جذب کاربر کوپرنیک: از داده ها تا برنامه ها

برنامه اروپایی کوپرنیک، یکی از منابع اصلی داده‌های رایگان و باز رصد زمین (EO)، قصد دارد پیشرفت‌های اجتماعی و اقتصادی اتحادیه اروپا را حفظ کند. برای این منظور، ابتکارات جذب کاربر برای افزایش آگاهی، انتشار و شایستگی های کوپرنیک انجام شده است، بنابراین از توسعه برنامه های کاربردی پایین دستی حمایت می شود. به عنوان بخشی از فعالیت‌های انجام شده در پروژه EO-UPTAKE، مجموعه‌ای از جریان‌های کاری سناریوی کاربردی را نشان می‌دهیم که شیوه‌های استفاده از داده‌ها و ابزارهای موجود در اکوسیستم کوپرنیک را نشان می‌دهد. از طریق دانش به دست آمده در طراحی و توسعه سناریوهای کاربردی و تجزیه و تحلیل کتابشناختی در برنامه های پایین دستی،

کلید واژه ها:

برنامه کوپرنیک ؛ جذب کاربر ; داده های نگهبان ; جریان کار

۱٫ مقدمه

در دسامبر ۲۰۱۹، آژانس محیط زیست اروپا (EEA) ( https://www.eea.europa.eu/ ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱)، در گزارش “محیط زیست اروپا – وضعیت و چشم انداز ۲۰۲۰” (SOER) [ ۱ ] ، مقیاس و فوریت چالش های فعلی محیط زیست، آب و هوا و پایداری اروپا را به تفصیل شرح داد. در پاسخ به این چالش ها، کمیسیون اروپا (EC) سند نقشه راه قرارداد سبز اروپا (EGD) [ ۲ ] را برای طرح اقدام اتحادیه اروپا برای آب و هوا تصویب کرد. نقشه راه چارچوبی برای اقدامات و اقدامات جاه طلبانه در راستای پایداری اروپا فراهم می کند.

در میان این اقدامات، اتحادیه اروپا تصویب هشتمین برنامه اقدام محیط زیستی [ ۳ ] جدید را پیشنهاد کرد که هدف آن تعیین جهت اقدامات سیاست زیست محیطی و اقلیم اتحادیه اروپا تا سال ۲۰۳۰، و حمایت از اجرا و اجرای موثر سیاست های زیست محیطی و اقلیم است. و قوانینی برای دستیابی به هدف کاهش انتشار گازهای گلخانه ای ۲۰۳۰ و بی طرفی آب و هوا تا سال ۲۰۵۰٫ EGD با درک نقش داده ها، استفاده از پتانسیل فناوری های دیجیتال و داده ها را برای حمایت از سیاست های زیست محیطی توصیه می کند و استفاده از مشاهدات ماهواره ای را به عنوان یک توانمندساز راهبردی ترسیم می کند. به اهداف خود برسد.

به طور خاص، از EEA درخواست می‌شود که از کمیسیون در بهبود در دسترس بودن و مرتبط بودن داده‌ها و دانش، از جمله با «ادغام داده‌ها در مورد اثرات زیست‌محیطی، اجتماعی و اقتصادی، و بهره‌برداری کامل از سایر داده‌های موجود، مانند داده‌های ارائه شده توسط Copernicus»، حمایت کند. [ ۳ ]، ص ۱۳). بر این اساس، به عنوان یکی از اهداف اصلی EGD دستیابی به انتشار خالص صفر گازهای گلخانه ای در سال ۲۰۵۰ و همچنین حفاظت، حفظ و افزایش سرمایه طبیعی اتحادیه اروپا، برنامه رصد زمین اروپا کوپرنیک ( https://www.copernicus.eu ) / ، دسترسی به ۱۰ نوامبر ۲۰۲۱) نقش مهمی در اجرا و نظارت بر این اهداف کلیدی دارد.

کوپرنیک که در سال ۱۹۹۸ توسط EC و آژانس فضایی اروپا (ESA) پرتاب شد، دسترسی رایگان به داده‌های تقریباً زمان واقعی، جمع‌آوری شده توسط ماهواره‌های اختصاصی EO به نام Sentinels، مشاهدات درجا، و مجموعه‌ای از خدمات اطلاعات اصلی ضروری برای کمک به مدیریت جهانی را فراهم می‌کند. امنیت و محیط زیست تداوم مشاهدات آن با تصاویر ماهواره ای با فرکانس بالا برای پایش جوی، اقیانوسی و زمینی به طور قابل توجهی به نفع اقتصادی اجتماعی و همچنین رشد هوشمندانه و پایدار است و توسعه راه حل های نوآورانه را در بسیاری از بخش ها ترویج می کند و باعث تحقق اولویت های EGD برای پیاده سازی می شود. طرح آب و هوای اتحادیه اروپا

در حالی که ارائه داده‌های کوپرنیک و اجرای خدمات مرتبط بسیار پیشرفت کرده است، حمایت از کاربران و جذب خدمات و مجموعه‌های داده کوپرنیک ضروری شد [ ۴ ، ۵ ]. در واقع، مانند سایر منابع داده باز عمومی [ ۶ ، ۷ ، ۸ ، ۹ ، ۱۰ ]، داده ها و اطلاعات کوپرنیک کمتر مورد بهره برداری قرار می گیرند و تلاش های بیشتری برای تعامل با کاربران مورد نیاز است [ ۱۱ ].

با اذعان به این موضوع، EC در سال ۲۰۱۶، یک استراتژی فضایی برای اروپا برای تشویق به جذب خدمات و داده‌های فضایی [ ۴ ] و حمایت از تحقیق، نوآوری و توسعه مهارت‌ها برای فضا و EO ارائه کرد. در حال حاضر نیاز به اقدام جذب همچنان به صراحت در استراتژی EEA-Eionet 2021-2030 توصیه می شود [ ۱۲ ].

پروژه منطقه‌ای ایتالیایی EO-UPTAKE ( www.gisig.eu/projects/eouuptake/ ، دسترسی به ۱۰ نوامبر ۲۰۲۱)، در راستای ابتکارات EC ترویج شده در حمایت از استفاده از داده‌ها و خدمات کوپرنیک در میان طیف وسیع‌تری از پایین‌دستی‌ها، توسط اتحادیه اروپا جوامع کاربران این بخش، با هدف افزایش انتشار دانش و مهارت‌های فناوری اطلاعات (IT) و سنجش از دور (RS) در مورد اکوسیستم کوپرنیک در چارچوب تولید لیگوریا.

هدف EO-UPTAKE با ایجاد پل ارتباطی بین دنیای تحقیقات و شرکت‌های کوچک و متوسط (SMEs) و شرکت‌های آب و برق درگیر در بخش محیط‌زیست، انتشار ظرفیت برای نوآوری و انتقال فناوری به سمت یک سیستم تولیدی است که در آن شرکت‌ها و نهادهای عمومی می‌توانند از Copernicus بهره‌مند شوند. منابع در اجرای برنامه های کاربردی نوآورانه و مشترک سرزمینی.

بر اساس فعالیت‌های در حال انجام EO-UPTAKE، مقاله سهم مضاعفی را ارائه می‌کند. از طریق بحث در مورد چهار سناریو کاربردی، ما مثال می‌زنیم که چگونه و با چه داده‌ها و ابزارهایی کاربران با مهارت‌های اولیه IT و RS می‌توانند از اکوسیستم کوپرنیک برای توسعه برنامه‌های کاربردی با استفاده عملی فوری بهره ببرند.

علاوه بر این، با توجه به تجربه به‌دست‌آمده در توسعه این سناریوها و بر اساس بررسی ادبیات برنامه‌های کاربردی پایین دستی در بخش‌های مختلف، ما مجموعه‌ای از توصیه‌ها را برای آگاه کردن کاربران از پتانسیل منابع کوپرنیک و تشویق آنها ارائه می‌کنیم. استفاده و ادغام با سایر منابع داده باز و همچنین توصیه به ارائه دهندگان داده برای بهبود شیوه های انتشار آنها.

۲٫ پیشینه کوپرنیک

در زنجیره ارزش داده برنامه کوپرنیک، یعنی فرآیند ایجاد، جمع‌آوری، انتشار و پذیرش داده‌ها، بخش پایین‌دستی نقش اساسی در تبدیل داده‌های مکانی تولید شده توسط پلت‌فرم‌های ماهواره‌ای به محصولات و خدمات EO را ایفا می‌کند که به‌طور مستقیم در پایان قابل استفاده است. کاربران [ ۱۳ ]. بازیگران درگیر در این فرآیند تبدیل، که کاربران میانی نیز نامیده می‌شوند، عموماً در EO [ ۱۴ ] متخصص هستند، مانند «خدمات ارزش افزوده (VAS) و شرکت‌های اطلاعات جغرافیایی، که فعالیت اصلی آنها پردازش داده‌های ماهواره‌ای EO و تبدیل آن است. به محصولات اطلاعات جغرافیایی» ([ ۱۳ ]، ص ۱۷).

کاربران نهایی ممکن است «شهروندانی باشند که از کیفیت هوای بهتر یا کاهش آلودگی آب‌های زیرزمینی بهره می‌برند» ([ ۱۳ ]، ص ۴۸) و همچنین «بازیگران نهادی (به عنوان مثال، سازمان‌های هواشناسی، خدمات اضطراری، دفاتر جنگل‌داری، آزمایشگاه‌های علمی …) و خصوصی» ([ ۱۵ ]، ص ۹). فعالیت اصلی این کاربران معمولاً بر روی EO متمرکز نیست و، به طور کلی در EO متخصص نیستند، آنها برای دسترسی به اطلاعات مرجع جغرافیایی به عنوان ورودی های مرتبط برای کسب و کار خود، به کاربران میانی متکی هستند.

با این حال، در برخی موارد، کاربران نهایی با مهارت‌های فناوری اطلاعات، اما نه کارشناسان EO، می‌توانند از طریق منابع داخلی خود، محصولات جغرافیایی به‌دست‌آمده را با «منابع اطلاعاتی مرتبط برای کسب‌وکار خود (مانند نوع محصولات کشاورزی) ترکیب کنند. ، عملکرد زیرساخت، مشخصات مشتریان آنها، روابط نمایندگان آنها و غیره)» ([ ۱۴ ]، ص ۱۴).

از سوی دیگر، کاربران «با حداقل نوعی آموزش در زمینه مشاهده زمین/اطلاعات جغرافیایی» ([ ۵ ]، ص ۱۲) می توانند از محصولات و خدمات کوپرنیک برای اجرای سناریوهای کاربردی ساده برای مطالعه و تجزیه و تحلیل یک پدیده زمینی خاص استفاده کنند. ، بدون اینکه لزوماً این کار را به شرکت های واسطه فناوری اطلاعات برون سپاری کنید [ ۱۵ ]. در ادامه، ما عمدتاً به این دو نوع کاربر نهایی می پردازیم تا توصیه هایی را به آنها ارائه دهیم که در طول مطالعه و فعالیت های عملی با ابزارها و محصولات اکوسیستم کوپرنیک برای توسعه سناریوهای کاربردی در دوره EO- به بلوغ رسیده ایم. جذب.

۲٫۱٫ ماهواره های نگهبان و اکوسیستم کوپرنیک

جزء فضایی کوپرنیک از دو نوع ماهواره تشکیل شده است: صورت فلکی Sentinels متعلق به اتحادیه اروپا، که به طور خاص برای رفع نیازهای خدمات کوپرنیک و کاربران آنها طراحی شده است، و مأموریت های آژانس های فضایی دیگر، به نام ماموریت های مشارکتی، که به طور مستقل وجود دارند و ارائه داده های تکمیلی ESA و سازمان اروپایی برای بهره برداری از ماهواره های هواشناسی (EUMETSAT ( https://www.eumetsat.int ، دسترسی به ۱۰ نوامبر ۲۰۲۱)) مسئولیت توسعه بخش فضایی برنامه را بر عهده دارند.

در حال حاضر، سه ماموریت Sentinel، یعنی Sentinel-1 (S-1A, S-1B)، Sentinel-2 (S-2A, S-2B) و Sentinel-3 (S-3A, S-3B) به اضافه دو ماموریت تکی ماهواره های Sentinel-5 Precursor (S-5P) و Sentinel-6 Michael Freilich (S-6) در مدار هستند. دومی، که یک مشارکت مشترک بین سازمان ملی هوانوردی و فضایی (ناسا) و ESA پس از دوقلوی آن است، در سال ۲۰۲۵ پرتاب خواهد شد و “سطح دریاها را تا سانتی متر برای بیش از ۹۰٪ اقیانوس های جهان اندازه گیری می کند” ( https: //www.nasa.gov/sentinel-6/overview ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱). در چند سال آینده، دو مأموریت Sentinel-4 (S-4) و Sentinel-5 (S-5) با هدف نظارت بر کیفیت هوا، در مدار ارسال خواهند شد و این صورت فلکی را گسترش خواهند داد. جدول ۱ ویژگی های اصلی Sentinel را ترکیب می کند.

محصولات Sentinel با استفاده از یک نوع خاص SENTINEL از فرمت استاندارد آرشیو برای اروپا (SAFE ( https://Earth.esa.int/SAFE/ ، در ۱۰ نوامبر ۲۰۲۱)) توزیع می شوند. فرمت SAFE طوری طراحی شده است که به عنوان یک قالب رایج برای بایگانی و انتقال داده ها در تجهیزات بایگانی ESA EO عمل کند. فرمت SENTINEL-SAFE ( https://sentinels.copernicus.eu/web/sentinel/user-guides/sentinel-1-sar/data-formats/safe-specification ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱) پوشه ای حاوی داده های تصویر را می پوشاند. در قالب داده های باینری انعطاف پذیر و فراداده محصول در XML. این انعطاف‌پذیری به قالب اجازه می‌دهد تا به اندازه کافی مقیاس‌پذیر باشد تا تمام سطوح محصولات SENTINEL را نشان دهد.

پوشه دایرکتوری حاوی مجموعه ای از اطلاعات است: یک فایل ‘manifest.safe’ که اطلاعات کلی محصول را در XML نگهداری می کند، زیرپوشه هایی برای مجموعه داده های اندازه گیری حاوی داده های تصویر در قالب های مختلف باینری، یک پوشه پیش نمایش حاوی ‘quicklooks’ (در قالب های مختلف برای موارد مختلف). missions)، یک پوشه حاشیه نویسی حاوی فراداده محصول در XML و همچنین داده های کالیبراسیون، و یک پوشه پشتیبانی حاوی طرح های XML که پیش نمایش XML یا HTML محصول را توصیف می کند. اطلاعات بسته بندی شده پوشه با توجه به ماموریت Sentinel و سطوح پیش پردازش متفاوت است و در بخش «فرمت داده» راهنمای کاربر Sentinel ( https://sentinel.copernicus.eu/web/sentinel/user- راهنماها ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱).

کوپرنیک محصولات Sentinel را ارائه می‌کند که با پردازش داده‌های خام در سطوح مختلف به‌دست می‌آیند و به کاربران این امکان را می‌دهد تا بهترین سطح پردازش را متناسب با اهداف خود انتخاب کنند. ماموریت های ماهواره ای مختلف طبقه بندی های متفاوتی را ارائه می دهند. با این حال، به طور کلی سطوح پیش پردازش از ۰ تا ۴ متغیر است که اطلاعات متفاوتی را همراه با هر سطح می آورد. محصولات سطح ۰ داده های خام با وضوح کامل ابزار هستند، در حالی که در سطوح بالاتر داده ها به معیارها و قالب های قابل استفاده تر تبدیل می شوند. محصولات کوپرنیک در سه سطح فرآوری زیر عرضه می شوند:

داده های سطح ۰ (L0)، داده های خام. آنها برای همه کاربران منتشر نمی شوند.
داده های سطح ۱ (L1)، محصولات به دست آمده از پیش پردازش L0 بر اساس اصلاحات رادیومتری و موقعیت جغرافیایی.
داده های سطح ۲ (L2)، محصولات مشتق شده از پیش پردازش L1، که با طبقه بندی صحنه مشخص می شود. برای S-2، یک تصحیح اتمسفر روی orthoimage Top-Of-Atmosphere اعمال می شود و خروجی اصلی یک Orthoimage اصلاح شده Bottom-Of-Atmosphere (یعنی سطح-۲A) است. برای S-3، باندهای دمای سطح دریا، دمای سطح زمین و توان تابشی آتش محاسبه می‌شوند.

کوپرنیک همچنین شش سرویس اصلی ( https://www.copernicus.eu/en/copernicus-services ، دسترسی به ۱۰ نوامبر ۲۰۲۱) را به صورت رایگان ارائه می دهد که محصولات سنتینل را برای شش حوزه موضوعی (به عنوان مثال، زمین، دریا، جو، تغییرات آب و هوایی، مدیریت اضطراری و امنیت) در اطلاعات آماده استفاده. سرویس نظارت بر زمین کوپرنیک (CLMS) اطلاعات جغرافیایی در مورد پوشش زمین و استفاده برای توسعه کاربردها در طیف گسترده ای از مناطق مانند امنیت کشاورزی و غذایی، مدیریت جنگل، مدیریت آب، حفاظت از طبیعت، و احیاء ارائه می دهد.

سرویس مدیریت اضطراری کوپرنیک (CEMS) شامل یک مؤلفه هشدار اولیه در مورد ارزیابی خطر سیل و آتش‌سوزی جنگل‌ها و یک مؤلفه نقشه‌برداری است که نقشه و منابع اطلاعات جغرافیایی را برای همه انواع بلایای طبیعی و انسان‌ساز ارائه می‌کند. سرویس نظارت بر جو کوپرنیک (CAMS) از طریق داده های خود در مورد CO در خط مقدم تلاش های نظارتی قرار دارد. مانند پیش‌بینی‌ها و تحلیل‌های جهانی و منطقه‌ای غلظت هوا، و همچنین شار ماهانه سطحی.

خدمات دریایی کوپرنیک (CMEMS) اطلاعات مرتبطی را برای بخش انرژی های تجدیدپذیر دریایی ارائه می دهد، جایی که اطلاعات مربوط به جریان های اقیانوسی، امواج، سطح دریا، شوری و دما از اجرای ایمن تر سکوهای انرژی در دریا پشتیبانی می کند.

سرویس امنیتی کوپرنیک (CSS) بر پیشگیری از بحران، آمادگی و واکنش در سه حوزه تمرکز دارد: نظارت بر مرز، نظارت دریایی، و حمایت از اقدام خارجی اتحادیه اروپا. با ارائه اطلاعات در پاسخ به چالش های امنیتی، از سیاست های اتحادیه اروپا پشتیبانی می کند و استفاده از آن به کاربران مجاز محدود می شود. سرویس تغییرات آب و هوایی کوپرنیک (C3S)، منابع معتبر و با کیفیتی را در مورد آب و هوای گذشته، حال و آینده ارائه می دهد.

این خدمات متعاقباً به درجات بلوغ مختلفی رسیده اند که منتشر شده اند: در سال ۲۰۱۲ برای CLMS و CEMS، در سال ۲۰۱۵ برای CAMS و CMEMS، در سال ۲۰۱۷ برای CSS و در سال ۲۰۱۸ برای C3S. اگرچه این خدمات تا حدی شکاف بین داده‌های کوپرنیک و کاربران نهایی را پر می‌کنند، «هنوز در بیشتر موارد، یک گام نهایی توسط کاربران واسطه‌ای وجود دارد تا راه‌حل‌هایی برای نیازهای کاربران نهایی ایجاد کنند» ([ ۵ ]، ص. ۱۲).

۲٫۲٫ جذب کاربر کوپرنیک

انتظار می رود برنامه کوپرنیک مزایای استراتژیک، اجتماعی و اقتصادی مهمی را برای اتحادیه اروپا فراهم کند. طبق آخرین گزارش اتحادیه اروپا در مورد بازار داده‌های EO [ ۱۴ ]، حجم داده‌های ارائه شده توسط کوپرنیک در سال ۲۰۱۹ حدود ۱۵۰ ترابایت در روز بود که منافع اقتصادی آن در دوره ۲۰۱۸-۲۰۲۰ برابر با ۱۶٫۲ یورو و ۲۱٫۳ میلیارد یورو برآورد شد. تعداد کاربران به طور مداوم در حال رشد (در حال حاضر ۷۸۰۰۰۰). علی‌رغم این وعده‌ها، مانند سایر داده‌های باز عمومی و تحقیقاتی [ ۶ ، ۸ ]، داده‌های کوپرنیک تنها در صورتی ارزش دارند که در طیف گسترده‌ای از برنامه‌های کاربردی در بخش‌های موضوعی مختلف برای برآوردن نیازهای عمومی یا تجاری خاص استفاده شوند و در نتیجه فرصت‌های جدیدی برای جامعه و اقتصاد

این واقعیت به وضوح توسط بیانیه EC در مورد استراتژی فضایی برای اروپا بیان شده است که بیان می کند “پتانسیل راه حل های فضایی هنوز به طور کامل مورد بهره برداری قرار نگرفته است، و همچنین امکانات گسترده تری که توسط داده های فضایی ارائه می شود” [ ۴ ]. تعداد منابع EO ناهمگن عرضه شده و وسعت جوامع مختلف کاربر که به طور بالقوه علاقه مند هستند، نیازمند مهارت های جدیدی برای تحقق پتانسیل های کامل کوپرنیک است [ ۱۶ ].

