PREVENT Remote Sensing Theory (UOWM)

Șablon Capitole - Proiectul PREVENT

Teledetecție

Început

Introducere

"Teledetecția este știința și arta de a obține informații despre un obiect, o zonă sau un fenomen prin analiza datelor achiziționate de un dispozitiv care nu se află în contact cu obiectul, zona sau fenomenul examinat (Lillesand et al. 2003).""Există multe moduri de a defini teledetecția în literatură. Două elemente comune caracterizează acest domeniu științific: a) conceptul de „colectare de informații” și b) „observarea de la distanță” (Campbell, 1987)."

Index

Activități

Obiective

Evaluare

Module

Studiu

Teledetecția înseamnă achiziționarea de informații despre un obiect fără contact direct cu acesta.

-Gupta, (1991)-

Obiective

Scopul nostru principal este să-ți oferim instrumentele și cunoștințele de care ai nevoie pentru a-ți înțelege cunoștințele de Teledetecție, indiferent dacă începi de la zero sau vrei să-ți îmbunătățești abilitățile existente. Pe parcursul cursului, vei fi imersat în lecții interactive, studii de caz stimulante și exerciții practice concepute pentru a-ți consolida înțelegerea și aplicarea conceptelor cheie. La finalizarea cursului, vei fi echipat nu doar cu o înțelegere teoretică solidă, ci și cu încrederea și abilitatea de a aborda provocări din lumea reală în Teledetecție. Fii gata să-ți eliberezi potențialul și să atingi noi niveluri de succes în cariera ta profesională sau academică!

"Teledetecția diferă de observarea sau măsurarea directă prin faptul că, în cazul acesteia din urmă, instrumentul specific de observare se află în interiorul sau în contact cu obiectul măsurat sau investigat, cum ar fi un termometru."

+ info

Module

Modul 2

Modul 1

Modul 4

Modul 3

Cercetare Avansată și Contribuții NaționaleAcest modul se concentrează pe cercetarea în învățarea profundă și teledetecție.

Sisteme și Tehnici de TeledetecțieAcest modul se concentrează pe diversele sisteme satelitare și capacitățile acestora în teledetecție.

Bazele TeledetecțieiAceastă secțiune introduce principiile de bază, dezvoltarea istorică, beneficiile și limitările teledetecției.

Aplicații și Analiză în TeledetecțieAceastă secțiune subliniază aplicațiile și analiza rolului acestora în monitorizarea schimbărilor terestre.

01

Istoria teledetecției

Satellite shots of floods in Deggendorf, Germany (before and after) 2024 https://www.euspaceimaging.com/blog/2024/07/01/satellite-imagery-for-emergency-management/

01

Rezumat

Deși este destul de dificil să se definească cu precizie punctul de plecare al teledetecției și fazele sale evolutive, cinci etape principale sunt distinse în dezvoltarea sa (Barrett & Curtis, 1992; Swain & Davis, 1978). Deși Teledetecția (TD) este un domeniu de sine stătător, ea acționează adesea ca o completare a analizelor GIS, adăugând informații și tehnici de analiză unice. Există două tipuri de TD, activă și pasivă, și acestea sunt utilizate, în general, pentru aplicații diferite. TD activă implică trimiterea unui semnal și așteptarea revenirii acestuia la senzor. RADAR și LIDAR sunt exemple de TD activă, deoarece ele trimit energie, respectiv impulsuri de microunde și laser, și înregistrează semnalele pe măsură ce se întorc (Gennarelli G. & Catapano, 2022). În ciuda progreselor sale semnificative, teledetecția se confruntă cu unele provocări care îi limitează eficacitatea în aplicații specifice. Erorile în datele înregistrate pot apărea din diverse cauze, ducând la discrepanțe între valorile reale și cele înregistrate. În plus, înțelegerea interacțiunilor complexe dintre radiația înregistrată și obiectele țintă se dovedește dificilă, deoarece aceste relații sunt afectate de factori de mediu extrem de variabili. Variațiile spațiale și temporale uriașe din atmosferă, litosferă și hidrosferă, combinate cu mecanismele complexe de interacțiune energie-materie, complică și mai mult analiza și interpretarea precisă a datelor de teledetecție.

Prezentare istorică

1925-1945

înainte de 1925

1945-1955

1955-1960

1960-prezent

Dezvoltarea fotografiei aeriene stereoscopice. Utilizată pe scară largă în Al Doilea Război Mondial pentru cartografiere topografică.

Progrese în tehnicile de fotointerpretare. Axate pe analiză, mai degrabă decât pe aplicații.

Senzorii avansați revoluționează teledetecția. Monitorizarea mediului se extinde rapid.

Primele experimente de fotografie aeriană. Folosite pentru cartografiere strategică.

Aplicațiile în geologie și agricultură s-au extins. Fotografiile aeriene au fost utilizate pe scară largă.

Tipuri de teledetecție

Pasiv

Activ

Teledetecția activă implică trimiterea unui semnal și așteptarea revenirii acestuia la senzor. Exemple: RADAR, LIDAR.

Exemple Seria Landsat (NASA/USGS) Sentinel-2 (ESA).

Avantaje ale Teledetecției

Teledetecția este considerată un instrument modern, specializat, care își găsește aplicații în multe domenii științifice, incluzând științele mediului, silvicultura, geologia, arheologia, oceanografia, etc.

Acoperire Sumară

Accesibilitate

Acoperire Repetată

Omogenitatea Datelor

Caracteristicile datelor multispectrale

Durata timpului de înregistrare

Formular de date digitale

Costul datelor

Dezavantaje ale Teledetecției

Date Înregistrate

Natura și Mecanismul

Una dintre cele mai serioase probleme privește datele înregistrate, care conțin erori din cauza condițiilor atmosferice, a topografiei zonei și a funcționării sistemului satelitar. Aceste erori sunt legate de diferențele dintre radiația reală și cea reflectată și înregistrată de satelit. Este foarte important pentru aplicarea ulterioară de succes a acestor date să se adapteze datele cât mai aproape posibil de valorile reale, mai ales în cazurile în care analiza privește studiile temporale (Barrett și Curtis, 1992; Richards, 1993).

O altă problemă cu care se confruntă oamenii de știință este dificultatea de a înțelege natura și mecanismul chiar și al relațiilor și interacțiunilor foarte simple între radiația înregistrată de satelit și obiectele țintă. Modificările care apar în condițiile atmosferei, litosferei și hidrosferei sunt atât de ample în dimensiuni spațiale și temporale, iar mecanismele de interacțiune între energie și materie sunt atât de complexe, încât relațiile simple obiect-detector sunt dificil de determinat (Barrett și Curtis, 1992; Sabins, 1997).

02

Sisteme și Tehnici de Teledetecție

02

Rezumat

Această secțiune se referă la diversele tipuri și misiuni ale sateliților utilizați pentru monitorizarea și studierea Pământului. În primul rând, sunt descrise sisteme satelitare optice precum LANDSAT, IKONOS, WorldView, QuickBird, Pleiades și SPOT, care furnizează date detaliate pentru aplicații precum cartografierea, agricultura și gestionarea dezastrelor naturale. Apoi, analizăm sisteme satelitare active care utilizează radarul, cum ar fi sateliții ERS și Envisat. Acești sateliți oferă date pentru monitorizarea mediului și schimbările climatice, în timp ce TerraSAR-X și Cosmo-SkyMed sunt utilizați pentru aplicații precum gestionarea dezastrelor naturale și a resurselor de mediu. În plus, sunt avuți în vedere sateliții hiperspectrali, exemplificați de EO-1 și senzorul Hyperion, care colectează date în multiple benzi spectrale pentru o analiză detaliată a materialelor de la suprafața Pământului. În cele din urmă, ne concentrăm pe programul Copernicus, o inițiativă a Uniunii Europene pentru monitorizarea planetei și a mediului.

Sisteme Satelitare Optice

MODIS instrument that flies aboard NASA’s Terra satellite revealed the most powerful thunderstorms, Source: https://blogs.nasa.gov/hurricanes

Teledetecția

LANDSAT

Satelitul Terra

Optic

IKONOS

Sisteme Satelitare

ERS

Activ

TerraSAR-x

Hiperspectre

EO-1 și Hyperion

Landsat

Detalii tehnice

Landsat 3

Landsat 2

Landsat 1

Landsat 6

Landsat 5

Landsat 4

Landsat 9

Landsat 7

Landsat 8

ERS

Obiective

MISIUNE

Instrumentele ERS

ERS TOOLS

Programul Copernicus

Copernicus este segmentul de observare a Pământului al programului spațial al Uniunii Europene, dedicat monitorizării planetei noastre și a mediului său în beneficiul tuturor cetățenilor europeni. Acesta furnizează servicii de informații derivate din datele de observare a Pământului prin satelit și date in-situ (non-spațiale).

Next

Programul Copernicus

Volume mari de date globale provenite de la sateliți și de la sisteme de măsurare terestre, aeriene și maritime, furnizează informații care ajută furnizorii de servicii, autoritățile publice și alte organizații internaționale să îmbunătățească calitatea vieții pentru cetățenii europeni și nu numai.

Sentinela 1

Sentinela 4-5

Sentinela 2

Sentinela 3

Sentinela 6

Sentinel-2 are un sistem de imagistică multispectrală de înaltă rezoluție, cu 13 benzi spectrale.

Sentinel-1A și 1B acoperă întreaga suprafață a Pământului la fiecare șase zile.

Sentinel-3 completează misiunea Sentinel-2.

Sentinel 4 și 5 se concentrează pe monitorizarea compoziției atmosferice.

