάνεται με αισθητήρες υπέρυθρης θερμικής ακτινοβολίας με τους οποίους είναι εξοπλισμένα τα εναέρια μέσα. Συγκεκριμένα ο δορυφόρος Landsat 8 χρησιμοποιεί αισθητήρες TIRS (Thermal InfraRed Sensor) ώστε να μετρά την υπέρυθρη θερμική ακτινοβολία σε χωρική ανάλυση 100m χρησιμοποιώντας δύο ζώνες που βρίσκονται στο ατμοσφαιρικό παράθυρο μεταξύ των 10 και 12 μικρόμετρων.

Ωστόσο ορισμένες φορές μπορεί να είναι ιδιαίτερα δύσκολος ο άμεσος προσδιορισμός της θερμοκρασίας της επιφάνειας του εδάφους από την ακτινοβολία που εκπέμπεται στη φασματική περιοχή με ακρίβεια, διότι οι ακτινοβολίες που μετρώνται από τους δορυφόρους εξαρτώνται όχι μόνο από τις επιφανειακές παραμέτρους όπως τη θερμοκρασία, αλλά και από τις ατμοσφαιρικές συνθήκες. Συνεπώς οι δορυφορικές μετρήσεις της θερμοκρασίας της επιφάνειας του εδάφους ενδέχεται να απαιτούν ατμοσφαιρικές διορθώσεις.
Στην περίπτωση του Landsat 8, επειδή το φασματικό εύρος της ζώνης της υπέρυθρης θερμικής ακτινοβολίας, είναι αρκετά στενό και ενδέχεται κάτι τέτοιο να προκαλέσει προβλήματα, χρησιμοποιείται ένας αλγόριθμος ο οποίος μπορεί να εκμεταλλευτεί 2 ζώνες υπέρυθρης θερμικής ακτινοβολίας. O αλγόριθμος ονομάζεται Split-Window (SW Algorithm) και βασίζεται σε δύο ζώνες που βρίσκονται σε συνολικό φασματικό εύρος μεταξύ 10 και 12 μικρόμετρων. Η μαθηματική δομή του αλγορίθμου Split-Window ορίζεται ως:

''Tₛ=Tᵢ+c₁(Tᵢ-Tⱼ)+c₂+(Tᵢ-Tⱼ)²+c₀+(c₃+c₄w)(1-ε)+(c₅+c₆w)Δε''

Όπου ''Ti'' και ''Tj'' είναι η φωτηνότητα θερμοκρασίας στον αισθητήρα της ζώνης ''i'' και ''j'' αντίστοιχα, ε είναι η μέση εκπομπή, και δεδομένου ότι ε=0.5(''εi+εj''), Δε είναι η διαφορά εκπομπής Δε=(''εi-εj''), w είναι η συνολική ατμοσφαιρική περιεκτικότητα υδρατμών (σε g/cm2) και C₀-C₆ είναι οι συντελεστές Split Window. Οι βασικοί παράμετροι που εισάγονται στον αλγόριθμο είναι η θερμοκρασία φωτεινότητας και η επιφανειακή εκπομπή εδάφους.

[[Εικόνα: VSM_Arthro7_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', Το διάγραμμα ροής για τον προσδιορισμό της θερμοκρασίας επιφάνειας εδάφους. Hydrologic Modeling (pp.343-351)]]

Στις πολυφασματικές εικόνες από το σύστημα Operational Land Imager του Landsat8, γίνεται ένα αρχικό στάδιο επεξεργασίας, μετά ακολουθεί υπολογισμός του δείκτη βλάστησης NDVI, και στη συνέχεια ανά-ταξινόμηση και προσδιορισμός της επιφανειακής εκπομπής εδάφους. Ταυτόχρονα στις εικόνες από τους αισθητήρες υπέρυθρης θερμικής ακτινοβολίας του Landsat8 γίνεται και πάλι ένα πρώτο στάδιο επεξεργασίας, ώστε να ακολουθήσει ο υπολογισμός φωτεινότητας θερμοκρασίας. Αυτές οι διαδικασίες καταλήγουν στην εφαρμογή του αλγορίθμου Split Window, ώστε σε τελικό στάδιο να ανακτηθεί η θερμοκρασία επιφάνειας εδάφους.

[[Εικόνα: VSM_Arthro7_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Απεικόνιση της θερμοκρασίας επιφάνειας εδάφους της περιφέρειας Bhopal της Ινδίας, τα έτη 2014 (a) και 2015 (b). Hydrologic Modeling (pp.343-351)]]

Στο Σχήμα 2, παρατηρείται η εντυπωσιακή αύξηση της θερμοκρασίας επιφάνειας εδάφους στην περιφέρεια του Bhopal από το έτος 2014 στο 2015. Ελάχιστη θερμοκρασία για το 2014 οι 17°C, ενώ για το 2015 οι 19°C. Αντίστοιχα η μέγιστη θερμοκρασία για το 2014 ήταν οι 34°C ενώ το 2015 ήταν 35°C. Αξίζει να σημειωθεί επίσης ότι σε γεωργικές, υδάτινες και πλούσιες σε βλάστηση περιοχές (οι οποίες εκτιμήθηκαν με τη μέθοδο NDVI), παρατηρήθηκε χαμηλότερη θερμοκρασία.

'''Συμπεράσματα:'''

Οι μετρήσεις θερμοκρασίας επιφάνειας εδάφους μπορούν να δώσουν σημαντικά στοιχεία για τα επίπεδα θερμοκρασίας σε μια η περισσότερες περιοχές, ανά διαφορετικά χρονικά διαστήματα, βοηθώντας έτσι τους ερευνητές να πραγματοποιούν συγκρίσεις αλλά και να αναπτύσσουν συστήματα διαχείρισης των παραπάνω συνθηκών. Σε φαινόμενα όπως αυτό της υπερθέρμανσης του πλανήτη που μπορεί να δημιουργήσει σημαντικές επιπτώσεις στο κλίμα στον άνθρωπο και φυσικά σε οικοσυστήματα, θα πρέπει να εστιάσουν οι ερευνητές και να αναπτυχθούν τεχνικές και προτάσεις εξάλειψης αυτών των φαινομένων. Η συνεισφορά των εφαρμογών τηλεπισκόπησης είναι επίσης πολύ σημαντική αναφορικά με τους τρόπους λήψεις και επεξεργασίας των σχετικών παρατηρήσεων αλλά και για τη δυνατότητα ενσωμάτωσης των δεδομένων που μπορούν να παρέχουν για λογισμικά ανάλυσης γεωγραφικών μοντέλων.

[[category:Γεωλογία – Εδαφολογία]]

Εκτίμηση θερμοκρασίας της επιφάνειας του εδάφους με τηλεπισκόπηση

2021-01-13T16:47:18Z

Vasilis:

'''Πρωτότυπος Τίτλος:''' Land Surface Temperature Estimation Using Remote Sensing Data

'''Συγγραφείς:''' Vijay Solanky, Sangeeta Singh and S. K. Katiyar

'''Πηγή:''' Hydrologic Modeling (pp.343-351)

URL: https://www.researchgate.net/publication/ 322639619_Land_Surface_Temperature_Estimation_Using_Remote_Sensing_Data

'''Εισαγωγή:'''

Η υπερθέρμανση του πλανήτη αποτελεί μια από τις πιο σοβαρές προεκτάσεις του φαινομένου της κλιματικής αλλαγής, με σημαντικές επιπτώσεις στο παγκόσμιο περιβάλλον. Μετρώντας τη θερμοκρασία που επικρατεί σε περιοχές είναι εφικτό να εξετάσουμε το φαινόμενο της υπερθέρμανσης του πλανήτη και εκτός των άλλων να λάβουμε στοιχεία για τα χαρακτηριστικά των περιοχών αυτών.
Μια κατεύθυνση για περιβαλλοντικές μετρήσεις σε περιοχές είναι αυτή της θερμοκρασίας της επιφάνειας του εδάφους (Land Surface Temperature) η οποία είναι εξίσου χρήσιμη για υδρολογικές, μετεωρολογικές και κλιματολογικές μελέτες. Τα τελευταία χρόνια η μέτρηση της θερμοκρασίας του εδάφους θεωρείται μια πολύ σημαντική παράμετρος για την εξέταση φυσικών διεργασιών και χαρακτηριστικών του νερού, και για τον ίδιο λόγο μπορεί να χρησιμοποιηθεί σε πολλά ερευνητικά πεδία, όπως στη μελέτη υδρολογικών κύκλων, στην ανάπτυξη της βλάστησης και της παρακολούθησης αστικών κλιμάτων.
Με τη βοήθεια της ανάπτυξης των εφαρμογών τηλεπισκόπησης είναι πλέον πολύ εύκολο να κάνουμε μετρήσεις της επιφάνειας του εδάφους εξ αποστάσεως, βάση της θερμικής ακτινοβολίας των περιοχών ενδιαφέροντος με τη χρήση δορυφορικών δεδομένων όπως αυτά του LANDSAT.

'''Μεθοδολογία:'''

Η θερμοκρασία της επιφάνειας εδάφους μπορεί να παρέχει πληροφορίες σχετικά με χρονικές και χωρικές παραλλαγές της επιφανειακής θερμοκρασίας ενός γεωγραφικού μοντέλου.
Η ανάκτηση της θερμοκρασίας επιτυγχάνεται με αισθητήρες υπέρυθρης θερμικής ακτινοβολίας με τους οποίους είναι εξοπλισμένα τα εναέρια μέσα. Συγκεκριμένα ο δορυφόρος Landsat 8 χρησιμοποιεί αισθητήρες TIRS (Thermal InfraRed Sensor) ώστε να μετρά την υπέρυθρη θερμική ακτινοβολία σε χωρική ανάλυση 100m χρησιμοποιώντας δύο ζώνες που βρίσκονται στο ατμοσφαιρικό παράθυρο μεταξύ των 10 και 12 μικρόμετρων.

Ωστόσο ορισμένες φορές μπορεί να είναι ιδιαίτερα δύσκολος ο άμεσος προσδιορισμός της θερμοκρασίας της επιφάνειας του εδάφους από την ακτινοβολία που εκπέμπεται στη φασματική περιοχή με ακρίβεια, διότι οι ακτινοβολίες που μετρώνται από τους δορυφόρους εξαρτώνται όχι μόνο από τις επιφανειακές παραμέτρους όπως τη θερμοκρασία, αλλά και από τις ατμοσφαιρικές συνθήκες. Συνεπώς οι δορυφορικές μετρήσεις της θερμοκρασίας της επιφάνειας του εδάφους ενδέχεται να απαιτούν ατμοσφαιρικές διορθώσεις.
Στην περίπτωση του Landsat 8, επειδή το φασματικό εύρος της ζώνης της υπέρυθρης θερμικής ακτινοβολίας, είναι αρκετά στενό και ενδέχεται κάτι τέτοιο να προκαλέσει προβλήματα, χρησιμοποιείται ένας αλγόριθμος ο οποίος μπορεί να εκμεταλλευτεί 2 ζώνες υπέρυθρης θερμικής ακτινοβολίας. O αλγόριθμος ονομάζεται Split-Window (SW Algorithm) και βασίζεται σε δύο ζώνες που βρίσκονται σε συνολικό φασματικό εύρος μεταξύ 10 και 12 μικρόμετρων. Η μαθηματική δομή του αλγορίθμου Split-Window ορίζεται ως:

''Tₛ=Tᵢ+c₁(Tᵢ-Tⱼ)+c₂+(Tᵢ-Tⱼ)²+c₀+(c₃+c₄w)(1-ε)+(c₅+c₆w)Δε''

Όπου Ti και Tj είναι η φωτηνότητα θερμοκρασίας στον αισθητήρα της ζώνης i και j αντίστοιχα, ε είναι η μέση εκπομπή, και δεδομένου ότι ε=0.5(εi+εj), Δε είναι η διαφορά εκπομπής Δε=(εi-εj), w είναι η συνολική ατμοσφαιρική περιεκτικότητα υδρατμών (σε g/cm2) και C0-C6 είναι οι συντελεστές Split Window. Οι βασικοί παράμετροι που εισάγοντε στον αλγόριθμο είναι η θερμοκρασία φωτεινότητας και η επιφανειακή εκπομπή εδάφους.