فعالیت های جذب کاربر کوپرنیک برای به حداکثر رساندن پذیرش منابع کوپرنیک ضروری است. برای این منظور، گزارش اتحادیه اروپا در مورد جذب کاربر کوپرنیک [ ۱۶ ] یک استراتژی تعامل موثر کاربر را برای برنامه کوپرنیک تقویت می کند، از اکوسیستمی از ارائه دهندگان خدمات، عمومی یا خصوصی، که قادر به تبدیل داده های فضایی به اطلاعات قابل دسترس و قابل استفاده و ترویج استفاده هستند، پشتیبانی می کند. و جذب محصولات، خدمات و شیوه های خوب کوپرنیک برای مخاطبان گسترده تر.

بر این اساس، کمیسیون بر سه هدف متمرکز شد: افزایش آگاهی، تسهیل دسترسی به منابع کوپرنیک، و حمایت از بازیگران پایین دستی [ ۱۳ ]. برای دستیابی به این اهداف، EC چندین ابتکار مانند رله های کوپرنیک و شبکه آکادمی کوپرنیک را ترویج کرده است [ ۵ ، ۱۷ ]. سفیران کوپرنیک اطمینان حاصل می کنند که اطلاعات مربوط به مزایا و کاربردهای بالقوه این برنامه در سطح محلی با Relays منتشر می شود. از سوی دیگر، آکادمی کوپرنیک دانشگاه ها و موسسات تحقیقاتی را با مقامات و ارائه دهندگان خدمات مرتبط می کند و همکاری و تحقیق و همچنین تهیه مواد آموزشی و آموزشی را افزایش می دهد.

جاه طلبی چنین ابتکاراتی تقویت “توسعه مهارت های حرفه ای مورد نیاز کاربران بالقوه داده های فضایی است، جایی که ارزش افزوده کلیدی به ادغام مهارت ها و دانش از بخش های مختلف، به ویژه مهارت های عرضی مانند IT، GIS داده می شود. و مهارت های مدیریت داده ها» ([ ۵ ]، ص ۸۱).

به دنبال این روند، EO-UPTAKE یک پروژه دو ساله است که در نوامبر ۲۰۱۹ تحت صندوق اجتماعی اروپا، منطقه لیگوریا ۲۰۱۴-۲۰۲۰، برای حمایت از استراتژی EC برای جذب کاربر، با ترویج توسعه و انتشار شایستگی های مرتبط با دسترسی و استفاده از منابع کوپرنیک هدف EO-UPTAKE تقویت اکوسیستم مهارت های موجود و تقویت استفاده و ادغام چنین منابعی است که از برنامه های کاربردی نوآورانه برای کاربران نهایی پشتیبانی می کند [ ۱۸ ].

این پروژه بر آموزش یک محقق جوان علوم محیطی برای افزایش “مهارت های فنی در مورد پردازش داده های RS” ([ ۱۶ ]، ص ۴۴۰) و انتقال متعاقب آن شایستگی های تازه کسب شده آنها به کسب و کار بالقوه علاقه مند متمرکز است. کاربران این پروژه با هدایت آن اهداف، بر طراحی و اجرای چندین سناریو کاربردی نمونه برای بخش های کاربری کشاورزی، جنگلداری، نظارت شهری و مدیریت بلایای طبیعی متمرکز است (همچنین به عنوان “زنجیره ارزش” شناخته می شود [ ۱۴ ]، ص ۲۷).

۳٫ بررسی ادبیات برنامه های کاربردی پایین دستی کوپرنیک

برای چارچوب بندی مناسب دستور کار EO-UPTAKE، ما ادبیات گزارش منطق و یافته های برنامه های کاربردی پایین دستی کوپرنیک را در برخی از بخش های کاربران امیدوار کننده مندرج در گزارش بازار EC Copernicus: کشاورزی، جنگلداری، نظارت شهری، بهره برداری و حفاظت ساحلی و دریایی، تجزیه و تحلیل کردیم. انرژی های تجدیدپذیر، مدیریت کیفیت هوا، و مدیریت بلایای طبیعی [ ۱۴ ]. جدول ۲ این مشارکت ها را ترکیب می کند.

کشاورزی – در زمینه کشاورزی دیجیتال، کار مایر و همکاران. [ ۱۹ ] تأثیرات مثبت محصولات S-2 را برای سیاست های کشاورزی و کاربردهای کشاورزی هوشمند برجسته می کند، در حالی که کار Lilienthal و همکاران. [ ۲۰ ] استفاده از محصولات S-1 و S-2 را در چارچوب یک پروژه ملی برای مشارکت دادن کشاورزان در کشاورزی دیجیتال، بنابراین، افزایش و بهینه سازی تولید کشاورزی در آلمان مورد بحث قرار داد.

درست و همکاران [ ۲۱ ] مطالعه ای در مورد مدیریت آب و خشکسالی ارائه کرد، و معماری را برای پردازش داده های ناهمگن در محل و RS ارائه کرد که امکان ادغام S-1 و S-2 با مدل های هیدرولوژیکی را برای برنامه نظارت بر آب شامل بخش کشاورزی، انجمن های صنعت آب فراهم می کرد. و تامین کنندگان آب

پولویرنتی و همکاران [ ۲۲ ] نرم‌افزاری را ارائه کرد که برای نقشه‌برداری سیستماتیک رطوبت سطحی خاک با استفاده از داده‌های S-1 طراحی شده است که هم برای کارهای کشاورزی و هم برای کارهای حفاظت شهری مفید است.

ولانین و همکاران [ ۲۳ ] و Vuolo و همکاران. [ ۲۴ ] دو روش برای نظارت و طبقه‌بندی محصول، بهره‌برداری از محصولات S-2 و Landsat (توسط ناسا ( https://www.nasa.gov ، دسترسی در ۱۰ نوامبر ۲۰۲۱)) برای آموزش یک مدل شبکه عصبی که قادر به آموزش است، ارائه کرد. برای برآورد تولید اولیه ناخالص محصول و تصاویر نوری S-2 برای ارزیابی ارزش اطلاعات چند زمانی برای طبقه‌بندی نوع محصول با طبقه‌بندی جنگل تصادفی [ ۲۵ ].

بورگوگنو-موندینو و همکاران [ ۲۶ ] روشی مبتنی بر محاسبات باند S-2 برای تشخیص تاکستان‌های پوشیده از پلاستیک پیشنهاد کرد که پاسخ‌های طیفی متفاوت انگورها را در مقایسه با تاک‌های بدون پوشش توصیف می‌کند.

جنگلداری – لی و همکاران در [ ۲۷ ] تالاب های درختی و غیر درختی را در اکوسیستم های شمالی با استفاده از سری زمانی محصول S-1 متمایز کرد. نویسندگان پتانسیل سری های زمانی درون سال مشاهدات SAR باند C را از آرشیو داده ها بررسی کردند.

تاوارس و همکاران [ ۲۸ ] روش‌هایی را برای نقشه‌برداری انواع پوشش و پوشش گیاهی با الگوریتم‌های طبقه‌بندی نظارت شده بر روی تصاویر S-2 و انجام ارزیابی زیست توده بر اساس داده‌های S-1 پیشنهاد کرد، در حالی که Ottosen و همکاران. [ ۲۹ ] یک روش طبقه‌بندی بدون نظارت را در ترکیب باندهای S-2 برای ارزیابی پوشش درختی و نقشه‌برداری جنگل پیشنهاد کرد.

پالاس و همکاران [ ۳۰ ] مجموعه‌ای از ۱۵ شاخص پوشش گیاهی را برای نظارت بر فعالیت‌های قطع درختان با تصاویر نوری S-2 در جنگل Białowieża، که یکی از آخرین و بزرگترین بخش‌های باقی‌مانده از جنگل‌های عظیم اولیه در اروپا است، به کار گرفت.

فونسکا و همکاران [ ۳۱ ] اتصال جنگل های ساحلی واقع در دو منطقه زیست اقلیمی اروپایی متمایز را هنگامی که در معرض یک گرادیان اختلال انسانی قرار دارند، ارزیابی کرد، و از لایه های آماده استفاده از “مناطق ساحلی واقعی” و “مناطق ساحلی بالقوه” ارائه شده توسط CLMS استفاده کرد. و همچنین مقایسه آنها با یک لایه “منطقه ساحلی دستی” “تولید شده با دیجیتالی کردن تکه های گیاهی ساحلی بر روی یک لایه تصویر جهانی با وضوح بسیار بالا” ([ ۳۱ ]، ص ۱).

پایش شهری – از آنجایی که مدل‌سازی عددی به ابزاری ارزشمند برای تجزیه و تحلیل دقیق هواشناسی شهری و طراحی خدمات آب و هوایی شهری تبدیل شده است، کارهایی مانند ماسون و همکاران. [ ۳۲ ]، نقش محصولات S-1، S-2، و منابع اطلس شهری کوپرنیک ( https://land.copernicus.eu/local/urban-atlas ، دسترسی به ۱۰ نوامبر ۲۰۲۱)، را برجسته کنید. بررسی در مورد الزامات مدل آب و هوا و تحولات اخیر در نظارت شهری

در زمینه شهرنشینی و صنعتی شدن پیشرونده، پدیده جزایر گرمایی شهری (UHIs) با دیدگاه‌های متعدد [ ۳۳ ] و با بهره‌برداری از محصولات Copernicus S-3 مورد بررسی قرار گرفت: Shumilo و همکاران. [ ۳۴ ] اثر UHI را برای یک منطقه شهری واحد با در نظر گرفتن مناطق سبز و توزیع تراکم جمعیت ارزیابی کردند، در حالی که Sobrino و همکاران. [ ۳۵ ] روش جدیدی برای ارزیابی و مقایسه مقادیر UHI تجمعات شهری در سراسر جهان پیشنهاد کرد. در نهایت، هیدالگو گارسیا و همکاران. [ ۳۶ ] عوامل شبانه را تعیین کرد که اثرات UHI را در فصول مختلف افزایش داد.

جالب توجه خاص، در میان برنامه‌های برنامه‌ریزی شهری RS، تکنیک‌های تشخیص تغییر برای نظارت بر سطح غیرقابل نفوذ است: Lefebvre و همکاران. [ ۳۷ ] یک روش همجوشی داده‌ها را ارائه کرد که از تصاویر S-2 برای نظارت بر مناطق شهری که لایه‌های نفوذناپذیر با وضوح بالا را محاسبه می‌کنند، به‌روزرسانی‌تر از آنچه توسط CLMS ارائه شده است، استفاده می‌کند.

شرستا و همکاران [ ۳۸ ] از محصولات S-1، S-2 به عنوان داده های ورودی برای رویکرد طبقه بندی تحت نظارت پوشش زمین با طبقه بندی جنگل تصادفی در شهرهای پاکستان استفاده کرد.

بهره برداری و حفاظت ساحلی و دریایی – دو برنامه کاربردی در مورد حمل و نقل و ناوبری یخ توسط استانوا و همکاران ارائه شد. [ ۳۹ ] و بنسوسان و همکاران. [ ۴۰ ]. اولی هم افزایی بین خروجی های مدل مراکز نظارت و پیش بینی CMEMS و محصولات ماهواره ای جدید (S-3) را بررسی می کند. نویسندگان بیان کردند که چگونه ماهواره و مدل پیوست شده، مزایای بالقوه ادغام منابع رصدی و کوپرنیک را نشان می دهد.

در [ ۴۰ ]، محصولات S-3 برای نظارت بر منطقه حفاظت شده SST (دمای سطحی دریا) در منطقه مدیترانه، با ترکیب تصاویر RS LST و سیستم های نظارت درجا استفاده شد. نویسندگان معتقدند که این ترکیب “ستونی برای افزایش درک ما از اثرات تغییرات آب و هوا در مناطق ساحلی است”. تصاویر S-3 Ocean and Land Color Instrument (OLCI) نیز توسط وان و همکاران استفاده شد. [ ۴۱ ] در ارزیابی وضعیت اوتروفیکاسیون دریای شمال، زیرا آنها اطلاعاتی در مورد رنگ اقیانوس مورد استفاده برای شناسایی غلظت کلروفیل ارائه می دهند.

پورسانیدیس و همکاران [ ۴۲ ] در مورد بهره برداری از محصولات S-2 برای نقشه برداری زیستگاه ساحلی و تخمین عمق سنجی حاصل از ماهواره با استفاده از نوار آئروسل ساحلی و ارائه نقشه های زیستگاه های دریایی ساحلی مدیترانه غالب و آب سنجی در سه سایت بررسی در شرق مدیترانه بحث کردند.

مینت و همکاران [ ۴۳ ] منابع مختلف داده را برای ارزیابی SST و تغییرات در رابطه با تغییرات آب و هوا مقایسه کرد و مزایای محصولات S-3 را برجسته کرد.

انرژی های تجدیدپذیر – مورین و همکاران [ ۴۴ ]، با همکاری مرکز اروپایی پیش‌بینی‌های هوای متوسط (ECMWF ( https://www.ecmwf.int/ ، دسترسی به ۱۰ نوامبر ۲۰۲۱))، رویکردی را برای مدیریت منابع در یک محیط کوهستانی پیشنهاد کرد. ارزیابی «شرایط عملیاتی گذشته و آینده پیست‌های اسکی در مقیاس پاناروپایی در زمینه تغییرات آب و هوایی»، با استفاده از منابع C3S. آلفادا و همکاران [ ۴۵ ] یک روش پیش‌بینی تابش را با استفاده از اندازه‌گیری‌های آئروسل توسط CAMS در رابطه با تولید انرژی خورشیدی پیشنهاد کرد.

مدیریت کیفیت هوا – Huijen و همکاران. [ ۴۶ ] یک مطالعه پایش آلودگی هوا را ارائه کرد و اثرات آن را بر کیفیت هوا پس از یک آتش سوزی عظیم با بهره برداری از منابع CAMS تجزیه و تحلیل کرد. در بافت شهری، باکلانوف و همکاران. [ ۴۷ ] یک برنامه کاربردی با پشتیبانی منابع CAMS برای ساخت خدمات شهری با نیازهای ویژه شهرها از طریق ترکیبی از شبکه‌های مشاهده متراکم، پیش‌بینی‌های با وضوح بالا، سیستم‌های هشدار زودهنگام چند خطر و خدمات آب و هوا برای کاهش انتشار ارائه کرد، بنابراین، این امکان را فراهم کرد. ساخت شهرهای پایدار و تاب آور و پر رونق

چپل و همکاران [ ۴۸ ] دو رویکرد برای توصیف سطوح آلودگی پس‌زمینه شهری برای پیش‌بینی‌های عملیاتی منطقه‌ای، با بهره‌برداری از داده‌های آزادانه CAMS در مورد پیش‌بینی آلودگی هوا از مدل‌های جهانی و منطقه‌ای و «مدل حمل‌ونقل شیمیایی» از سیستم پیش‌بینی ملی پرتغال، پیشنهاد کرد. پایش کیفیت هوا نیز در مناطق روستایی برای ترکیبات خاص مؤثر بر آب و هوا [ ۴۹ ] و برای پیش‌بینی و اعتبار پیش‌بینی رویدادهای آلودگی شدید [ ۵۰ ] انجام شد.

مدیریت بلایای طبیعی – برنامه های پیش بینی خطر موقعیت های اضطراری را هدف قرار می دهد، به عنوان مثال، برای نظارت بر زمین لغزش، بهره برداری از محصولات S-1 SAR، و تکنیک های تشخیص تغییرات تداخل سنجی [ ۵۱ ، ۵۲ ، ۵۳ ] یا برای بررسی جابجایی های زمین به دلیل تغییرات در لایه پرمافراست [ ۵۴ ].

کار کارلا و همکاران. [ ۵۵ ] از تکنیک های تداخل سنجی SAR Satellite برای شناسایی پیش سازهای خرابی های شیب فاجعه بار استفاده کرد. دیوریس و همکاران [ ۵۶ ]، در زمینه هیدرولوژی، با ادغام محصولات S-1 و Landsat به نظارت بر رویدادهای سیل تقریباً هم‌زمان پرداخت.

خطرات آتش سوزی ناشی از تنش گرمایی توسط ویتولو و همکاران ارزیابی شد. [ ۵۷ ]، با استفاده از مجموعه داده های CEMS برای پیش بینی خطر آتش سوزی (تولید شده توسط ECMWF، که نقش مرکز پیش بینی محاسباتی CEMS را دارد)، به منظور راه اندازی یک سیستم هشدار اولیه چند خطر.

رومرو و همکاران [ ۵۸ ] روشی را برای نظارت بر سیل و رانش زمین پس از رویداد در امتداد خطوط ساحلی، با استفاده از اهرم یکپارچه سازی با محصولات Copernicus S-1 SAR، همراه با ماموریت ماهواره ای ERS 1 و ۲ ( https://Earth.esa.int/eogateway/missions ) پیشنهاد کرد. /ers/description ، در ۱۰ نوامبر ۲۰۲۱ مشاهده شد.

کاربردهای نقشه برداری سریع و تحلیل ریسک پس از رویداد در Doxani و همکاران ارائه شد. [ ۵۹ ] و Caballero و همکاران. [ ۶۰ ]. کار اولی نقشه برداری سیل را بر روی مناطق کشاورزی انجام داد، بنابراین، کارایی فرآیند تصمیم گیری در مورد کمک های کشاورزی و بازپرداخت با کاهش تعداد بازدیدهای درجا و به حداقل رساندن هزینه ها و تأخیر در کنترل ها را بهبود بخشید. محصولات S-1 و S-2 برای مقایسه منطقه مورد نظر (AOI) قبل و بعد از حوادث سیل استفاده شد. مرجع ارزیابی نتایج، اطلاعات مربوطه ارائه شده توسط CEMS بود.

دومی به طور خاص یک رویداد سیل ۲۰۱۹ در جنوب اسپانیا را در نظر می گیرد و روشی را برای ایجاد تصاویر ترکیبی قبل و بعد از سیل ارائه می کند که برای شناسایی تشخیص تغییر و پوشاندن پیکسل های آب با محصولات S-2 به دست آمده است.

همچنین در برنامه پیش بینی خطر پس از ارائه شده توسط Rossi و همکاران، سیلاب ها نظارت می شوند. ([ ۶۱ ]، ص ۱۴۵)، جایی که نویسندگان مجموعه‌ای از خدمات خودکار را برای پیش‌بینی آب و هوا، برای ارائه «بازخورد کیفی برای مدل‌های هواشناسی، تشخیص وقوع یک رویداد اضطراری و استخراج محتوای آموزنده‌ای که می‌تواند برای تکمیل آگاهی موقعیتی»، با استفاده از در دسترس بودن پیش‌بینی‌های آب و هوا، تکنیک‌های تشخیص رویداد (با پشتیبانی CEMS) و بازیابی اطلاعات انتخابی از رسانه‌های اجتماعی آنلاین.

یک برنامه وب برای نقشه برداری سریع سیل توسط دا و همکاران ارائه شد. [ ۶۲ ]، ترسیم مناطق مستعد سیل و بازتولید نقشه های سیل مرجع برای ۶۴ حوضه فرعی رودخانه پو. این برنامه از سرویس CLM EU-DEM v1.0 استفاده می کند، یک مدل سطح دیجیتال که به عنوان منبع خدمات اصلی در دسترس است.

۴٫ سناریوهای کاربردی

فعالیت اولیه EO-UPTAKE مربوط به تعریف و اجرای مجموعه ای از سناریوهای کاربردی (ASs) با هدف اصلی توسعه شایستگی ها و مهارت ها در استفاده از داده ها و اطلاعات کوپرنیک برای انتقال از حوزه تحقیقات کاربردی به حوزه تحقیقات کاربردی است. بخش تولیدی

در این منظر، نقش اولیه و اساسی فرآیند خودآموزی است که پس از شرکت در چند دوره کوتاه ویژه سنجش از دور و داده‌های کوپرنیک که توسط نویسنده اول مقاله، محقق جوان محیط‌زیست انجام شد، انجام شد. علوم اما با تجربه قبلی کمی در بخش RS و داده های ماهواره ای. طراحی و اجرای چندین AS نمونه یک بستر آزمایشی بسیار مفید برای آزمایش مفاهیم جدید به دست آمده و برای یادگیری از طریق آموزش عملی با ابزارها و داده های اکوسیستم کوپرنیک بود.