Sentinel-6 implică doi sateliți: Sentinel-6A și Sentinel-6B.

Planul de Operațiuni la Nivel Înalt Sentinel (HLOP)

link

Ce este Programul Copernicus?

Schimbările climatice se referă la modificările pe termen lung ale temperaturilor și ale tiparelor meteorologice. Activitățile umane au fost principalul factor determinant al schimbărilor climatice, în principal din cauza arderii combustibililor fosili precum cărbunele, petrolul și gazele.

03

Această imagine a apărut inițial în povestea NASA Earth Observatory: Running Through Paris Heat, datele au fost achiziționate la 7 iunie 2024. https://visibleearth.nasa.gov

Aplicații și Analiză în Teledetecție

03

Rezumat

Teledetecția joacă un rol vital în monitorizarea și atenuarea dezastrelor naturale. Estimarea umidității solului folosind senzori activi și pasivi ajută la prezicerea inundațiilor, a alunecărilor de teren și la gestionarea resurselor de apă. Tehnici precum teledetecția în infraroșu termic și cu microunde oferă date precise privind umiditatea solului, critice pentru studiile de mediu. Cartografierea acoperirii și utilizării terenului, susținută de imaginile satelitare, oferă date spațiale rapide și cuprinzătoare pentru gestionarea resurselor și planificarea urbană. Tehnici precum DInSAR și Interferometria cu Dispersori Persistenți permit măsurarea precisă a deformărilor suprafeței cauzate de cutremure și vulcani. Senzorii termici de pe sateliți precum MODIS și Landsat îmbunătățesc monitorizarea vulcanilor activi, contribuind la pregătirea și răspunsul în caz de dezastre. Imaginile satelitare sunt integrate tot mai mult în evaluările post-cutremur ale pagubelor, permițând operațiuni de salvare mai rapide și îmbunătățind strategiile de răspuns la dezastre.

Echipamente de Înregistrare și de Observare a Pământului

Echipamentele de înregistrare se caracterizează prin rezoluția lor spațială, radiometrică, spectrală și temporală. Aceste caracteristici determină calitatea și precizia datelor colectate.

Rezoluție Temporală

Rezoluție Spectrală

Rezoluție Spațială

Rezoluție Radiometrică

Se referă la frecvența cu care un sistem satelitar captează imagini ale aceleiași zone. Acest lucru este important pentru monitorizarea schimbărilor de pe suprafața Pământului în timp.

Se referă la numărul de canale spectrale utilizate de satelit. Mai multe canale spectrale permit distingerea mai multor tipuri de trăsături de suprafață.

Descrie capacitatea sistemului de a înregistra diferențe în intensitatea energiei reflectate sau emise. Această rezoluție este adesea exprimată în biți.

Se referă la capacitatea echipamentului de a detecta trăsături mici pe suprafața Pământului. Cu cât pixelul este mai mic, cu atât rezoluția spațială este mai mare.

Analiza Imaginilor Digitale

Procesarea digitală a imaginilor este un proces care implică convertirea semnalelor analogice în valori digitale. Aceste valori sunt utilizate pentru a stoca și analiza datele de la sateliți sau alte sisteme de înregistrare. Aceste date sunt înregistrate în numere binare (biți), reprezentând intensitatea luminozității suprafeței scanate. Imaginile, cunoscute și sub denumirea de date raster, sunt utilizate pentru o gestionare ușoară a valorilor pixelilor de către software-ul de procesare. Deși datele raster sunt convenabile pentru analiza digitală, ele prezintă dificultăți în reprezentarea zonelor discrete sau a punctelor, comparativ cu datele vectoriale.

"Imaginile digitale sunt matrici bidimensionale de zone mici numite pixeli."

"Aranjamentul pixelilor în rânduri și coloane permite software-ului de procesare să analizeze datele, oferind informații utile pe subiecte specifice. Software-ul de procesare a imaginilor satelitare gestionează datele de teledetecție și oferă capacități de analiză pentru aplicații științifice și comerciale. Unele dintre cele mai comune software-uri includ ERDAS IMAGINE, ArcGIS, ENVI, IDRISI și Geomatica."

Analiza Imaginilor Satelitare Optice

Procesul de analiză a imaginilor satelitare include mai multe etape pentru a asigura rezultate precise și utile. Aceste etape includ restaurarea și preprocesarea imaginilor, îmbunătățirea imaginilor, clasificarea imaginilor și interpretarea imaginilor satelitare și a fotografiilor aeriene digitale.

Etapa 3

Etapa 2

Etapa 1

Imagine Clasificare

Imagine Îmbunătățire

ImagineRestaurare sau preprocesare

Teledetecția pentru Monitorizarea și Atenuarea Dezastrelor Naturale

Senzorizarea Solului

Cartografierea Acoperirii Terenului

Deformarea solului

Înregistrarea și evaluarea pagubelor post-cutremur

Senzorizarea Solului

Determinarea conținutului de umiditate a solului folosind senzori activi și pasivi din Spațiu

Umiditatea solului este o variabilă critică pentru înțelegerea resurselor de apă și a pericolelor naturale precum inundațiile și alunecările de teren. Estimarea precisă a variațiilor spațiale și temporale ale umidității este importantă pentru studiile de mediu și îmbunătățirea prognozelor de inundații, în special în bazinele hidrografice medii și mari unde inundațiile provoacă adesea dezastre. Condiția umidității solului de suprafață este critică pentru evaluarea infiltrației sau scurgerii apei de ploaie, astfel încât aceste informații sunt vitale pentru modelele de predicție a inundațiilor. Mai mult, umiditatea solului în zonele montane este un factor cheie pentru alunecările de teren. Începând cu anii 1970, cercetările în acest domeniu au utilizat tehnici care acoperă întregul spectru electromagnetic, de la optic la microunde.

'Digital images are two-dimensional arrays of small areas called pixels.'

Tehnicile de teledetecție utilizează diferite lungimi de undă, surse de energie și răspunsuri ale senzorilor pentru a estima umiditatea solului. Radiația solară măsoară lumina solară reflectată, în timp ce microundele și infraroșul termic sunt mai frecvent utilizate. Metodele termice, cum ar fi inerția termică și indicele temperatură/vegetație, sunt deosebit de eficiente în zonele cu vegetație puțină sau absentă. Aceste tehnici îmbunătățesc predicția pericolelor naturale și gestionarea resurselor de apă.

Cartografierea Acoperirii Terenului

Cartografierea acoperirii terenului și a utilizării terenului este vitală pentru cercetarea științifică, planificarea spațială și gestionarea resurselor naturale. „Acoperirea terenului” se referă la caracteristicile fizice ale suprafeței, în timp ce „utilizarea terenului” descrie modul în care este folosit terenul. Un plan de utilizare a terenului surprinde interacțiunea dintre oameni și mediu, având un impact asupra unor activități economice semnificative. Progresele în sistemele de monitorizare prin satelit au făcut din tehnicile de teledetecție instrumente realiste și atractive pentru cercetarea și gestionarea resurselor naturale. Hărțile de utilizare a terenului sunt deosebit de utile în agricultură și gestionarea resurselor naturale, iar actualizarea lor este necesară datorită schimbărilor continue ale resurselor naturale și activităților umane.

'Digital images are two-dimensional arrays of small areas called pixels.'

Teledetecția oferă o reprezentare rapidă și precisă a peisajului, furnizând date în format digital și într-o gamă largă de canale spectrale. Deși nu înlocuiește complet observațiile pe teren, reduce semnificativ timpul și costurile de colectare a datelor, oferind o vedere cuprinzătoare a zonei de studiu. De asemenea, facilitează accesul în zonele îndepărtate și monitorizarea schimbărilor în utilizarea/acoperirea terenului prin date temporale.

Monitorizarea și evaluarea deformării solului

Senzorii activi utilizează diferența de fază pentru a măsura deformarea suprafeței Pământului prin tehnica interferometriei diferențiale (DInSAR). Această tehnică folosește date de la instrumentele Radar cu Apertură Sintetică (SAR). În prezent, există mai mulți sateliți potriviți pentru obținerea datelor InSAR, cum ar fi sateliții Envisat ai Agenției Spațiale Europene, Radarsat-1 și 2 din Canada, TerraSAR-X din Germania și sateliții Cosmo-Skymed din Italia, alături de multe misiuni SAR viitoare planificate.

'Digital images are two-dimensional arrays of small areas called pixels.'

Teledetecția oferă o reprezentare rapidă și precisă a peisajului, furnizând date în format digital și într-o gamă largă de canale spectrale. Deși nu înlocuiește complet observațiile pe teren, reduce semnificativ timpul și costurile de colectare a datelor, oferind o vedere cuprinzătoare a zonei de studiu. De asemenea, facilitează accesul în zonele îndepărtate și monitorizarea schimbărilor în utilizarea/acoperirea terenului prin date temporale.

Înregistrarea și evaluarea pagubelor post-cutremur

Înregistrarea și evaluarea pagubelor după un cutremur este crucială, mai ales atunci când distrugerea este extinsă geografic sau în zone izolate. Acest proces este important pentru echipele de salvare și serviciile de protecție civilă și trebuie realizat rapid și cu precizie. Tehnica „detectării schimbărilor” care utilizează imagini de dinainte și de după cutremur este o metodă rapidă pentru evaluarea pagubelor. Pe măsură ce tehnologiile spațiale se îmbunătățesc, ele sunt integrate tot mai mult în acțiunile de gestionare a dezastrelor. Cu toate acestea, sprijinul oferit de tehnicile spațiale rămâne în mare parte puțin înțeles de majoritatea serviciilor de urgență și de protecție civilă.