[[Εικόνα: VSM_Arthro7_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', Το διάγραμμα ροής για τον προσδιορισμό της θερμοκρασίας επιφάνειας εδάφους. Hydrologic Modeling (pp.343-351)]]

Στις πολυφασματικές εικόνες από το σύστημα Operational Land Imager του Landsat8, γίνεται ένα αρχικό στάδιο επεξεργασίας, μετά ακολουθεί υπολογισμός του δείκτη βλάστησης NDVI, και στη συνέχεια ανά-ταξινόμηση και προσδιορισμός της επιφανειακής εκπομπής εδάφους. Ταυτόχρονα στις εικόνες από τους αισθητήρες υπέρυθρης θερμικής ακτινοβολίας του Landsat8 γίνεται και πάλι ένα πρώτο στάδιο επεξεργασίας, ώστε να ακολουθήσει ο υπολογισμός φωτεινότητας θερμοκρασίας. Αυτές οι διαδικασίες καταλήγουν στην εφαρμογή του αλγορίθμου Split Window, ώστε σε τελικό στάδιο να ανακτηθεί η θερμοκρασία επιφάνειας εδάφους.

[[Εικόνα: VSM_Arthro7_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Απεικόνιση της θερμοκρασίας επιφάνειας εδάφους της περιφέρειας Bhopal της Ινδίας, τα έτη 2014 (a) και 2015 (b). Hydrologic Modeling (pp.343-351)]]

Στο Σχήμα 2, παρατηρείται η εντυπωσιακή αύξηση της θερμοκρασίας επιφάνειας εδάφους στην περιφέρεια του Bhopal από το έτος 2014 στο 2015. Ελάχιστη θερμοκρασία για το 2014 οι 17°C, ενώ για το 2015 οι 19°C. Αντίστοιχα η μέγιστη θερμοκρασία για το 2014 ήταν οι 34°C ενώ το 2015 ήταν 35°C. Αξίζει να σημειωθεί επίσης ότι σε γεωργικές, υδάτινες και πλούσιες σε βλάστηση περιοχές (οι οποίες εκτιμήθηκαν με τη μέθοδο NDVI), παρατηρήθηκε χαμηλότερη θερμοκρασία.

'''Συμπεράσματα:'''

Οι μετρήσεις θερμοκρασίας επιφάνειας εδάφους μπορούν να δώσουν σημαντικά στοιχεία για τα επίπεδα θερμοκρασίας σε μια η περισσότερες περιοχές, ανά διαφορετικά χρονικά διαστήματα, βοηθώντας έτσι τους ερευνητές να πραγματοποιούν συγκρίσεις αλλά και να αναπτύσσουν συστήματα διαχείρισης των παραπάνω συνθηκών. Σε φαινόμενα όπως αυτό της υπερθέρμανσης του πλανήτη που μπορεί να δημιουργήσει σημαντικές επιπτώσεις στο κλίμα στον άνθρωπο και φυσικά σε οικοσυστήματα, θα πρέπει να εστιάσουν οι ερευνητές και να αναπτυχθούν τεχνικές και προτάσεις εξάλειψης αυτών των φαινομένων. Η συνεισφορά των εφαρμογών τηλεπισκόπησης είναι επίσης πολύ σημαντική αναφορικά με τους τρόπους λήψεις και επεξεργασίας των σχετικών παρατηρήσεων αλλά και για τη δυνατότητα ενσωμάτωσης των δεδομένων που μπορούν να παρέχουν για λογισμικά ανάλυσης γεωγραφικών μοντέλων.

[[category:Γεωλογία – Εδαφολογία]]

Εκτίμηση θερμοκρασίας της επιφάνειας του εδάφους με τηλεπισκόπηση

2021-01-13T16:40:16Z

Vasilis:

'''Πρωτότυπος Τίτλος:''' Land Surface Temperature Estimation Using Remote Sensing Data

'''Συγγραφείς:''' Vijay Solanky, Sangeeta Singh and S. K. Katiyar

'''Πηγή:''' Hydrologic Modeling (pp.343-351)

URL: https://www.researchgate.net/publication/ 322639619_Land_Surface_Temperature_Estimation_Using_Remote_Sensing_Data

'''Εισαγωγή:'''

Η υπερθέρμανση του πλανήτη αποτελεί μια από τις πιο σοβαρές προεκτάσεις του φαινομένου της κλιματικής αλλαγής, με σημαντικές επιπτώσεις στο παγκόσμιο περιβάλλον. Μετρώντας τη θερμοκρασία που επικρατεί σε περιοχές είναι εφικτό να εξετάσουμε το φαινόμενο της υπερθέρμανσης του πλανήτη και εκτός των άλλων να λάβουμε στοιχεία για τα χαρακτηριστικά των περιοχών αυτών.
Μια κατεύθυνση για περιβαλλοντικές μετρήσεις σε περιοχές είναι αυτή της θερμοκρασίας της επιφάνειας του εδάφους (Land Surface Temperature) η οποία είναι εξίσου χρήσιμη για υδρολογικές, μετεωρολογικές και κλιματολογικές μελέτες. Τα τελευταία χρόνια η μέτρηση της θερμοκρασίας του εδάφους θεωρείται μια πολύ σημαντική παράμετρος για την εξέταση φυσικών διεργασιών και χαρακτηριστικών του νερού, και για τον ίδιο λόγο μπορεί να χρησιμοποιηθεί σε πολλά ερευνητικά πεδία, όπως στη μελέτη υδρολογικών κύκλων, στην ανάπτυξη της βλάστησης και της παρακολούθησης αστικών κλιμάτων.
Με τη βοήθεια της ανάπτυξης των εφαρμογών τηλεπισκόπησης είναι πλέον πολύ εύκολο να κάνουμε μετρήσεις της επιφάνειας του εδάφους εξ αποστάσεως, βάση της θερμικής ακτινοβολίας των περιοχών ενδιαφέροντος με τη χρήση δορυφορικών δεδομένων όπως αυτά του LANDSAT.

'''Μεθοδολογία:'''

Η θερμοκρασία της επιφάνειας εδάφους μπορεί να παρέχει πληροφορίες σχετικά με χρονικές και χωρικές παραλλαγές της επιφανειακής θερμοκρασίας ενός γεωγραφικού μοντέλου.
Η ανάκτηση της θερμοκρασίας επιτυγχάνεται με αισθητήρες υπέρυθρης θερμικής ακτινοβολίας με τους οποίους είναι εξοπλισμένα τα εναέρια μέσα. Συγκεκριμένα ο δορυφόρος Landsat 8 χρησιμοποιεί αισθητήρες TIRS (Thermal InfraRed Sensor) ώστε να μετρά την υπέρυθρη θερμική ακτινοβολία σε χωρική ανάλυση 100m χρησιμοποιώντας δύο ζώνες που βρίσκονται στο ατμοσφαιρικό παράθυρο μεταξύ των 10 και 12 μικρόμετρων.

Ωστόσο ορισμένες φορές μπορεί να είναι ιδιαίτερα δύσκολος ο άμεσος προσδιορισμός της θερμοκρασίας της επιφάνειας του εδάφους από την ακτινοβολία που εκπέμπεται στη φασματική περιοχή με ακρίβεια, διότι οι ακτινοβολίες που μετρώνται από τους δορυφόρους εξαρτώνται όχι μόνο από τις επιφανειακές παραμέτρους όπως τη θερμοκρασία, αλλά και από τις ατμοσφαιρικές συνθήκες. Συνεπώς οι δορυφορικές μετρήσεις της θερμοκρασίας της επιφάνειας του εδάφους ενδέχεται να απαιτούν ατμοσφαιρικές διορθώσεις.
Στην περίπτωση του Landsat 8, επειδή το φασματικό εύρος της ζώνης της υπέρυθρης θερμικής ακτινοβολίας, είναι αρκετά στενό και ενδέχεται κάτι τέτοιο να προκαλέσει προβλήματα, χρησιμοποιείται ένας αλγόριθμος ο οποίος μπορεί να εκμεταλλευτεί 2 ζώνες υπέρυθρης θερμικής ακτινοβολίας. O αλγόριθμος ονομάζεται Split-Window (SW Algorithm) και βασίζεται σε δύο ζώνες που βρίσκονται σε συνολικό φασματικό εύρος μεταξύ 10 και 12 μικρόμετρων. Η μαθηματική δομή του αλγορίθμου Split-Window ορίζεται ως:

Ts=Ti+c1(Ti-Tj)2+c0+(c3+c4w)(1-ε)+(c5+c6w)Δε

<math>$Ts=Ti+c1(Ti-Tj)2+c0+(c3+c4w)(1-e)+(c5+c6w)De$</math>

Όπου Ti και Tj είναι η φωτηνότητα θερμοκρασίας στον αισθητήρα της ζώνης i και j αντίστοιχα, ε είναι η μέση εκπομπή, και δεδομένου ότι ε=0.5(εi+εj), Δε είναι η διαφορά εκπομπής Δε=(εi-εj), w είναι η συνολική ατμοσφαιρική περιεκτικότητα υδρατμών (σε g/cm2) και C0-C6 είναι οι συντελεστές Split Window. Οι βασικοί παράμετροι που εισάγοντε στον αλγόριθμο είναι η θερμοκρασία φωτεινότητας και η επιφανειακή εκπομπή εδάφους.

[[Εικόνα: VSM_Arthro7_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', Το διάγραμμα ροής για τον προσδιορισμό της θερμοκρασίας επιφάνειας εδάφους. Hydrologic Modeling (pp.343-351)]]

Στις πολυφασματικές εικόνες από το σύστημα Operational Land Imager του Landsat8, γίνεται ένα αρχικό στάδιο επεξεργασίας, μετά ακολουθεί υπολογισμός του δείκτη βλάστησης NDVI, και στη συνέχεια ανά-ταξινόμηση και προσδιορισμός της επιφανειακής εκπομπής εδάφους. Ταυτόχρονα στις εικόνες από τους αισθητήρες υπέρυθρης θερμικής ακτινοβολίας του Landsat8 γίνεται και πάλι ένα πρώτο στάδιο επεξεργασίας, ώστε να ακολουθήσει ο υπολογισμός φωτεινότητας θερμοκρασίας. Αυτές οι διαδικασίες καταλήγουν στην εφαρμογή του αλγορίθμου Split Window, ώστε σε τελικό στάδιο να ανακτηθεί η θερμοκρασία επιφάνειας εδάφους.

[[Εικόνα: VSM_Arthro7_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Απεικόνιση της θερμοκρασίας επιφάνειας εδάφους της περιφέρειας Bhopal της Ινδίας, τα έτη 2014 (a) και 2015 (b). Hydrologic Modeling (pp.343-351)]]

Στο Σχήμα 2, παρατηρείται η εντυπωσιακή αύξηση της θερμοκρασίας επιφάνειας εδάφους στην περιφέρεια του Bhopal από το έτος 2014 στο 2015. Ελάχιστη θερμοκρασία για το 2014 οι 17°C, ενώ για το 2015 οι 19°C. Αντίστοιχα η μέγιστη θερμοκρασία για το 2014 ήταν οι 34°C ενώ το 2015 ήταν 35°C. Αξίζει να σημειωθεί επίσης ότι σε γεωργικές, υδάτινες και πλούσιες σε βλάστηση περιοχές (οι οποίες εκτιμήθηκαν με τη μέθοδο NDVI), παρατηρήθηκε χαμηλότερη θερμοκρασία.

'''Συμπεράσματα:'''

Οι μετρήσεις θερμοκρασίας επιφάνειας εδάφους μπορούν να δώσουν σημαντικά στοιχεία για τα επίπεδα θερμοκρασίας σε μια η περισσότερες περιοχές, ανά διαφορετικά χρονικά διαστήματα, βοηθώντας έτσι τους ερευνητές να πραγματοποιούν συγκρίσεις αλλά και να αναπτύσσουν συστήματα διαχείρισης των παραπάνω συνθηκών. Σε φαινόμενα όπως αυτό της υπερθέρμανσης του πλανήτη που μπορεί να δημιουργήσει σημαντικές επιπτώσεις στο κλίμα στον άνθρωπο και φυσικά σε οικοσυστήματα, θα πρέπει να εστιάσουν οι ερευνητές και να αναπτυχθούν τεχνικές και προτάσεις εξάλειψης αυτών των φαινομένων. Η συνεισφορά των εφαρμογών τηλεπισκόπησης είναι επίσης πολύ σημαντική αναφορικά με τους τρόπους λήψεις και επεξεργασίας των σχετικών παρατηρήσεων αλλά και για τη δυνατότητα ενσωμάτωσης των δεδομένων που μπορούν να παρέχουν για λογισμικά ανάλυσης γεωγραφικών μοντέλων.