با توجه به پروژه EO-UPTAKE انتقال مهارت های کسب شده به کاربران در شرایط شروع مشابه (یعنی کم یا بدون مهارت های RS و Copernicus) اما با پیشینه کافی در علوم زمین، در این بخش، نتایج این فرآیند آموزشی، ابتدا یک نمای کلی از گردش کار معمولی برنامه‌های کاربردی مبتنی بر داده‌های ماهواره‌ای، خلاصه‌ای از ابزارهای منبع باز مورد استفاده، و شرحی با جزئیات کافی برای هر AS از مشکلات اصلی و راه‌حل‌های فنی اتخاذ شده ارائه می‌دهد.

با توجه به ادبیات برنامه های کاربردی پایین دستی و منافع شرکای پروژه، در زیر چهار AS پیاده سازی شده مربوط به بخش های کاربری مدیریت بلایای طبیعی، کشاورزی، جنگلداری و نظارت شهری را ارائه می کنیم.

۴٫۱٫ گردش کار مبتنی بر نگهبان

چهار سناریوی کاربردی، یعنی AS1، AS2، AS3 و AS4، از نظر عملیاتی ساختار گردش کار یکسانی را به اشتراک می‌گذارند که نمونه‌ای از بسیاری از برنامه‌های کاربردی مبتنی بر محصولات ماهواره‌ای است [ ۳۵ ، ۶۰ ، ۶۳ ، ۶۴ ] ( شکل ۱ ).

مرحله اول مربوط به انتخاب و دانلود محصولات Sentinel مناسب برای AS است و به دنبال آن یک توالی پیش پردازش از مراحل مربوط به بررسی کیفیت محصول، نمونه‌برداری مجدد و بازپخش مجدد است که داده‌ها را برای مرحله اصلی گردش کار آماده می‌کند: پردازشی که محصولات ورودی را به پارامترهای خاص برنامه تبدیل می کند. ادغام با سایر داده های منبع سوم می تواند در طول مرحله پردازش یا هنگام آماده سازی ارائه نتایج رخ دهد.

محصولات Sentinel از طریق نقاط دسترسی مختلف مانند Copernicus Open Access Hub و Copernicus Space Component Data Access که توسط ESA ارائه شده است، یا Copernicus Online Data Access Point و پلت فرم EUMETCast ارائه شده توسط EUMETSAT قابل دانلود هستند. برای توسعه AS خود، مرکز دسترسی آزاد کوپرنیک ( https://scihub.copernicus.eu/ ، در ۱۰ نوامبر ۲۰۲۱) را انتخاب کردیم، زیرا یک رابط فوری و آسان برای محصولات Sentinel فراهم می کند.

اگرچه کاربران رایگان و باز هستند، اما برای دانلود داده های کوپرنیک باید در هاب ثبت نام کنند. داده‌ها برای دوره‌ای از ۶ ماه تا ۱ سال در هاب آنلاین باقی می‌مانند و پس از آن طبق برنامه ESA بایگانی می‌شوند ( https://sentinel.esa.int/documents/247904/3677657/4_DHUS+Evolution+for +On-line+Access.pdf ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱). پس از بایگانی شدن در بایگانی طولانی مدت (LTA)، دانلودها فقط پس از درخواست بازیابی توسط کاربران انجام می شود.

پس از ورود به هاب، کاربر می تواند از طریق یک رابط کاربری گرافیکی تعاملی به محصولات Sentinel دسترسی داشته باشد که شناسایی AOI مورد نظر و تنظیم پارامترها (به عنوان مثال، مدار، فرمت داده، و پنجره زمانی) را برای فیلتر کردن کاتالوگ محصول بر اساس تسهیل می کند. بر اساس نیازهای کاربر

برای هر محصولی که با پرس و جو مطابقت دارد، یک پیش نمایش با ارائه ابرداده و یک تصویر کوچک برگردانده می شود. قبل از دانلود کل بسته محصول، بررسی ریز عکسها برای بررسی وجود ابرهایی که می توانند بر پردازش تصویر تأثیر بگذارند، راحت است. این بررسی در مورد محصولات S-1 SAR که برای آنها بی ربط است اعمال نمی شود. با این حال، شرایطی وجود دارد که در آن بررسی ابر ممکن است کمابیش سخت‌گیرانه باشد، بنابراین، امکان دانلود تصاویر حتی با پوشش جزئی ابرها وجود دارد. نمونه ای از این مورد، برای محصولات S-2، در توضیحات زیر در مورد AS3 مورد بحث قرار گرفته است.

برای سناریوهای AS1، AS2، و AS3 خود، محصولات S-2 L2A را دانلود کردیم که تصاویر فشرده شده ECW/JP2 را با مساحت مربعی در حدود ۱۰۰×۱۰۰ کیلومتر، با ابعاد ۱۰۹۸۰ پیکسل برای هر طرف ارائه می‌دهند. تصاویر تک باند شامل اندازه‌گیری بازتاب باندهای B02، B03، B04 و B08: آبی، سبز، قرمز و NIR به ترتیب با مقادیر ۰ تا ۶۵۵۳۵ و نمونه‌برداری فضایی ۱۰ متر است. سایر باندها با وضوح بین ۲۰ متر تا ۶۰ متر عرضه می شوند. برای AS4، محصولات S-3 را دانلود کردیم که تصاویر SLSTR را ارائه می‌کردند که پهنای ۱۴۲۰ کیلومتر (نادیر) × ۷۵۰ کیلومتر (به عقب)، با نمونه‌برداری مکانی ۵۰۰ متر (برای باندهای VIS و SWIR) و ۱ کیلومتر (برای باندهای MWIR و TIR).

پس از دانلود، تصاویر انتخاب شده باید طبق سه کار از قبل پردازش شوند: (i) تنظیم فرعی ، برای برش تصویر ماهواره ای به منطقه مورد نظر. (ب) نمونه برداری مجدد ، برای اصلاح هندسی باندهای چند اندازه به یک تصویر باند تک اندازه. (iii) طرح ریزی مجدد ، برای ایجاد یک تصویر با یک سیستم مرجع مختصات پیش بینی شده.

در رابطه با مرحله پردازش AS، ما از معماری Sentinel Application Platform (SNAP) ( https://step.esa.int/main/toolboxes/snap ، دسترسی به ۱۰ نوامبر ۲۰۲۱) استفاده کردیم، یک نرم افزار پردازش آزادانه توسط ESA برای داده های EO منتشر شده است. مدیریت و تحلیل SNAP همچنین شامل جعبه ابزارهای منبع باز ( https://sentinel.esa.int/web/sentinel/toolboxes0 ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱) برای بهره برداری علمی از محصولات Sentinel است. جعبه‌های ابزار شامل مجموعه‌ای از ابزارهای پردازش داده‌های S-1، S-2 و S-3، از جمله خوانندگان و نویسنده‌های محصول برای نمایش و تجزیه و تحلیل داده‌ها و پشتیبانی از آرشیو وسیعی از ESA و سایر داده‌های ماموریت‌ها هستند، بنابراین امکان بهره‌برداری را فراهم می‌کنند. انواع مختلفی از داده های ماهواره ای

در مورد یکپارچه سازی داده ها و نمایش نتایج، ما از QGIS ( https://www.qgis.org/en/site/ ، دسترسی به ۱۰ نوامبر ۲۰۲۱) استفاده کردیم، یک GIS منبع باز که امکان تجزیه و تحلیل و کار مجدد احتمالی اطلاعات محاسبه شده را فراهم می کند. در مرحله قبل برای تهیه و صادرات نقشه های گرافیکی. QGIS می تواند تصاویر را ارجاع دهد و چندین فرمت داده از جمله فایل های شکل ESRI، فرمت های فایل MapInfo و MicroStation و اتوکد DXF را مدیریت کند. خدمات وب، از جمله خدمات نقشه وب ( https://www.ogc.org/standards/wms ، دسترسی به ۱۰ نوامبر ۲۰۲۱) و سرویس ویژگی وب ( https://www.ogc.org/standards/wfs ، دسترسی به ۱۰ ) نوامبر ۲۰۲۱ نیز برای وارد کردن داده ها از منابع خارجی پشتیبانی می شود.

۴٫۲٫ AS1 – ارزیابی خطر سیل در محیط روستایی

تأثیر روزافزون بر مناظر ناشی از سکونت‌گاه‌های انسانی و فعالیت‌های اقتصادی، بر ایمنی هیدروژئولوژیکی و بنابراین، بر روی شیوه‌های ارزیابی خطر تأثیر می‌گذارد. تغییر اقلیم باعث افزایش شدت بارندگی و در نتیجه پدیده‌های سیل می‌شود که سکونتگاه‌های شهری، فعالیت‌های تجاری و تمام زیرساخت‌های واقع در مناطق خطر هیدروژئولوژیکی را تهدید می‌کند [ ۶۵ ، ۶۶ ]. لیگوریا منطقه ای است که به ویژه برای مناطق روستایی و شهری به خطرات هیدروژئولوژیکی حساس است [ ۶۷ ، ۶۸ ، ۶۹ ].

ساخت سازه های مصنوعی مانند سدها بر تعادل هیدرولوژیکی سیستم های هیدروگرافی در حوضه ها تأثیر می گذارد و خطر هیدروژئولوژیکی را افزایش می دهد. به ویژه، این امر برای مناطق آسیب‌پذیر در برابر رویدادهای بارندگی با شدت زیاد، مانند لیگوریا، جایی که حوادث فاجعه‌باری از این نوع در قرن گذشته رخ داده است، صادق است [ ۷۰ ، ۷۱ ]. بنابراین، نظارت بر سلامت حوضه های هیدروگرافیک از اهمیت اولیه برای اهداف حفاظت مدنی، اقتصادی و زیست محیطی است. تصاویر ماهواره ای نه تنها برای واکنش اضطراری، بلکه برای پیش بینی خطرات و عملیات هشدار اولیه استفاده می شود [ ۶۱ ، ۷۲ ].

۴٫۲٫۱٫ اهداف و حوزه مطالعاتی

اقدامات پیش‌بینی، مانند هشدارهای اولیه و پیش‌بینی‌ها، کارآمدترین برای کاهش اثرات بلایای طبیعی هستند [ ۱۴ ]. در این زمینه، AS1 یک نقشه پوشش زمین، برای منطقه‌ای که با یک سد مصنوعی مشخص می‌شود، با لایه‌های اطلاعاتی، مانند مناطق در معرض خطر سیل و شبکه‌های هیدروگرافی، ادغام می‌کند تا طبقات پوشش زمین را با خطر سیل بیشتر برجسته کند.

هدف اصلی AS1 تولید یک نقشه جدید پوشش زمین با پردازش تصویر S-2 با وضوح فضایی بالا (۱۰ متر) با تکنیک طبقه بندی نظارت شده بود. جایگزینی که ما در ابتدا در نظر گرفتیم استفاده از نقشه های پوشش زمین Corine (CLC_18)، ارائه شده توسط سرویس CLMS، با وضوح مکانی ۱۰۰ متر بود که هر شش سال یکبار به روز می شود. ما از این گزینه صرف نظر کردیم زیرا جدیدترین نقشه موجود برای سال ۲۰۱۸ است و ترجیح می دهیم یک نقشه به روز شده و با وضوح بالاتر تولید کنیم.

ما اثرات یک رویداد احتمالی شکستن سد در دریاچه Osiglia را ارزیابی کردیم [۴۴۱۷ ۵۲٫۷۲ N, 811 ۵۶٫۴۴ E]، ارزیابی اثرات بر انواع مختلف طبقات پوشش زمین اطراف دریاچه. منطقه مورد مطالعه اطراف دریاچه Osiglia عمدتاً روستایی است و جمعیت زیادی ندارد: فعالیت‌های کشاورزی و درجه سوم با تعداد کمی از تجمعات شهری پراکنده هستند.

۴٫۲٫۲٫ جریان کار

با توجه به گردش کار FigureGeneralPipeline، ما با انتخاب یک تصویر نوری Sentinel (S-2 L2A) از سپتامبر ۲۰۲۰، از مرکز دسترسی باز کوپرنیک شروع کردیم. پس از اینکه تصویر RGB انتخاب شده را از قبل پردازش کردیم، نزدیکترین همسایه K را اعمال کردیم. K-nn) الگوریتم طبقه بندی، ارائه شده توسط SNAP برای پردازش تصویر نوری برای اهداف طبقه بندی نظارت شده. ما این الگوریتم را انتخاب کردیم زیرا رویکردی پیشرفته را حتی برای کاربران کمتر با تجربه ارائه می دهد.

به طور خلاصه، K-nn هر پیکسل را به رایج‌ترین کلاس در بین نمونه‌های آموزشی آن k-نزدیک‌ترین همسایه (با k به عنوان یک عدد صحیح مثبت که معمولاً کوچک است) رتبه‌بندی می‌کند [ ۷۳ ]. قبل از اجرای الگوریتم، یک مرحله انتخاب دستی برای شناسایی برخی مناطق از تصویر ماهواره‌ای که به عنوان حقیقت زمینی در نظر گرفته می‌شوند، با توجه به مجموعه‌ای از کلاس‌های از پیش تعریف‌شده مورد نیاز بود.

ما این مجموعه را با پیروی از دستورالعمل‌های نام‌گذاری CLC_18 انتخاب کردیم ( https://land.copernicus.eu/user-corner/technical-library/corine-land-cover-nomenclature-guidelines/docs/pdf/CLC2018_Nomenclature_illustrated_guide_2019051.pdf19051 نوامبر ۲۰۲۱) که پنج کلاس اصلی CLC را تعریف می کند: سطوح مصنوعی (AS)، مناطق کشاورزی (AA)، جنگل ها و مناطق نیمه طبیعی (FA)، تالاب ها (W) و سطوح آب (WS) [ ۷۴ ]. پس از این مشخصه‌سازی، الگوریتم K-nn را اعمال کردیم و لایه‌های پوشش زمین را که تولید می‌کرد به‌عنوان فایل‌هایی با پسوند ‘.BIGtiff’ ذخیره کردیم تا از طریق Q-GIS بیشتر پردازش و تجسم شوند.

به عنوان گام نهایی، ما نقشه پوشش زمین حاصل را با مجموعه داده های هیدروگرافی باز ایجاد شده توسط دو ابزار رایگان ارائه شده توسط “Instituto Nacional de Pesquisas Espaciais” برزیل (INPE ( https://www.gov.br/inpe/pt ادغام کردیم. -br ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱))، یکی از شرکای EO-UPTAKE.

سیستم توزیع شده TerraHidro [ ۷۵ ، ۷۶ ] امکان استخراج شبکه های زهکشی و حوضه ها را از یک شبکه معمولی ماموریت توپوگرافی رادار شاتل – مدل ارتفاعی دیجیتال (SRTM-DEM) می دهد. ما نقشه شطرنجی سیل احتمالی را با پردازش شبکه زهکشی AOI با الگوریتم ارتفاع بالاتر از نزدیکترین زهکشی (HAND) تولید کردیم [ ۷۷ ، ۷۸ ، ۷۹ ]. ادغام انواع مختلف داده ها نیازمند مهارت های GIS برای مدیریت سیستم های مرجع است که باید همگن باشند. با وجود این، ابزاری مانند QGIS ما را در انجام این کار تسهیل کرد و امکان ادغام آسان نقشه پوشش زمین با مجموعه داده های INPE را فراهم کرد.

شکل ۲ ب نقشه یکپارچه طبقات پوشش زمین را در مناطق در معرض خطر سیل (خط قرمز) با مناطق انسانی که به طور بالقوه توسط حضور دریاچه مصنوعی تهدید می شود نشان می دهد.

۴٫۳٫ AS2 – کشاورزی دقیق برای نظارت بر تاکستان

در سال‌های آتی، کشاورزی باید با چندین فشار مهم، از جمله افزایش جمعیت جهان، تهدید تغییرات آب و هوایی، و تشدید رقابت برای زمین، آب و منابع انرژی که به طور فزاینده‌ای کمیاب هستند، مقابله کند [ ۱۴ ]. تکنیک های کشاورزی دقیق، مدیریت فرهنگ کارآمدتر را از طریق شیوه های EO امکان پذیر می کند.

تصاویر ماهواره‌ای با وضوح بالا همراه با داده‌های نمونه‌گیری در محل منبع قدرتمندی را نشان می‌دهند که از طریق استفاده از یک برنامه کاربردی خاص، می‌تواند به کشاورزان برسد و تکنیک‌های کشاورزی نوآورانه‌ای را برای انواع مختلف محصولات، از جمله تاکستان‌ها ارائه دهد [ ۸۰ ، ۸۱ ]. در این زمینه، محصولات کوپرنیک سنتینل بر اساس مجموعه‌ای از شاخص‌های پوشش گیاهی شناخته‌شده، استفاده و طبقه‌بندی می‌شوند، بنابراین مدیریت مواد مغذی و مدیریت آب اجرا می‌شود [ ۸۲ ].

۴٫۳٫۱٫ اهداف و حوزه مطالعاتی

هدف AS2 نظارت بر تاکستان ها از طریق RS برای ارزیابی وضعیت سلامت تاک ها و حمایت از تصمیمات و اقدامات مربوط به حفاظت بیولوژیکی و محیطی است. با محاسبه یک شاخص پوشش گیاهی، به عنوان مثال، شاخص گیاهی تفاوت نرمال شده (NDVI)، که از ترکیب درصد تابش انکسار باندهای طیفی مختلف سیگنال RS به دست می آید، می توان اطلاعاتی در مورد وضعیت کلی پوشش گیاهی به دست آورد. وضوح فضایی ۱۰×۱۰ متر.

منطقه مورد مطالعه در استان لیگوریا La Spezia واقع شده است [۴۴۰۶ ۲۸٫۹۵ N, 949 ۴۳٫۹۴ E]، در داخل دشت رودخانه Magra، در مرز با استان Massa Carrara، که در آن تاکستان ها در مناطق مسطح واقع شده است.

۴٫۳٫۲٫ جریان کار

ما نقشه شاخص پوشش گیاهی یک تصویر S-2 L2A بدون ابر انتخابی سپتامبر ۲۰۱۹ را محاسبه کردیم که حاوی چند تاکستان ساحلی در شرق لیگوریا است. پوشش گیاهی تابش خورشید را در باندهای مختلف که در محدوده فرکانسی و طول موج های مختلف هستند جذب می کند و سپس دوباره ساطع می کند. درصد تابش انکسار با سلامت گیاه و تنش آبی متفاوت است که با شاخص های پوشش گیاهی قابل اندازه گیری است.

پاسخ طیفی مناطق پوشش گیاهی مخلوط پیچیده ای از پوشش گیاهی، روشنایی خاک، اثرات محیطی، سایه، رنگ خاک و رطوبت را نشان می دهد [ ۸۳ ]. به طور خاص، برای NDVI در یک مزرعه، مناطق با مقدار NDVI به طور قابل توجهی کمتر از میانگین ممکن است مشکلاتی را در رشد رویشی نشان دهند، به عنوان مثال، استرس تغذیه، حملات انگلی، آسیب تگرگ، یا یخبندان.

NDVI همچنین نظارت بر سطح برگ و تاج پوشش را برای حفاظت از محصول، تنظیمات تاج پوشش، هرس تابستانی و مدیریت سطح برگ را تسهیل می‌کند، که برای تنظیم تراکم تاج پوشش و توزیع برگ، ترویج هوادهی برای کاهش احتمال بیماری‌ها و افزایش قرار گرفتن در معرض نور خورشید استفاده می‌شود [ ۶۴ ، ۸۴ ]. ]. برای شناسایی مناطق بالقوه مشکل ساز در هر زمینه، NDVI طبق رابطه ( ۱ ) محاسبه می شود:

(۱)

برای محاسبه NDVI، ما از جعبه ابزار “پردازنده زمین” ارائه شده توسط SNAP استفاده کردیم و یک ماشین حساب NDVI را ارائه دادیم که یک رویکرد هدایت شده برای تولید نقشه شاخص را امکان پذیر می کند. هنگامی که نقشه شاخص تولید شد، سپس در QGIS صادر می شود و با نقشه CLC_18 ارائه شده توسط سرویس CLMS همپوشانی دارد. این نقشه شامل فایل‌های شکل تاکستان برای AOI با وضوح فضایی ۱۰۰ متر (کلاس کد ۲۲۱) است که برای شناسایی مناطق زیر کشت تاک در AOI استفاده می‌شود ( شکل ۳ a).