'Digital images are two-dimensional arrays of small areas called pixels.'

Teledetecția oferă o reprezentare rapidă și precisă a peisajului, furnizând date în format digital și într-o gamă largă de canale spectrale. Deși nu înlocuiește complet observațiile pe teren, reduce semnificativ timpul și costurile de colectare a datelor, oferind o vedere cuprinzătoare a zonei de studiu. De asemenea, facilitează accesul în zonele îndepărtate și monitorizarea schimbărilor în utilizarea/acoperirea terenului prin date temporale.

Observarea vulcanilor activi folosind radiația termică

Deși nu există niciun satelit conceput exclusiv pentru aplicații vulcanice, mulți senzori termici pentru aplicații militare, urbane și industriale pot fi adaptați pentru monitorizarea vulcanilor. De exemplu, sateliții meteorologici furnizează date pentru examinarea punctelor fierbinți vulcanice, deși senzorii meteorologici măsoară de obicei temperaturi mai scăzute. Începutul noului mileniu a adus noi sateliți NASA, cum ar fi Terra, Landsat-7, Aqua și EO-1, care permit înregistrarea termică a vulcanilor activi.

'Digital images are two-dimensional arrays of small areas called pixels.'

Acest lucru a stabilit primul sistem global de monitorizare prin satelit pentru vulcani, monitorizând zilnic toți vulcanii activi și potențial activi. Datele termice de la senzorii satelitari sunt din ce în ce mai accesibile; de exemplu, datele MODIS și Landsat sunt disponibile gratuit. Teledetecția termică a oferit informații valoroase despre comportamentul vulcanic, în ciuda absenței unor senzori specializați.

04

Cercetări Avansate și Contribuții Naționale

04

Rezumat

Teledetecția joacă un rol vital în monitorizarea și atenuarea dezastrelor naturale. Estimarea umidității solului folosind senzori activi și pasivi ajută la prezicerea inundațiilor, a alunecărilor de teren și la gestionarea resurselor de apă. Tehnici precum infraroșul termic și senzorizarea cu microunde oferă date precise privind umiditatea solului, critice pentru studiile de mediu. Cartografierea acoperirii și utilizării terenului, susținută de imaginile satelitare, oferă date spațiale rapide și cuprinzătoare pentru gestionarea resurselor și planificarea urbană. Tehnici precum DInSAR și Interferometria cu Dispersori Persistenți permit măsurarea precisă a deformărilor suprafeței cauzate de cutremure și vulcani. Senzorii termici de pe sateliți precum MODIS și Landsat îmbunătățesc monitorizarea vulcanilor activi, contribuind la pregătirea și răspunsul în caz de dezastre. Imaginile satelitare sunt integrate tot mai mult în evaluările pagubelor post-cutremur, permițând operațiuni de salvare mai rapide și îmbunătățind strategiile de răspuns la dezastre.

Cercetări Avansate și Contribuții Naționale

Inițiative Grecești

Cercetare

Metodologii

Cercetări și Progrese în Învățarea Profundă și Teledetecție pentru Managementul Dezastrelor Naturale

Tehnologii și Tehnici Avansate în Învățarea Profundă și Teledetecție

Inițiative Grecești în Managementul Dezastrelor Naturale

Procesul de analiză a imaginilor satelitare include mai multe etape pentru a asigura rezultate precise și utile. Aceste etape includ restaurarea și preprocesarea imaginilor, îmbunătățirea imaginilor, clasificarea imaginilor și interpretarea imaginilor satelitare și a fotografiilor aeriene digitale.

Metodologii în Învățarea Profundă și Teledetecție

CNNs

GANs

RNNs

CD

SSMs

10

Tehnici Geo-Computaționale

DMCNN

SAR

UAVs

EO

Here you can put an important title

Your content is good, but it‘ll engage much more if it’s interactive. Capture your audience's attention with an interactive photo or illustration.

Cercetări și Progrese în Învățarea Profundă și Teledetecție pentru Managementul Dezastrelor Naturale (1/3)

Tehnologiile de Învățare Profundă (Deep Learning) și Teledetecție au fost integrate pe scară largă în sistemele de gestionare a riscului de dezastre în ultimii ani, datorită disponibilității tot mai mari de date/produse de înaltă calitate și a sistemelor avansate pentru analiza acestora. Teledetecția sprijină progresiv cartografierea și monitorizarea dezastrelor, deoarece poate permite o observare fizică rapidă și precisă a suprafeței pământului înainte, în timpul și după dezastre.

Park et al. (2022)

Long et al. (2021)

Psomiadis et al. (2019)

Wang et al. (2021)

Goldberg et al. (2020)

Stephenson et al. (2022)

Elmahdy et al. (2020)

Dinh et al. (2022)

Barmpoutis et al. (2020)

Peng (2022)

Taskin et al. (2022)

Hakim et al. (2022)

Here you can put an important title

Your content is good, but it‘ll engage much more if it’s interactive. Capture your audience's attention with an interactive photo or illustration.

Cercetări și Progrese în Învățarea Profundă și Teledetecție pentru Managementul Dezastrelor Naturale (2/3)

Tehnologiile de Învățare Profundă (Deep Learning) și Teledetecție au fost integrate pe scară largă în sistemele de gestionare a riscului de dezastre în ultimii ani, datorită disponibilității tot mai mari de date/produse de înaltă calitate și a sistemelor avansate pentru analiza acestora. Teledetecția sprijină progresiv cartografierea și monitorizarea dezastrelor, deoarece poate permite o observare fizică rapidă și precisă a suprafeței pământului înainte, în timpul și după dezastre.

Dinh et al. (2022)

Zhang et al., (2022)

Asaly et al. (2022)

Akhyar et al. (2023)

Feng et al. (2022)

Chen et al. (2023)

Ananias et al. (2022)

Garcia et al. (2023)

Sun et al. (2022)

Kim & Muminov (2023)

Lee (2022)

Jia & Ye (2023)

Here you can put an important title

Your content is good, but it‘ll engage much more if it’s interactive. Capture your audience's attention with an interactive photo or illustration.

Cercetări și Progrese în Învățarea Profundă și Teledetecție pentru Managementul Dezastrelor Naturale (3/3)

Tehnologiile de Învățare Profundă (Deep Learning) și Teledetecție au fost integrate pe scară largă în sistemele de gestionare a riscului de dezastre în ultimii ani, datorită disponibilității tot mai mari de date/produse de înaltă calitate și a sistemelor avansate pentru analiza acestora. Teledetecția sprijină progresiv cartografierea și monitorizarea dezastrelor, deoarece poate permite o observare fizică rapidă și precisă a suprafeței pământului înainte, în timpul și după dezastre.

Ntinopoulos et al. (2023)

Shastry et al. (2023)

Li et al. (2023)

Yang et al. (2024)

Wu et al. (2024)

Sundriyal et al. (2024)

Inițiative Grecești în Managementul Dezastrelor Naturale

În Grecia, au fost implementate diverse inițiative și proiecte pentru a îmbunătăți gestionarea dezastrelor naturale folosind tehnologii avansate.

Maestro

SEASFire

Ofire+

GET

DISARM

Activități Arată ce știi!

Activitate 2

Activitate 1

Faceți clic pe conceptele corecte

Întrebări de Potrivire

1. Copernicus Program
2. Sentinel-1
3. Sentinel-2
4. Sentinel-3
5. Sentinel-4 and 5
6. Sentinel-6

Activitate 2

Soluţie

Faceți clic pe conceptele corecte

Alegeți 4 termeni

CONCEPT 1

După un cutremur, tehnicile de teledetecție sunt utilizate pentru a evalua extinderea și impactul pagubelor, inclusiv infrastructura distrusă, rupturile de suprafață și modificările terenului.Alegeți 4 termeni care se referă la evaluarea pagubelor post-cutremur:

Detecția Schimbărilor

Detecția Undelor Seismice

Cartografierea Deplasărilor

Clasificarea Daunelor

Radar cu Apertură Sintetică

Imagini Optice

Dispersori Persistenți

Vehicule Aeriene Fără Pilot

Activitate 3

Soluţie

Faceți clic pe conceptele corecte

Alegeți 4 termeni

CONCEPT 2

Ce combinație de tehnologii ați alege pentru a evalua eficient pagubele provocate de un cutremur într-o zonă urbană dens populată? Selectați cele 4 răspunsuri corecte din opțiunile date.

Rețele Neuronale Recurente

Rețele Neuronale Convoluționale

Vehicule Aeriene Fără Pilot

Radar cu Apertură Sintetică

Rețea de Segmentare Semantică

Rețea Generativă Antagonistă

Sistemul de Telemetrie Maestro

Dispersori Persistenți

Evaluare

În această secțiune, vei avea ocazia să-ți testezi cunoștințele dobândite pe parcursul cursului. Testul nostru interactiv îți va oferi o evaluare detaliată a înțelegerii tale asupra subiectelor cheie. Fii pregătit să-ți provoci abilitățile și să-ți consolidezi învățarea pe măsură ce te îndrepți spre stăpânirea conceptelor fundamentale. Nu rata șansa de a demonstra tot ce ai învățat până acum!

1/10

2/10

3/10

4/10

5/10

6/10

7/10

8/10

01:00

9/10

10/10

Curs finalizat!