[[category:Γεωλογία – Εδαφολογία]]

Εκτίμηση θερμοκρασίας της επιφάνειας του εδάφους με τηλεπισκόπηση

2021-01-13T16:37:04Z

Vasilis:

'''Πρωτότυπος Τίτλος:''' Land Surface Temperature Estimation Using Remote Sensing Data

'''Συγγραφείς:''' Vijay Solanky, Sangeeta Singh and S. K. Katiyar

'''Πηγή:''' Hydrologic Modeling (pp.343-351)

URL: https://www.researchgate.net/publication/ 322639619_Land_Surface_Temperature_Estimation_Using_Remote_Sensing_Data

'''Εισαγωγή:'''

Η υπερθέρμανση του πλανήτη αποτελεί μια από τις πιο σοβαρές προεκτάσεις του φαινομένου της κλιματικής αλλαγής, με σημαντικές επιπτώσεις στο παγκόσμιο περιβάλλον. Μετρώντας τη θερμοκρασία που επικρατεί σε περιοχές είναι εφικτό να εξετάσουμε το φαινόμενο της υπερθέρμανσης του πλανήτη και εκτός των άλλων να λάβουμε στοιχεία για τα χαρακτηριστικά των περιοχών αυτών.
Μια κατεύθυνση για περιβαλλοντικές μετρήσεις σε περιοχές είναι αυτή της θερμοκρασίας της επιφάνειας του εδάφους (Land Surface Temperature) η οποία είναι εξίσου χρήσιμη για υδρολογικές, μετεωρολογικές και κλιματολογικές μελέτες. Τα τελευταία χρόνια η μέτρηση της θερμοκρασίας του εδάφους θεωρείται μια πολύ σημαντική παράμετρος για την εξέταση φυσικών διεργασιών και χαρακτηριστικών του νερού, και για τον ίδιο λόγο μπορεί να χρησιμοποιηθεί σε πολλά ερευνητικά πεδία, όπως στη μελέτη υδρολογικών κύκλων, στην ανάπτυξη της βλάστησης και της παρακολούθησης αστικών κλιμάτων.
Με τη βοήθεια της ανάπτυξης των εφαρμογών τηλεπισκόπησης είναι πλέον πολύ εύκολο να κάνουμε μετρήσεις της επιφάνειας του εδάφους εξ αποστάσεως, βάση της θερμικής ακτινοβολίας των περιοχών ενδιαφέροντος με τη χρήση δορυφορικών δεδομένων όπως αυτά του LANDSAT.

'''Μεθοδολογία:'''

Η θερμοκρασία της επιφάνειας εδάφους μπορεί να παρέχει πληροφορίες σχετικά με χρονικές και χωρικές παραλλαγές της επιφανειακής θερμοκρασίας ενός γεωγραφικού μοντέλου.
Η ανάκτηση της θερμοκρασίας επιτυγχάνεται με αισθητήρες υπέρυθρης θερμικής ακτινοβολίας με τους οποίους είναι εξοπλισμένα τα εναέρια μέσα. Συγκεκριμένα ο δορυφόρος Landsat 8 χρησιμοποιεί αισθητήρες TIRS (Thermal InfraRed Sensor) ώστε να μετρά την υπέρυθρη θερμική ακτινοβολία σε χωρική ανάλυση 100m χρησιμοποιώντας δύο ζώνες που βρίσκονται στο ατμοσφαιρικό παράθυρο μεταξύ των 10 και 12 μικρόμετρων.

Ωστόσο ορισμένες φορές μπορεί να είναι ιδιαίτερα δύσκολος ο άμεσος προσδιορισμός της θερμοκρασίας της επιφάνειας του εδάφους από την ακτινοβολία που εκπέμπεται στη φασματική περιοχή με ακρίβεια, διότι οι ακτινοβολίες που μετρώνται από τους δορυφόρους εξαρτώνται όχι μόνο από τις επιφανειακές παραμέτρους όπως τη θερμοκρασία, αλλά και από τις ατμοσφαιρικές συνθήκες. Συνεπώς οι δορυφορικές μετρήσεις της θερμοκρασίας της επιφάνειας του εδάφους ενδέχεται να απαιτούν ατμοσφαιρικές διορθώσεις.
Στην περίπτωση του Landsat 8, επειδή το φασματικό εύρος της ζώνης της υπέρυθρης θερμικής ακτινοβολίας, είναι αρκετά στενό και ενδέχεται κάτι τέτοιο να προκαλέσει προβλήματα, χρησιμοποιείται ένας αλγόριθμος ο οποίος μπορεί να εκμεταλλευτεί 2 ζώνες υπέρυθρης θερμικής ακτινοβολίας. O αλγόριθμος ονομάζεται Split-Window (SW Algorithm) και βασίζεται σε δύο ζώνες που βρίσκονται σε συνολικό φασματικό εύρος μεταξύ 10 και 12 μικρόμετρων. Η μαθηματική δομή του αλγορίθμου Split-Window ορίζεται ως:

Ts=Ti+c1(Ti-Tj)2+c0+(c3+c4w)(1-ε)+(c5+c6w)Δε
<math>Ts=Ti+c1(Ti-Tj)2+c0+(c3+c4w)(1-ε)+(c5+c6w)Δε
</math>

Όπου Ti και Tj είναι η φωτηνότητα θερμοκρασίας στον αισθητήρα της ζώνης i και j αντίστοιχα, ε είναι η μέση εκπομπή, και δεδομένου ότι ε=0.5(εi+εj), Δε είναι η διαφορά εκπομπής Δε=(εi-εj), w είναι η συνολική ατμοσφαιρική περιεκτικότητα υδρατμών (σε g/cm2) και C0-C6 είναι οι συντελεστές Split Window. Οι βασικοί παράμετροι που εισάγοντε στον αλγόριθμο είναι η θερμοκρασία φωτεινότητας και η επιφανειακή εκπομπή εδάφους.

[[Εικόνα: VSM_Arthro7_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', Το διάγραμμα ροής για τον προσδιορισμό της θερμοκρασίας επιφάνειας εδάφους. Hydrologic Modeling (pp.343-351)]]

Στις πολυφασματικές εικόνες από το σύστημα Operational Land Imager του Landsat8, γίνεται ένα αρχικό στάδιο επεξεργασίας, μετά ακολουθεί υπολογισμός του δείκτη βλάστησης NDVI, και στη συνέχεια ανά-ταξινόμηση και προσδιορισμός της επιφανειακής εκπομπής εδάφους. Ταυτόχρονα στις εικόνες από τους αισθητήρες υπέρυθρης θερμικής ακτινοβολίας του Landsat8 γίνεται και πάλι ένα πρώτο στάδιο επεξεργασίας, ώστε να ακολουθήσει ο υπολογισμός φωτεινότητας θερμοκρασίας. Αυτές οι διαδικασίες καταλήγουν στην εφαρμογή του αλγορίθμου Split Window, ώστε σε τελικό στάδιο να ανακτηθεί η θερμοκρασία επιφάνειας εδάφους.

[[Εικόνα: VSM_Arthro7_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Απεικόνιση της θερμοκρασίας επιφάνειας εδάφους της περιφέρειας Bhopal της Ινδίας, τα έτη 2014 (a) και 2015 (b). Hydrologic Modeling (pp.343-351)]]

Στο Σχήμα 2, παρατηρείται η εντυπωσιακή αύξηση της θερμοκρασίας επιφάνειας εδάφους στην περιφέρεια του Bhopal από το έτος 2014 στο 2015. Ελάχιστη θερμοκρασία για το 2014 οι 17°C, ενώ για το 2015 οι 19°C. Αντίστοιχα η μέγιστη θερμοκρασία για το 2014 ήταν οι 34°C ενώ το 2015 ήταν 35°C. Αξίζει να σημειωθεί επίσης ότι σε γεωργικές, υδάτινες και πλούσιες σε βλάστηση περιοχές (οι οποίες εκτιμήθηκαν με τη μέθοδο NDVI), παρατηρήθηκε χαμηλότερη θερμοκρασία.

'''Συμπεράσματα:'''

Οι μετρήσεις θερμοκρασίας επιφάνειας εδάφους μπορούν να δώσουν σημαντικά στοιχεία για τα επίπεδα θερμοκρασίας σε μια η περισσότερες περιοχές, ανά διαφορετικά χρονικά διαστήματα, βοηθώντας έτσι τους ερευνητές να πραγματοποιούν συγκρίσεις αλλά και να αναπτύσσουν συστήματα διαχείρισης των παραπάνω συνθηκών. Σε φαινόμενα όπως αυτό της υπερθέρμανσης του πλανήτη που μπορεί να δημιουργήσει σημαντικές επιπτώσεις στο κλίμα στον άνθρωπο και φυσικά σε οικοσυστήματα, θα πρέπει να εστιάσουν οι ερευνητές και να αναπτυχθούν τεχνικές και προτάσεις εξάλειψης αυτών των φαινομένων. Η συνεισφορά των εφαρμογών τηλεπισκόπησης είναι επίσης πολύ σημαντική αναφορικά με τους τρόπους λήψεις και επεξεργασίας των σχετικών παρατηρήσεων αλλά και για τη δυνατότητα ενσωμάτωσης των δεδομένων που μπορούν να παρέχουν για λογισμικά ανάλυσης γεωγραφικών μοντέλων.

[[category:Γεωλογία – Εδαφολογία]]

Εκτίμηση θερμοκρασίας της επιφάνειας του εδάφους με τηλεπισκόπηση

2021-01-13T16:34:57Z

Vasilis: Νέα σελίδα με ''''Πρωτότυπος Τίτλος:''' Land Surface Temperature Estimation Using Remote Sensing Data '''Συγγραφείς:''' Vijay Solanky, Sangeeta Singh and S. K....'

'''Πρωτότυπος Τίτλος:''' Land Surface Temperature Estimation Using Remote Sensing Data

'''Συγγραφείς:''' Vijay Solanky, Sangeeta Singh and S. K. Katiyar

'''Πηγή:''' Hydrologic Modeling (pp.343-351)

URL: https://www.researchgate.net/publication/ 322639619_Land_Surface_Temperature_Estimation_Using_Remote_Sensing_Data

'''Εισαγωγή:'''

Η υπερθέρμανση του πλανήτη αποτελεί μια από τις πιο σοβαρές προεκτάσεις του φαινομένου της κλιματικής αλλαγής, με σημαντικές επιπτώσεις στο παγκόσμιο περιβάλλον. Μετρώντας τη θερμοκρασία που επικρατεί σε περιοχές είναι εφικτό να εξετάσουμε το φαινόμενο της υπερθέρμανσης του πλανήτη και εκτός των άλλων να λάβουμε στοιχεία για τα χαρακτηριστικά των περιοχών αυτών.
Μια κατεύθυνση για περιβαλλοντικές μετρήσεις σε περιοχές είναι αυτή της θερμοκρασίας της επιφάνειας του εδάφους (Land Surface Temperature) η οποία είναι εξίσου χρήσιμη για υδρολογικές, μετεωρολογικές και κλιματολογικές μελέτες. Τα τελευταία χρόνια η μέτρηση της θερμοκρασίας του εδάφους θεωρείται μια πολύ σημαντική παράμετρος για την εξέταση φυσικών διεργασιών και χαρακτηριστικών του νερού, και για τον ίδιο λόγο μπορεί να χρησιμοποιηθεί σε πολλά ερευνητικά πεδία, όπως στη μελέτη υδρολογικών κύκλων, στην ανάπτυξη της βλάστησης και της παρακολούθησης αστικών κλιμάτων.
Με τη βοήθεια της ανάπτυξης των εφαρμογών τηλεπισκόπησης είναι πλέον πολύ εύκολο να κάνουμε μετρήσεις της επιφάνειας του εδάφους εξ αποστάσεως, βάση της θερμικής ακτινοβολίας των περιοχών ενδιαφέροντος με τη χρήση δορυφορικών δεδομένων όπως αυτά του LANDSAT.

'''Μεθοδολογία:'''

Η θερμοκρασία της επιφάνειας εδάφους μπορεί να παρέχει πληροφορίες σχετικά με χρονικές και χωρικές παραλλαγές της επιφανειακής θερμοκρασίας ενός γεωγραφικού μοντέλου.
Η ανάκτηση της θερμοκρασίας επιτυγχάνεται με αισθητήρες υπέρυθρης θερμικής ακτινοβολίας με τους οποίους είναι εξοπλισμένα τα εναέρια μέσα. Συγκεκριμένα ο δορυφόρος Landsat 8 χρησιμοποιεί αισθητήρες TIRS (Thermal InfraRed Sensor) ώστε να μετρά την υπέρυθρη θερμική ακτινοβολία σε χωρική ανάλυση 100m χρησιμοποιώντας δύο ζώνες που βρίσκονται στο ατμοσφαιρικό παράθυρο μεταξύ των 10 και 12 μικρόμετρων.