شکل ۳ b نمایش شاخص به دست آمده را با مقادیری از ۰ تا ۱ با استفاده از پالت مقیاس سبز نشان می دهد که برای مقادیر نزدیک به ۱ شدیدتر است و به کاربران یک دید اولیه از وضعیت سلامت تاکستان را ارائه می دهد که با تفاوت های برجسته شده است. مقادیر NDVI

۴٫۴٫ AS3-ابزار پایش مرتع برای مدیریت پایدار

تغییر در زمان بندی و فرکانس تغییرات شدید آب و هوایی، مانند خشکسالی و امواج گرما، می تواند تغییرات پایدار در عملکرد اکوسیستم با اثرات اکولوژیکی و اقتصادی مهم برای زمین ها و مراتع ایجاد کند [ ۸۵ ]. خاک ها به دلیل کشاورزی، جنگلداری، چرای دام و تشدید شهرنشینی تحت فشار فزاینده ای قرار دارند.

اتخاذ شیوه های خوب برای مدیریت پایدار خاک برای معکوس کردن این تمایل به تخریب، و همچنین تضمین امنیت غذایی و حفاظت از ارائه چندین خدمات اکوسیستمی مرتبط با خاک ضروری است [ ۸۶ ]. نشان داده شد که RS از هواپیما یا ماهواره ها روشی موثر برای نظارت بر پوشش گیاهی در طیف وسیعی از محیط ها است [ ۸۷ ].

۴٫۴٫۱٫ اهداف و حوزه مطالعاتی

هدف AS3 ارزیابی وضعیت سلامت مراتع برای تابستان ۲۰۲۰ با استفاده از محصولات ماهواره ای در یک منطقه کوهستانی، با استفاده از یک شاخص پوشش گیاهی طیفی و تغییرات آن در ماه های مختلف، برای حمایت از نظارت و مدیریت پایدار مراتع است. منطقه مورد مطالعه در پارک طبیعی Paneveggio-Pale di San Martino، منطقه طبیعی حفاظت شده Trentino-Alto Adige، در ارتفاعی بین ۱۱۰۰ تا حداکثر ۳۲۰۰ متر از سطح دریا واقع شده است که توسط استان خودمختار ترنتو در سال ۱۹۶۷ ایجاد شد.

هدف آن حفاظت از ویژگی های طبیعی و زیست محیطی، ترویج مطالعه علمی و استفاده اجتماعی از دارایی های زیست محیطی است. این منطقه دارای کوه نگاری پیچیده ای است که حاوی اکوسیستم هایی با ارزش زیست محیطی خاص است که هم افزایی با فعالیت های کشاورزی و دامداری را حفظ می کند. نظارت ماهواره‌ای ابزاری نوآورانه است که مدیریت این منابع را که انسان‌ها برای قرن‌ها از آنها بهره‌برداری کرده‌اند، تسهیل می‌کند.

۴٫۴٫۲٫ جریان کار

در این سناریو، با توجه به ویژگی‌های AOI، اندازه کوچک آن (چند کیلومتر) و تمایل آن به شکل‌گیری ابرهای نقطه‌ای در طول روز در تابستان، در ابتدا همه تصاویر ابری را حذف نکردیم. اما فقط آنهایی که بیشتر تحت تأثیر ابرها قرار می گیرند.

بنابراین، قبل از دانلود، مجموعه‌ای متشکل از ۹ تصویر S-2 حاوی AOI مربوط به دوره ژوئن تا سپتامبر ۲۰۲۰ را از پیش انتخاب کردیم. پس از دانلود، آن نه تصویر را به‌طور کامل تجزیه و تحلیل کردیم تا فقط تصاویر بدون ابر در تصویر باقی بمانند. مناطق مرتعی پارک Paneveggio. این بررسی بیشتر منجر به شناسایی چهار تصویر، یکی در ماه، شد که متعاقباً آنها را از قبل پردازش کردیم.

پس از پیش پردازش، برای هر تصویر ماهانه، پردازش زمین موضوعی را با محاسبه شاخص NDVI از طریق جعبه ابزار موجود در اسنپ انجام دادیم. مقادیر شاخص به دست آمده در قالب bigTIFF در QGIS صادر شد، جایی که برش با شکل فایل مناطق چرای Paneveggio ( www.parcopan.org/ente-parco/il-piano-del-parco/gli-shapefiles-del-piano/ ، در ۱۰ نوامبر ۲۰۲۱ مشاهده شد) و نمایش رنگی NDVI در مقیاس سبز انجام شد. به عنوان آخرین مرحله، درصد تغییرات بین ماهانه نشان داده شده در شکل ۴ را محاسبه کردیم .

نقشه های NDVI به دست آمده ( شکل ۵ ، ردیف دوم) تغییرپذیری فضایی مقدار NDVI را برای ماه های در نظر گرفته شده نشان می دهد.

شکل ۴ درصد تغییرات نسبی را بین یک ماه و ماه دیگر نشان می دهد که به عنوان روند ارزش شاخص برای همان مکان نشان داده شده است. تغییرات در مقادیر شاخص را می توان به عوامل داخلی اکوسیستم مرتع نسبت داد، مانند تغییرپذیری ناشی از مراحل مختلف زندگی گیاهان، در دسترس بودن مواد مغذی، یا عوامل خارجی. اینها، به ویژه، می توانند آب و هوا-اقلیمی (رطوبت، دما، تشعشع، باران انباشته، و رویدادهای شدید مانند آتش سوزی، طوفان تگرگ و سیل) باشند یا به عمل چرای گیاهخواران نسبت داده شوند.

سایر تغییرات یک موجودیت خاص در مقادیر NDVI (و در نتیجه زیست توده منطقه چرا) را می توان به زمان برداشت علوفه ردیابی کرد. تغییرات شدید در تغییرات مقادیر شاخص نیز می تواند به وجود مصنوعات خاص تصویر نسبت داده شود. به عنوان مثال، بیضی قرمز در اولین نقشه شکل ۴ (ژوئیه تا ژوئن) یک تنوع شدید (در محدوده ۵۵-۹۹٪) را به دلیل وجود ابرها در تصاویر اصلی برای همان دوره مشخص می کند. سمت راست ترین نقشه شکل ۴ تنوع کلی گسترده ای از مقادیر NDVI را نشان می دهد که بین ۳۳% و ۵۵% متغیر است که مربوط به تغییرات قابل توجه زیست توده منطقه چرا است که بین اوت و سپتامبر در زمان برداشت نهایی رخ داده است.

۴٫۵٫ AS4 – نظارت بر اثر جزیره گرمایی شهری سطحی

پدیده جزایر گرمایی شهری (UHIs) نواحی شهری را تحت تأثیر قرار می دهد و ناشی از فرآیندهای شهرنشینی و صنعتی شدن است که یکی از اصلی ترین تغییرات انسانی محیط های زمین را نشان می دهد [ ۸۸ ]. UHI ها در مجاورت سطوح غیر قابل نفوذ گسترده ای تشکیل می شوند که تمایل به داشتن دمای بالاتری نسبت به مناطق روستایی اطراف با ویژگی های جغرافیایی یکسان دارند.

سازه‌هایی مانند ساختمان‌ها، جاده‌ها و سایر زیرساخت‌ها، گرمای خورشید را بیشتر از مناظر طبیعی مانند جنگل‌ها و بدنه‌های آبی منتشر می‌کنند و بنابراین تبدیل به «جزایر» با دمای بالاتر نسبت به مناطق دورافتاده می‌شوند. جزایر گرمایی می توانند تحت شرایط مختلف، از جمله در طول روز یا شب، در شهرهای کوچک یا بزرگ، در مناطق حومه شهر، در آب و هوای شمالی یا جنوبی و در هر فصلی تشکیل شوند ( https://www.epa.gov/heatislands/ Learn-about-heat-Ilands#_ftnref1 ، در ۱۰ نوامبر ۲۰۲۱ مشاهده شد.

تحقیقات پیش بینی می کند که اثر جزیره گرمایی در آینده با رشد ساختار، وسعت فضایی و تراکم جمعیت مناطق شهری تقویت خواهد شد [ ۸۸ ]. اثرات UHI را می توان از دمای هوا، همچنین به عنوان جزایر گرمای جوی، که در شب یا قبل از سحر و در زمستان شدیدتر است، یا از دمای سطح زمین (LST)، که به عنوان جزایر گرمای سطحی (SUHIs) نیز شناخته می شود، تجزیه و تحلیل کرد. که در طول روز و در تابستان شدیدتر هستند [ ۸۹ ].

UHI های جوی با سنسورهای درجا یا داده های مدل ارزیابی می شوند که اطلاعات دمای هوا را ارائه می دهند [ ۹۰ ، ۹۱ ، ۹۲ ]، در حالی که SUHI ها توسط پلت فرم های RS هوابرد یا ماهواره ای [ ۹۳ ، ۹۴ ، ۹۵ ] ارزیابی می شوند.

۴٫۵٫۱٫ اهداف و حوزه مطالعاتی

ماهواره‌ها داده‌های LST حرارتی را شناسایی می‌کنند و امکان استفاده از چنین محصولاتی را برای برنامه‌ریزی شهری و نظارت بر اثر جزیره مرتفع بر اساس دمای سطح فراهم می‌کنند [ ۹۶ ]. شناسایی عوامل کمک‌کننده و کاهش‌دهنده UHI یک چالش باز است که از طریق استراتژی‌ها و سیاست‌های توسعه شهری برای فراگیر کردن، ایمن‌سازی، انعطاف‌پذیری و پایدار کردن شهرها به آن پرداخته می‌شود. بنابراین، نیاز به درک پدیده UHI از سال ۲۰۰۵ علاقه تحقیقاتی فزاینده ای را در سراسر جهان برانگیخته است [ ۳۳ ].

هدف این AS ارزیابی حضور SUHI ها در طول فصل تابستان در منطقه شهری جنوا [۴۴۲۴ ۴۰ N, 855 ۵۸ E]. جنوا، پایتخت لیگوریا، با جمعیتی در حدود ۸۰۰۰۰۰ نفر، بزرگترین و پرجمعیت ترین تراکم شهری در منطقه است و قلمرو آن، نزدیک به دریای مدیترانه و تپه های شیب دار مناطق داخلی، در طول قرن ها تحت تأثیر قرار گرفته است. تحولی در شکل طبیعی زمین در نتیجه فعالیت های انسانی، مانند اصلاحات شبکه زهکشی، حفاری ها، و پرکردن، ساختمان سازی و خیابان سازی، که به ویژه در دهه های ۱۹۶۰ و ۱۹۷۰ شدید بود [ ۹۷ ].

آب و هوا و کوه نگاری عجیبی که جنوا را از سایر شهرهای اروپایی مانند لندن، آتن و استکهلم متمایز می کند، که اثرات UHI آنها قبلاً از طریق تصاویر Copernicus S-3 مورد مطالعه قرار گرفته است [ ۳۵ ، ۹۳ ، ۹۸ ]، ما را بر آن داشت تا اثر SUHI را تجزیه و تحلیل کنیم. با استفاده از محصولات کوپرنیک

۴٫۵٫۲٫ جریان کار

تصاویر Copernicus LST توسط S-3 بازیابی شده است که ماموریت آن شامل دو ماهواره (S-3A در مدار از سال ۲۰۱۶، S-3B از سال ۲۰۱۸) با زمان بازبینی یک روزه در اروپا است که پارامترهای سطح زمین را در شبکه ^۱ کیلومتر مربعی ارائه می کند. [ ۱۰ ، ۹۹ ].

ما ۴۰ تصویر S-3 را که بین ۲۱ ژوئن و ۲۲ سپتامبر ۲۰۲۰ به دست آمده بود، با هشت محصول (۴ شب و ۴ روز) برای ژوئن و سپتامبر و دوازده محصول (۶ شب و ۶ روز) برای جولای و آگوست دانلود کردیم. برای تعیین محدوده منطقه مورد مطالعه، از لایه های برداری استفاده کردیم که مرزهای استان و خطوط خطوط ارائه شده توسط geoportal Liguria ( https://geoportal.regione.liguria.it/ ، دسترسی به آن در ۱۰ نوامبر ۲۰۲۱) را توصیف می کند، که دسترسی آزاد را امکان پذیر می کند. به کاتالوگ به روز شده و ساختار یافته از داده های نقشه های منطقه ای مرجع جغرافیایی. علاوه بر این، برای تعیین سطوح روستایی و مناطق روستایی، از نقشه CLC_18 [ ۱۰۰ ] استفاده کردیم.

تصاویر با QGIS پردازش شدند تا باند SUHI محاسبه شود و برای هر ماه میانگین رستر LST روزانه و شبانه AOI ایجاد شود. میانگین دمای پس‌زمینه روستایی، یعنی مقدار میانگین LST پیکسل‌های پوشش‌دهنده مناطق روستایی، به منظور ارزیابی اثر SUHI محاسبه‌شده بر اساس معادله ( ۲ ) بازیابی می‌شود.

(۲)

با توجه به کوه نگاری بسیار متغیر جنوا و نزدیکی به دریا، مناطق مختلف شهرداری به دلیل شیب حرارتی ارتفاع، دمای متوسط متفاوتی دارند، همچنین با توجه به مورفولوژی پیچیده در توزیع توده‌های شهری. بر این اساس، ما فقط مناطق روستایی زیر یک ارتفاع معین را انتخاب کردیم تا از در نظر گرفتن عوامل مؤثر بر دما که مربوط به هدف مطالعه نیستند اجتناب کنیم.

مطابق با مرزهای اداری و خطوط خطوط AOI، انتخاب مناطقی که از آن‌ها برای محاسبه میانگین دمای پس‌زمینه روستایی با دو معیار محدود می‌شود: (۱) معیار اول عدم هم‌پوشانی و عدم مجاورت را محدود می‌کند. با مناطق شهری، همانطور که توسط CLC_18 تعریف شده است. (ب) دوم ارتفاع را به مقادیر کمتر از ۱۴۰ متر بالاتر از سطح دریا محدود می کند، که نشان دهنده کمربند ارتفاعی است که در آن بیشتر توده های شهری وجود دارند. برای هر ماه تجزیه و تحلیل، ما همان مناطق روستایی را برای استخراج دمای پس‌زمینه روستایی در نظر گرفتیم، بنابراین نقشه‌های SUHI قابل مقایسه با یکدیگر به دست آمد.

در شکل ۶ ، نقشه‌های محاسبه‌شده اثر SUHI را برای روز ( شکل ۶ الف) و شب ( شکل ۶ ب) در تابستان ۲۰۲۰ گزارش می‌کنیم که دمای بالاتری را در مناطق شهری (تا ۴ درجه در طول روز) نسبت به مناطق روستایی اطراف نشان می‌دهند. الگوهای فصلی روزانه و شبانه تفاوت ها را به دلیل ماهیت اثر SUHI برجسته می کند.

تابش فعال خورشیدی بر روی سطح زمین، LST سطوح مخصوصاً بازتابنده، مانند مناطق بزرگ شهری را در طول روز افزایش می‌دهد، بنابراین حداکثر مقادیر را افزایش می‌دهد. اثر SUHI شبانه، همانطور که توسط لو و همکاران توضیح داده شده است. [ ۱۰۱ ]، به دلیل عدم وجود تابش فعال خورشیدی، از نظر تغییرات دما شدت کمتری دارد اما گسترده تر است.

شکل ۷ روند SUHI را در امتداد خط ساحلی جنوا در مورد طبقات پوشش زمین شهری و روستایی گزارش می‌کند که روند تغییرپذیری روزانه فصلی از آن قابل تشخیص است. پروفیل‌های دما نشان می‌دهند که انواع مختلف پوشش خاک دارای رفتارهای حرارتی مختلفی هستند، با دلتای دمایی مثبت برای سطوح غیرقابل نفوذ.

۵٫ یافته ها و بحث

فعالیت‌های طراحی و توسعه چهار AS، همراه با تجزیه و تحلیل ادبیات برنامه‌های کاربردی پایین‌دست، مجموعه‌ای از شیوه‌ها، مسائل و گزینه‌های پیاده‌سازی را برجسته کرده است، که ما معتقدیم مورد علاقه مشترک هستند و ارائه می‌کنیم تا از پایان کار پشتیبانی کنند. کاربران در استفاده آگاهانه از منابع اکوسیستم کوپرنیک و تحریک توسعه برنامه های کاربردی نوآورانه بر اساس EO.

علاوه بر این، با توجه به تجزیه و تحلیل ادبیات و تجربه ما در استفاده و انتشار مجموعه داده‌های مکانی باز، که استفاده کمی از آنها را برجسته می‌کند، توصیه‌هایی را به ارائه‌دهندگان این منابع برای بهبود یافتن، دسترسی و ادغام با داده‌های کوپرنیک ارائه می‌کنیم. .

۵٫۱٫ توصیه هایی برای کاربران نهایی

مشاهده کردیم که هنگام توسعه یک برنامه EO، باید توجه داشت که با توجه به نیاز خود، لازم است که مناسب ترین منابع موجود را حتی با توجه به گستردگی مکانی و زمانی و وضوح ویژه رویداد مورد مطالعه انتخاب کرد. دانستن و در نظر گرفتن جنبه های خاص کار و هر گونه انتقادی در سناریوی برنامه کاربردی و AOI آن مهم است.

علاوه بر این، اغلب راحت است که مجموعه‌هایی از تصاویر بعدی از همان AOI را برای ساخت سری‌های زمانی برای نظارت بر برخی پدیده‌های زمین یا حتی ادغام منابع کوپرنیک با سایر منابع داده برای تجزیه و تحلیل بهتر برخی از سناریوهای کاربردی، راحت‌تر کند. در نهایت، باید از نحوه انتخاب از میان ابزارهای نرم افزاری و سخت افزاری بی شمار موجود، با توجه به آن هایی که با سطح مهارت های فنی و منابع مالی مناسب هستند، آگاه بود.

در جدول ۳ ، ما این یافته‌ها را در قالب شش توصیه برای استفاده آگاهانه از منابع کوپرنیک خلاصه کرده‌ایم، که اهداف عملیاتی و گزینه‌های مختلف اجرایی را برجسته می‌کند.

۵٫۱٫۱٫ منابع کوپرنیک

توسعه یک سناریوی کاربردی شامل شناسایی مناسب ترین منابع کوپرنیک، با توجه به نیازهای کاربران و الزامات پروژه ای است که قرار است اجرا شود. بنابراین، ضروری است که کاربران از تنوع منابع ارائه شده توسط اکوسیستم کوپرنیک آگاه باشند، تفاوت های آنها را درک کنند و بتوانند آنها را از سایر منابع محصول ماهواره ای متمایز کنند.

ابتدا، کاربران باید سطح پیش پردازش داده مناسب را برای کار برنامه خاص انتخاب کنند. همانطور که قبلا ذکر شد، ماهواره های کوپرنیک دو سطح پیش پردازش را ارائه می دهند که هر کدام اطلاعات متفاوتی را به همراه دارند. به عنوان مثال، در AS1، AS2، و AS3، ما محصولات S-2 L2 را انتخاب کردیم، زیرا آنها برای تداخل جوی تصحیح شده‌اند و فوراً برای مطالعه پدیده‌هایی که روی سطح زمین رخ می‌دهند قابل استفاده هستند.

در AS4، ما محصولات S-3 L2 را انتخاب کردیم زیرا آنها به ویژه در سناریوی ارزیابی SUHI مفید هستند زیرا بازیابی باند مورد نیاز توسط توزیع داده های بالادستی از طریق الگوریتم های خاص انجام می شود. دلیل دیگری برای انتخاب داده های سطح ۲ ارائه شده توسط Copernicus برای AS ما این بود که در دسترس بودن محصولات سطح بالا مشمول محدودیت های جغرافیایی است. در واقع، با توجه به هزینه‌های قابل‌توجه پردازش بالادستی محصولات ماهواره‌ای پیشرفته از نظر منابع فن‌آوری مورد استفاده، سازمان‌های فضایی ملی و بین‌المللی عمدتاً این فرآیند را در مناطق جغرافیایی انجام می‌دهند که منافع گروه کاربری آنها معطوف است.

AS4 یک مثال مرتبط از این را ارائه می‌کند: در حین مرور مرکز ناسا USGS ( https://earthexplorer.usgs.gov/ ، دسترسی به ۱۰ نوامبر ۲۰۲۱)، داده‌های آماده LST (سطح ۲، مجموعه ۲ محصولات LST) را پیدا کردیم. ). با این حال، این محصولات در سناریوی ما در مورد جنوا قابل استفاده نیستند زیرا توسط ناسا به طور انحصاری برای ایالات متحده عرضه می شوند.

جنبه دومی که باید در نظر گرفته شود مربوط به انتخاب یکی از خدمات اصلی کوپرنیک در دسترس است. در واقع، علیرغم سهولت نسبی استفاده، کاربران باید استفاده از این منابع را به دقت ارزیابی کنند، زیرا ممکن است همیشه برای نیازهای خاص آنها مناسب نباشند [ ۵ ، ۳۱ ، ۱۰۲ ]، به عنوان مثال، در توسعه AS1 و AS4. . در واقع، برای AS1، ما تصمیم گرفتیم یک نقشه جدید پوشش زمین را با پردازش یک تصویر نوری S-2 L2A به جای اتخاذ نقشه طبقه بندی آماده برای استفاده ارائه شده توسط سرویس CLMS، اما به سال ۲۰۱۸ محاسبه کنیم، زیرا یک نقشه به روز شده است. برای سناریوی موجود ترجیح داده شد.