Hakim şi colab. (2022)

Investigați formele de relief vulcanice din câmpul vulcanic al râului Hantangang (HRVF), evidențiind valoarea lor de patrimoniu geografic. Studiul folosește imprimarea 3D a unui model de teren și simularea Q-LavHA pentru a estima o erupție preistorică din două surse de aerisire din Coreea de Nord. Rețeaua neuronală artificială (ANN) și algoritmii de mașină vectorială de suport (SVM) sunt utilizați pentru a clasifica zona de lavă, SVM demonstrând o precizie și eficiență mai ridicate. Scenariul de ventilație cu o singură erupție a arătat o precizie mai bună decât simularea Q-LavHA, dar scenariile de ventilație cu mai multe au îmbunătățit acuratețea generală.

Detalii tehnice

Data lansării: 1 martie 1984 Stare: Dezafectat în ianuarie 2013 Senzori: TM, MSS Altitudine: 705 km Înclinare: 98,2° Orbită: polară, sincronă cu soarele Timp de traversare ecuatorială: nominal 9:45 AM (± 15 min.) ora locală (nodul descendent) Perioada de revoluție: 99 de minute; ~14,5 orbite/zi Acoperire repetată: 16 zile

1945-55

Această perioadă se caracterizează prin dezvoltarea metodelor și tehnicilor de fotointerpretare. Accentul a fost pus pe metodele de analiză și interpretare foto, mai degrabă decât pe aplicațiile acestora.

Aproape

Rețele neuronale convoluționale

Vehicule aeriene fără pilot

Radar cu deschidere sintetică

Net de segmentare semantică

Obiective

ERS a fost primul program ESA de observare a Pământului care a furnizat monitorizarea mediului bazată pe spectrul de microunde. Gama de instrumente a misiunilor era capabilă să monitorizeze pământul, oceanele și atmosfera, și mai precis gheața de mare, geologia, silvicultură, batimetria fenomenelor valurilor, evenimentele meteorologice și multe alte domenii științifice.

Tehnologii de observare a Pământului (EO).

Implica utilizarea datelor satelitare și aeriene pentru a monitoriza și a evalua dezastrele naturale și provocate de om. Tehnologiile EO sunt folosite pentru răspunsul după dezastru, evaluarea daunelor, recuperare și atenuare, furnizând date detaliate, în timp real, pentru o mai bună luare a deciziilor. furnizarea de date detaliate, în timp real, pentru o mai bună luare a deciziilor.

Descriere

Metode: împărțite în metode nesupravegheate și supravegheate. Clasificare nesupravegheată: identifică grupurile spectrale naturale automat, fără informații externe. Clasificare supravegheată: folosește eșantioane de identitate cunoscută pentru a ghida clasificarea. Algoritmi: includeți distanța minimă și probabilitatea maximă. Evaluarea acurateței: acuratețea clasificării este evaluată prin compararea rezultatelor cu datele de referință. Rezultate: produce o hartă tematică care poate fi integrată în GIS

Aeriană fără pilot Vehicule (UAV)

Dronele echipate cu camere și senzori de înaltă rezoluție oferă date în timp real de la locurile de dezastru. UAV-urile sunt folosite pentru operațiuni de căutare și salvare și evaluarea daunelor după dezastru, supraveghend rapid zone mari și localizând supraviețuitorii.

Drone video of the Palisades devastation

Wu şi colab. (2024)

Prezentați un studiu privind clasificarea daunelor caselor după dezastru, folosind un model de rețea neuronală convoluțională (DV-CNN) cu vizualizare dublă, publicat în Sustainable Cities and Society. Acest model, care încorporează ResNet-50, transfer de învățare și Modulul de atenție bazat pe concentrare (CBAM), îmbunătățește eficiența și generalizarea evaluării daunelor. Validată cu date din „Furtuna puternică din 20 iulie în Zhengzhou”, DV-CNN a obținut o precizie de 92,5% în clasificarea nivelurilor de daune, depășind alte modele. Studiul subliniază fiabilitatea și generalizabilitatea modelului, oferind o referință valoroasă pentru evaluarea daunelor după inundații în casele rurale.

Zhang et al., (2022)

Explore the use of high-spatial-resolution thermal infrared data to predict earthquakes using a "heating core" filter. Their study addresses two primary gaps: the variation of thermal anomalies with different earthquake magnitudes and the challenge of spotty thermal anomaly distributions in high-resolution data. The research involves resampling data, applying a "heating core" filter to isolate seismic-related thermal anomalies and using time–distance–magnitude windows for correlation. Results show no significant difference in thermal anomalies across earthquake magnitudes and the model can predict earthquakes within 200 km and 20 days of anomaly appearance. This binary prediction model offers a valuable reference for earthquake prediction.

Sundriyal și colab. (2024)

Folosiți o abordare integrată de învățare automată și teledetecție pentru a evalua pericolele de alunecare de teren și punctele fierbinți de risc din NV Himalaya. Folosind un perceptron multistrat (MLP) pentru a genera o hartă de susceptibilitate la alunecări de teren, combinată cu date despre intensitatea precipitațiilor, studiul produce o hartă cuprinzătoare a pericolelor. Încorporând datele privind utilizarea și acoperirea terenului, harta riscului rezultată indică faptul că aproximativ 5% din zonă se află în zone cu risc ridicat. Cercetarea evidențiază că aproximativ 53% din populație locuiește în zone cu risc ridicat până la foarte mare de alunecare de teren, subliniind necesitatea dezvoltării durabile și a planificării urbane în această regiune vulnerabilă.

Garcia et al. (2023)

Propose a new CNN framework for the semi-automatic detection of relict landslides in rainforest areas, using a dataset generated by a k-means clustering algorithm with a pre-training step to fine-tune the CNN training process. The study compares the proposed framework with standard methods using CBERS-04A WPM images and tests 42 combinations of three CNNs (Unet, FPN and Linknet) and two augmented datasets. The framework shows higher recall rates, but precision remains low due to false positives. Despite limitations in detecting relict landslides due to spectral similarities with non-landslide areas, the framework demonstrates improved accuracy in landslide detection.

Shastry et al. (2023)

Dezvoltați un model de învățare profundă pentru cartografierea inundațiilor folosind imaginile Maxar WorldView, abordând provocarea obstrucționării suprafeței de către nori și vegetație. Abordarea lor implică crearea unui set de date etichetat semantic reprezentant al variabilității apei de suprafață din America de Nord, care este utilizat pentru a antrena o rețea neuronală convoluțională (CNN) în cadrul Deep Earth Learning, Tools and Analysis (DELTA). Modelul atinge precizie ridicată (98%) și reamintire (94%) în timpul validării. Cu toate acestea, o comparație cu modelele hidraulice relevă o subestimare cu 62% a extinderii inundațiilor, în mare parte din cauza obstacolelor, cu 74% atribuite vegetației și 9% norilor. Studiul subliniază necesitatea de a combina modelele de inundații cu date de teledetecție pentru o cartografiere precisă a inundațiilor.

Psomiadis și colab. (2019)

Descrieți o abordare sinergică folosind tehnici de teledetecție și GIS pentru monitorizarea inundațiilor rapide și evaluarea daunelor în zona Câmpiei Thessaly, Grecia. Studiul se concentrează pe un eveniment de inundații fulgerătoare din mai 2016, utilizând imagini Landsat-7 ETM+ și Sentinel-1 SAR pentru a detecta zonele inundate. Diferiți indici de apă și o metodă de prag au fost aplicați datelor Landsat-7 și, respectiv, Sentinel-1. În plus, imaginile DEM și Sentinel-2 de înaltă rezoluție au fost folosite pentru a perfecționa delimitarea inundației, pentru a estima adâncimea apei de inundație și pentru a evalua utilizarea/acoperirea terenurilor din regiunile inundate. Această abordare integrată a delimitat cu succes zonele inundate și a evaluat impactul financiar asupra culturilor afectate, demonstrând eficacitatea combinării datelor optice și radar cu modelarea GIS pentru cartografierea precisă a inundațiilor și evaluarea daunelor.

Santinela 2

Misiunea sa include monitorizarea vegetației, condițiilor solului și gestionarea resurselor de apă. The Obiectivele misiunii Sentinel-2 includ:

1. Observarea terenurilor, vegetației, acoperirii solului și apei, căilor navigabile interioare, zonelor de coastă
2. Cartografierea schimbărilor în acoperirea solului
3. Gestionarea securității alimentare
4. Monitorizarea pădurilor
5. Determinarea diferiților indici de plante (clorofilă suprafața frunzelor, conținut de apă

6. Furnizarea de informații cu privire la poluarea apei 7. Asistență în asistența în caz de dezastre (inundații, erupții vulcanice și imagini de alunecări de teren) 8. Monitorizarea schimbărilor climatice

Descriere

Tehnici: includeți îmbunătățirea contrastului, filtrarea, analiza componentelor principale și combinarea benzilor spectrale. Îmbunătățirea vizuală: îmbunătățește interpretarea vizuală a imaginilor digitale. Îmbunătățirea contrastului: mărește gradienții de nivel de gri. Filtre: filtrele de trecere de frecvență joasă și înaltă îmbunătățesc sau elimină detaliile imaginii.

Sun et al. (2022)

Developed a forest fire susceptibility model using the Light Gradient Boosting Machine (LightGBM) algorithm to produce an accurate fire susceptibility map. Focusing on a subtropical national forest park in Jiangsu, China, the study used eight variables derived from topographic, climatic, human activity and vegetation factors. The LightGBM model was compared with logistic regression (LR) and random forest (RF) models. Results showed that temperature was the primary fire driving factor, with LightGBM outperforming LR and RF in F1-score, accuracy (88.8%) and AUC (0.935), demonstrating superior predictive performance.