Ωστόσο ορισμένες φορές μπορεί να είναι ιδιαίτερα δύσκολος ο άμεσος προσδιορισμός της θερμοκρασίας της επιφάνειας του εδάφους από την ακτινοβολία που εκπέμπεται στη φασματική περιοχή με ακρίβεια, διότι οι ακτινοβολίες που μετρώνται από τους δορυφόρους εξαρτώνται όχι μόνο από τις επιφανειακές παραμέτρους όπως τη θερμοκρασία, αλλά και από τις ατμοσφαιρικές συνθήκες. Συνεπώς οι δορυφορικές μετρήσεις της θερμοκρασίας της επιφάνειας του εδάφους ενδέχεται να απαιτούν ατμοσφαιρικές διορθώσεις.
Στην περίπτωση του Landsat 8, επειδή το φασματικό εύρος της ζώνης της υπέρυθρης θερμικής ακτινοβολίας, είναι αρκετά στενό και ενδέχεται κάτι τέτοιο να προκαλέσει προβλήματα, χρησιμοποιείται ένας αλγόριθμος ο οποίος μπορεί να εκμεταλλευτεί 2 ζώνες υπέρυθρης θερμικής ακτινοβολίας. O αλγόριθμος ονομάζεται Split-Window (SW Algorithm) και βασίζεται σε δύο ζώνες που βρίσκονται σε συνολικό φασματικό εύρος μεταξύ 10 και 12 μικρόμετρων. Η μαθηματική δομή του αλγορίθμου Split-Window ορίζεται ως:

Ts=Ti+c1(Ti-Tj)2+c0+(c3+c4w)(1-ε)+(c5+c6w)Δε

Όπου Ti και Tj είναι η φωτηνότητα θερμοκρασίας στον αισθητήρα της ζώνης i και j αντίστοιχα, ε είναι η μέση εκπομπή, και δεδομένου ότι ε=0.5(εi+εj), Δε είναι η διαφορά εκπομπής Δε=(εi-εj), w είναι η συνολική ατμοσφαιρική περιεκτικότητα υδρατμών (σε g/cm2) και C0-C6 είναι οι συντελεστές Split Window. Οι βασικοί παράμετροι που εισάγοντε στον αλγόριθμο είναι η θερμοκρασία φωτεινότητας και η επιφανειακή εκπομπή εδάφους.

[[Εικόνα: VSM_Arthro7_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', Το διάγραμμα ροής για τον προσδιορισμό της θερμοκρασίας επιφάνειας εδάφους. Hydrologic Modeling (pp.343-351)]]

Στις πολυφασματικές εικόνες από το σύστημα Operational Land Imager του Landsat8, γίνεται ένα αρχικό στάδιο επεξεργασίας, μετά ακολουθεί υπολογισμός του δείκτη βλάστησης NDVI, και στη συνέχεια ανά-ταξινόμηση και προσδιορισμός της επιφανειακής εκπομπής εδάφους. Ταυτόχρονα στις εικόνες από τους αισθητήρες υπέρυθρης θερμικής ακτινοβολίας του Landsat8 γίνεται και πάλι ένα πρώτο στάδιο επεξεργασίας, ώστε να ακολουθήσει ο υπολογισμός φωτεινότητας θερμοκρασίας. Αυτές οι διαδικασίες καταλήγουν στην εφαρμογή του αλγορίθμου Split Window, ώστε σε τελικό στάδιο να ανακτηθεί η θερμοκρασία επιφάνειας εδάφους.

[[Εικόνα: VSM_Arthro7_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Απεικόνιση της θερμοκρασίας επιφάνειας εδάφους της περιφέρειας Bhopal της Ινδίας, τα έτη 2014 (a) και 2015 (b). Hydrologic Modeling (pp.343-351)]]

Στο Σχήμα 2, παρατηρείται η εντυπωσιακή αύξηση της θερμοκρασίας επιφάνειας εδάφους στην περιφέρεια του Bhopal από το έτος 2014 στο 2015. Ελάχιστη θερμοκρασία για το 2014 οι 17°C, ενώ για το 2015 οι 19°C. Αντίστοιχα η μέγιστη θερμοκρασία για το 2014 ήταν οι 34°C ενώ το 2015 ήταν 35°C. Αξίζει να σημειωθεί επίσης ότι σε γεωργικές, υδάτινες και πλούσιες σε βλάστηση περιοχές (οι οποίες εκτιμήθηκαν με τη μέθοδο NDVI), παρατηρήθηκε χαμηλότερη θερμοκρασία.

'''Συμπεράσματα:'''

Οι μετρήσεις θερμοκρασίας επιφάνειας εδάφους μπορούν να δώσουν σημαντικά στοιχεία για τα επίπεδα θερμοκρασίας σε μια η περισσότερες περιοχές, ανά διαφορετικά χρονικά διαστήματα, βοηθώντας έτσι τους ερευνητές να πραγματοποιούν συγκρίσεις αλλά και να αναπτύσσουν συστήματα διαχείρισης των παραπάνω συνθηκών. Σε φαινόμενα όπως αυτό της υπερθέρμανσης του πλανήτη που μπορεί να δημιουργήσει σημαντικές επιπτώσεις στο κλίμα στον άνθρωπο και φυσικά σε οικοσυστήματα, θα πρέπει να εστιάσουν οι ερευνητές και να αναπτυχθούν τεχνικές και προτάσεις εξάλειψης αυτών των φαινομένων. Η συνεισφορά των εφαρμογών τηλεπισκόπησης είναι επίσης πολύ σημαντική αναφορικά με τους τρόπους λήψεις και επεξεργασίας των σχετικών παρατηρήσεων αλλά και για τη δυνατότητα ενσωμάτωσης των δεδομένων που μπορούν να παρέχουν για λογισμικά ανάλυσης γεωγραφικών μοντέλων.

[[category:Γεωλογία – Εδαφολογία]]

Αρχείο:VSM Arthro7 Eikona2.png

2021-01-13T16:33:58Z

Vasilis: VSM_Arthro7_Eikona2

VSM_Arthro7_Eikona2

Αρχείο:VSM Arthro7 Eikona1.png

2021-01-13T16:32:39Z

Vasilis: VSM_Arthro7_Eikona1

VSM_Arthro7_Eikona1

Βασίλειος Σπανάκης-Μισιρλής

2021-01-13T16:22:10Z

Vasilis:

Εφαρμογές τηλεπισκόπησης για καταστροφές από τσουνάμι

2021-01-13T16:20:36Z

Vasilis:

'''Πρωτότυπος Τίτλος:''' Application of Remote Sensing for Tsunami Disaster

'''Συγγραφέας:''' Συγγραφείς: Anawat Suppasri, Shunichi Koshimura, Masashi Matsuoka, Hideomi Gokon, Daroonwan Kamthonkiat.

'''Πηγή:''' IntechOpen, DOI: 10.5772/32136

URL: https://www.intechopen.com/books/remote-sensing-of-planet-earth/application-of-remote- sensing-for-tsunami-disaster

'''Εισαγωγή:'''

Το φαινόμενο του τσουνάμι, μπορεί να προκαλέσει τεράστιες υλικές καταστροφές και να αποτελέσει κίνδυνο ακόμη και για τη δημόσια υγεία. Χαρακτηριστικά παραδείγματα του φαινομένου και των επιπτώσεων του μπορούν εύκολα να παρατηρηθούν σε περιπτώσεις όπως αυτών της πόλης Sumatra της Ινδονησίας και των Νησιών Solomon. Με σκοπό να αξιολογηθεί το μέγεθος των καταστροφών, αλλά και να εκτιμηθεί ο χρόνος της ανάκαμψης μιας πόλης, τα τσουνάμι μέχρι πρόσφατος μπορούσαν να μελετηθούν κατά κύριο λόγο με επιτόπιες έρευνες στις περιοχές που επλήγησαν.
Τα τελευταία χρόνια ωστόσο, η τηλεπισκόπηση εφαρμόστηκε σε αρκετές περιπτώσεις, εξετάζοντας περιοχές μετά το τσουνάμι, ακόμη και πριν από αυτό, δίνοντας δυνατότητες σύγκρισης, ώστε να εκτιμηθούν καλύτερα οι επιπτώσεις του φαινομένου, αλλά και οι μέθοδοι ανάκαμψης των περιοχών που επλήγησαν. Εκτός των άλλων με τη χρήση εφαρμογών τηλεπισκόπησης, δίνεται η δυνατότητα παρατήρησης του φαινομένου και των επιπτώσεων του απομακρυσμένα, ώστε να μην είναι απαραίτητη η παρουσία των μελετητών στα σημεία ενδιαφέροντος.

'''Μεθοδολογία:'''

Οι τεχνικές μελέτης των τσουνάμι από ψιλά, εμπεριέχουν φωτογραφικά όργανα σε δορυφόρους, με συστήματα λήψεις στο ορατό φάσμα (RGB) και στο υπέρυθρο (IR). Συγκεκριμένα οι παρατηρήσεις στο υπέρυθρο (όπως και στις περισσότερες τηλεσκοπικές εφαρμογές) είναι ιδιαίτερα χρήσιμες για τον καθορισμό της έκτασης που έχει πλημμυριστεί από το τσουνάμι, εκμεταλλεύοντας τoυς δείκτες βλάστησης, λόγω της διείσδυσης του νερού στην ξηρά. Για τη συγκεκριμένη μελέτη χρησιμοποιείται η τεχνική NDVI (Normalised Difference Vegetation Index), όπου πραγματοποιούνται μετρήσεις στο ορατό φάσμα, και στο υπέρυθρο, μέσω του βαθμού ανάκλασης της βλάστησης στα παραπάνω μήκη κύματος, μπορεί να υπολογιστεί το NDVI. Μια αραιή βλάστηση ανακλά περισσότερο σήμα στο ορατό φως και λιγότερο στο υπέρυθρο, ενώ μια έντονη και υγιής βλάστηση, απορροφά μεγάλο μέρος του ορατού φωτός και ανακλά περισσότερο στο υπέρυθρο. Για να βρούμε το δείκτη βλάστησης NDVI πρέπει να θέσουμε τα επίπεδα ανάκλασης της περιοχής ενδιαφέροντος για το υπέρυθρο και το κόκκινο (ορατός φως) στην παρακάτω διαίρεση.

NDVI=NIR-RED/NIR+RED

[[Εικόνα: VSM_Arthro6_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', Αριστερά, η περιοχή πριν το τσουνάμι. Δεξιά, τα εκτιμώμενα σημεία που θα παρουσιάσουν βλάστηση μετά το τσουνάμι. IntechOpen, DOI: 10.5772/32136]]

Σημαντικό ενδιαφέρον έχει επίσης ο βαθμός καταστροφής που μπορεί να προκαλέσει ένα τσουνάμι, και μπορεί να αξιολογηθεί μέσω φωτογραφιών στο ορατό φως, πριν και μετά το φαινόμενο όπως έγινε και στην περίπτωση των Νησιών Solomon το 2007, με καταγραφές του δορυφόρου υψηλής χορειακής ανάλυσης Quick Bird.