در مورد AS4، ما در ابتدا استفاده از دو منبع ارائه شده توسط C3S Climate Data Store را در نظر گرفتیم که در نگاه اول برای مطالعه ارزیابی اثر UHI جوی مناسب هستند. اولی مجموعه‌ای از سری‌های زمانی با شدت UHI در روز و شب، نسبت به ۱۰۰ شهر اروپایی است ( https://cds.climate.copernicus.eu/cdsapp#!/Software/app-health-urban-heat-islands-current -climate?tab=app ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱)، از جمله جنوا، به عنوان نقشه‌های سالانه ارائه شده که مقادیر میانگین تابستان و زمستان را نشان می‌دهد، دوره بین سال‌های ۲۰۰۸ و ۲۰۱۷ را با وضوح مکانی ۱۰۰ متر پوشش می‌دهد.

از آنجایی که مطالعه ما مربوط به سال ۲۰۲۰ است، ما از این منبع استفاده نکرده ایم و منبع داده به روز شده را ترجیح می دهیم. دومین منبع C3S مربوط به UHI که مورد ارزیابی قرار گرفت، مجموعه داده ERA-5 ( https://cds.climate.copernicus.eu/cdsapp#!/Dataset/reanalysis-era5-land?Tab=overview ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱) است. که یک لایه دمایی ۲ متری (T2m) را در مقیاس ساعتی برای کل اروپا از سال ۱۹۸۱ تا امروز فراهم می کند. اگرچه این منبع برای ارزیابی جوی اثر UHI مناسب است، اما برای محاسبه SUHI قابل استفاده نیست.

کاربران کوپرنیک باید بدانند که سایر محصولات ماهواره‌ای در دسترس هستند، همانطور که رویه‌های عمومی نشان می‌دهند [ ۲۲ ، ۲۷ ، ۳۹ ، ۴۱ ]، و بتوانند تشخیص دهند که این داده‌ها چه زمانی نسبت به کوپرنیک ارجح است یا می‌توانند آن را تکمیل کنند [ ۳۳ ]. به عنوان مثال، برای سناریوهای AS1، AS2 و AS3 ما، یک جایگزین احتمالی برای داده‌های نوری کوپرنیک توسط Landsat 7 ارائه شده است.

با این حال، ما استفاده از آن را با توجه به اینکه دارای زمان بازبینی ۱۶ روز با وضوح مکانی ۱۰۰ متر است، حذف کردیم، بنابراین از نظر میدان مرئی، لندست ۷ دارای وضوح مکانی-زمانی سه برابر کمتر از S-2 است. با وجود این، داده‌های Landsat 7 ممکن است مناسب باشند، برای مثال، مانند مورد تعریف سری‌های زمانی بلندمدت، و/یا که دوره‌های رصد طولانی‌تری را از زمان راه‌اندازی Landsat 7 در سال ۱۹۹۹ پوشش می‌دهند.

در کنار داده‌های باز که توسط Copernicus و Landsat در دسترس قرار گرفته‌اند، چندین طرح تجاری وجود دارد که محصولات ماهواره‌ای از انواع مختلف مانند میدان‌های نوری، حرارتی، جوی را به بازار عرضه می‌کنند و به دلیل توافقات انحصاری با مشتریان، قابلیت‌ها/منابع اضافی را ارائه می‌دهند. نمونه ای در زمینه پایش شهری و کیفیت هوا، داده های ارائه شده توسط GHGSat ( https://www.ghgsat.com ) است.در ۱۰ نوامبر ۲۰۲۱) ماهواره‌هایی که از راه دور انتشار متان را در سطح تأسیسات در سراسر جهان اندازه‌گیری و تشخیص می‌دهند و داده‌های آن‌ها می‌توانند کاربردهایی در بخش‌هایی مانند نفت و گاز پیدا کنند (مثلاً برای بهینه‌سازی فعالیت‌های تشخیص نشت و تعمیر)، محل های دفن زباله (به عنوان مثال، بهبود عملیاتی سیستم جمع آوری گاز)، و کشاورزی (به عنوان مثال، گاوهای لبنی و گوشت گاو، سایر محصولات شکر، مواد افزودنی، و برنج).

۵٫۱٫۲٫ تفکیک مکانی و زمانی

دامنه پدیده‌هایی که در سطح سیاره رخ می‌دهند یا می‌توانند رخ دهند، از نظر مکانی و زمانی بسیار متغیر است و بسته به نوع رویداد، مقیاس‌های مختلفی می‌تواند وارد عمل شود، از اندازه زمین در طول سال‌ها تا مناطق محدود به چند سانتی متر با تغییرات زمانی به ترتیب دقیقه یا ثانیه است.

رفتارها می تواند بسیار متفاوت باشد. دینامیک سیالات و هواشناسی، با مطالعه درصد بالایی از پدیده‌های سیستم زمین، این مقیاس‌ها را به طبقاتی تقسیم می‌کنند که در آن ویژگی‌های حرکات مشابه است: مقیاس سیاره‌ای، مقیاس سینوپتیک (طول افقی متغیر از صدها تا هزاران کیلومتر، میانگین زمان اضافه در مرتبه ۱۲ تا ۲۴ ساعت)، مقیاس میانی (چند ده تا چند صد کیلومتر با گام زمانی ساعتی)، و مقیاس خرد برای پدیده هایی با ردیف های پایین تر (تا صدها متر).

«تحلیل مقیاس»، یعنی شناسایی مناسب‌ترین مقیاس برای تحلیل و بازتولید یک پدیده معین، یک تمرین عملی در بسیاری از زمینه‌ها و کاربردها است [ ۱۰۳ ]. برای مثال، در جنگل‌داری و کشاورزی، ممکن است لازم باشد تغییرات هفتگی، ماهانه، فصلی یا بین سالانه در بهره‌وری یک منطقه مرتع در یک منطقه معین (مانند AS3) مطالعه شود، یا اینکه لازم باشد. برای ارزیابی اینکه در چه زمانی از هفته برداشت درختان میوه خاص (مانند AS2) مناسب تر است.

انتخاب منبع ماهواره ای برای اتخاذ در یک سناریوی معین، منوط به مبادله مکانی/زمانی است: اغلب در تصاویر ماهواره ای فعلی، وضوح مکانی بالا معمولاً با وضوح زمانی پایین مطابقت دارد. به عنوان مثال، در AS4، هنگام مطالعه اثر SUHI، در ابتدا با استفاده از تصاویر ماهواره‌ای حرارتی ارائه شده توسط Landsat-8 Level 1، مجموعه ۱، که از سال ۲۰۱۳ در دسترس است، با وضوح مکانی در ۱۰۰ متر برای اروپا، ده برابر بهتر از آنهایی که از S-3.

با این حال، Landsat-8 دارای زمان بازدید مجدد در منطقه مورد مطالعه ۱۵ روز است، تنها با اکتساب در طول روز، به طور قابل توجهی کمتر از S-3، که دارای چرخه بازدید مجدد کمتر از یک روز در عرض های جغرافیایی متوسط است، و با تصاویر روز و شب. که امکان ارزیابی تغییرات روز و شب را فراهم می کند. به همین دلیل، ما تعداد بیشتری از مشاهدات موجود از S-3 را نسبت به مشاهدات دقیق تر ارائه شده توسط Landsat انتخاب کردیم.

۵٫۱٫۳٫ وظیفه پردازش

حتی زمانی که وظیفه عملیاتی مرحله پردازش نسبتاً ساده است، و اجرای آن تقریباً به طور کامل توسط ابزارهایی مانند SNAP پشتیبانی می‌شود (مانند مورد طبقه‌بندی نقشه در AS1)، کاربر باید جنبه‌های خاص کار و هر گونه مسائل مهم را بداند. به طور بالقوه بر صحت نتایج اجرای پردازش تأثیر می گذارد. با توجه به تکرارپذیری وظایف عملیاتی در هسته چهار AS ما (طبقه‌بندی، محاسبات شاخص پوشش گیاهی، و شناسایی SUHI) در زمینه‌های کاربردی دیگر، ما برخی از عوامل برجسته را که می‌توانند اجرای آنها را متمایز کنند، خلاصه می‌کنیم.

دقت طبقه بندی نقشه به شدت به اطلاعات موجود قبلی، یعنی نمونه آموزشی بستگی دارد [ ۱۰۴ ]. بنابراین، توصیه می‌شود که برای هر کلاس یک مجموعه نمونه جمع‌آوری شود که کل تغییرپذیری کلاس مربوط به AOI انتخاب شده را پوشش می‌دهد. در AS1، با انجام طبقه‌بندی نظارت شده با ابزار طبقه‌بندی کننده SNAP K-nn بر روی تصویر سد Osiglia S-2 RGB، ابتدا مجموعه داده‌ای را با حداقل ۲۰ نمونه برای هر یک از پنج کلاس به صورت دستی انتخاب و آماده کردیم.

در AS2 و AS3، ما از تصاویر نوری S-2 L2A برای محاسبه شاخص پوشش گیاهی NDVI دو منطقه مختلف کشاورزی استفاده کردیم: تاکستان ها و مراتع. شاخص‌های پوشش گیاهی تبدیل‌های طیفی دو یا چند باند هستند که قادر به برجسته کردن ویژگی‌های پوشش گیاهی هستند که از سیگنال عقب‌افتاده بازیابی می‌شوند. محاسبه شاخص شامل انواع پوشش گیاهی موجود در AOI و در نتیجه گیاهان مهاجم در مجاورت مزارع می باشد. بنابراین، قابلیت اطمینان یک شاخص پوشش گیاهی، مانند NDVI به شدت به توزیع زمینی محصول بستگی دارد.

برای AS2، ردیف‌های انگور را در فاصله > 1 متر از یکدیگر در نظر گرفتیم، در حالی که برای AS3 یک منطقه چرا، به عنوان مثال، یک علفزار در نظر گرفته شد. ما متوجه شدیم که هر چه یک محصول یکدست تر و متراکم تر روی زمین باشد (مثلاً مراتع)، مقدار شاخص بیشتر نماینده خود محصول است، با تداخل کمتر گیاهان دیگر (به عنوان مثال، چمن بین ردیف ها در AS2). برای تفسیر صحیح نتایج، یعنی در مقادیر شاخص، ارزیابی وجود احتمالی تداخل ناشی از پوشش گیاهی غیرکشاورزی در محصولات با پوشش خاک ناپیوسته را توصیه می کنیم.

هنگام استفاده از تصاویر ماهواره ای، کاربران باید از سایر ویژگی ها و ویژگی های AOI آگاه باشند تا از خطاهای پردازش و نتایج گمراه کننده جلوگیری کنند. ما نمونه ای از این را در AS4 هنگام محاسبه مقدار اثر SUHI که از باند LST شروع می شود، پیدا کردیم. در این مورد، استخراج اطلاعات در مورد مقدار باند SUHI از تصاویر ماهواره‌ای نسبتاً پیچیده است زیرا جنوا دارای نقش برجسته‌های کوهستانی زیادی در منطقه شهری خود است و دما در معرض شیب ارتفاع است. بنابراین، لازم بود یک انتخاب ارتفاعی قبلی از مناطق روستایی اطراف مناطق شهری انجام شود تا از انحراف نتایج به دلیل تغییرات دما و ارتفاع جلوگیری شود.

در AS4، استخراج اطلاعات متقابل بین خطوط ارتفاعی و مناطق پوشش زمین روستایی به ما این امکان را داد که مناطق روستایی با تغییرات دمای ارتفاعی <1 درجه را انتخاب کنیم. در موارد مشابه، جایی که AOI دارای یک کوه نگاری پیچیده یا ویژگی های دیگر است، کاربران باید این عوامل را در نظر بگیرند، که می تواند تعداد مراحل معمولاً مورد نیاز در مرحله پردازش را در مقایسه با سناریوهایی که در آن مورفولوژی قلمرو منظم تر است افزایش دهد. ، پردازش را به خصوص در حضور سری های زمانی طولانی وقت گیرتر می کند.

۵٫۱٫۴٫ سری زمانی

علیرغم اینکه یک روش نسبتاً جدید در مورد کوپرنیک است، استفاده سیستماتیک از تصاویر ماهواره‌ای برای ساخت سری‌های زمانی، پایه‌هایی را برای شیوه‌های تشخیص تغییر و نظارت در بخش‌های مختلف ایجاد می‌کند و از جمع‌آوری داده‌های میدانی گسترده و گسترده اجتناب می‌کند.

به ویژه، پدیده‌های جهانی، مانند تغییرات آب و هوایی، که باید در فواصل زمانی طولانی (که معمولاً بین ۲۰ تا ۳۰ سال اندازه‌گیری می‌شوند) بررسی شوند ( https://www.ipcc.ch/sr15/chapter/chapter-3/ ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱) می تواند از این دسترسی گسترده به داده های ماهواره ای بهره مند شود. با این حال، ارزیابی پدیده ها با پویایی سریعتر نیز با در نظر گرفتن تغییرات در طول یک فصل امکان پذیر است. ما یک رویکرد پایه برای ایجاد سری های زمانی در AS4 و AS3، به ترتیب برای تجزیه و تحلیل اثرات SUHI و تغییرات NDVI در مقیاس ماهانه بحث می کنیم.

در بخش کشاورزی [ ۲۳ ، ۱۰۵ ، ۱۰۶ ، ۱۰۷ ، ۱۰۸ ، ۱۰۹ ] و بخش جنگلداری [ ۲۷ ]، سلامت محصولات به ترتیب با استفاده از شاخص های پوشش گیاهی و تنوع پوشش جنگلی در مناطق حفاظت شده ارزیابی شد. نظارت بر روند زمانی پوشش جنگلی، زمانی که تحت تأثیر جنگل زدایی شدید قرار می گیرد، می تواند با مقایسه دو تصویر بین سالانه، همانطور که توسط Palas و همکاران انجام شده است، به تصویر کشیده شود. [ ۳۰ ]، که با استفاده از تصاویر S-2 توانستند اندازه گیری کمی از تأثیر اکولوژیکی فعالیت های ورود به سیستم را تعیین کنند.

در پایش نواحی شهری، سری‌های زمانی می‌توانند از تغییرات پوشش خاک و تعادل بین سطوح انسانی و غیرانسان‌زا اطلاع دهند [ ۳۲ ، ۳۷ ، ۱۱۰ ].

همین فرآیند در نظارت بر استفاده از منابع انرژی تجدیدپذیر در نظر گرفته شده است [ ۴۴ ]. این جنبه به همان اندازه در پایش بلایای طبیعی معتبر است [ ۵۱ ، ۵۲ ، ۵۳ ، ۵۴ ، ۵۵ ، ۵۶ ، ۵۹ ، ۶۰ ، ۶۱ ، ۶۲ ] و موارد اضطراری [ ۵۷ ، ۵۹ ، ۶۱ ، ۱۱۱ ]، که در آن از زمان استفاده می شود. انجام ارزیابی های احتیاطی با رویکرد پیشگیرانه در برآورد خطر وقوع یا عدم وقوع یک رویداد معین در پیش بینی. رومرو و همکاران [ ۵۸] محصولات ماهواره‌ای را از مأموریت‌های غیرفعال (یعنی ERS 1 و ۲) برای ایجاد سری‌های زمانی برای نظارت بر خطوط ساحلی، تهیه نقشه‌های خطر سیل، که رویدادهای فاجعه‌بار با زمان بازگشت طولانی‌تر را با در نظر گرفتن تاریخچه قلمرو در نظر می‌گیرند، اتخاذ کرد.

۵٫۱٫۵٫ یکپارچه سازی داده ها

فراوانی داده‌های ارجاعی جغرافیایی جمع‌آوری‌شده توسط طیف وسیعی از حسگرها، ادغام داده‌ها را به روشی مؤثر برای تفسیر و تحلیل پدیده‌های زمین تبدیل کرده است. این فرآیند می‌تواند داده‌های چندزمانی، چند رزولوشن یا چندحسگر را ادغام کند، و ادغام تصاویر ماهواره‌ای با دیگر منابع داده معمول است، برای مثال، برای جبران وضوح پایین آن منابع در مطالعه یک پدیده در مقیاس کوچک [ ۲۱ ، ۳۹ ، ۴۰ ، ۴۵ , ۴۶ , ۴۷ , ۴۸ , ۴۹ , ۵۰ , ۱۱۲ , ۱۱۳ ].

یکپارچه‌سازی داده‌های کوپرنیک با داده‌های درجا – یکپارچه‌سازی داده‌ها با داده‌های درجا، به عنوان مثال، سنجش نزدیک، از منابع مختلف (به عنوان مثال، پهپاد، هواپیماهای بدون سرنشین، ایستگاه‌های هواشناسی یا سایر حسگرها) یک روش معمول در زمینه EO است [ ۱۱۴ ]. برای مثال، کاربردهایی در پایش کیفیت دریا و هوا پیدا می کند [ ۳۹ ، ۴۰ ، ۴۵ ، ۴۷ ، ۴۸ ، ۴۹ ، ۵۰ ، ۱۱۲ ، ۱۱۳ ]. وان و همکاران [ ۴۱] تصاویر Sentinel یکپارچه با مشاهدات کشتی درجا که توسط نمونه‌های آب انجام شده است، برای بازیابی نقشه‌های شاخص کلروفیل هماهنگ برای ایجاد نشانگری که غلظت کلروفیل را در آب دریا نشان می‌دهد.

بنسوسان و همکاران [ ۴۰ ] تصاویر دمای سطح دریا S-3 را برای ارزیابی دمای سطحی در دریای مدیترانه، ادغام پارامترهای هواشناسی، اقلیمی، بیولوژیکی و اکولوژیکی مناطق حفاظت‌شده به کار گرفت. علیرغم مزایای بدون شک، ادغام با داده های درجا همیشه بدون مشکل نیست، به عنوان مثال، پالاس و همکاران. [ ۳۰ ] در یک برنامه جنگلداری که داده‌های مشاهده‌ای درجا مربوط به «محل‌های کاهش» را برای اعتبارسنجی شاخص‌های پوشش گیاهی محاسبه‌شده از محصولات S-2 ادغام می‌کند.

ادغام داده‌های کوپرنیک با سایر داده‌های ماهواره‌ای — وضوح فضایی نگهبان و زمان بازدید مجدد پوشش مناسبی را به ویژه برای اروپا ارائه می‌کند، زیرا فرکانس اکتساب برای ماهواره‌های حساس به ابرها حداکثر ۵ روز است و به‌طور متوسط ۶ بار در ماه دریافت می‌شود. ویژگی های محلی، می تواند برای اهداف نظارت استفاده شود. اگرچه، در برخی موارد، اتصال منابع کوپرنیک با محصولات ماهواره‌ای از مأموریت‌های دیگر ممکن است مناسب باشد.

به عنوان مثال، مقیاس شبکه ۱ کیلومتر ^مربعی ارائه شده توسط باند S-3 LST، یک مقدار درشت برای نظارت بر پدیده های محلی با تنوع بالا مانند SUHI ها است. این اشکال ممکن است با استفاده از الگوریتم‌های کاهش مقیاس [ ۳۳ ، ۱۱۵ ، ۱۱۶ ، ۱۱۷ ]، که مراحل نمونه‌برداری مجدد را اعمال می‌کنند، حل شود، بنابراین تصاویر با وضوح پایین RS را از طریق اطلاعات استخراج شده از داده‌های حرارتی با وضوح مکانی بالاتر به لایه‌های با وضوح فضایی بالا تبدیل می‌کنند. نمونه ای که توسط LANDSAT-8 ارائه شده است، که می توان LST را با وضوح فضایی ۱۰۰ متر از آن بازیابی کرد.

به طور مشابه، ادغام را می توان با محصولات همان صورت فلکی ماهواره ای، همانطور که توسط Shrestha و همکاران انجام شد، انجام داد. [ ۳۸ ]، بین تصاویر رادار و نوری S-1 و S-2 به ترتیب، با اهداف نظارت شهری.

ادغام داده‌های کوپرنیک با داده‌های مدل – به طور کلی، استفاده از داده‌های سنجش از راه دور یا نزدیک به عنوان ورودی برای مدل‌ها یک روش یکپارچه‌سازی تلفیقی است، زیرا امکان معرفی مقادیر متغیرهای ثبت شده مستقیم در محیط را فراهم می‌کند و خروجی‌هایی نزدیک‌تر تولید می‌کند. به شرایط واقعی [ ۱۱۸ ]. در هواشناسی و کشاورزی، ادغام داده های کوپرنیک و مدل در حال تبدیل شدن به یک عمل رایج است، به ویژه در مورد برنامه های آب و هوا و جوی [ ۲۱ ، ۴۳ ، ۴۵ ، ۵۷ ، ۱۱۱ ].