Goldberg şi colab. (2020)

Utilizați observații operaționale prin satelit pentru a cartografi și monitoriza inundațiile cauzate de blocaje de gheață și topirea zăpezii, în special în regiunile cu latitudini înalte. Studiul folosește Visible Infrared Imaging Radiometer Suite (VIIRS) și Advanced Baseline Imager (ABI) pentru a estima fracțiile de apă prin descompunere de pixeli mixți, obținând hărți de inundații din diferențele de fracțiuni de apă înainte și după inundare. Rezoluția temporală mare a ABI și rezoluția spațială detaliată a VIIRS permit observarea eficientă a mișcării gheții, a stării de topire a zăpezii și a evoluției apei de inundații, ajutând la predicția inundațiilor și la monitorizarea dinamică. Produsele pentru inundații JPSS și GOES-R includ în mod unic tipurile de inundații de suprazăpadă/gheață și măști de zăpadă/gheață, sporindu-le utilitatea pentru prognoza râului și pentru utilizatorii finali.

Ananias et. al (2022)

Introduce the Algal Bloom Forecast (ABF) framework for predicting algal blooms in inland water bodies using machine learning and remotely sensed data. The fully automated ABF framework leverages MODIS images, environmental data and spectral indices to build anomaly detection models with SVM, RF and LSTM methods. Case studies in Erie (USA), Chilika (India) and Taihu (China) lakes demonstrate the framework's effectiveness. The RF model within the ABF framework achieved the best predictions, evaluated through metrics such as global accuracy, kappa coefficient, F1- Score and R2-Score.

Programul Copernicus

Comisia Europeană supraveghează Programul, care este executat în colaborare cu statele membre, Agenția Spațială Europeană (ESA), Organizația Europeană pentru Exploatarea Sateliților Meteorologici (EUMETSAT), Centrul European pentru Prognoze Meteorologice pe Intervalo Mediu (ECMWF), diverse agenții UE, Mercator Ocean, Agenția Europeană de Mediu (AEM) și Centrul Comun de Cercetare (JRC).

Detalii tehnice

Data lansării: 15 aprilie 1999 Stare: operațional în ciuda eșecului Scan Line Corrector (SLC) 31 mai 2003 Senzori: ETM+ Altitudine: 705 km Înclinare: 98,2° Orbită: polară, sincronă cu soarele Timp de traversare ecuatorială: nominal 10 AM (± 15 min.) ora locală (nodul descendent) Perioada de revoluție: 99 de minute; ~14,5 orbite/zi Acoperire repetată: 16 zile

Santinela-6

Sentinel-6 implică doi sateliți: Sentinel-6A a fost lansat în noiembrie 2020, în timp ce Sentinel-6B este programat să fie lansat în 2025. Misiunea sa principală este de a furniza informații de înaltă precizie despre topografia oceanului la nivel mondial, în timp ce misiunea sa secundară este ocultarea radio pentru monitorizarea schimbărilor climatice și prognoza meteo. În aceste scopuri, Sentinel-6 este echipat cu un altimetru radar cu deschidere sintetică (POSEIDON-4) și, respectiv, un GNSS-RO. Sentinel-6 are capacitatea de a cartografi până la 95% din oceanul Pământului la fiecare 10 zile, informațiile adunate completând datele oceanice de la Sentinel-3. Pe baza misiunilor sale, obiectivele Sentinel-6 includ:

1. Monitorizarea modificărilor nivelului mării
2. Prognozare pentru oceanografie operațională
3. Furnizarea de informații despre curenții oceanici, viteza vântului și înălțimea valurilor pentru siguranța maritimă.
4. Protejarea și gestionarea zonelor de coastă

link

Ce este teledetecția?

• Înțelegerea principiilor de bază ale teledetecției. Analiza conceptelor fundamentale ale teledetecției, împreună cu avantajele și dezavantajele acesteia.

• Dezvoltarea istorică a teledetecției

Trecere în revistă a evoluției tehnologiei, de la utilizarea timpurie a fotografiei până la aplicarea modernă a sistemelor de satelit.

• Utilizarea sistemelor active și pasive

Prezentarea tehnicilor de teledetecție activă și pasivă, cu accent pe sistemele RADAR și LIDAR pentru teledetecție.

• Managementul dezastrelor naturale prin teledetecție

Aplicații ale teledetecției în monitorizarea și răspunsul la dezastre naturale, cum ar fi inundații, cutremure și incendii.

• Analiza imaginilor din satelit

Sinteza și analiza imaginilor satelitare prin prelucrare digitală și tehnici de clasificare pentru uz științific.

• Integrarea cu sistemele informaționale geografice (GIS)

Utilizarea GIS pentru analiza și prezentarea datelor de teledetecție, concentrându-se pe aplicarea acestora la managementul dezastrelor naturale.

• Inițiative grecești în managementul dezastrelor

Prezentarea proiectelor grecești care utilizează teledetecția pentru monitorizarea și gestionarea dezastrelor naturale, cum ar fi SEASFire, sistemul de telemetrie Maestro și DISARM.

O cronologie Landsat | Landsat Science

Landsat 8 a fost lansat cu succes pe 11 februarie 2013, iar arhiva de date Landsat continuă să se extindă. Landsat 5 a furnizat date globale de înaltă calitate despre suprafața terestră a Pământului timp de 28 de ani și 10 luni, stabilind oficial un nou titlu Guinness World Record pentru „Cel mai lung satelit de observare a Pământului”.

Detalii tehnice

Proiectul DISARM,

face parte din programul Interreg Balcan-Mediterranean 2014-2020, se concentrează pe crearea unui sistem de avertizare timpurie pentru riscul de incendiu în Grecia, Cipru și Bulgaria. Dezvoltat de Geospatial Enabling Technologies, sistemul folosește date de la stații meteorologice și informații din satelit pentru a prezice riscurile de incendiu. Platforma include indici de temperatură, umiditate, viteza vântului și indici specializați de risc de incendiu, împreună cu date din satelit privind incendiile active și prognozele meteo. Site-ul web și instrumentele au fost construite folosind software open source și standarde internaționale.

Park și colab. (2022)

Abordați nevoia tot mai mare de detectare și monitorizare rapidă a dezastrelor naturale cauzate de schimbările climatice. Aceștia subliniază rolul tehnicilor de teledetecție în gestionarea dezastrelor în mai multe domenii spațiale și temporale. În ciuda provocărilor în dezvoltarea unor metode robuste de monitorizare și evaluare pentru mecanisme complexe de dezastre, progresele recente în teledetecția prin satelit, aer și sol, împreună cu tehnici noi de analiză a imaginilor, oferă soluții promițătoare. Studiul lor evidențiază integrarea diferitelor date de teledetecție pentru monitorizarea și evaluarea cuprinzătoare a dezastrelor, având ca scop atenuarea riscurilor de dezastre.

Schimbarea bazată pe învățare profundă Detectare (CD)

Utilizează imagini multi-temporale cu teledetecție și învățare profundă pentru a detecta schimbările de pe suprafața Pământului. Această abordare ajută la actualizarea utilizării terenului, evaluarea pericolelor naturale și analizarea extinderii urbane prin învățarea și adaptarea automată la reprezentările caracteristicilor la nivel înalt.

Geo-computațională Tehnici

Include integrarea GIS, LIDAR, UAV și tehnici de calcul avansate, cum ar fi învățarea automată și învățarea profundă. Folosit pentru modelarea, vizualizarea și predicția pericolelor naturale la scară locală și globală, îmbunătățind predicția și gestionarea dezastrelor.

Neural convoluțional Rețele (CNN)

CNN-urile sunt piatra de temelie a modelelor de deep learning bazate pe imagini. Acestea au fost aplicate pe scară largă în analiza imaginilor satelitare și aeriene pentru a detecta și clasifica zonele afectate de dezastre. De exemplu, evaluarea daunelor după dezastru folosind CNN-urile sa dovedit eficientă în identificarea clădirilor și a infrastructurii distruse cu o precizie ridicată.

Dinh et al. (2022)

Evaluate the performance of various optimizers for Deformable-DETR in assessing natural disaster damage. Utilizing deep learning techniques and UAV remote sensing, the study enhances disaster response by improving the efficiency and convergence time of Deformable DETR, a Transformer-based object detection method. The researchers analyze several optimizers to enhance Deformable DETR's performance, demonstrating its adaptability and effectiveness for rapid building damage assessment in disaster scenarios.

Obiectivele TerraSAR-X și TanDEM-X

Zburând în formație apropiată, obiectivul sateliților TerraSAR-X și TanDEM-X este să imagineze simultan terenul Pământului din unghiuri diferite, cu o precizie fără precedent, în scopuri de cercetare și dezvoltare, precum și pentru aplicații științifice și comerciale.

Detalii tehnice

Data lansării: 5 martie 1978 Stare: pus în modul de așteptare: 31 martie 1983; scos din funcțiune: 7 septembrie 1983 Senzori: RBV, MSS Altitudine: nominal 900 km Înclinare: 99,2° Orbită: polară, sincronă cu soarele Ora traversării ecuatoriale: în mod nominal 9:42, ora locală medie (nodul descendent) Perioada de revoluție: 103 minute; ~14 orbite/zi Acoperire repetată: 18 zile

Earthquakes release energy from the Earth and transfer this energy to the surface, causing significant effects in the affected areas. Satellite images provide a unique tool for capturing these areas after seismic events, offering a rapid damage assessment. Damage assessment after an earthquake must consider the following parameters: 1. Spatial resolution: The analysis of space data in relation to the characteristics of built-up areas (dense or sparse construction). 2. System repeatability: The frequency with which the satellite images the same area. Although a system may have high repeatability, acquiring data in real or near real-time is critical. 3. Detection and recognition capability: This capability is particularly important in sparsely built areas.