[[Εικόνα: VSM_Arthro6_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Πάνω, περιοχές Πριν το τσουνάμι. Κάτω, περιοχές Μετά το τσουνάμι. IntechOpen, DOI: 10.5772/32136]]

Στο σχήμα 2. απεικονίζονται 4 περιοχές Πριν και Μετά το τσουνάμι, οι οποίες αξιολογούνται εντελώς διαφορετικά βάση του βαθμού καταστροφής που φαίνεται να έχουν υποστεί. Αναλυτικότερα, (από αριστερά προς δεξιά) η πρώτη περιοχή, φαίνεται ότι έχει υποστεί υποστεί ελάχιστες έως και καθόλου ζημίες (no damage). Στη δεύτερη περιοχή φαίνεται να έχουν σχεδόν εξαφανιστεί κάποια οικήματα που σημαίνει ότι η περιοχή έχει επηρεαστεί σε σοβαρό βαθμό από το τσουνάμι (substantial damage). Στην τρίτη περιοχή φαίνεται να έχουν εξαφανιστεί εντελώς τα οικήματα (collapsion), και αντίστοιχα η τέταρτη περιοχή έχει καταστραφεί πλήρως (washed away).
Μεγάλο ενδιαφέρον έχουν και οι παρατήρησης που γίνονται με τη χρήση radar όπως αυτές του δορυφόρου TerraSAR-X. Ένα μεγάλο πλεονέκτημα που διαθέτουν τα συστήματα radar έναντι των οπτικών, είναι ότι μπορούν να παρατηρήσουν μια περιοχή μέρα και νύχτα αλλά και υπό συνθήκες συννεφιάς, μιας και δεν επηρεάζονται ούτε από ατμοσφαιρικές διαταραχές. Η τεχνική στην οποία βασίζονται τα radar είναι αυτή της ανάκλασης των κυμάτων, ενώ τα οπτικά συστήματα που αλλιώς ονομάζονται παθητικά και λαμβάνουν το ανακλώμενο φως, τα radar στέλνουν κύματα προς την επιφάνεια ενδιαφέροντος, γίνεται ανάκλαση από αυτήν, και τα κύματα που φτάνουν στο σύστημα λήψης του radar δίνουν τα χαρακτηριστικά του σήματος.
Βασικό ρόλο για να γίνει ανάκλαση φυσικά παίζει η τραχύτητα της επιφάνειας της περιοχής ενδιαφέροντος, όσο πιο λεία είναι τόσο μεγαλύτερο σήμα θα φτάσει στο radar μέσω της ανάκλασης, όσο λιγότερο λεία είναι, τα κύματα θα ανακλαστούν σε αυτά τα σημεία και θα κατευθυνθούν διαφορετικά, οπότε θα φτάσουν λιγότερα η και καθόλου κύματα στο σύστημα λήψης.
Οι τεχνητές κατασκευές και τα κτήρια παρουσιάζουν συγκριτικά υψηλή ανάκλαση λόγω των λείων επιφανειών που προκύπτει από τις οροφές τους, ενώ οι ανοιχτοί χώροι και τα κατεστραμμένα κτίρια έχουν συγκριτικά χαμηλή ανακλαστικότητα επειδή δημιουργούν μια μεγάλη τραχειά επιφάνεια.

[[Εικόνα: VSM_Arthro6_Eikona3.png‎ |thumb|right|720x460px| '''Σχήμα 3.''', Στην εικόνα A) απεικόνιση radar περιοχής πριν το τσουνάμι. Στην εικόνα B) απεικόνιση radar της ίδιας περιοχής μετά το τσουνάμι. Στην εικόνα C) οπτική απεικόνιση της περιοχής μετά το τσουνάμι. IntechOpen, DOI: 10.5772/32136]]

Όπως φαίνεται στο Σχήμα 3, στην εικόνα B (radar) μπορούμε να δούμε πιο ξεκάθαρα την καταστροφή που προκλήθηκε από το τσουνάμι συγκριτικά με την εικόνα C (οπτική). Η περιοχή που επλήγη παρουσιάζεται αρκετά σκοτεινότερη, λόγο της τραχειάς επιφάνειας που δημιουργήθηκε από τις καταστροφές, με αποτέλεσμα τα κύματα εκεί να ανακλαστούν σε άλλες κατεύθυνσης και το σήμα που έφτασε στο σύστημα λήψης του ραντάρ να είναι ασθενές.

[[Εικόνα: VSM_Arthro6_Eikona4.png‎ |thumb|right|720x460px| '''Σχήμα 4.''', Καμπύλες ευθραυστότητας του τσουνάμι στο Banda Aceh. IntechOpen, DOI: 10.5772/32136]]

Λόγο των τεράστιων καταστροφών που μπορούν να δημιουργηθούν από ένα τσουνάμι προκύπτει και μια ανάλογη οικονομική καταστροφή για την περιοχή που επλήγη. Mε την ενσωμάτωση ορισμένων συντελεστών σε μια στατιστική ανάλυση μπορεί να προσδιοριστεί ενδεικτικά ένας βαθμός της καταστροφής.
Οι καμπύλες ευθραυστότητας στο Σχηήμα 4, ορίζουν μια σχέση πιθανότητας μεταξύ των ζημιών και των υδροδυναμικών χαρακτηριστικών για το τσουναμι στο Banda Ατσέχ. Σοβαρή περίπτωση καταστροφής χαρακτηρίζεται όταν το βάθος πλημμύρας είναι μεγαλύτερο από 3m, η ταχύτητα ρεύματος είναι μεγαλύτερη από 4m/s και η υδροδυναμική δύναμη είναι μεγαλύτερη από 25 kN /m.
Σε αυτά τα πλαίσια μπορούν να βασιστούν μελέτες που εστιάζουν στην εκτίμηση μιας καταστροφής βάση της έκτασης και του βάθους της πλημμύρας που μπορεί να προκαλέσει ένα τσουνάμι.

[[Εικόνα: VSM_Arthro6_Eikona5.png‎ |thumb|right|720x460px| '''Σχήμα 5.''', Στον οριζόντιο άξονα το βάθος της πλημμύρας (σε μέτρα).
Στον κάθετο άξονα ο αριθμός των κτιρίων της περιοχής ενδιαφέροντος. Με μπλε χρώμα σημειώνονται τα κτίρια που δεν καταστράφηκαν. Με κόκκινο χρώμα σημειώνονται τα κτίρια που καταστράφηκαν. IntechOpen, DOI: 10.5772/32136]]

'''Συμπεράσματα:'''

Οι καταστροφές που μπορούν να προκαλέσουν τα τσουνάμι φαίνεται να έχουν πολύπλευρα αντίκτυπα σε μια περιοχή (πέραν της επικινδυνότητας και της θνησιμότητας), τόσο στους οικονομικούς τομείς όσο και σε αυτούς της βλάστησης και κατ’ επέκταση και σε αυτούς των οικοσυστημάτων. Με τις εφαρμογές τηλεπισκόπησης δίνεται η δυνατότητα στους παρατηρητές του φαινομένου να μπορούν να εκτιμήσουν τι επιπτώσεις θα μπορούσε να επιφέρει ένα τσουνάμι σε μια περιοχή ανάλογα με τα χαρακτηριστικά του, και φυσικά να μελετήσουν την εξέλιξη των πιθανών καταστροφών. Επίσης δεδομένου ότι οι παρατηρήσεις που καταγράφονται σε περιοχές ενδιαφέροντος μπορούν να εφαρμοστούν σε λογισμικά GIS, τα όρια μιας πλημμύρας μπορούν να εξεταστούν αμέσως χρησιμοποιώντας παλιότερα δεδομένα που βασίζονται σε πληροφορίες εδάφους της περιοχής, με απομακρυσμένη παρακολούθηση σε πολύ γρήγορο χρόνο. Παρόλο που σε ορισμένες συνθήκες είναι δύσκολο τα εναέρια μέσα να αποτυπώσουν όλες τις χρήσιμες πληροφορίες όπως την επιθεώρηση ζημιών ενός δομικού μέλους, οι δορυφόροι υψηλής χορειακής ανάλυσης όπως οι οπτικοί QuickBird και IKONOS, ή ακόμα και δορυφόροι ραντάρ όπως ο TerraSAR-X, μπορούν να προσφέρουν σημαντικές πληροφορίες σχετικά με το μέγεθος των καταστροφών, βάση των διατηρημένων οικημάτων που μπορεί να απεικονισθούν σε μια περιοχή, και να γίνει ταξινόμηση κτιρίων ως κατεστραμμένων ή διατηρημένων, ώστε να προσδιοριστεί η κοινωνικοοικονομική καταστροφή μιας περιοχής.

[[category:Διαχείριση κινδύνων]]

Αρχείο:VSM Arthro6 Eikona5.png

2021-01-13T16:19:57Z

Vasilis: VSM_Arthro6_Eikona5

VSM_Arthro6_Eikona5

Αρχείο:VSM Arthro6 Eikona4.png

2021-01-13T16:18:41Z

Vasilis: VSM_Arthro6_Eikona4

VSM_Arthro6_Eikona4

Εφαρμογές τηλεπισκόπησης για καταστροφές από τσουνάμι

2021-01-13T16:16:42Z

Vasilis:

Εφαρμογές τηλεπισκόπησης για καταστροφές από τσουνάμι

2021-01-13T16:16:19Z

Vasilis:

Αρχείο:VSM Arthro6 Eikona3.png

2021-01-13T16:15:49Z

Vasilis: VSM_Arthro6_Eikona3

VSM_Arthro6_Eikona3

Εφαρμογές τηλεπισκόπησης για καταστροφές από τσουνάμι

2021-01-13T16:15:13Z

Vasilis:

Αρχείο:VSM Arthro6 Eikona2.png

2021-01-13T16:14:26Z

Vasilis: VSM_Arthro6_Eikona2

VSM_Arthro6_Eikona2

Εφαρμογές τηλεπισκόπησης για καταστροφές από τσουνάμι

2021-01-13T16:13:50Z

Vasilis: Νέα σελίδα με ''''Πρωτότυπος Τίτλος:''' Application of Remote Sensing for Tsunami Disaster '''Συγγραφέας:''' Συγγραφείς: Anawat Suppasri, Shunichi Ko...'

Αρχείο:VSM Arthro6 Eikona1.png

2021-01-13T16:12:50Z

Vasilis: VSM_Arthro6_Eikona1

VSM_Arthro6_Eikona1

Ανίχνευση εξωπλανητών με τη μέθοδο της διέλευσης

2021-01-13T16:10:39Z

Vasilis:

'''Πρωτότυπος Τίτλος:''' Detection of Exoplanets Using the Transit Method

'''Συγγραφέας:''' Afanasev Dennis, COMPUTER SCIENCE, CCAS ‘20

'''Πηγή:''' THE GEORGE WASHINGTON UNIVERSITY

URL: https://scholarspace.library.gwu.edu/concern/gw_works/ww72bb82z

'''Εισαγωγή:'''

Όλοι οι πλανήτες στο ηλιακό μας σύστημα περιστρέφονται γύρω από τον ΉΉλιο. Ακριβώς το ίδιο συμβαίνει και σε πλανήτες που περιστρέφονται γύρω από άλλα αστέρια, τους οποίους ονομάζουμε εξωπλανήτες. Εξαιτίας του έντονου φωτισμού των αστεριών, οι εξωπλανήτες είναι ιδιαίτερα δύσκολο να ανιχνευτούν άμεσα μέσα από τηλεσκόπια, για αυτό το λόγο από το 1992 που ανακαλύφθηκε ο πρώτος εξωπλανήτης έχουν καθιερωθεί αρκετές μέθοδοι και τεχνικές ανίχνευσης εξωπλανητών μέσω της τηλεπισκόπησης άλλων ηλιακών συστημάτων. Μια από αυτές τις μεθόδους είναι αυτή της Διάβασης (Transit Method), η οποία είναι αρκετά δημοφιλής, αρχικά λόγο της αξιοπιστίας της στην έρευνα του φαινομένου, και αφετέρου για τη δυνατότητά που δίνει ακόμη και σε ερασιτέχνες αστρονόμους να συμβάλουν και αυτοί ερευνητικά με Follow Up παρατηρήσεις εξωπλανητών ακόμη και ανακαλύψεις. Με λίγα λόγια, με τη μέθοδο της διάβασης εκμεταλλευόμαστε την τροχιά των εξωπλανητών γύρω από το άστρο τους έτσι ώστε, όταν ο εξωπλανήτης περνάει μπροστά από αυτό, να έχουμε φαινομενική πτώση της φωτεινότητας του άστρου.

'''Μεθοδολογία:'''

Η μέθοδος της διάβασης βασίζεται στην παρατήρηση του αστέρα του οποίου που θέλουμε να εξετάσουμε αν υπάρχει εξωπλανήτης, άρα στη σύγκριση της φαινομενικής φωτεινότητας του αστέρα-στόχου, με διαδοχικές παρατηρήσεις ώστε να γίνει αντιληπτή η πτώση φωτεινότητας του αστέρα όταν ο εξωπλανήτης περνάει ενδιάμεσα από το άστρο και το όργανο παρατήρησης.
Αρχικά, χρησιμοποιώντας τις προβλεπόμενες περιόδους διέλευσης εξωπλανητών που έχουν δημιουργηθεί από παλιότερες παρατηρήσεις, μπορούν να οριστούν οι μέρες και οι ώρες παρατηρήσεις αστεριών-στόχων για λήψη δεδομένων πριν, μετά και κατά τη διάρκεια της προβλεπόμενης διέλευσης ενός εξωπλανήτη. Αυτά τα δεδομένα στη συνέχεια χρησιμοποιούνται για τη δημιουργία ενός συνόλου δεδομένων τιμών ροής για κάθε καρέ/ frame που έχει ληφθεί κατά τη διάρκεια της παρατήρησης.