به عنوان مثال، در AS1، ما از مدل‌های هیدرولوژیکی TerraHidro و HAND [ ۷۵ ، ۷۷ ، ۱۱۹ ] برای تولید لایه‌هایی که نقشه طبقه‌بندی را با ارزیابی ریسک هیدرولوژیکی مطابقت می‌دهند، استفاده کردیم. تکنیک‌های جذب داده‌ها، داده‌های مشاهده‌ای را با خروجی از یک مدل عددی ترکیب می‌کنند تا تخمین دقیق‌تری از وضعیت در حال تکامل سیستم زمین تولید کنند [ ۵۰ ].

یکپارچه‌سازی داده‌های کوپرنیک با پایگاه‌داده نقشه‌برداری — برنامه‌های کاربردی EO همچنین می‌توانند از ادغام داده‌های کوپرنیک با نقشه‌برداری محلی و نام‌نامی که در سطوح مختلف جزئیات، در قالب بردار یا شطرنجی، توسط ادارات دولتی از طریق ژئوپورتال یا وب‌سایت‌هایشان یا توسط خود سرویس‌های کوپرنیک ارائه می‌شوند، بهره‌مند شوند.

به عنوان مثال، در AS4، ما از منابع کوپرنیک (یعنی CLC_18 یک مجموعه داده مبتنی بر برداری با ۴۴ کلاس پوشش زمین و کاربری زمین) ارائه شده توسط سرویس CLMS و نقشه ها (یعنی فایل های شکلی مرزهای اداری) استفاده کردیم. و خطوط کانتور منطقه شهری جنوا) ارائه شده توسط ژئوپورتال منطقه ای لیگوریا. همچنین، ما از CLC_18 در AS2 برای شناسایی تاکستان و شکل فایل پارک Paneveggio برای جمع‌آوری مرزهای مناطق مرتع برای AS3 استفاده کردیم و آنها را با نقشه‌های NDVI طبقه‌بندی‌شده جدید ترکیب کردیم.

۵٫۱٫۶٫ فن آوری دانش

هر مرحله از گردش کار، از انتخاب داده ها تا نمایش نتایج نهایی، بسته به سطح مهارت های فناوری اطلاعات و دانش فنی کاربران، می تواند با رویکردهای متفاوتی انجام شود. در مقابل، ما مشاهده کردیم که حتی اتخاذ منابع موضوعی آماده برای استفاده، مانند مواردی که توسط خدمات اصلی کوپرنیک ارائه می‌شود، نیازمند درک درستی از ابزارهای خاص و (حداقل) درجه ابتدایی از شایستگی‌های مدیریت داده‌های جغرافیایی-مکانی است. به عنوان مثال، استفاده از CLC_18 در AS1، AS2، AS4، و مجموعه داده های نقشه برداری محلی در AS3، نیاز به مفاهیم اولیه سیستم های مرجع و مهارت های ابزار GIS دارد.

محصولات Sentinel سطح ۲ حاوی باندهای “آماده برای استفاده” آموزنده هستند، مانند باند S-3 LST، که با دقت ۱ درجه کلوین ارائه می شود (حتی در هنگام شب که گرمایش سطح تفاضلی وجود ندارد) ( https://sentinels) .copernicus.eu/web/sentinel/user-guides/sentinel-3-slstr/overview/geophysical-measurements/land-surface-temperature ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱)). برعکس، اطلاعات LST به طور ضمنی در داده‌های Landsat-8 ارائه می‌شود، بنابراین به یک گردش کار پردازش SUHI پیچیده‌تر نیاز دارد.

به طور کلی، پردازش داده‌های خام ماهواره‌ای نیاز به سطح خوبی از مهارت‌ها و دانش EO دارد و برای این منظور، نرم‌افزارهایی مانند e-Cognition ( https://geospatial.trimble.com/products-and-solutions/ecognition ) قابل دسترسی هستند. در ۱۰ نوامبر ۲۰۲۱) و SNAP به کاربران اجازه می دهد تا پارامترهای برنامه را به صورت دستی محاسبه کنند. با این حال، این ابزارها جعبه ابزارهای موضوعی را نیز ارائه می دهند که محاسبه شاخص ها یا تصحیح تصاویر و طبقه بندی تصاویر را در حالت “کمک” تسهیل می کند. به عنوان مثال، برای تصاویر نوری، “پردازنده زمین موضوعی” در اسنپ موجود است که از طریق آن می توان باندها را برای به دست آوردن شاخص هایی مانند NDVI ترکیب کرد، بسیار ساده و کاربر پسند است.

دانلود داده ها از طریق مرکز دسترسی باز کوپرنیک – رابط کاربری هدایت شده یک گزینه ارزشمند برای کاربران غیرمتخصص است و معمولاً زمان زیادی را صرف نمی کند. حتی کاربران متوسط ممکن است دانلود دستی را به جای خودکار ترجیح دهند، به‌ویژه زمانی که تعداد محصولاتی که باید دانلود شوند کم است، مثلاً در مورد ساخت سری‌های زمانی فصلی که در AS3 و AS4 بحث کردیم.

هنگامی که محصولاتی که باید از پورتال بارگیری شوند، به صورت آفلاین در LTA منتقل می شوند، ممکن است برخی مشکلات ایجاد شود. در واقع، پس از آفلاین، تنها یک تصویر آرشیو شده را می توان در هر ۳۰ دقیقه بارگیری کرد. به عنوان یک راه حل جایگزین، API هاب LTA ( https://readthedocs.org/projects/sentinelsat/downloads/pdf/master ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱) قابل استفاده است. در این حالت، از طریق پیاده سازی کدهای اسکریپت مناسب، به عنوان مثال، در پایتون، امکان دانلود دسته ای از چندین تصویر به طور همزمان وجود دارد.

همانطور که دیدیم، SNAP امکان ایجاد نمایش های ساده از نتایج را فراهم می کند، با این حال، این برای سناریوهای کاربردی، مانند مواردی که معرفی کردیم (مانند تولید نقشه های NDVI در AS2 و AS3) بیش از اندازه کافی است. با این حال، اگر پردازش و ادغام بیشتر با سایر داده ها مورد نیاز باشد، ممکن است یک مرحله اضافی از طریق یک محیط GIS ضروری باشد.

ما این روش را در سناریوهای کاربردی که نیاز به ادغام داده‌های Sentinel با منابع پایگاه‌های اطلاعاتی نقشه‌برداری محلی (مانند AS2، AS3، و AS4) داشتند، به کار بردیم. برای تحلیل‌های بیشتر در مورد نتایج به‌دست‌آمده (مانند اعتبارسنجی یا ارزیابی‌های مقایسه)، ابزارهایی مانند MATLAB یا R در دسترس هستند، اگرچه به مهارت‌های برنامه‌نویسی اولیه نیاز دارند [ ۱۲۰ ، ۱۲۱ ].

یک جنبه غیر پیش پا افتاده هنگام مدیریت محصولات ماهواره ای که اغلب فضای دیسک زیادی را اشغال می کند و به قدرت محاسباتی خوبی نیاز دارد، تجهیزات سخت افزاری موجود است. به عنوان مثال، ایجاد سری‌های زمانی معمولاً یک کار وقت‌گیر و زمان‌بر است (بسته به گستردگی زمانی و مکانی منطقه مورد مطالعه در نظر گرفته شده)، و حجم داده‌هایی که باید دانلود، ذخیره و پردازش شوند، می‌تواند تأثیر منفی بر عملکرد ماشین هایی که به درستی مجهز نیستند.

به عنوان مثال، دستورالعمل‌های اسنپ داشتن حداقل ۴ گیگابایت رم و ۱۰ گیگابایت حافظه آزاد را توصیه می‌کنند، اگرچه، طبق تجربه ما، این تجهیزات اساسی عاری از مشکلات عملکردی نبوده است. یک جایگزین معتبر برای غلبه بر محدودیت‌های منابع داخلی، فناوری‌های مبتنی بر ابر است که از راه‌حل‌های فناوری‌های اطلاعات و ارتباطات مجازی و توزیع‌شده (ICT) استفاده می‌کنند. رویکرد ابری انعطاف‌پذیر پرداخت به ازای استفاده هم در بهبود مدل‌های کسب‌وکار شرکت‌ها [ ۱۲۲ ] و هم در حمایت از برنامه‌های کاربردی علم الکترونیکی با تقاضای بالا که نیاز به اجرای شبیه‌سازی‌های پیچیده در مقیاس جهانی دارند، مؤثر بوده است [ ۱۲۳ ، ۱۲۴ ].

در مورد دنیای کوپرنیک، اولین گزینه، پلتفرم ابری رایگان و باز تحقیقات و پشتیبانی کاربر (RUS ( https://rus-copernicus.eu/portal ، دسترسی در ۱۰ نوامبر ۲۰۲۱)) است که مجموعه ای از از پیش نصب شده را میزبانی می کند. جعبه ابزار در ماشین های مجازی که به کاربران ثبت نام شده اجازه می دهد تا داده های مشتق شده از صورت فلکی Sentinels را مدیریت و پردازش کنند. پس از یک دوره آزمایشی، که برای آشنایی با اکوسیستم کوپرنیک ضروری تشخیص داده می شود، کاربران باید بتوانند به طور مستقل و خارج از روسیه به فعالیت های خود ادامه دهند.

یک گزینه عمدتاً تجاری توسط پنج پلتفرم ابری خدمات دسترسی به داده و اطلاعات (DIAS) ( https://www.copernicus.eu/en/access-data/dias ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱)، یعنی Creodias ( https: //creodias.eu ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱)، Mundi ( https://mundiwebservices.com ، مشاهده شده در ۱۰ نوامبر ۲۰۲۱)، Onda ( https://www.onda-dias.eu ، مشاهده شده در ۱۰ نوامبر ۲۰۲۱) ، Sobloo ( https://sobloo.eu ، قابل دسترسی در ۱۰ نوامبر ۲۰۲۱)، Wekeo ( https://www.wekeo.eu ، دسترسی در ۱۰ نوامبر ۲۰۲۱)، که دسترسی متمرکز به منابع و ابزارهای پردازش کوپرنیک را فراهم می کند.

اگرچه، به طور کلی، آنها دسترسی رایگان به منابع کوپرنیک را ارائه می دهند، اما کسب و کار اصلی آنها استقرار خدمات و برنامه ها و ابزارهای EO از طریق ماشین های مجازی، با توجه به پرداخت به ازای استفاده یا بسته پیشنهادی است ( https://earsc.org/dias -مقایسه ، در ۱۰ نوامبر ۲۰۲۱ مشاهده شد). از طریق این ماشین‌های مجازی، کاربران می‌توانند در محیطی آماده با تجهیزات فیزیکی و نرم‌افزاری مورد نیاز و بدون نیاز به نصب و پیکربندی، راه‌حل مناسب برای نیازهای خود را بیابند.

به غیر از دسترسی به محصولات Sentinel و مجموعه متغیری از خدمات اصلی Copernicus، هر DIAS برنامه‌های کاربردی EO و ابزارهای پردازشی خود را ارائه می‌کند و می‌تواند داده‌های جمع‌آوری‌شده توسط ماموریت‌های ماهواره‌ای دیگر، هم غیرتجاری (به عنوان مثال، Mundi و Onda مجموعه Landsat را ارائه دهند. ) و تجاری (به عنوان مثال، Soblo تصاویری با وضوح بسیار بالا Pleiades ارائه می دهد).

۵٫۲٫ مشاوره برای ارائه دهندگان داده

ادغام مؤثر کوپرنیک با سایر مجموعه‌های داده‌های مکانی خاص‌تر، از جمله مجموعه‌های باز، ارتباط نزدیکی با درجه مهارت‌های کاربر دارد. در واقع، به لطف دانش قبلی در این بخش، ما مشکل خاصی در یافتن و دسترسی به این داده‌ها و ترکیب آنها با منابع کوپرنیک در چهار AS خود نداشتیم. با این حال، چنین مشکلاتی می تواند برای کاربران سایر دامنه های برنامه (به دور از RS و داده های جغرافیایی) ایجاد شود.

اگرچه در حال حاضر تعداد زیادی از مجموعه داده‌های فضایی باز برای توسعه برنامه‌ها و پاسخگویی به نیازهای اطلاعاتی شهروندان و سازمان‌ها در سراسر جهان در دسترس است [ ۱۲۵ ]، در کار قبلی [ ۹ ]، ما بر اساس ارزیابی تجربی از استفاده از بیش از ۱۶۰۰۰۰ مجموعه داده های جغرافیایی متعلق به شش پورتال ملی و بین المللی داده های دولت باز (OGD)، که این داده ها به شدت مورد استفاده قرار نمی گیرند.

داده‌ها و ارائه‌دهندگان خدمات، مانند کاربران میانی ، که داده‌های ماهواره‌ای را پردازش می‌کنند و آن‌ها را به محصولات اطلاعات جغرافیایی تبدیل می‌کنند (به بخش ۲ مراجعه کنید )، و نهادهای عمومی که منابع ارجاع‌شده جغرافیایی را از طریق پورتال‌های OGD منتشر می‌کنند، باید بتوانند علل اساسی را درک کنند. استفاده کم از داده، قادر به اجرای اقدامات متقابل موثر است.

در میان موانع اصلی که مانع موفقیت طرح‌های Open Data می‌شود، کیفیت اطلاعات پایین مجموعه داده‌های ابرداده اغلب ذکر می‌شود [ ۶ ]. وجود ابرداده خوب، توصیه شده در میان دیگران توسط کنسرسیوم وب جهانی (W3C) داده ها در مورد بهترین شیوه های وب (DWBP) ( https://www.w3.org/TR/dwbp/ ، مشاهده شده در ۱۰ نوامبر ۲۰۲۱) کار می کند گروه و با اصول یافتن، دسترسی، قابلیت همکاری، و قابلیت استفاده مجدد (FAIR) [ ۱۲۶ ]، برای کمک به «کاربران انسانی و برنامه‌های رایانه‌ای» در درک «داده‌ها و همچنین سایر جنبه‌های مهمی که یک مجموعه داده یا یک توزیع را توصیف می‌کنند» ضروری است. بهترین روش DWBP 1: ارائه ابرداده ).

با استفاده از ابرداده، کاربران می‌توانند پورتال‌های OGD را با جستجوی کلمه کلیدی و ویژگی‌هایی مانند دسته موضوع، انواع داده‌ها، قالب و مجوز فیلتر کنند تا مجموعه داده‌های نزدیک به نیازهای خود را پیدا کرده و به آنها دسترسی پیدا کنند. برای اینکه ناشران بتوانند مجموعه داده‌ها و سرویس‌های داده را به‌طور کافی توصیف کنند، گروه کاری تبادل مجموعه داده‌های W3C آخرین ویرایش واژگان فهرست داده (DCAT) را توسعه داده است ( https://www.w3.org/TR/vocab-dcat-2/ ) در ۱۰ نوامبر ۲۰۲۱)، ارائه یک مدل استاندارد و واژگان چارچوب شرح منابع (RDF)، برای تسهیل مصرف و تجمیع فراداده ها و افزایش قابلیت کشف مجموعه داده ها و خدمات داده (به عنوان مثال، “مجموعه ای از عملیات یا API، که ارائه می کند. دسترسی به داده ها”).

فراداده با کیفیت خوب همچنین باید به ارائه دهندگان داده اجازه دهد تا منشأ (یعنی تاریخچه یا اصل و نسب) مجموعه داده ها را توصیف کنند ( بهترین روش DWBP 5: “اطلاعات منشأ داده را ارائه دهید” ) و کیفیت آنها ( بهترین روش DWBP 6: ارائه اطلاعات کیفیت داده ها ) . گروه کاری W3C Provenance Provenance را به عنوان «اطلاعاتی در مورد نهادها، فعالیت‌ها و افرادی که در تولید یک داده یا چیز دخیل هستند، تعریف می‌کند که می‌تواند برای ارزیابی کیفیت، قابلیت اطمینان و قابل اعتماد بودن آن استفاده شود».

استفاده از ابرداده منشأ نیز توسط زیر اصل R1.2 FAIR توصیه می‌شود: «داده‌های (متا) با منشأ آنها مرتبط هستند». بر این اساس، برای برآورده کردن شیوه‌های DWBP پنج و شش، DCAT «جزئیاتی را برای روش‌های نمایش منشأ و کیفیت مجموعه داده‌ها» ارائه می‌کند. در مورد اول، DCAT استفاده از هستی‌شناسی منشأ W3C (PROV-O) ( https://www.w3.org/TR/prov-o ، دسترسی به ۱۰ نوامبر ۲۰۲۱) را در مورد دوم برای استفاده از کیفیت داده W3C پیشنهاد می‌کند. Vocabulary (DQV) ( https://www.w3.org/TR/vocab-dqv/ ، دسترسی به ۱۰ نوامبر ۲۰۲۱).

در کار قبلی خود، ما پذیرش این دو فناوری را با ارائه ابرداده مطابق با W3C برای مستندسازی ارزیابی کیفیت مجموعه‌ای از واژگان کنترل‌شده دولت الکترونیک [ ۱۲۷ ] و شرح منشأ مجموعه‌ای از مجموعه داده‌های هیدروگرافیک [ ۷۹ ] مثال زدیم.

برای ارزیابی عادلانه بودن منابع خود، ارائه دهندگان داده می توانند از چارچوب طراحی شده توسط Wilkinson و همکاران بهره مند شوند. [ ۱۲۸ ] و توسط «ارزش دهنده عادلانه» ( https://fairsharing.github.io/FAIR-Evaluator-FrontEnd ، دسترسی به ۱۰ نوامبر ۲۰۲۱) ابزاری که آنها پیاده سازی کردند، که مجموعه ای از معیارها را برای آزمایش انطباق یک وب ارائه می کند. منبع با آن اصول این ابزار “۲۲ تست شاخص بلوغ” را اجرا می کند، که به ترتیب توسط چهار اصل در هشت (قابل یافتن)، پنج (قابل دسترسی)، هفت (قابل استفاده مجدد)، و دو (قابل استفاده مجدد) گروه بندی شده اند.

با ارائه شناسه منحصر به فرد جهانی (GUID) یک منبع (به عنوان مثال، URI یک مجموعه داده منتشر شده) به ابزار، یک ارائه دهنده داده گزارش ارزیابی را دریافت می کند که موفقیت ها و شکست های منبع را برای هر یک از ۲۲ معیار خلاصه می کند.

۶٫ نتیجه گیری

برنامه کوپرنیک با حفظ حفاظت، حفاظت و افزایش سرمایه طبیعی اتحادیه اروپا، سهم اصلی را در قرارداد سبز اروپا ایفا می کند. در دسترس بودن داده‌های باز کوپرنیک و ادغام آن با سایر داده‌های مکانی، افق‌های جدیدی را به روی صنعت کاربردهای ماهواره‌ای پایین‌دستی می‌گشاید و در عین حال از تلاش‌های جامعه اروپایی برای رسیدگی به چالش‌های فزاینده پایداری محیط‌زیست و آب و هوا حمایت می‌کند.

برای تحقق این امر، لازم است آگاهی کاربران نهایی در مورد فرصت‌های واقعی ارائه شده توسط اکوسیستم کوپرنیک بهبود یابد و گسترش شایستگی‌ها و مهارت‌های عملی برای استفاده از آن در بخش‌های مختلف کاربران زمین تقویت شود. در تعقیب این دو هدف، فعالیت‌های پروژه EO-UPTAKE، که در اینجا خلاصه کردیم، مجموعه‌ای از اقدامات را برجسته می‌کند که به نظر ما برای به اشتراک گذاشتن آن با کسانی که می‌خواهند اجرای سناریوهای کاربردی ساده مبتنی بر کوپرنیک را آغاز کنند، راحت است.

این مقاله سهم دوگانه ای را ارائه می دهد. ابتدا، برای اینکه نشان دهیم کاربران نهایی چگونه می توانند از اکوسیستم کوپرنیک برای توسعه کاربردهای کاربردی فوری بهره ببرند، چهار سناریوی کاربردی را بر اساس یک طرح گردش کار مبتنی بر نگهبان، در چهار بخش کاربری معرفی کردیم: مدیریت بلایای طبیعی، کشاورزی، جنگلداری و نظارت شهری. برای هر سناریو، یک چارچوب مرجع ارائه کردیم که اهداف کلی را مشخص می‌کند، اهداف خاص را در رابطه با یک حوزه مطالعه به خوبی تعریف شده ارائه می‌کند و برای هر مرحله از گردش کار جزئیات، چه داده‌ها، چه ابزارها و چه اقداماتی را برای به دست آوردن انتظارات انجام دادیم. نتایج.

این مثال‌ها می‌توانند انگیزه و راهنمایی برای کاربران نهایی، به‌ویژه آن‌هایی که مهارت‌های اولیه فناوری اطلاعات و RS دارند، در رابطه با امکان‌سنجی و تکرار سناریوهای مشابه در زمینه‌های خاص آن‌ها یا برای توسعه برنامه‌های RS در سایر بخش‌های کاربر، مانند مواردی که در کارهای مرتبط.