Santinela 3

Obiectivul principal al Sentinel-3 este de a măsura topografia suprafeței mării, temperatura de la suprafața terestră și a mării și culoarea oceanului. Oferă date de înaltă precizie pentru a sprijini prognoza și monitorizarea mediului și a climei. Sentinel-3 completează misiunea Sentinel 2 cu obiective precum:

1. Determinarea topografiei și înălțimii suprafeței mării, precum și a înălțimii semnificative a valurilor
2. Măsurarea temperaturii suprafeței oceanelor și terestrei
3. Determinarea culorii suprafeței oceanelor și terestre Cartografierea topografiei gheții mari și terestre
4. Monitorizarea calității apelor maritime și interioare, a poluării și a productivității biologice
5. Modelarea schimbărilor climatice
6. Identificarea schimbărilor în utilizarea terenului
7. Cartografierea acoperirii forestiere
8. Detectarea incendiilor de vegetație
9. Furnizarea indicilor stării vegetației
10. Prognoza vreme si clima
11. Măsurarea radiației termice a Pământului pentru aplicații atmosferice

Rețele de segmentare semantică

Utilizează CNN-urile pentru a identifica și localiza zonele de interes în imaginile din satelit. Esențial pentru analiza dezastrelor naturale, cum ar fi incendiile de vegetație, inundațiile și uraganele, prin furnizarea de evaluări precise și precise a daunelor, îmbunătățirea eforturilor de răspuns și alocarea resurselor.

EarthExplorer

Interfața de utilizator EarthExplorer (EE) este un instrument online dezvoltat de US Geological Survey (USGS) pentru căutare, descoperire și comandă. Permite utilizatorilor să caute în sateliți, avioane și alte inventare de teledetecție folosind capabilități de interogare interactive și bazate pe text.

Neural recurent Rețele (RNN)

Rețelele RNN, în special rețelele de memorie pe termen lung (LSTM), sunt folosite pentru predicția serii cronologice, ceea ce le face potrivite pentru prognoza dezastrelor naturale. Studiile și-au demonstrat capacitatea de a prezice evenimentele de inundații prin analizarea secvențelor temporale de date despre precipitații și ratele de deversare a râului.

Peng, (2022)

Analizează realizările și provocările recente în abordările de teledetecție pentru monitorizarea dezastrelor meteorologice. Problemele cheie identificate includ aranjarea sarcinilor, extragerea de informații și detectarea schimbărilor multi-temporale. O monitorizare precisă necesită determinarea unor intervale de timp, planificarea senzorilor și construirea de modele de reprezentare. Informațiile extrase sunt apoi procesate și comparate în timp pentru a detecta evoluția dezastrelor. Deși există aplicații de succes, există lacune în monitorizarea procesului. Cercetările viitoare privind planificarea senzorilor, reprezentarea informațiilor și fuziunea datelor cu mai multe surse sunt necesare pentru a îmbunătăți monitorizarea și înțelegerea dezastrelor meteorologice.

Aproape

Detectarea schimbărilor

Clasificarea daunelor

Radar cu deschidere sintetică

Vehicule aeriene fără pilot

Sateliți IKONOS, World View, QuickBird, Pleiade și SPOT

Capacitățile sale includ capturarea la o rezoluție pancromatică de 0,80 metri multispectrală de 3,2 m, în infraroșu apropiat (NIR). Aplicațiile sale includ cartografierea atât urbană, cât și rurală a resurselor naturale și a dezastrelor naturale, cartografierea fiscală, analiza agriculturii și silvicultură, minerit, inginerie, construcții și detectarea schimbărilor. Poate furniza date relevante pentru aproape toate aspectele studiului de mediu.

Feng et al. (2022)

Investigate the uncertainties in machine learning models for assessing earthquake-induced landslide susceptibility. Using Artificial Neural Network (ANN), Random Forest (RF), Support Vector Machine (SVM) and Logistic Regression (LR), the study evaluates model uncertainty through susceptibility zoning, risk area statistics and the area under the ROC curve. The results show that landslides tend to cluster spatially, with real landslide occurrences in high-risk areas at 86% for SVM, 87% for RF, 82% for LR and 61% for ANN. The ROC area for RF, SVM, LR and ANN is 90.92%, 80.45%, 73.75% and 71.95%, respectively. Accuracy declines when predicting landslides from different earthquakes.

Yang şi colab. (2024)

Prezentați un studiu privind o metodă rafinată de detectare a incendiilor și de selecție a benzilor în imaginile hiperspectrale de teledetecție folosind sparse-VIT. Această cercetare, publicată în Infrared Physics & Technology, își propune să îmbunătățească acuratețea detectării incendiilor prin folosirea de tehnici avansate de imagistică hiperspectrală. Realizat de cercetători de la Institutul de Fizică Tehnică din Shanghai, de la Universitatea Chineză de Științe și de la Institutul de Informații de Teledetecție din Beijing, studiul demonstrează îmbunătățiri semnificative în aplicațiile de teledetecție pentru monitorizarea și gestionarea incendiilor, oferind un cadru robust pentru dezvoltările viitoare în domeniu.

Elmahdy și colab. (2020)

concentrați-vă pe cartografierea și predicția susceptibilității la inundații rapide (FF) în nordul Emiratelor Arabe Unite (NUAE), utilizând o abordare hibridă care integrează învățarea automată și modelele geohidrologice. Studiul testează trei modele de învățare automată: arbore de regresie amplificat (BRT), arbori de clasificare și regresie (CART) și arbore Bayes naiv (NBT). Modelul BRT a demonstrat cea mai înaltă performanță, evaluată folosind precizie, reamintire, scor F1 și curba ROC. Harta de susceptibilitate a FF a fost rafinată în continuare prin împărțirea ei în șapte bazine și calculând noi parametri de condiționare FF. Rezultatele au indicat că bazinele muntoase și înguste precum RAK, Masafi, Fujairah și Rol Dadnah au cea mai mare apariție și magnitudine FF, în timp ce câmpiile aluviale mai largi, precum Al Dhaid, au cea mai scăzută. Această abordare îmbunătățește acuratețea cartografierii susceptibilității FF, oferind un instrument valoros pentru gestionarea dezastrelor în regiunile aride.

Li şi colab. (2023)

Integrați modelul SLIDE în cadrul CAESAR-Lisflood pentru a modela cantitativ mecanismul lanțului de dezastre „pluie-alunecare de teren-inundație rapidă” sub evoluția peisajului în zonele muntoase. Aplicat zonei afectate de cutremur din Wenchuan, acest model integrat prezice susceptibilitatea la alunecări de teren în condiții de precipitații extreme și identifică zonele cu risc ridicat, cum ar fi văile muntoase și rigole abrupte. Studiul evidențiază influența semnificativă a efectelor moștenirii alunecărilor de teren asupra proceselor de eroziune și depunere, sporind aplicabilitatea modelului pentru gestionarea dezastrelor și reducerea în regiunile afectate de cutremur.

Lee, (2022)

Investigates forest fire trends and characteristics in North Korea using remote sensing techniques and digital topographic data. The study analyzes MODIS data from 2004 to 2015 and Landsat data to estimate burned areas in South Hamgyong Province (SHP) and Gangwon Province (GWP). Findings indicate that fires in SHP are more frequent and severe, particularly in coniferous areas, which are more susceptible to fire due to their combustible resin. Large fires predominantly occur on windward open slopes, with fewer fires in shallow valleys and high ridges. The study highlights the need for North Korea to develop measures against large fire damage.

Barmpoutis et al. (2020)

Oferiți o analiză cuprinzătoare a sistemelor de detectare timpurie a incendiilor forestiere folosind tehnologii optice de teledetecție. Studiul abordează amenințarea în creștere a incendiilor forestiere pe scară largă, subliniind necesitatea unor strategii eficiente de prevenire, avertizare timpurie și răspuns. Ea clasifică sistemele de detectare a incendiilor în trei tipuri: terestre, aeropurtate și spațiale și evaluează diverși algoritmi de detectare a flăcării și a fumului utilizați de aceste tehnologii. Analiza evidențiază punctele forte și slăbiciunile fiecărui sistem, având ca scop să ghideze cercetările viitoare în dezvoltarea unor sisteme de avertizare timpurie mai precise și mai fiabile pentru a atenua impactul incendiilor forestiere asupra mediului și vieții umane.

Analiza unei serii temporale de imagini SAR extinde posibilele aplicații ale interferometriei, permițând detectarea deplasărilor mici de ordinul câțiva milimetri și reducând sursele de eroare. Există două tehnici principale:

a. Tehnica SBAS (Berardino P. și Sansosti, 2002), care necesită multe imagini pentru a crea mai multe interferograme simple. Printr-o procedură de procesare, aceste interferograme permit înregistrarea precisă a deformării. b. Tehnica Persistent Scatterers (PS), care necesită, de asemenea, un număr mare de imagini SAR și se concentrează pe caracteristicile solului care rămân stabile în timp (Ferretti A. & Rocca, 2001). Această tehnică oferă informații punctuale despre deformare, în principal din construcții umane și roci goale.

Modificările acoperirii terenului sunt detectate prin teledetecție prin analizarea variațiilor valorilor radiațiilor. Imaginile din satelit oferă perspective spațiale, acoperire pe o suprafață mare și date temporale pentru monitorizarea fenomenelor dinamice. Crearea hărților tematice de acoperire/utilizare a terenului implică trei etape: pre-procesare, îmbunătățire și clasificare. Clasificarea atribuie proprietăți ale pixelilor categoriilor de teren, iar acuratețea acestuia este critică. Imaginile din satelit de-a lungul timpului permit monitorizarea schimbărilor. Clasificarea supravegheată se bazează pe date statistice și pe definiții precise ale claselor, necesitând expertiză pentru o cartografiere eficientă.

