Από RemoteSensing Wiki

Εικόνα 1.1:Τύποι δεδομένων που χρησιμοποιούνται για την ανάπτυξη προγνωστικών μοντέλων.

Εικόνα 1.2:Οπτικοποίηση της ροής δεδομένων και αξιοποίησή της στην εκπαίδευση μοντέλων πρόβλεψης.

Εικόνα 1.3:Η εκτιμώμενη κατηγορία και υποομάδα του δρόμου για το πρώτο έτος μετά την ανακατασκευή.

Εικόνα 1.4:Η εκτιμώμενη κατηγορία και υποομάδα του δρόμου για το δεύτερο έτος μετά την ανακατασκευή.

"Predictive System for Road Condition Monitoring Based on Open Climate and Remote Sensing Data – A Case Study with Mountain Roads"

Πηγή [[1]]: Ainur Kairanbayeva, Serik Nurakynov, Zhumabek Zhantayev, Marat Nurtas, Gulnara Nurpeissova, Dina Panyukova, Andrey Mitkov, Dinara Talgarbayeva and Muratbek Kudaibergenov

Εισαγωγή

Οι ορεινές περιοχές παρουσιάζουν σημαντικές προκλήσεις στη συντήρηση των δρόμων λόγω του δύσκολου εδάφους, των ακραίων καιρικών συνθηκών και της γεωλογικής αστάθειας. Οι παραδοσιακές προσεγγίσεις παρακολούθησης της κατάστασης των δρόμων συχνά αποδεικνύονται ανεπαρκείς σε τέτοια περιβάλλοντα.

Η παρούσα μελέτη προτείνει ένα οικονομικά αποδοτικό προληπτικό σύστημα που χρησιμοποιεί προγνωστικά μοντέλα για την πρόβλεψη της υποβάθμισης των δρόμων, επιτρέποντας έγκαιρες παρεμβάσεις. Το σύστημα αξιοποιεί ανοιχτά δεδομένα (open resource), όπως κλιματικά και δεδομένα τηλεπισκόπησης, για να εκπαιδεύσει έναν αλγόριθμο μηχανικής μάθησης (Machine Learning), με σκοπό την πρόβλεψη της κατάστασης ενός ορεινού δρόμου.

Εργαλεία και Μεθοδολογία

Το προγνωστικό σύστημα ενσωματώνει δύο κύρια σύνολα δεδομένων:

Κλιματικά Δεδομένα

• Ακραίες θερμοκρασίες (υψηλές και χαμηλές).
• Συχνότητα κύκλων πήξης-απόψυξης.
• Ένταση βροχόπτωσης και χιονοκάλυψης.
• Ηλιακή ακτινοβολία και υγρασία.
• Τα δεδομένα συλλέχθηκαν από ανοιχτές πηγές, όπως το MeteoCenter, και καλύπτουν την περίοδο από το 2005 έως το 2022.

Δεδομένα Τηλεπισκόπησης

• Κάθετες μετατοπίσεις και κλίσεις.
• Δείκτης υγρασίας εδάφους (Topographic Wetness Index).
• Δείκτης βλάστησης (SAVI) και χιονοκάλυψη.
• Τα δεδομένα προέρχονται από δορυφορικές εικόνες (π.χ. Sentinel-1) και καλύπτουν την περίοδο 2017-2021.

Δεδομένα Πεδίου

• Συλλέχθηκαν από επιθεωρήσεις ενός ορεινού δρόμου κοντά στην Αλμάτι του Καζακστάν.
• Περιλαμβάνουν πληροφορίες για ρωγμές, παραμορφώσεις και άλλες ζημιές στον δρόμο.

Το σύστημα χρησιμοποιεί μοντέλα παλινδρόμησης και νευρωνικά δίκτυα προώθησης για την επεξεργασία των δεδομένων. Τα μοντέλα εκπαιδεύονται επαναλαμβανόμενα, με τα σφάλματα μεταξύ των δεδομένων της πρόγνωσης του μοντέλου και τα δεδομένα του πεδίου να χρησιμοποιούνται για την εξομάλυνση των παραμέτρων μέχρι να επιτευχθεί επιθυμητή ακρίβεια. Το σύστημα προβλέπει την κατάσταση των δρόμων για 1, 2 και 3 χρόνια μετά την ανακαίνιση, κατηγοριοποιώντας τους δρόμους σε τρεις ομάδες ανάλογα με τη σοβαρότητα των παραμορφώσεων.

Αποτελέσματα

Πρόβλεψη Κατάστασης Δρόμων

Το σύστημα προβλέπει την κατάσταση των δρόμων για 1, 2 και 3 χρόνια μετά την ανακαίνιση. Οι δρόμοι κατηγοριοποιούνται στις εξής ομάδες:

• Κατηγορία I: Ελάχιστες παραμορφώσεις (π.χ. μεμονωμένες ρωγμές).
• Κατηγορία II: Μέτριες παραμορφώσεις (5-30% του δρόμου).
• Κατηγορία III: Σοβαρές παραμορφώσεις (πάνω από 30% του δρόμου).

Απεικόνιση

Το σύστημα δημιουργεί γεωγραφικούς χάρτες (GIS) που απεικονίζουν την κατάσταση των δρόμων με χρώματα:

• Πράσινο: Κατηγορία I (καλή κατάσταση).
• Κόκκινο: Κατηγορία III (σοβαρή υποβάθμιση).

Συζήτηση

Επίδραση Παραγόντων

• Μετεωρολογικοί Παράγοντες: Οι ακραίες θερμοκρασίες και η έντονη βροχόπτωση έχουν σημαντική επίδραση στην υποβάθμιση των δρόμων.
• Τοπογραφικοί Παράγοντες: Η κλίση και η υγρασία του εδάφους επηρεάζουν τη σταθερότητα των δρόμων, αλλά σε μικρότερο βαθμό.

Σύγκριση Μοντέλων

• Το νευρωνικό δίκτυο ήταν πιο ακριβές στο να προβλέπει παραμέτρους όπως το μήκος των ρωγμών και τις παραμορφώσεις.
• Το μοντέλο παλινδρόμησης ήταν πιο αποτελεσματικό σε συγκεκριμένες περιπτώσεις, όπως η πρόβλεψη ρωγμών μήκους 4-5 μέτρων.

Συμπέρασμα

Το προτεινόμενο προγνωστικό σύστημα προσφέρει μια οικονομικά αποδοτική και αποτελεσματική λύση για την παρακολούθηση και τη συντήρηση των ορεινών δρόμων. Με την αξιοποίηση ανοιχτών κλιματικών δεδομένων και δεδομένων τηλεπισκόπησης, το σύστημα μειώνει την ανάγκη για δαπανηρές και χρονοβόρες επιτόπιες επιθεωρήσεις.

Παρέχει πολύτιμες πληροφορίες για τις αρχές των δρόμων, επιτρέποντας προληπτική συντήρηση και βελτιώνοντας την ασφάλεια των δρόμων. Μελλοντική έρευνα θα επικεντρωθεί στη βελτίωση της διεπαφής του συστήματος και στη διεύρυνση της εφαρμογής του στη σχεδίαση και τη βελτιστοποίηση διαδρομών δρόμων.