[[Εικόνα: VSM_Arthro2_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', Η πτώση της καμπύλης φωτισμού του άστρου την ώρα της διέλευσης. THE GEORGE WASHINGTON UNIVERSITY]]

Κατά κύριο λόγο τα όργανα που εφαρμόζουν τη μέθοδο της Διάβασης είναι οπτικά τηλεσκόπια, τα οποία είναι εξοπλισμένα με μονόχρωμους φωτογραφικούς αισθητήρες. Προκειμένου να γίνει η φωτομετρία γίνεται η ανάλυση ADU (Analog το Digital Unit) τα οποία είναι η τιμή του φωτισμού που θα λάβει ένας φωτογραφικός αισθητήρας μιάς και κάθε pixel επηρεάζεται από έναν αριθμό φωτονίων, η οποία επιρροή εξάγεται στην τιμή ADU.
Αφού τελειώσει η συλλογή των δεδομένων, γίνετε το post processing στο οποίο γίνεται η ανάλυση των ADU στο αστέρι που έχει επιλεχτεί για να φωτομετρηθεί. Σε αυτό το σημείο είναι σημαντικό να αναφερθεί ότι μαζί με το αστέρα-στόχο για την παρατήρηση διέλευσης ενός εξωπλανήτη, πραγματοποιείται φωτομετρία και σε αλλα άστρα του πεδίου, προκείμενου να συγκριθούν οι καμπύλες (τα επίπεδα φωτεινότητας), ώστε να αποκλειστεί το ενδεχόμενο σφάλματος. Αν δηλαδή, υπάρχει πτώση φωτεινότητας όχι μονο στον αστέρα-στόχο αλλά σε όλα τα άστρα του πεδίου, τότε η πτώση φωτεινότητας μπορεί να οφείλεται σε άλλο παράγοντα, όπως για παράδειγμα κάποιο οπτικό σφάλμα όπως μια τοπική ανάκλαση, μια ατμοσφαιρική διαταραχή, ακόμη και μια είσοδος συννέφων στο οπτικό πεδίο.

[[Εικόνα: VSM_Arthro2_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Επιλογή του αστέρα-στόχου και των συγκριτικών αστεριών. THE GEORGE WASHINGTON UNIVERSITY]]

Στο τέλος της φωτομετρικής ανάλυσης, ο φωτισμός των επιλεγμένων αστεριών μετατρέπεται σε καμπύλη φωτισμού και χρόνου ώστε σε πρώτο στάδιο να αποκλείσουμε το ενδεχόμενο σφάλματος, στη σύγκριση με άλλα άστρα και σε δεύτερο και σημαντικότερο στάδιο να επιβεβαιώσουμε την περίοδο και το επίπεδο της πτώσης της φωτεινότητας, άρα και την ανίχνευση εξωπλανήτη. Για να είναι ακόμη πιο αξιόπιστο και ξεκάθαρο το αποτέλεσμα της παρατήρησης, τα προγράμματα ανάλυσης δίνουν τη δυνατότητα να ορίσουμε την προβλεπόμενη περίοδο πτώσης φωτεινότητας, ώστε να δημιουργηθούν σημεία αναφοράς στο διάγραμμα.

[[Εικόνα: VSM_Arthro2_Eikona3.png‎ |thumb|right|720x460px| '''Σχήμα 3.''', Διάγραμμα φωτεινότητας (κάθετος άξονας) και χρόνου (οριζόντιος άξονας). Στην μπλε καμπύλη, η πτώση φωτεινότητας του αστέρα HAT-P-32 λόγο της διάβασης του εξωπλανήτη HAT-P-32b. Στην μαύρη, πράσινη και μώβ καμπύλη, το επίπεδο φωτεινότητας των αστεριών σύγκρισης. THE GEORGE WASHINGTON UNIVERSITY]]

'''Συμπεράσματα:'''

Παρόλο που ένας πλανήτης συνήθως εμποδίζει ελάχιστο ποσοστό φωτισμού από ένα αστέρι, (1% ή λιγότερο), είναι δυνατόν να ανιχνευθεί. Σίγουρα η μέθοδος δεν θα λειτουργήσει για κάθε περίπτωση, μιας και μόνο περίπου το 10% των ‘’Hot
Jupiters’’ (μεγάλοι εξωπλανήτες κοντά στο αστέρι κατά τη διάρκεια της διάβασης) είναι ευθυγραμμισμένοι με τέτοιο τρόπο ώστε να τους βλέπουμε να διέρχονται. Ωστόσο για εξωπλανήτες που μπορούμε να παρατηρήσουμε με τη μέθοδο της διάβασης, οι αστρονόμοι μπορούν να λάβουν πολύτιμες πληροφορίες για την ατμόσφαιρα του εξοπλανήτη, τις θερμοκρασίες και το μέγεθος της επιφάνειας τα οποία αποτελούν ένα τεράστιο ερευνητικό πεδίο.
Σε κάθε περίπτωση, η μέθοδος της διάβασης δίνει τη δυνατότητα εύκολων και σχετικά γρήγορων παρατηρήσεων για την ανίχνευση και επιβεβαίωση εξωπλανητών με μέσα τηλεπισκόπησης όπως τα οπτικά τηλεσκόπια διαστημικά και μη.

[[category:Διαστημική Τηλεπισκόπηση]]

Βασίλειος Σπανάκης-Μισιρλής

2021-01-13T16:08:15Z

Vasilis:

Υπέρυθρη θερμική τηλεπισκόπηση θερμοκρασίας νερού σε περιοχές ποταμών

2021-01-13T16:07:14Z

Vasilis:

'''Πρωτότυπος Τίτλος:''' Thermal Infrared Remote Sensing of Water Temperature in Riverine Landscapes

'''Συγγραφείς:''' Rebecca N. Handcock, Christian E. Torgersen, Keith A. Cherkauer, Alan R. Gillespie, Klement Tockner, Russel N. Faux and Jing Tan

'''Πηγή:''' Fluvial Remote Sensing for Science and Management (pp.85-113) Publisher: John Wiley & Sons, Ltd

URL: https://www.researchgate.net/publication/236464169

'''Εισαγωγή:'''

Το νερό αποτελεί ένα πολύ σημαντικό ερευνητικό πεδίο για τους επιστήμονες περιβάλλοντος λόγο της τεράστιας βιολογικής σημασίας που έχει τόσο για τον άνθρωπο όσο και για όλους τους οργανισμούς.
Η θερμοκρασία είναι ένα από τα βασικά στοιχειά για την ανάλυση της ποιότητας του νερού και χρησιμοποιείται ως παράμετρος για την αξιολόγηση επικινδυνότητας για ορισμένους πληθυσμούς που ζουν σε αυτό.
Σε περιοχές όπως τα ποτάμια, παρατηρείται η ανάπτυξη οικοσυστημάτων με ψάρια κρύου νερού όπως η πέστροφα και ο σολωμός που είναι ιδιαίτερα ευάλωτα στις υψηλές θερμοκρασίες. Η πέστροφα και ο σολομός μπορούν να επιβιώσουν σε καταφύγια κρύου νερού ακόμα και όταν οι θερμοκρασίες σε άλλες τοποθεσίες είναι αρκετά ψηλότερες, έτσι είναι πολύ σημαντικός ο εντοπισμός των καταφυγίων αυτών για τη μελέτη ενός συγκεκριμένου οικοσυστήματος, ο οποίος μπορεί να γίνει με τη βοήθεια της μέτρησης της θερμοκρασίας των ποταμών.
Η μέτρηση της θερμοκρασίας σε τέτοιες περιοχές μπορούσε να γίνει συμβατικά
με διαφόρους τρόπους, όπως με την τοποθέτηση θερμομέτρων στα σημεία ενδιαφέροντος, με τις δυνατότητες όμως που μπορεί να προσφέρει η τηλεπισκόπηση, η μετρήσεις μπορούν να γίνονται πλέον και με εναέρια μέσα, αρκετά απομακρυσμένα από τα σημεία ενδιαφέροντος.

'''Μεθοδολογία:'''

Ο τρόπος μέτρησης της θερμοκρασίας του νερού και γενικότερα της γης με εναέρια μέσα μπορεί να γίνει από δορυφόρους ή αεροπλάνα και αφορά τη χρήση θερμικών υπέρυθρων αισθητήρων που μπορούν να απεικονίσουν τη θερμική ακτινοβολία ώστε να μπορέσει έτσι να εξεταστεί η θερμοκρασία των περιοχών ενδιαφέροντος. Τα πλεονεκτήματα της μέτρησης της θερμοκρασίας μέσω της τηλεπισκόπησης είναι αρκετά, και αυτό οφείλεται στην δυνατότητα περιφερειακής κάλυψης και επαναλαμβανόμενης παρακολούθησης μιας η’ περισσοτέρων περιοχών, κάτι που σε άλλες περιπτώσεις θα απαιτούσε την τοποθέτηση πολλών θερμομέτρων στις περιοχές ενδιαφέροντος. Πρόκειται για μια καθιερωμένη πρακτική που χρησιμοποιείτε και στην ωκεανογραφία όπου πραγματοποιούνται καθημερινές μετρήσεις θερμοκρασίας της επιφάνειας της θάλασσας από δορυφόρους. Οι επαναλαμβανόμενες καταγραφές μπορούν να χρησιμοποιηθούν για την αξιολόγηση τόσο της επιφάνειας του νερού όσο και των παρακείμενων περιοχών των ποταμών ενώ μπορεί

να ποσοτικοποιήσουν χωρικά μοτίβα θερμοκρασίας νερού σε ρέματα, ποτάμια και πλημμύρες, σε κλίμακες που κυμαίνονται από από 1m έως πάνω από 100km. Το πεδίο (FOV) και η ανάλυση που μπορεί να παρέχει μια μέτρηση εξαρτάται αποκλειστικά από το μέσο καταγραφής, δηλαδή τον θερμικό υπέρυθρο σενσορα, και τη μορφή της πτήσης ώστε να μπορέσει να καταγράψει δεδομένα από πολλά σημεία της περιοχής και στη συνέχεια να τα συνθέσει πραγματοποιώντας ένα μωσαϊκό εικόνων.

[[Εικόνα: VSM_Arthro5_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', (a) Tηλεπισκοπικη απεικόνιση ποταμιού με φυσικά χρώματα (RGB).
(b) Tηλεπισκοπικη απεικόνιση ποταμιού στο θερμικό υπέρυθρο.
ΌΌσο πιο ανοιχτή είναι η απόχρωση του χρώματος σε μια περιοχή, τόσο πιο θερμή είναι. Η επιφάνεια του εδάφους και της βλάστησης απεικονίζονται σε αποχρώσεις του γκρι. Fluvial Remote Sensing for Science and Management (pp.85-113) Publisher: John Wiley & Sons, Ltd
]]

Το Σχήμα 1., είναι ιδιαίτερα χρήσιμο στο να κατανοηθεί πως συλλέγονται και πως εξετάζονται τα δεδομένα, Αρχικά στις απεικονίσεις (a) και (b) μπορούμε πολύ εύκολα να διακρίνουμε ότι έχει γίνει γεωμετρική σύνθεση εικόνων, δηλαδή μωσαϊκό. Συγκριτικά με τις απεικονίσεις (a) και (b) μπορούμε να δούμε ότι στην απεικόνιση (b) λόγο της διαφοράς θερμοκρασίας νερού και ξηράς, το ποτάμι είναι πολύ πιο εύκολα διακριτό σε σχέση με την απεικόνιση (a).
Επίσης στο θερμικό υπέρυθρο μπορεί να παρατηρήσουμε εκτός από τα ρεύματα του νερού και περιοχές αυξημένης υγρασίας στο έδαφος που φαίνονται ως αρκετά δροσερά σημεία, κάτι που στην εικόνα φυσικών χρωμάτων θα ήταν αδύνατον να διακρίνουμε.
Αναφορικά με την απεικόνιση θερμικού υπέρυθρου στην Εικόνα 1, θα μπορούσαμε να ορίσουμε ότι το εύρος θερμοκρασίας του νερού στην περιοχή κυμαίνεται μεταξύ ≈26°C στα θερμά σημεία με χρώμα ανοιχτού κίτρινου, έως ≈16°C στα πιο δροσερά σημεία με χρώμα σκούρου κόκκινου, στις περιοχές των πηγών του ποταμού (Springs).