Asaly et al. (2022)

Explore the detection of earthquake precursors using remote sensing technologies and machine learning methods. They apply a support vector machine (SVM) technique to GPS ionospheric total electron content (TEC) time series data to identify potential earthquake precursors. After filtering out solar and geomagnetic influences, their method achieved 85.7% accuracy for true negative predictions and 80% for true positive predictions for large earthquakes (Mw > 6). The model's performance is validated with various skill scores, including an accuracy of 0.83, precision of 0.85, recall of 0.8, Heidke skill score of 0.66 and true skill statistics of 0.66.

Akhyar et al. (2023)

Provide a comprehensive review of deep learning methodologies, particularly convolutional neural networks (CNNs), used for natural disaster management systems. The study highlights the use of semantic segmentation networks to analyze satellite imagery and remote sensing data for disaster evaluation and response. Despite the effectiveness of models like SegNet, U-Net, FCNs, FCDenseNet, PSPNet, HRNet and DeepLab in tasks such as forest fire delineation, flood mapping and earthquake damage assessment, challenges remain in retaining spatial information and optimal feature representation. This review underscores the importance of extracting features from multiple levels of semantic representation to enhance disaster management efforts.

Kim & Muminov, (2023)

Propose an advanced YOLOv7 model for detecting forest fire smoke using UAV images. The model enhancements include incorporating the CBAM attention mechanism, adding an SPPF+ layer for better focus on smaller smoke regions and introducing decoupled heads for effective data extraction. A BiFPN is used for multiscale feature fusion, with learning weights to prioritize critical feature mappings. Tested on a dataset of 6500 UAV images, the proposed approach achieved an AP50 of 86.4%, outperforming previous detectors by 3.9%, demonstrating its efficacy in early wildfire smoke detection.

Detalii tehnice

Data lansării: 22 ianuarie 1975 Stare: eliminat din starea operațională: 5 februarie 1982; scos din funcțiune: 27 iulie 1983 Senzori: RBV, MSS Altitudine: nominal 900 km Înclinare: 99,2° Orbită: polară, sincronă cu soarele Ora traversării ecuatoriale: în mod nominal 9:42, ora locală medie (nodul descendent) Perioada de revoluție: 103 minute; ~14 orbite/zi Acoperire repetată: 18 zile

Compania GIS grecească GET

Seturile de date finale și poligoanele de inundații detectate sunt afișate dinamic prin portalul GET SDI, prezentând potențialul datelor Sentinel-1 în gestionarea crizelor. Imaginea RGB creată din datele Sentinel-1 în 11 februarie 2018 (pre-criză) și 23 februarie 2018 (criză) evidențiază zonele inundate în roșu din cauza contrastului valorilor de retrodifuzare. Poligoanele de inundații au fost obținute prin aplicarea unui prag global la diferența dintre imaginile dinainte de criză și cele de criză

https://www.getmap.eu/company/?lang=en

Seturile de date finale și poligoanele de inundații detectate sunt afișate dinamic prin portalul GET SDI, prezentând potențialul datelor Sentinel-1 în gestionarea crizelor. Imaginea RGB creată din datele Sentinel-1 în 11 februarie 2018 (pre-criză) și 23 februarie 2018 (criză) evidențiază zonele inundate în roșu din cauza contrastului valorilor de retrodifuzare. Poligoanele de inundații au fost obținute prin aplicarea unui prag global la diferența dintre imaginile dinainte de criză și cele de criză

Santinela 1

Lansarea

Data: Sentinel-1A - 03 aprilie 2014 Sentinel-1B - 25 aprilie 2016 Sentinel-1C - 5 decembrie 2024 Site: Kourou, Guyana Franceză Rachetă: Sentinel-1A și -B pe Soyuz Sentinel-1C pe Vega-C

Detalii tehnice

Data lansării: 5 octombrie 1993 Stare: pierdut la lansare Senzor: ETM

Stephenson şi colab. (2022)

Introduceți o nouă abordare bazată pe învățarea profundă pentru cartografierea daunelor, folosind seriile temporale de coerență InSAR pentru a îmbunătăți separarea daunelor provocate de dezastre de alte modificări de suprafață. Această metodă folosește rețelele neuronale recurente (RNN) pentru a analiza istoricul în timp complet al observațiilor radarului cu deschidere sintetică (SAR), detectând variații anormale ale proprietăților suprafeței.

Detalii tehnice

Data lansării: 16 iulie 1982 Stare: dezafectat, 15 iunie 2001 Senzori: TM, MSS Altitudine: 705 km Înclinare: 98,2° Orbită: polară, sincronă cu soarele Timp de traversare ecuatorială: nominal 9:45 AM (± 15 min.) ora locală (nodul descendent) Perioada de revoluție: 99 de minute; ~14,5 orbite/zi Acoperire repetată: 16 zile

Despre Terra

Aproximativ de dimensiunea unui autobuz școlar mic, satelitul Terra poartă cinci instrumente care fac măsurători coincidente ale sistemului Pământului:

• Radiometru avansat de emisie și reflexie termică din spațiul spațial (ASTER)
• Norii și sistemul energetic radiant al Pământului (CERES)
• Spectroradiometru cu imagini cu mai multe unghiuri (MISR)
• Măsurări ale poluării în troposferă (MOPITT)
• Spectroradiometru pentru imagini cu rezoluție moderată (MODIS)

Jia & Ye, (2023)

Conduct a comprehensive review of deep learning (DL) applications in Earthquake Disaster Assessment (EDA), analyzing 204 articles to explore the current state, development and challenges. They categorize EDA objects into disaster objects (earthquakes and secondary disasters) and physical objects (buildings, infrastructure and areas). The study examines the use of remote sensing, seismic and social media data in EDA, highlighting their advantages and limitations. It also evaluates six DL models, including CNN, MLP, RNN, GAN, TL and hybrid models, across different earthquake stages (pre-, during-, post- and multi-stage). CNNs are notably prominent for image classification in assessing building damage. The review identifies challenges in training data and DL models, suggesting opportunities in new data sources, multimodal DL and emerging concepts, providing valuable insights for researchers and practitioners.

1925-45

În această perioadă, fotografia aeriană a fost utilizată pe scară largă, în principal pentru cartarea topografică folosind fotografii aeriene stereoscopice. Al Doilea Război Mondial a amplificat foarte mult îmbunătățirea tehnologiei de fotografiere aeriană.

Santinela 4 și 5

Sentinel-4 este o viitoare misiune geostaționară care monitorizează concentrațiile-cheie de urme de gaz și aerosoli din Europa pentru a sprijini serviciile referitoare la aplicațiile pentru calitatea aerului și protocolul climatic. Misiunile Sentinel-4 și Sentinel-5 se concentrează pe monitorizarea compoziției atmosferice. Sentinel-4, Sentinel-5P și Sentinel 5 au fost concepute pentru a completa Serviciul de monitorizare a atmosferei (CAMS) Copernicus, care oferă informații agregate despre poluarea aerului la nivel mondial, sănătatea, energia solară, gazele cu efect de seră și forțarea climei. Obiectivele misiunii Sentinel-4 includ:

1. Măsurarea calității aerului
2. Monitorizarea ozonului stratosferic
3. Măsurarea radiației solare
4. Monitorizarea schimbărilor climatice

link

1955-60

Fotografiile aeriene au devenit mai populare, iar aplicațiile lor s-au extins dincolo de hărțile topografice pentru a include geologia, agricultura, mediul, silvicultură, arheologia etc.

Diafragma sintetică Radar (SAR)

Utilizează radarul pentru a crea imagini detaliate ale suprafeței Pământului, chiar și prin acoperirea norilor și în întuneric. SAR este utilizat pentru evaluarea daunelor cauzate de cutremur și pentru monitorizarea erupțiilor vulcanice, oferind date critice pentru evaluarea timpurie a daunelor și pentru prezicerea erupțiilor.

Rețele neuronale convoluționale profunde cu mai multe instanțe (DMCNN)

Un nou model de învățare profundă conceput pentru clasificarea dezastrelor în imagini de înaltă rezoluție cu teledetecție. Detectează și clasifică diverse dezastre naturale, oferind capabilități solide de gestionare a dezastrelor prin identificarea și clasificarea cu precizie a regiunilor afectate.

Taskin și colab. (2022)

Prezentați o arhitectură de învățare profundă de ansamblu bazată pe blocuri partajate pentru maparea susceptibilității la alunecări de teren de mică adâncime. Această abordare își propune să abordeze limitările în variația și generalizarea modelului. Prin combinarea rețelelor neuronale convoluționale (CNN), rețelelor neuronale recurente (RNN) și a modelelor de memorie pe termen lung pe termen scurt (LSTM), modelul de ansamblu (CNN-RNN-LSTM) a fost aplicat în provincia Trabzon, Turcia. Ansamblul a obținut cea mai mare performanță de modelare cu o precizie de 0,93, depășind modelele individuale. Modelul de ansamblu a îmbunătățit acuratețea generală cu până la 7% și a demonstrat o îmbunătățire semnificativă (~4%) a acurateței hărții de susceptibilitate, așa cum a confirmat testul Wilcoxon de rang semnat.