سهم دوم ما به صورت مجموعه ای از توصیه ها به کاربران نهایی و توصیه هایی به ارائه دهندگان داده در مورد استفاده آگاهانه از منابع کوپرنیک و ارائه محصولات مکانی است که ما با اعمال، مشکلات و گزینه های پیاده سازی به دست آمده از چهار برنامه کاربردی در نظر گرفته ایم. سناریوها، از تجزیه و تحلیل ادبیات و تجربه ما در استفاده و انتشار مجموعه داده های جغرافیایی OD.

برای تقویت بیشتر آگاهی کاربران نهایی در مورد فرصت های ارائه شده توسط کوپرنیک و در مورد امکانات واقعی ایجاد تجزیه و تحلیل آنها از منابعی که ارائه می دهد، ابتدا تأکید کردیم که توسعه یک برنامه EO از کاربر می خواهد که مناسب ترین را با دقت انتخاب کند. منابع مختلف RS به طور بالقوه در دسترس ( نیازهای خود را بشناسید ) در حالی که وسعت مکانی و زمانی رویداد مورد مطالعه و معاوضه های احتمالی را نیز در نظر داشته باشید ( مهم اندازه ).

ما اهمیت تجزیه و تحلیل جنبه‌های خاص کار و هرگونه انتقادی در سناریوی برنامه و AOI آن و اقدامات متعاقب آن را برای کاربران نشان دادیم ( کارهای درست را انجام دهید ). ما همچنین بر فرصت جمع‌آوری توالی‌های تصویری از همان AOI برای ایجاد سری‌های زمانی که برای نظارت بر تغییرات پدیده‌های زمینی در مقیاس‌های زمانی مختلف ( به یک داستان ) و اثربخشی ادغام منابع اطلاعاتی کوپرنیک با داده‌های دیگر مفید هستند، تأکید کردیم. منابع چه در محل، از مدل‌ها یا از پورتال‌های جغرافیایی باز برای تعمیق مطالعه چندین سناریو کاربردی ( مخلوط و مطابقت ).

آخرین اما نه کم‌اهمیت، کاربر باید بداند که نرم‌افزارها و ابزارهای سخت‌افزاری با دسترسی باز یا تجاری زیادی وجود دارد که می‌توانند بر اساس سطح مهارت‌های فناوری اطلاعات، میزان دانش در مدیریت داده‌های مکانی، زیرساخت‌های فناوری اطلاعات موجود، از بین آنها انتخاب کنند. ، و به وضوح، امور مالی آنها ( خودت را بشناس ).

با توجه به داده‌ها و ارائه‌دهندگان خدمات، برای مقابله با دلایل زمینه‌ای استفاده کم از داده و توانایی اجرای اقدامات متقابل مؤثر برای پشتیبانی بهتر از کاربران برای یافتن، دسترسی و ترکیب این داده‌ها با منابع کوپرنیک، ما این نکته را از جمله موانعی که مانع موفقیت می‌شوند، بیان کردیم. از ابتکارات Open Data، کیفیت پایین ابرداده مجموعه داده است.

برای بهبود کیفیت ابرداده و در نتیجه افزایش استفاده از داده‌ها، به ارائه‌دهندگان داده توصیه کردیم که مجموعه‌ای از روش‌ها و توصیه‌ها را اتخاذ کنند، مانند موارد ارائه شده توسط W3C و اصول FAIR، که بر اهمیت گنجاندن اطلاعات در مورد منشأ مجموعه‌های داده تأکید می‌کند. و کیفیت آنها در فراداده، با استفاده از واژگان استاندارد، مانند DCAT، PROV، و DQV. در نهایت، ما مرجعی به ابزار “ارزیابی کننده FAIR” ارائه کردیم که به ارائه دهندگان داده در تأیید انطباق داده های خود با اصول FAIR کمک می کند.

برای کارهای آینده قصد داریم در دو جهت حرکت کنیم. از یک سو، اراده تکمیل تصویر دو AS، یعنی AS2 و AS3، برای ادغام با سایر منابع داده وجود دارد. در مورد اول، ما پیش‌بینی می‌کنیم که نقشه‌های NDVI تولید شده از طریق مشاهدات گرفته شده توسط ناوگانی از پهپادها که به حسگرهایی برای تجزیه و تحلیل درخت‌های انگور بین ردیف‌ها مجهز شده‌اند و همچنین گسترش مطالعه به AOI لیگوریایی دیگر اما با ردیف‌هایی که در مکان‌های غیرقابل دسترس قرار دارند، گسترش دهیم. و مناطق کوهستانی

در مورد AS3، ایده ادغام نقشه NDVI با داده های با وضوح فضایی بالا است که از طریق نمونه برداری زیست توده در محل، در نزدیکی یک “مالگا” (به عنوان مثال، کلبه کوهستانی) در پارک Paneveggio، برای کالیبراسیون بیشتر اطلاعات جمع آوری شده است. سنجش از دور از طریق جمع آوری داده های حقیقت زمینی

از طرفی قصد داریم اجرای دو AS دیگر را نیز به پایان برسانیم که بررسی آنها را آغاز کرده ایم. یکی مربوط به شناسایی مناطق شیبدار در معرض خطر زمین لغزش ناشی از وجود نشت آب از تاسیسات زیرزمینی است. هدف دیگر ارزیابی انتشار گازهای دفن زباله و تحکیم شیب است.

این افزونه‌ها و تکمیل‌ها به گسترش دامنه سناریوهای کاربردی اجازه می‌دهد، بنابراین، تصویر جامع‌تری از فرصت‌های ارائه شده توسط کوپرنیک به کاربران نهایی ارائه می‌دهد. در واقع، این پروژه در ابتدا این توسعه‌های ASs را با مشارکت مستقیم شرکا برنامه‌ریزی کرد. با این حال، اجرای واقعی آنها به دلیل اپیدمی COVID-19 با مشکل مواجه شده و از آن جلوگیری شده است.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

AOI	منطقه مورد علاقه
مانند	سناریوی کاربردی
دوربین های عکاسی	سرویس نظارت بر جو کوپرنیک
CEMS	خدمات مدیریت اضطراری کوپرنیک
CLMS	خدمات مانیتورینگ زمین کوپرنیک
CMEMS	خدمات دریایی کوپرنیک
CSS	سرویس امنیتی کوپرنیک
C3S	خدمات تغییر اقلیم کوپرنیک
DCAT	واژگان کاتالوگ داده
DIAS	خدمات دسترسی به داده و اطلاعات
DQV	واژگان کیفیت داده W3C
DWBP	بهترین روش‌های داده‌های W3C در وب
منطقه اقتصادی اروپا	آژانس اروپا برای محیط زیست
EC	کمیسیون اروپایی
ECMWF	مرکز اروپا برای پیش بینی آب و هوای متوسط
EGD	قرارداد سبز اروپا
EO	رصد زمین
ESA	آژانس فضایی اروپا
EUMETSAT	سازمان اروپایی برای بهره برداری از ماهواره های هواشناسی
نمایشگاه	قابل یافتن، در دسترس، قابل همکاری، قابل استفاده مجدد
GUID	شناسه منحصر به فرد جهانی
دست	ارتفاع بالاتر از نزدیکترین الگوریتم زهکشی
فناوری اطلاعات و ارتباطات	فناوری اطلاعات و ارتباطات
آی تی	فناوری اطلاعات
INPE	Instituto Nacional de Pesquisas Espaciais
L0	داده های سطح ۰

L1	داده های سطح ۱
L2	داده های سطح ۲
LST	دمای سطح زمین
LTA	آرشیو بلند مدت
MSI	تصاویر چند طیفی HR
MTG-S	اسپکترومتر در صدای ساز نسل سوم Meteosat
ناسا	سازمان ملی هوانوردی و فضایی
NDVI	شاخص گیاهی تفاوت عادی شده
OGC	کنسرسیوم فضایی باز
OLCI	ابزار رنگی اقیانوس و زمین
OGD	باز کردن اطلاعات دولتی
PROV-O	هستی شناسی منشأ W3C
RDF	چارچوب شرح منابع
RS	سنجش از دور
روسیه	تحقیق و پشتیبانی کاربر
بی خطر	فرمت استاندارد آرشیو برای اروپا
SAR	رادار دیافراگم مصنوعی
SMEs	سازمانهای کوچک و متوسط
ضربه محکم و ناگهانی	پلتفرم کاربردی Sentinel
SRTM-DEM	ماموریت توپوگرافی رادار شاتل – مدل ارتفاعی دیجیتال
SST	دمای سطحی دریا
SUHI ها	جزایر حرارتی سطحی
SLSTR	رادیومتر دمای دریا سطح زمین
تروپومی	ابزار نظارت TROPOspheric
UHI ها	جزایر گرمای شهری
UVN	فرابنفش-مرئی-نزدیک-مادون قرمز
VAS	خدمات ارزش افزوده
W3C	کنسرسیوم وب جهانی