Στις καταγραφές υπέρυθρης ακτινοβολίας, τα δεδομένα επηρεάζονται από τις ατμοσφαιρικές διαταραχές. Για το λόγο ότι η ατμοσφαιρική διόρθωση μπορεί να είναι χρονοβόρα και δαπανηρή, μια εναλλακτική λύση είναι να χρησιμοποιηθούν μη ατμοσφαιρικά διορθωμένα δεδομένα θερμοκρασίας νερού για την αξιολόγηση σχετικών χωρικών προτύπων, σε άλλη περίπτωση παρόλο που οι ατμοσφαιρικές διαταραχές δεν θα επηρέαζαν στη μέτρηση της θερμοκρασίας, μπορεί να υπήρχε επιρροή στη γεωγραφική απεικόνιση της περιοχής η οποία θα ήταν σημαντική για ορισμένες περιπτώσεις που η απόλυτη θερμοκρασία μια περιοχής είναι απαραίτητη, όπως η χαρτογράφηση θερμικών χαρακτηριστικών ενός οικοτόπου με γεωγραφική ακρίβεια. Μια μέθοδος επεξεργασίας των δεδομένων που συμπεριλαμβάνει τη διαδικασία ατμοσφαιρικής διόρθωσης απεικονίζεται στο Σχήμα 2.

[[Εικόνα: VSM_Arthro5_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Διάγραμμα ροής της επεξεργασίας των δεδομένων. Αρχικά, υπολογίζεται η ένταση της ακτινοβολίας στα δεδομένα, στη συνέχεια διορθώνεται ατμοσφαιρικά, και τέλος χρησιμοποιώντας το νόμο του Planck, καθορίζεται η θερμοκρασία της επιφάνειας. Fluvial Remote Sensing for Science and Management (pp.85-113) Publisher: John Wiley & Sons, Ltd]]

'''Συμπεράσματα:'''

Η καταγραφή της θερμοκρασίας των ποταμών μπορεί να γίνει αρκετά εύκολα μέσω εναέριων μέσων καταγραφής θερμικής υπέρυθρης ακτινοβολίας. Δεδομένης της κίνησης των μέσων αυτών πάνω από τις περιοχές ενδιαφέροντος, είναι ευκολότερη η καταγραφή της θεμροκρασίας με τηλεπισκοπικές μεθόδους τόσο του νερού όσου και της ξηράς, σε γρηγορότερο χρόνο από θα γινόταν με συμβατικούς τρόπους, κύριος για περιοχές που είναι δύσκολα προσβάσιμες. Η μέτρηση της θερμοκρασίας των ποταμών με τηλεπισκοπικές μεθόδους, μπορεί να δώσει πολύ σημαντικά στοιχεία για την ποιότητα του νερού και να συμβάλει σημαντικά στη μελέτη υδάτινων οικοσυστημάτων που επηρεάζονται άμεσα και έμμεσα από τις μεταβολές της θερμοκρασίας. Με τον ίδιο τρόπο, μπορεί να γίνει και ευκολότερα μια σύγκριση θερμοκρασίας νερού μεταξύ 2 η περισσοτέρων περιοχών, και να εξεταστούν φαινόμενα επιρροής της θερμοκρασίας στα σημεία αυτά από παράγοντες όπως η ανθρώπινη δραστηριότητα και η χρήση Γης.

[[category:Υδατικοί Πόροι]]

Υπέρυθρη θερμική τηλεπισκόπηση θερμοκρασίας νερού σε περιοχές ποταμών

2021-01-13T16:06:59Z

Vasilis:

'''Πρωτότυπος Τίτλος:''' Thermal Infrared Remote Sensing of Water Temperature in Riverine Landscapes

'''Συγγραφείς:''' Rebecca N. Handcock, Christian E. Torgersen, Keith A. Cherkauer, Alan R. Gillespie, Klement Tockner, Russel N. Faux and Jing Tan

'''Πηγή:''' Fluvial Remote Sensing for Science and Management (pp.85-113) Publisher: John Wiley & Sons, Ltd

URL: https://www.researchgate.net/publication/236464169

'''Εισαγωγή:'''

Το νερό αποτελεί ένα πολύ σημαντικό ερευνητικό πεδίο για τους επιστήμονες περιβάλλοντος λόγο της τεράστιας βιολογικής σημασίας που έχει τόσο για τον άνθρωπο όσο και για όλους τους οργανισμούς.
Η θερμοκρασία είναι ένα από τα βασικά στοιχειά για την ανάλυση της ποιότητας του νερού και χρησιμοποιείται ως παράμετρος για την αξιολόγηση επικινδυνότητας για ορισμένους πληθυσμούς που ζουν σε αυτό.
Σε περιοχές όπως τα ποτάμια, παρατηρείται η ανάπτυξη οικοσυστημάτων με ψάρια κρύου νερού όπως η πέστροφα και ο σολωμός που είναι ιδιαίτερα ευάλωτα στις υψηλές θερμοκρασίες. Η πέστροφα και ο σολομός μπορούν να επιβιώσουν σε καταφύγια κρύου νερού ακόμα και όταν οι θερμοκρασίες σε άλλες τοποθεσίες είναι αρκετά ψηλότερες, έτσι είναι πολύ σημαντικός ο εντοπισμός των καταφυγίων αυτών για τη μελέτη ενός συγκεκριμένου οικοσυστήματος, ο οποίος μπορεί να γίνει με τη βοήθεια της μέτρησης της θερμοκρασίας των ποταμών.
Η μέτρηση της θερμοκρασίας σε τέτοιες περιοχές μπορούσε να γίνει συμβατικά
με διαφόρους τρόπους, όπως με την τοποθέτηση θερμομέτρων στα σημεία ενδιαφέροντος, με τις δυνατότητες όμως που μπορεί να προσφέρει η τηλεπισκόπηση, η μετρήσεις μπορούν να γίνονται πλέον και με εναέρια μέσα, αρκετά απομακρυσμένα από τα σημεία ενδιαφέροντος.

'''Μεθοδολογία:'''

Ο τρόπος μέτρησης της θερμοκρασίας του νερού και γενικότερα της γης με εναέρια μέσα μπορεί να γίνει από δορυφόρους ή αεροπλάνα και αφορά τη χρήση θερμικών υπέρυθρων αισθητήρων που μπορούν να απεικονίσουν τη θερμική ακτινοβολία ώστε να μπορέσει έτσι να εξεταστεί η θερμοκρασία των περιοχών ενδιαφέροντος. Τα πλεονεκτήματα της μέτρησης της θερμοκρασίας μέσω της τηλεπισκόπησης είναι αρκετά, και αυτό οφείλεται στην δυνατότητα περιφερειακής κάλυψης και επαναλαμβανόμενης παρακολούθησης μιας η’ περισσοτέρων περιοχών, κάτι που σε άλλες περιπτώσεις θα απαιτούσε την τοποθέτηση πολλών θερμομέτρων στις περιοχές ενδιαφέροντος. Πρόκειται για μια καθιερωμένη πρακτική που χρησιμοποιείτε και στην ωκεανογραφία όπου πραγματοποιούνται καθημερινές μετρήσεις θερμοκρασίας της επιφάνειας της θάλασσας από δορυφόρους. Οι επαναλαμβανόμενες καταγραφές μπορούν να χρησιμοποιηθούν για την αξιολόγηση τόσο της επιφάνειας του νερού όσο και των παρακείμενων περιοχών των ποταμών ενώ μπορεί

να ποσοτικοποιήσουν χωρικά μοτίβα θερμοκρασίας νερού σε ρέματα, ποτάμια και πλημμύρες, σε κλίμακες που κυμαίνονται από από 1m έως πάνω από 100km. Το πεδίο (FOV) και η ανάλυση που μπορεί να παρέχει μια μέτρηση εξαρτάται αποκλειστικά από το μέσο καταγραφής, δηλαδή τον θερμικό υπέρυθρο σενσορα, και τη μορφή της πτήσης ώστε να μπορέσει να καταγράψει δεδομένα από πολλά σημεία της περιοχής και στη συνέχεια να τα συνθέσει πραγματοποιώντας ένα μωσαϊκό εικόνων.

[[Εικόνα: VSM_Arthro5_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', (a) Tηλεπισκοπικη απεικόνιση ποταμιού με φυσικά χρώματα (RGB).
(b) Tηλεπισκοπικη απεικόνιση ποταμιού στο θερμικό υπέρυθρο.
ΌΌσο πιο ανοιχτή είναι η απόχρωση του χρώματος σε μια περιοχή, τόσο πιο θερμή είναι. Η επιφάνεια του εδάφους και της βλάστησης απεικονίζονται σε αποχρώσεις του γκρι. Fluvial Remote Sensing for Science and Management (pp.85-113) Publisher: John Wiley & Sons, Ltd
]]

Το Σχήμα 1., είναι ιδιαίτερα χρήσιμο στο να κατανοηθεί πως συλλέγονται και πως εξετάζονται τα δεδομένα, Αρχικά στις απεικονίσεις (a) και (b) μπορούμε πολύ εύκολα να διακρίνουμε ότι έχει γίνει γεωμετρική σύνθεση εικόνων, δηλαδή μωσαϊκό. Συγκριτικά με τις απεικονίσεις (a) και (b) μπορούμε να δούμε ότι στην απεικόνιση (b) λόγο της διαφοράς θερμοκρασίας νερού και ξηράς, το ποτάμι είναι πολύ πιο εύκολα διακριτό σε σχέση με την απεικόνιση (a).
Επίσης στο θερμικό υπέρυθρο μπορεί να παρατηρήσουμε εκτός από τα ρεύματα του νερού και περιοχές αυξημένης υγρασίας στο έδαφος που φαίνονται ως αρκετά δροσερά σημεία, κάτι που στην εικόνα φυσικών χρωμάτων θα ήταν αδύνατον να διακρίνουμε.
Αναφορικά με την απεικόνιση θερμικού υπέρυθρου στην Εικόνα 1, θα μπορούσαμε να ορίσουμε ότι το εύρος θερμοκρασίας του νερού στην περιοχή κυμαίνεται μεταξύ ≈26°C στα θερμά σημεία με χρώμα ανοιχτού κίτρινου, έως ≈16°C στα πιο δροσερά σημεία με χρώμα σκούρου κόκκινου, στις περιοχές των πηγών του ποταμού (Springs).

Στις καταγραφές υπέρυθρης ακτινοβολίας, τα δεδομένα επηρεάζονται από τις ατμοσφαιρικές διαταραχές. Για το λόγο ότι η ατμοσφαιρική διόρθωση μπορεί να είναι χρονοβόρα και δαπανηρή, μια εναλλακτική λύση είναι να χρησιμοποιηθούν μη ατμοσφαιρικά διορθωμένα δεδομένα θερμοκρασίας νερού για την αξιολόγηση σχετικών χωρικών προτύπων, σε άλλη περίπτωση παρόλο που οι ατμοσφαιρικές διαταραχές δεν θα επηρέαζαν στη μέτρηση της θερμοκρασίας, μπορεί να υπήρχε επιρροή στη γεωγραφική απεικόνιση της περιοχής η οποία θα ήταν σημαντική για ορισμένες περιπτώσεις που η απόλυτη θερμοκρασία μια περιοχής είναι απαραίτητη, όπως η χαρτογράφηση θερμικών χαρακτηριστικών ενός οικοτόπου με γεωγραφική ακρίβεια. Μια μέθοδος επεξεργασίας των δεδομένων που συμπεριλαμβάνει τη διαδικασία ατμοσφαιρικής διόρθωσης απεικονίζεται στο Σχήμα 2.