Instrumente ERS:

• Along-Track Scanning Radiometer (ATSR) a măsurat temperaturile suprafeței mării și temperaturile din vârful norilor.
• Experimentul Global Ozone Monitoring Experiment (GOME) a fost un spectrometru ultraviolet și vizibil cu scanare nadir pentru monitorizarea globală a ozonului atmosferic.
• Radiometrul cu microunde (MWR) a măsurat conținutul de apă lichidă și de vapori integrate în coloana de apă mosferică. termenii pentru semnalul altimetrului radar.
• Altimetrul radar (RA) a fost un senzor activ cu microunde orientat în nadir în bandă Ku (13,8 GHz), conceput pentru a măsura ecourile de întoarcere în timp de la suprafețele oceanelor și ale gheții.
• Modul de undă Synthetic Aperture Radar (SAR) a furnizat spectre bidimensionale ale undelor de suprafață oceanului. suprafață pentru încorporare în modele, statistici globale și seturi de date climatologice.
• Laser Retro Reflector (LRR) a fost un dispozitiv pasiv folosit ca reflector de stațiile SLR de la sol folosind lasere pulsate de mare putere.
• Precise Range And Range-Rate Equipment (PRARE) a fost un sistem compact, spațial, bidirecțional, cu două frecvențe de urmărire prin satelit.

Descriere

Etapa critică: Previne amplificarea de imperfecțiuni în procesarea digitală. Corecții atmosferice: necesare pentru rezultate precise. Corecții geometrice: Transformări imagini în hărți pentru utilizare GIS. Proces de conversie: Implica conversia coordonatelor imaginii în a sistem de proiecție cartografică folosind algoritmi polinomi și control puncte.

Proiectul SEASFire

Se concentrează pe dezvoltarea unui sistem de monitorizare și management în timp real a incendiilor forestiere. Acesta integrează date satelitare, UAV-uri și senzori la sol pentru a oferi conștientizare cuprinzătoare a situației și sprijin pentru eforturile de stingere a incendiilor.

Sistemul își propune să îmbunătățească capacitățile de luare a deciziilor pentru gestionarea incendiilor forestiere prin tehnologii avansate și analize de date. Utilizând aceste instrumente, SEASFire urmărește să îmbunătățească eficiența și eficacitatea operațiunilor de stingere a incendiilor, reducând în cele din urmă impactul incendiilor forestiere. Condus de Observatorul Național din Atena și finanțat de ESA, proiectul își propune să prezică modelele sezoniere ale incendiilor de sălbăticie în Europa folosind modele avansate de învățare profundă și date de observare a Pământului. Proiectul se concentrează pe înțelegerea conexiunilor spațio-temporale dintre condițiile atmosferice și regimurile de incendiu („SeasFire –Earth System Deep Learning for Seasonal Fire Forecasting in Europe”, 2024).

1960-Prezent

Această etapă este caracterizată de dezvoltarea activă a sateliților și a senzorilor. În 1960, a fost lansat primul satelit meteorologic, marcând o nouă eră de activitate intensă și cercetare în teledetecție. În această perioadă, unele sisteme de înregistrare prin satelit, dezvoltate inițial exclusiv în scopuri militare, au început să fie utilizate pe scară largă, deoarece au fost dezvoltate sisteme mai avansate pentru aplicații militare.

Wang și colab., (2021)

Identificați Rețeaua de atenție a canalelor separabile (SCANet) ca o tehnologie profundă promițătoare pentru gestionarea dezastrelor naturale, în special alunecările de teren. SCANet folosește un encoder Poolformer și un decodor SCA-FPN pentru a îmbunătăți acuratețea detectării alunecărilor de teren din imaginile de teledetecție. Îmbunătățind predicția la nivel de pixeli și reducând complexitatea de calcul, SCANet depășește semnificativ metodele existente, ajutând eforturile de salvare rapidă și restaurare ecologică după dezastru.

Sistemul de telemetrie Maestro

dezvoltat de Universitatea Aristotel din Salonic, este conceput pentru a prezice și gestiona incendiile forestiere. Aceasta implică amplasarea senzorilor wireless în zonele forestiere pentru a colecta date despre temperatură, umiditate, viteza vântului, detectarea flăcării și a fumului. Aceste date, transmise prin internet, sunt folosite pentru a prezice riscurile de incendiu și pentru a informa planurile de protecție civilă. Sistemul va fi testat într-un incendiu controlat la ferma universității pentru a evalua sensibilitatea senzorului.

Ofire+ de la OMIKRON SA

este un sistem inovator conceput pentru a spori pregătirea operațională pentru gestionarea crizelor de incendii din municipalități și regiuni. Oferă o combinație de soluții științifice și tehnologice, oferind date meteorologice zilnice, puncte de aprindere a incendiului, simulări ale comportamentului incendiului, caracteristicile incendiului de vegetație și un indice de vreme a incendiului. Sistemul include o aplicație de management bazată pe web/cloud pentru autoritățile municipale și o aplicație mobilă pentru personal, voluntari, rezidenți și vizitatori, permițând utilizarea autonomă pentru proprietăți individuale.

Finanțat de resursele UE și naționale, acesta își propune să îmbunătățească managementul și răspunsul la crize (Omikron S.A., 2024)

https://ofireplus.com/

Ntinopoulos şi colab. (2023)

Explorați fuziunea indicilor de incendiu detectați de la distanță pentru predicția incendiilor sălbatice folosind inteligența artificială. Studiul folosește rețele neuronale artificiale (ANN) și rețele cu funcție de bază radială (RBF) pentru a prezice aprinderea incendiilor de sălbăticie în Grecia, utilizând indici precum Fire Weather Index (FWI), Fosberg Fire Weather Index (FFWI), Normalized Difference Vegetation Index (NDVI) și Normalized Difference Index ( NDMI). În plus, ei introduc un nou index, „FWI Vegetation-Enhanced FWI” (FWIveg), care combină informațiile FWI cu NDVI. Dezvoltat prin platforma Google Earth Engine, acest index este optimizat folosind un algoritm genetic. Robustețea metodologiei a fost demonstrată prin predicția incendiului Mati din 2018 din Attica, Grecia, arătând eficacitatea integrării FWIveg cu rețelele neuronale pentru predicția incendiilor.

Rețele adversare generative (GAN)

GAN-urile sunt folosite pentru a îmbunătăți rezoluția imaginilor cu teledetecție, îmbunătățind astfel acuratețea evaluărilor impactului dezastrelor. Ele generează imagini de înaltă rezoluție din intrări cu rezoluție scăzută, care sunt esențiale pentru analiza detaliată în zonele afectate de dezastru.

MISIUNE

Sateliții ERS-1 și ERS-2, lansati în anii 1990, folosesc radar cu deschidere sintetică (SAR) pentru cartografierea Pământului. Envisat, lansat în 2002, a furnizat date pentru monitorizarea mediului și schimbărilor climatice până în 2012.

Long şi colab. (2021)

Prezentați un studiu privind utilizarea învățării profunde pentru monitorizarea de urgență a dezastrelor de alunecări de teren la nivel înalt din zona râului Jinsha. Combinând imaginile de teledetecție prin satelit cu diverși factori care induc alunecările de teren, studiul stabilește două modele de detectare: Rețelele de credință profundă (DBN) și Rețelele de credință profundă neuronală convoluțională (CDN). Performanța modelelor este analizată pe baza unor parametri precum numărul de neuroni și straturi de învățare, DBN și CDN atingând acuratețe de detecție de 97,56% și, respectiv, 97,63%. Această cercetare demonstrează fezabilitatea acestor modele în monitorizarea cu acuratețe a alunecărilor de teren, oferind informații valoroase pentru gestionarea dezastrelor în regiune.

Dinh și colab. (2022)

Evaluați performanța diferitelor optimizatoare pentru Deformable-DETR în contextul evaluării daunelor cauzate de dezastre naturale. Folosind progresele recente în viziunea computerizată și teledetecția UAV, studiul își propune să îmbunătățească răspunsul la dezastre prin îmbunătățirea metodelor de detectare a daunelor. DETR deformabil, o îmbunătățire a metodei de detectare a obiectelor DETR bazată pe transformator, este examinată pentru eficiența și timpul de convergență. Cercetătorii analizează mai multe optimizatoare pentru a crește performanța DETR deformabil, demonstrând adecvarea și eficacitatea acestuia pentru evaluarea rapidă a daunelor în scenarii de dezastru.

Detalii tehnice

Data lansării: 23 iulie 1972 Stare: expirat, 6 ianuarie 1978 Senzori: RBV, MSS Altitudine: nominal 900 km Înclinare: 99,2° Orbită: polară, sincronă cu soarele Ora traversării ecuatoriale: în mod nominal 9:42, ora locală medie (nodul descendent) Perioada de revoluție: 103 minute; ~14 orbite/zi Acoperire repetată: 18 zile

Chen et al. (2023)

Propose a K-Net-based hybrid semantic segmentation method for extracting lake water bodies, addressing inefficiencies and dangers in traditional methods. This approach introduces dynamic semantic kernels to iteratively refine feature information, significantly enhancing extraction accuracy from remote sensing images. Validation on a Google dataset demonstrates the model's superiority, with the UperNet +K-Net model using Swin-l achieving the highest mean intersection over union (mIoU) of 97.77%. The incorporation of the K-Net module consistently improves mIoU across all tested models.

Înainte de 1925

Această perioadă este caracterizată de experimentarea cu aplicații ale fotografiei din baloane și avioane pentru cartografierea topografică. Încă de la început, aceste fotografii au evidențiat valoarea fotografiei aeriene, în special în timpul Primului Război Mondial, când au fost folosite pentru a localiza și cartografi pozițiile strategice.