[[Εικόνα: VSM_Arthro5_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Διάγραμμα ροής της επεξεργασίας των δεδομένων. Αρχικά, υπολογίζεται η ένταση της ακτινοβολίας στα δεδομένα, στη συνέχεια διορθώνεται ατμοσφαιρικά, και τέλος χρησιμοποιώντας το νόμο του Planck, καθορίζεται η θερμοκρασία της επιφάνειας. Fluvial Remote Sensing for Science and Management (pp.85-113) Publisher: John Wiley & Sons, Ltd]]

'''Συμπεράσματα:
'''
Η καταγραφή της θερμοκρασίας των ποταμών μπορεί να γίνει αρκετά εύκολα μέσω εναέριων μέσων καταγραφής θερμικής υπέρυθρης ακτινοβολίας. Δεδομένης της κίνησης των μέσων αυτών πάνω από τις περιοχές ενδιαφέροντος, είναι ευκολότερη η καταγραφή της θεμροκρασίας με τηλεπισκοπικές μεθόδους τόσο του νερού όσου και της ξηράς, σε γρηγορότερο χρόνο από θα γινόταν με συμβατικούς τρόπους, κύριος για περιοχές που είναι δύσκολα προσβάσιμες. Η μέτρηση της θερμοκρασίας των ποταμών με τηλεπισκοπικές μεθόδους, μπορεί να δώσει πολύ σημαντικά στοιχεία για την ποιότητα του νερού και να συμβάλει σημαντικά στη μελέτη υδάτινων οικοσυστημάτων που επηρεάζονται άμεσα και έμμεσα από τις μεταβολές της θερμοκρασίας. Με τον ίδιο τρόπο, μπορεί να γίνει και ευκολότερα μια σύγκριση θερμοκρασίας νερού μεταξύ 2 η περισσοτέρων περιοχών, και να εξεταστούν φαινόμενα επιρροής της θερμοκρασίας στα σημεία αυτά από παράγοντες όπως η ανθρώπινη δραστηριότητα και η χρήση Γης.

[[category:Υδατικοί Πόροι]]

Υπέρυθρη θερμική τηλεπισκόπηση θερμοκρασίας νερού σε περιοχές ποταμών

2021-01-13T16:06:47Z

Vasilis:

'''Πρωτότυπος Τίτλος:''' Thermal Infrared Remote Sensing of Water Temperature in Riverine Landscapes

'''Συγγραφείς:''' Rebecca N. Handcock, Christian E. Torgersen, Keith A. Cherkauer, Alan R. Gillespie, Klement Tockner, Russel N. Faux and Jing Tan

'''Πηγή:''' Fluvial Remote Sensing for Science and Management (pp.85-113) Publisher: John Wiley & Sons, Ltd

URL: https://www.researchgate.net/publication/236464169

'''Εισαγωγή:'''

Το νερό αποτελεί ένα πολύ σημαντικό ερευνητικό πεδίο για τους επιστήμονες περιβάλλοντος λόγο της τεράστιας βιολογικής σημασίας που έχει τόσο για τον άνθρωπο όσο και για όλους τους οργανισμούς.
Η θερμοκρασία είναι ένα από τα βασικά στοιχειά για την ανάλυση της ποιότητας του νερού και χρησιμοποιείται ως παράμετρος για την αξιολόγηση επικινδυνότητας για ορισμένους πληθυσμούς που ζουν σε αυτό.
Σε περιοχές όπως τα ποτάμια, παρατηρείται η ανάπτυξη οικοσυστημάτων με ψάρια κρύου νερού όπως η πέστροφα και ο σολωμός που είναι ιδιαίτερα ευάλωτα στις υψηλές θερμοκρασίες. Η πέστροφα και ο σολομός μπορούν να επιβιώσουν σε καταφύγια κρύου νερού ακόμα και όταν οι θερμοκρασίες σε άλλες τοποθεσίες είναι αρκετά ψηλότερες, έτσι είναι πολύ σημαντικός ο εντοπισμός των καταφυγίων αυτών για τη μελέτη ενός συγκεκριμένου οικοσυστήματος, ο οποίος μπορεί να γίνει με τη βοήθεια της μέτρησης της θερμοκρασίας των ποταμών.
Η μέτρηση της θερμοκρασίας σε τέτοιες περιοχές μπορούσε να γίνει συμβατικά
με διαφόρους τρόπους, όπως με την τοποθέτηση θερμομέτρων στα σημεία ενδιαφέροντος, με τις δυνατότητες όμως που μπορεί να προσφέρει η τηλεπισκόπηση, η μετρήσεις μπορούν να γίνονται πλέον και με εναέρια μέσα, αρκετά απομακρυσμένα από τα σημεία ενδιαφέροντος.

'''Μεθοδολογία:'''

Ο τρόπος μέτρησης της θερμοκρασίας του νερού και γενικότερα της γης με εναέρια μέσα μπορεί να γίνει από δορυφόρους ή αεροπλάνα και αφορά τη χρήση θερμικών υπέρυθρων αισθητήρων που μπορούν να απεικονίσουν τη θερμική ακτινοβολία ώστε να μπορέσει έτσι να εξεταστεί η θερμοκρασία των περιοχών ενδιαφέροντος. Τα πλεονεκτήματα της μέτρησης της θερμοκρασίας μέσω της τηλεπισκόπησης είναι αρκετά, και αυτό οφείλεται στην δυνατότητα περιφερειακής κάλυψης και επαναλαμβανόμενης παρακολούθησης μιας η’ περισσοτέρων περιοχών, κάτι που σε άλλες περιπτώσεις θα απαιτούσε την τοποθέτηση πολλών θερμομέτρων στις περιοχές ενδιαφέροντος. Πρόκειται για μια καθιερωμένη πρακτική που χρησιμοποιείτε και στην ωκεανογραφία όπου πραγματοποιούνται καθημερινές μετρήσεις θερμοκρασίας της επιφάνειας της θάλασσας από δορυφόρους. Οι επαναλαμβανόμενες καταγραφές μπορούν να χρησιμοποιηθούν για την αξιολόγηση τόσο της επιφάνειας του νερού όσο και των παρακείμενων περιοχών των ποταμών ενώ μπορεί

να ποσοτικοποιήσουν χωρικά μοτίβα θερμοκρασίας νερού σε ρέματα, ποτάμια και πλημμύρες, σε κλίμακες που κυμαίνονται από από 1m έως πάνω από 100km. Το πεδίο (FOV) και η ανάλυση που μπορεί να παρέχει μια μέτρηση εξαρτάται αποκλειστικά από το μέσο καταγραφής, δηλαδή τον θερμικό υπέρυθρο σενσορα, και τη μορφή της πτήσης ώστε να μπορέσει να καταγράψει δεδομένα από πολλά σημεία της περιοχής και στη συνέχεια να τα συνθέσει πραγματοποιώντας ένα μωσαϊκό εικόνων.

[[Εικόνα: VSM_Arthro5_Eikona1.png‎ |thumb|right|720x460px| '''Σχήμα 1.''', (a) Tηλεπισκοπικη απεικόνιση ποταμιού με φυσικά χρώματα (RGB).
(b) Tηλεπισκοπικη απεικόνιση ποταμιού στο θερμικό υπέρυθρο.
ΌΌσο πιο ανοιχτή είναι η απόχρωση του χρώματος σε μια περιοχή, τόσο πιο θερμή είναι. Η επιφάνεια του εδάφους και της βλάστησης απεικονίζονται σε αποχρώσεις του γκρι. Fluvial Remote Sensing for Science and Management (pp.85-113) Publisher: John Wiley & Sons, Ltd
]]

Το Σχήμα 1., είναι ιδιαίτερα χρήσιμο στο να κατανοηθεί πως συλλέγονται και πως εξετάζονται τα δεδομένα, Αρχικά στις απεικονίσεις (a) και (b) μπορούμε πολύ εύκολα να διακρίνουμε ότι έχει γίνει γεωμετρική σύνθεση εικόνων, δηλαδή μωσαϊκό. Συγκριτικά με τις απεικονίσεις (a) και (b) μπορούμε να δούμε ότι στην απεικόνιση (b) λόγο της διαφοράς θερμοκρασίας νερού και ξηράς, το ποτάμι είναι πολύ πιο εύκολα διακριτό σε σχέση με την απεικόνιση (a).
Επίσης στο θερμικό υπέρυθρο μπορεί να παρατηρήσουμε εκτός από τα ρεύματα του νερού και περιοχές αυξημένης υγρασίας στο έδαφος που φαίνονται ως αρκετά δροσερά σημεία, κάτι που στην εικόνα φυσικών χρωμάτων θα ήταν αδύνατον να διακρίνουμε.
Αναφορικά με την απεικόνιση θερμικού υπέρυθρου στην Εικόνα 1, θα μπορούσαμε να ορίσουμε ότι το εύρος θερμοκρασίας του νερού στην περιοχή κυμαίνεται μεταξύ ≈26°C στα θερμά σημεία με χρώμα ανοιχτού κίτρινου, έως ≈16°C στα πιο δροσερά σημεία με χρώμα σκούρου κόκκινου, στις περιοχές των πηγών του ποταμού (Springs).

Στις καταγραφές υπέρυθρης ακτινοβολίας, τα δεδομένα επηρεάζονται από τις ατμοσφαιρικές διαταραχές. Για το λόγο ότι η ατμοσφαιρική διόρθωση μπορεί να είναι χρονοβόρα και δαπανηρή, μια εναλλακτική λύση είναι να χρησιμοποιηθούν μη ατμοσφαιρικά διορθωμένα δεδομένα θερμοκρασίας νερού για την αξιολόγηση σχετικών χωρικών προτύπων, σε άλλη περίπτωση παρόλο που οι ατμοσφαιρικές διαταραχές δεν θα επηρέαζαν στη μέτρηση της θερμοκρασίας, μπορεί να υπήρχε επιρροή στη γεωγραφική απεικόνιση της περιοχής η οποία θα ήταν σημαντική για ορισμένες περιπτώσεις που η απόλυτη θερμοκρασία μια περιοχής είναι απαραίτητη, όπως η χαρτογράφηση θερμικών χαρακτηριστικών ενός οικοτόπου με γεωγραφική ακρίβεια. Μια μέθοδος επεξεργασίας των δεδομένων που συμπεριλαμβάνει τη διαδικασία ατμοσφαιρικής διόρθωσης απεικονίζεται στο Σχήμα 2.

[[Εικόνα: VSM_Arthro5_Eikona2.png‎ |thumb|right|720x460px| '''Σχήμα 2.''', Διάγραμμα ροής της επεξεργασίας των δεδομένων. Αρχικά, υπολογίζεται η ένταση της ακτινοβολίας στα δεδομένα, στη συνέχεια διορθώνεται ατμοσφαιρικά, και τέλος χρησιμοποιώντας το νόμο του Planck, καθορίζεται η θερμοκρασία της επιφάνειας. Fluvial Remote Sensing for Science and Management (pp.85-113) Publisher: John Wiley & Sons, Ltd]]

Συμπεράσματα:

Η καταγραφή της θερμοκρασίας των ποταμών μπορεί να γίνει αρκετά εύκολα μέσω εναέριων μέσων καταγραφής θερμικής υπέρυθρης ακτινοβολίας. Δεδομένης της κίνησης των μέσων αυτών πάνω από τις περιοχές ενδιαφέροντος, είναι ευκολότερη η καταγραφή της θεμροκρασίας με τηλεπισκοπικές μεθόδους τόσο του νερού όσου και της ξηράς, σε γρηγορότερο χρόνο από θα γινόταν με συμβατικούς τρόπους, κύριος για περιοχές που είναι δύσκολα προσβάσιμες. Η μέτρηση της θερμοκρασίας των ποταμών με τηλεπισκοπικές μεθόδους, μπορεί να δώσει πολύ σημαντικά στοιχεία για την ποιότητα του νερού και να συμβάλει σημαντικά στη μελέτη υδάτινων οικοσυστημάτων που επηρεάζονται άμεσα και έμμεσα από τις μεταβολές της θερμοκρασίας. Με τον ίδιο τρόπο, μπορεί να γίνει και ευκολότερα μια σύγκριση θερμοκρασίας νερού μεταξύ 2 η περισσοτέρων περιοχών, και να εξεταστούν φαινόμενα επιρροής της θερμοκρασίας στα σημεία αυτά από παράγοντες όπως η ανθρώπινη δραστηριότητα και η χρήση Γης.

[[category:Υδατικοί Πόροι]]

Υπέρυθρη θερμική τηλεπισκόπηση θερμοκρασίας νερού σε περιοχές ποταμών

2021-01-13T16:05:49Z

Vasilis:

Αρχείο:VSM Arthro5 Eikona2.png

2021-01-13T16:04:57Z

Vasilis: VSM_Arthro5_Eikona2

VSM_Arthro5_Eikona2

Υπέρυθρη θερμική τηλεπισκόπηση θερμοκρασίας νερού σε περιοχές ποταμών

2021-01-13T16:03:08Z

Vasilis: Νέα σελίδα με ''''Πρωτότυπος Τίτλος:''' Thermal Infrared Remote Sensing of Water Temperature in Riverine Landscapes '''Συγγραφείς:''' Rebecca N. Handcock, Chri...'

Αρχείο:VSM Arthro5 Eikona1.png

2021-01-13T16:02:11Z

Vasilis: VSM_Arthro5_Eikona1

VSM_Arthro5_Eikona1