منابع

منطقه اقتصادی اروپا محیط زیست اروپا – وضعیت و چشم انداز ۲۰۲۰: دانش برای گذار به اروپای پایدار. ۲۰۱۹٫ در دسترس آنلاین: https://www.eea.europa.eu/soer/publications/soer-2020 (در ۱۰ نوامبر ۲۰۲۱ قابل دسترسی است).
EC قرارداد سبز اروپا آخرین نسخه. ۲۰۱۹٫ در دسترس آنلاین: https://ec.europa.eu/info/sites/default/files/european-green-deal-communication_en.pdf (دسترسی در ۱۰ نوامبر ۲۰۲۱).
EC برنامه اقدام محیط زیست عمومی اتحادیه تا ۲۰۳۰ ۲۰۲۰٫ در دسترس آنلاین: https://ec.europa.eu/environment/pdf/8EAP/2020/10/8EAP-draft.pdf (در ۱۰ نوامبر ۲۰۲۱ قابل دسترسی است).
اداره کل اتحادیه اروپا برای بازار داخلی، صنعت، کارآفرینی و SMEs. استراتژی فضایی برای اروپا ۲۰۱۶٫ در دسترس آنلاین: https://eur-lex.europa.eu/legal-content/EN/TXT/HTML/?uri=CELEX:52016DC0705&from=EN (دسترسی در ۱۰ نوامبر ۲۰۲۱).
EC تقویت جذب کوپرنیک و کاربردهای فضایی. ۲۰۱۷٫ موجود به صورت آنلاین: www.copernicus.eu/sites/default/files/Fostering_the_uptake_of_Copernicus_and_Space_applications_July2017.pdf (در ۱۰ نوامبر ۲۰۲۱ قابل دسترسی است).
Quarati، A. داده های دولت باز: روند استفاده و کیفیت فراداده. J. Inf. علمی ۲۰۲۱ ، ۱-۲۴٫ [ Google Scholar ] [ CrossRef ]
کواراتی، ع. د مارتینو، ام. استفاده از داده های دولتی باز: مروری کوتاه. در مجموعه مقالات بیست و سومین سمپوزیوم مهندسی و برنامه های کاربردی پایگاه داده بین المللی، IDEAS 2019، آتن، یونان، ۱۰ تا ۱۲ ژوئن ۲۰۱۹؛ ACM: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۹؛ صص ۱-۸٫ [ Google Scholar ] [ CrossRef ]
کواراتی، ع. رافاقلی، JE آیا محققان از داده های تحقیقات باز استفاده می کنند؟ بررسی روابط بین روند استفاده و کیفیت ابرداده در رشته‌های علمی از مورد Figshare. J. Inf. علمی ۲۰۲۰ ، ۱–۲۶٫ [ Google Scholar ] [ CrossRef ]
کواراتی، ع. دی مارتینو، M. استفاده از داده های باز جغرافیایی و کیفیت فراداده. ISPRS Int. J. -Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۳۰٫ [ Google Scholar ] [ CrossRef ]
شوال، اس. میکو، دی. دومیترسکو، آ. ایریمسکو، آ. فریگنسیو، م. آیوجا، سی. Tadose، NC; داویدسکو، اس. آنتونسکو، ب. منابع داده های هواشناسی و کمکی برای تحقیقات آب و هوا در مناطق شهری. آب و هوا ۲۰۲۰ ، ۸ ، ۳۷٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لاکاوا، تی. پاپالیا، LB; Paradiso, IF; پروتو، م. آلاچیق، N. در مورد موانع محدود کننده پذیرش داده ها و خدمات کوپرنیک رصد زمین و ادغام آنها با مشاهدات غیر متعارف (به عنوان مثال، شهروندان): مشارکت پروژه CoRdiNet اتحادیه اروپا. در مجموعه مقالات بیست و دومین مجمع عمومی EGU، آنلاین، ۴ تا ۸ مه ۲۰۲۰٫ [ Google Scholar ] [ CrossRef ]
منطقه اقتصادی اروپا استراتژی EEA-Eionet 2021-2030. آخرین نسخه. ۲۰۲۱٫ در دسترس آنلاین: https://www.eea.europa.eu/publications/eea-eionet-strategy-2021-2030 (در ۱۰ نوامبر ۲۰۲۱ قابل دسترسی است). [ CrossRef ]
PWC. ارزیابی مزایای قبلی کوپرنیک، گزارش نهایی. ۲۰۱۷٫ در دسترس آنلاین: https://www.copernicus.eu/sites/default/files/2018-10/Copernicus-Ex-Ante-Final-Report_0_0.pdf (دسترسی در ۱۰ نوامبر ۲۰۲۱).
PWC. گزارش بازار کوپرنیک ۲۰۱۹٫ در دسترس آنلاین: https://www.copernicus.eu/sites/default/files/PwC_Copernicus_Market_Report_2019.pdf (در ۱۰ نوامبر ۲۰۲۱ قابل دسترسی است).
PWC. مطالعه برای بررسی تأثیر اجتماعی و اقتصادی کوپرنیک در اتحادیه اروپا: گزارش در مورد بخش پایین دستی کوپرنیک و مزایای کاربر . ۲۰۱۶٫ در دسترس آنلاین: https://www.copernicus.eu/sites/default/files/2018-10/Copernicus_Report_Downstream_Sector_October_2016_0.pdf (دسترسی در ۱۰ نوامبر ۲۰۲۱).
EC اداره کل بازار داخلی، صنعت، کارآفرینی و SMEs. جذب کاربر کوپرنیک تعامل با مقامات دولتی، بخش خصوصی و جامعه مدنی: نسخه نهایی. دفتر انتشارات، ۲۰۱۶٫ در دسترس آنلاین: https://data.europa.eu/doi/10.2873/927715 (دسترسی در ۱۰ نوامبر ۲۰۲۱). [ CrossRef ]
زیل، پ. اوروویچ، اس. دبین، ا. Pico، U. Copernicus User Uptake—Copernicus Relays and Copernicus Academy. GI Forum-J. Geogr. Inf. علمی ۲۰۱۷ ، ۱ ، ۲۵۳-۲۵۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آپیسلا، ال. کواراتی، ع. گورنی، س. مولینا، ر. د مارتینو، ام. کوپرنیک جذب کاربران: مروری بر کاربردهای پایین دست. در ژئوماتیک و فناوری های ژئومکانیکی ; Borgogno-Mondino, E., Zamperlin, P., Eds. Springer International Publishing: Cham, Switzerland, 2022; صص ۳-۱۴٫ [ Google Scholar ]
مایر، جی. ماوزر، دبلیو. هنک، تی. باخ، اچ. ارزیابی تأثیر اندازه پیکسل سنسور با وضوح بالا برای سیاست مشترک کشاورزی و خدمات کشاورزی هوشمند در مناطق اروپایی. محاسبه کنید. الکترون. کشاورزی ۲۰۲۰ , ۱۶۹ , ۱۰۵۲۰۵٫ [ Google Scholar ] [ CrossRef ]
لیلینتال، اچ. گریگاوزن، اچ. Schnug، E. اطلاعات سنجش از دور کشاورزی برای کشاورزان در آلمان. در مجموعه مقالات چهاردهمین کنفرانس بین المللی کشاورزی دقیق، مونترال، QC، کانادا، ۲۴ تا ۲۷ ژوئن ۲۰۱۸٫ [ Google Scholar ]
درست، اس. ریکه، ام. جیرکا، س. فوگت، ا. Kirstein، VR؛ Lichtenplatzerstraße، U.; Wytzisk، A. یک معماری رویداد محور بر اساس داده های ماهواره ای کوپرنیک برای نظارت بر آب. در مجموعه مقالات AGILE 2019، لیماسول، قبرس، ۱۷ تا ۲۰ ژوئن ۲۰۱۹٫ [ Google Scholar ]
پولویرنتی، ال. اسکوئیارینو، جی. سنسی، ال. بونی، جی. پیردیکا، ن. چینی، م. ورساچه، سی. Campanella، P. خدمات نقشه برداری رطوبت خاک سطحی در مقیاس ملی (ایتالیایی) بر اساس داده های Sentinel-1. محیط زیست مدل. نرم افزار ۲۰۱۸ ، ۱۰۲ ، ۱۳-۲۸٫ [ Google Scholar ] [ CrossRef ]
ولانین، ا. کمپز-والز، جی. گومز-چوا، ال. متئو گارسیا، جی. ون در تول، سی. ژانگ، ی. Guanter، L. برآورد بهره وری اولیه محصول با Sentinel-2 و Landsat 8 با استفاده از روش های یادگیری ماشین آموزش دیده با شبیه سازی انتقال تشعشعی. سنسور از راه دور محیط. ۲۰۱۹ ، ۲۲۵ ، ۴۴۱-۴۵۷٫ [ Google Scholar ] [ CrossRef ]
وولو، اف. نوویرث، ام. ایمیتزر، ام. آتزبرگر، سی. Ng، WT داده های چند زمانی Sentinel-2 چقدر طبقه بندی نوع محصول را بهبود می بخشد؟ بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۸ ، ۷۲ ، ۱۲۲-۱۳۰٫ [ Google Scholar ] [ CrossRef ]
پلتیه، سی. والرو، اس. اینگلادا، جی. قهرمان، ن. ددیو، جی. ارزیابی استحکام جنگل‌های تصادفی برای نقشه‌برداری از پوشش زمین با سری‌های زمانی تصاویر ماهواره‌ای با وضوح بالا در مناطق بزرگ. سنسور از راه دور محیط. ۲۰۱۶ ، ۱۸۷ ، ۱۵۶-۱۶۸٫ [ Google Scholar ] [ CrossRef ]
بورگوگنو-موندینو، ای. د پالما، ال. Novello, V. بررسی کارایی تصاویر چندطیفی Sentinel 2 در توصیف پاسخ طیفی تاکستان های پوشیده شده با ورق های پلاستیکی. Agronomy ۲۰۲۰ , ۱۰ , ۱۹۰۹٫ [ Google Scholar ] [ CrossRef ]
لی، ز. چن، اچ. سفید، JC; Wulder، MA; Hermosilla، T. تمایز تالاب های درختی و غیر درختی در اکوسیستم های شمالی با استفاده از داده های سری زمانی Sentinel-1. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۲۰ ، ۸۵ ، ۱-۱۷٫ [ Google Scholar ] [ CrossRef ]
Tavares، PA; بلترائو، NES؛ گیماراس، ایالات متحده؛ تئودورو، ادغام AC Sentinel-1 و Sentinel-2 برای طبقه بندی و نقشه برداری LULC در منطقه شهری بلم، آمازون شرقی برزیل. Sensors ۲۰۱۹ , ۱۹ , ۱۱۴۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
Ottosen، TB; پچ، جی. هانسون، ام. نقشه برداری پوشش درخت Skjøth، CA بر اساس تصاویر Sentinel-2 دقت موضوعی بالایی را در اروپا نشان می دهد. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۲۰ , ۸۴ , ۱۰۱۹۴۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Pałaś، KW; Zawadzki، J. Sentinel-2 پردازش تصاویر برای مشاهدات درختکاری در سایت میراث جهانی جنگل Białowieza. Forests ۲۰۲۰ , ۱۱ , ۸۵۷٫ [ Google Scholar ] [ CrossRef ]
فونسکا، آ. Ugille، JP; میچز، ا. رودریگز-گونزالس، PM; دوارته، جی. فریرا، MT; فرناندز، MR ارزیابی اتصال جنگل‌های ساحلی در یک گرادیان اختلال انسانی: پتانسیل “مناطق ساحلی” کوپرنیک در دو منطقه آبی. Forests ۲۰۲۱ , ۱۲ , ۶۷۴٫ [ Google Scholar ] [ CrossRef ]
ماسون، وی. هلدنز، دبلیو. بوچر، ای. بونهوم، ام. بوچر، بی. برمیستر، سی. دی مانک، سی. اش، تی. هیدالگو، جی. کنانی-سورینگ، اف. و همکاران داده های ورودی توصیفی شهر برای مدل های آب و هوای شهری: الزامات مدل، منابع داده و چالش ها آب و هوای شهری ۲۰۲۰ ، ۳۱ ، ۱۰۰۵۳۶٫ [ Google Scholar ] [ CrossRef ]
ژو، دی. شیائو، جی. بونافونی، س. برگر، سی. دیلمی، ک. ژو، ی. فرلکینگ، اس. یائو، آر. کیائو، ز. Sobrino، JA ماهواره ای سنجش از دور جزایر حرارتی شهری سطحی: پیشرفت، چالش ها و چشم اندازها. Remote Sens. ۲۰۱۹ ، ۱۱ ، ۴۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
شومیلو، ال. کوسول، ن. شلستوف، آ. کورسونسکا، ی. Yailymov، B. Sentinel-3 جزیره گرمایی شهری نظارت و تجزیه و تحلیل برای کیف بر اساس داده های برداری. در مجموعه مقالات دهمین کنفرانس بین‌المللی ۲۰۱۹ در مورد سیستم‌ها، خدمات و فناوری‌های قابل اعتماد (DESSERT)، لیدز، بریتانیا، ۲ تا ۷ ژوئن ۲۰۱۹؛ صص ۱۳۱-۱۳۵٫ [ Google Scholar ] [ CrossRef ]
سوبرینو، جی. Irakulis، I. روشی برای مقایسه جزیره حرارتی شهری سطحی در تجمعات شهری منتخب در سراسر جهان از داده‌های Sentinel-3 SLSTR. Remote Sens. ۲۰۲۰ ، ۱۲ ، ۲۰۵۲٫ [ Google Scholar ] [ CrossRef ]
هیدالگو گارسیا، دی. Arco Díaz، J. مدلسازی جزیره گرمای شهری در مناطق آب و هوایی محلی یک شهر با استفاده از تصاویر Sentinel 3: عوامل تعیین کننده شهری. اقلیم شهری. ۲۰۲۱ ، ۳۷ ، ۱۰۰۸۴۰٫ [ Google Scholar ] [ CrossRef ]
لوفور، آ. سانییر، سی. کورپتی، تی. نظارت بر مناطق شهری با داده های Sentinel-2A: کاربرد برای به روز رسانی درجه نفوذناپذیری لایه با وضوح بالا کوپرنیک. Remote Sens. ۲۰۱۶ ، ۸ ، ۶۰۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
شرستا، بی. استفان، اچ. احمد، S. نقشه برداری سطوح نفوذ ناپذیر در مقیاس شهر با ادغام داده های رادار و نوری از طریق یک طبقه بندی جنگل تصادفی. Remote Sens. ۲۰۲۱ , ۱۳ , ۴۰٫ [ Google Scholar ] [ CrossRef ]
استانوا، جی. بهرنز، ا. گایر، جی. Aouf، L. هم افزایی بین محصولات CMEMS و داده های جدید در دسترس از SENTINEL. جی. اوپر. اقیانوسگر. ۲۰۱۹ ، ۱۲ ، S1–S123. [ Google Scholar ] [ CrossRef ]
بنسوسان، ن. سبرین، ای. دومینیسی، جی.ام. کرستینگ، DK; کیپسون، اس. کیزیلکایا، ز. اوکانا، او. پیراش، ام. زوبرر، اف. لدوکس، جی بی. و همکاران استفاده از CMEMS و شبکه نگهبان مناطق حفاظت شده دریایی مدیترانه برای ردیابی اثرات گرمایش اقیانوس ها در مناطق ساحلی. جی. اوپر. اقیانوسگر. ۲۰۱۹ ، ۱۲ ، S1–S123. در دسترس آنلاین: http://hdl.handle.net/10261/201832 (در ۱۰ نوامبر ۲۰۲۱ قابل دسترسی است).
ون درزنده، دی. الولد، م. لوین، اچ. گوهین، ف. پاردو، اس. تیلستون، جی. بلاو، ا. مارکاگر، اس. Enserink، L. برنامه مانیتورینگ مشترک EUtrophication از دریای شمال با استفاده از داده های ماهواره ای مورد کاربر. جی. اوپر. اقیانوسگر. ۲۰۱۹ ، ۱۲ ، S56–S61. [ Google Scholar ]
پورسانیدیس، د. تراگانوس، دی. راینارتز، پی. Chrysoulakis، N. در مورد استفاده از Sentinel-2 برای نقشه برداری زیستگاه ساحلی و تخمین عمق سنجی به دست آمده از ماهواره با استفاده از باند آئروسل ساحلی کوچک شده. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۹ ، ۸۰ ، ۵۸-۷۰٫ [ Google Scholar ] [ CrossRef ]
مینت، پی. Alvera-Azcárate، A. چین، تی. کورلت، جی. جنتمن، سی. کاراگالی، آی. لی، ایکس. مارسوین، ا. مارولو، اس. ماتوری، ای. و همکاران نیم قرن سنجش از دور ماهواره ای دمای سطح دریا. سنسور از راه دور محیط. ۲۰۱۹ ، ۲۳۳ ، ۱۱۱۳۶۶٫ [ Google Scholar ] [ CrossRef ]
مورین، اس. آبگ، بی. دمیر اوغلو، OC; پونز، ام. وبر، اف. هاپلر، AA; فرانسوا، اچ. جورج، ای. Soubeyroux, JM; ساماکوئیتس، آر. و همکاران مؤلفه کوه خدمات اطلاعات بخش C3S – گردشگری اروپا: به سوی تجزیه و تحلیل پاناروپایی و پیش بینی شرایط برف طبیعی و مدیریت شده. در مجموعه مقالات کارگاه بین المللی علوم برف، اینسبروک، اتریش، ۷ تا ۱۲ اکتبر ۲۰۱۸٫ [ Google Scholar ] [ CrossRef ]
الفادا، ع. رحمان، س. Pipattanasomporn، M. پیش‌بینی تابش خورشیدی با استفاده از اندازه‌گیری‌های ذرات معلق در هوا: یک رویکرد مبتنی بر داده. سول انرژی ۲۰۱۸ ، ۱۷۰ ، ۹۲۴–۹۳۹٫ [ Google Scholar ] [ CrossRef ]
هویجنن، وی. Wooster، MJ; Kaiser، JW; Gaveau، DL; فلمینگ، جی. پارینگتون، ام. اینس، آ. مردیارسو، دی. اصلی، بی. Van Weele, M. انتشار کربن در دریای جنوب شرقی آسیا در سال ۲۰۱۵ بزرگترین از سال ۱۹۹۷٫ Sci. ۲۰۱۶ ، ۶ ، ۲۶۸۸۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
باکلانوف، آ. گریموند، CSB؛ کارلسون، دی. تربلانچ، دی. تانگ، ایکس. بوشه، وی. لی، بی. لانگندیک، جی. کولی، RK; Hovsepyan، A. از هواشناسی شهری، تحقیقات آب و هوا و محیط زیست تا خدمات شهری یکپارچه. اقلیم شهری. ۲۰۱۸ ، ۲۳ ، ۳۳۰-۳۴۱٫ [ Google Scholar ] [ CrossRef ]
چپل، او. مونتیرو، آ. دیاس، دی. گاما، سی. پینا، ن. رودریگز، جی. فریرا، م. میراندا، A. ارزیابی و پیش‌بینی آئروسل شهری: مطالعه موردی کویمبرا. اتمس. آلودگی Res. ۲۰۲۰ ، ۱۱ ، ۱۱۵۵-۱۱۶۴٫ [ Google Scholar ] [ CrossRef ]
دی بلاس، ام. ایبانز، پ. گارسیا، جی. گومز، ام سی؛ ناوازو، م. آلونسو، ال. دورانا، ن. ایزا، ج. گانگویتی، جی. de Cámara، ES تنوع وضوح بالا تابستانی فرمالدئید جو و ترکیبات آلی فرار غیر متان در یک منطقه پس‌زمینه روستایی. علمی کل محیط. ۲۰۱۹ ، ۶۴۷ ، ۸۶۲-۸۷۷٫ [ Google Scholar ] [ CrossRef ]
اسکس، اچ. هویجنن، وی. آرولا، ا. بندیکتو، ا. بلخ اشمیت، AM; بوتک، ای. بوچر، او. بوارار، آی. چابریلات، س. کوواس، ای. و همکاران اعتبار سنجی گازهای واکنش پذیر و ذرات معلق در هوا در سیستم تحلیل و پیش بینی جهانی MACC Geosci. مدل Dev. ۲۰۱۵ ، ۸ ، ۳۵۲۳-۳۵۴۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Handwerger، AL; هوانگ، MH; فیلدینگ، ای جی. غرفه، AM; Bürgmann, R. تغییر از خشکسالی به بارندگی شدید، یک زمین لغزش پایدار را به سمت شکست فاجعه بار سوق می دهد. علمی جمهوری ۲۰۱۹ ، ۹ ، ۱-۱۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لسکو، م. پاپکو، جی. بیکن، م. Liscak، P. پایش مخاطرات طبیعی در اسلواکی با استفاده از تداخل سنجی رادار ماهواره ای. Procedia Comput. علمی ۲۰۱۸ ، ۱۳۸ ، ۳۷۴-۳۸۱٫ [ Google Scholar ] [ CrossRef ]
درویشی، م. شلوگل، آر. کوفلر، سی. کوزو، جی. روتزینگر، ام. زیهر، تی. توشی، آی. رموندینو، اف. Mejia-Aguilar، A.; تیبس، بی. و همکاران Sentinel-1 و سنسورهای زمینی برای نظارت مستمر زمین لغزش Corvara (تیرول جنوبی، ایتالیا). Remote Sens. ۲۰۱۸ ، ۱۰ ، ۱۷۸۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
رویت، ال. Lauknes، TR; کریستینسن، اچ. Strand, SM; لارسن، ی. دینامیک فصلی یک منظره منجمد دائمی، Adventdalen، Svalbard، بررسی شده توسط InSAR. سنسور از راه دور محیط. ۲۰۱۹ ، ۲۳۱ ، ۱۱۱۲۳۶٫ [ Google Scholar ] [ CrossRef ]
کارلا، تی. اینتریری، ای. رسپینی، ف. بردی، ف. فرینا، پ. فرتی، ا. کلمبو، دی. نوالی، ف. Casagli، N. دیدگاه‌های پیش‌بینی خرابی‌های شیب فاجعه‌بار از ماهواره InSAR. علمی Rep. ۲۰۱۹ , ۹ , ۱-۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دیوریز، بی. هوانگ، سی. آرمستون، جی. هوانگ، دبلیو. جونز، جی دبلیو. Lang، MW نظارت سریع و قوی رویدادهای سیل با استفاده از داده‌های Sentinel-1 و Landsat در موتور Google Earth. سنسور از راه دور محیط. ۲۰۲۰ , ۲۴۰ , ۱۱۱۶۶۴٫ [ Google Scholar ] [ CrossRef ]
ویتولو، سی. ناپولی، سی دی; جوزپه، FD; کلوک، HL; Pappenberger، F. نقشه برداری خطرات آتش سوزی و استرس گرمایی را برای بهبود تصمیم گیری مبتنی بر شواهد ترکیب کرد. محیط زیست بین المللی ۲۰۱۹ ، ۱۲۷ ، ۲۱-۳۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
الوان رومرو، ن. سیگنا، اف. Tapete، D. ERS-1/2 و Sentinel-1 SAR داده کاوی برای خطر سیل و ارزیابی خطر در لیما، پرو. Appl. علمی ۲۰۲۰ ، ۱۰ ، ۶۵۹۸٫ [ Google Scholar ] [ CrossRef ]
دوکسانی، گ. سیاچالو، س. میتراکا، ز. Patias, P. تصمیم گیری در مورد مدیریت بلایا در کشاورزی با برنامه های سنتینل. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۹ ، ۴۲ ، ۱۲۱-۱۲۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کابالرو، آی. رویز، جی. ماهواره های ناوارو، G. Sentinel-2 ارزیابی زمان واقعی سیل های فاجعه بار در غرب مدیترانه را ارائه می دهند. Water ۲۰۱۹ , ۱۱ , ۲۴۹۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
روسی، سی. Acerbo، F. یلینن، ک. جوگا، آی. نورمی، پ. بوسکا، آ. تاراسکونی، اف. کریستوفورتی، ام. Alikadic، A. تشخیص زودهنگام و استخراج اطلاعات برای سیل های ناشی از آب و هوا با استفاده از جریان های رسانه های اجتماعی. بین المللی J. کاهش خطر بلایا. ۲۰۱۸ ، ۳۰ ، ۱۴۵-۱۵۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دا کوستا، RT; مانفردا، اس. لوزی، وی. ساملا، سی. ماتزولی، پ. کاستلارین، ا. Bagli, S. یک برنامه وب برای نقشه برداری خطر سیل هیدروژئومورفیک. محیط زیست مدل. نرم افزار ۲۰۱۹ ، ۱۱۸ ، ۱۷۲-۱۸۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فیلیپونی، F. Sentinel-1 GRD گردش کار پیش پردازش. مجموعه مقالات ۲۰۱۹ ، ۱۸ ، ۱۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
بلژیک، م. Csillik، O. Sentinel-2 نگاشت زمین زراعی با استفاده از تجزیه و تحلیل تاب خوردگی زمانی پویا مبتنی بر پیکسل و شیء مبتنی بر زمان. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۰۴ ، ۵۰۹-۵۲۳٫ [ Google Scholar ] [ CrossRef ]
جولیانی، جی. مازتی، پی. سانتورو، ام. ناتیوی، س. ون بملن، جی. کولنجلی، جی. Lehmann, A. تولید دانش با استفاده از مشاهدات زمین ماهواره‌ای برای حمایت از اهداف توسعه پایدار (SDG): مورد استفاده در تخریب زمین. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۲۰ , ۸۸ , ۱۰۲۰۶۸٫ [ Google Scholar ] [ CrossRef ]
واسکو، سی. شارما، آ. ارزیابی جهانی سیل و طوفان شدید با افزایش دما. علمی ۲۰۱۷ ، ۷ ، ۱-۸ . [ Google Scholar ] [ CrossRef ]
پروکاچی، اس. برونتی، ام تی. گاریانو، اس ال. ملیلو، م. روسی، ام. Guzzetti، F. آستانه های بارش برای وقوع احتمالی زمین لغزش در ایتالیا. ژئومورفولوژی ۲۰۱۷ ، ۲۹۰ ، ۳۹-۵۷٫ [ Google Scholar ] [ CrossRef ]
براندولینی، پ. سیواسکو، آ. فیرپو، م. رابیانو، آ. Sacchini، A. مدیریت ریسک ژئو هیدرولوژیکی برای اهداف حفاظت مدنی در منطقه شهری جنوا (لیگوریا، شمال غربی ایتالیا). نات. سیستم خطرات زمین. علمی ۲۰۱۲ ، ۱۲ ، ۹۴۳-۹۵۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فاچینی، اف. رابیانو، آ. Sacchini، A. مخاطرات ژئومورفیک و بارش شدید: مطالعه موردی حوضه آبریز جریان Recco (Liguria شرقی، ایتالیا). نات. سیستم خطرات زمین. علمی ۲۰۱۲ ، ۱۲ ، ۸۹۳-۹۰۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پتاچیا، جی. لای، سی جی; میلازو، سی. Natale, L. فروریختن سد گرانشی Sella Zerbino. مهندس جئول ۲۰۱۶ ، ۲۱۱ ، ۳۹-۴۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
پتاچیا، جی. Natale، L. 1935 Sella Zerbino Dam-Break Case Revisited: A New Hydrologic and Hydraulic Analysis. جی هیدرول. مهندس ۲۰۲۰ , ۱۴۶ , ۰۵۰۲۰۰۰۵٫ [ Google Scholar ] [ CrossRef ]
سیاباتا، ال. بروکا، ال. مساری، سی. مورامارکو، تی. پوکا، اس. رینولو، ا. گابلانی، س. واگنر، دبلیو. ادغام رصدهای رطوبت خاک و باران ماهواره ای بر روی قلمرو ایتالیا. J. Hydrometeorol. ۲۰۱۵ ، ۱۶ ، ۱۳۴۱-۱۳۵۵٫ [ Google Scholar ] [ CrossRef ]
دودا، ر. هارت، پی. طبقه بندی الگو و تحلیل صحنه . Wiley: نیویورک، نیویورک، ایالات متحده آمریکا، ۱۹۷۳; جلد ۳٫ [ Google Scholar ] [ CrossRef ]
بوتنر، جی. فرانک، ج. جفرین، جی. ماری، ال. ماوچا، جی. Soukup, T. پروژه پوشش زمین CORINE 2000. EARSeL eProceedings ۲۰۰۴ , ۳ , ۳۳۱-۳۴۶٫ [ Google Scholar ]
رزیم، س. اولیویرا، JdF; Jardim، AC; Namikawa، LM; Rennó, CD TerraHidro: یک سیستم مدلسازی هیدرولوژی توزیع شده با استخراج زهکشی با کیفیت بالا. در مجموعه مقالات کنفرانس بین المللی سیستم های اطلاعات جغرافیایی پیشرفته، برنامه ها و خدمات، نیس، فرانسه، ۱ مارس ۲۰۱۳٫ جلد ۵، ص ۱۶۱-۱۶۷٫ [ Google Scholar ]
رزیم، س. Namikawa، LM; د فریتاس اولیویرا، JR; دی مارتینو، ام. Quarati، A. فراداده منشأ جریان کار برای افزایش استفاده مجدد از مجموعه داده های زهکشی آمریکای جنوبی. در مجموعه مقالات کنفرانس بین المللی ۲۰۱۸ در مورد دموکراسی الکترونیک و دولت الکترونیک (ICEDEG)، آمباتو، اکوادور، ۴ تا ۶ آوریل ۲۰۱۸؛ ص ۱۶-۲۳٫ [ Google Scholar ]
رنو، سی دی; نوبر، AD; کوارتاس، لس آنجلس؛ Soares, JV; Hodnett, MG; Tomasella، J. HAND، یک توصیفگر جدید زمین با استفاده از SRTM-DEM: نقشه‌برداری از محیط‌های جنگلی استوار در آمازون. سنسور از راه دور محیط. ۲۰۰۸ ، ۱۱۲ ، ۳۴۶۹-۳۴۸۱٫ [ Google Scholar ] [ CrossRef ]
دی مارتینو، ام. رزیم، س. Quarati، A. مجموعه داده های هیدروگرافی در پورتال های داده دولت باز: کاهش مسائل قابلیت استفاده مجدد از طریق اسناد منشأ. در کنفرانس بین المللی MTSR 2019 ؛ Springer Nature Switzerland AG: Cham، سوئیس، ۲۰۱۹؛ جلد ۱۰۵۷، ص ۳۰۷–۳۱۹٫ [ Google Scholar ] [ CrossRef ]
دی مارتینو، ام. کواراتی، ع. رزیم، س. Namikawa، LM مستندسازی محاسبه مناطق سیلابی: یک رویکرد PROV. بین المللی J. فراداده، سمنت. اونتول. ۲۰۲۱ ، ۱۵ ، ۵۰-۵۹٫ [ Google Scholar ] [ CrossRef ]
لوبیتز، بی. جانسون، ال. هلوکا، سی. آرمسترانگ، آر. Bell, C. Grapevine Remote Sensing Analysis of Phylloxera Early Stress (GRAPES): Remote Sensing Analysis Summary ; مرکز تحقیقات ایمز ناسا: Mountain View, CA, USA, 1997; صص ۱-۳۶٫ [ Google Scholar ]
هوانگ، اس. تانگ، ال. هوپی، جی پی؛ وانگ، ی. Shao, G. مروری بر استفاده از شاخص گیاهی تفاوت نرمال شده (NDVI) در عصر سنجش از دور رایج. جی. برای. Res. ۲۰۲۱ ، ۳۲ ، ۱-۶٫ [ Google Scholar ] [ CrossRef ]
سگرا، جی. Buchaillot، ML; آرائوس، جی ال. Kefauver، SC Remote Sensing for Precision Agriculture: Sentinel-2 Improved Features and Applications. Agronomy ۲۰۲۰ , ۱۰ , ۶۴۱٫ [ Google Scholar ] [ CrossRef ]
بناری، ع. مورین، دی. بن، اف. Huete، AR مروری بر شاخص های پوشش گیاهی. Remote Sens. Rev. ۱۹۹۵ , ۱۳ , ۹۵-۱۲۰٫ [ Google Scholar ] [ CrossRef ]
Meyers, JM; دوکوزلیان، ن. رایان، سی. بیونی، سی. Vanden Heuvel، JE پروتکل نمونه برداری مبتنی بر NDVI ماهواره ای برای نظارت بر بلوغ انگور. Remote Sens. ۲۰۲۰ , ۱۲ , ۱۱۵۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چرچیل، ای سی; ژانگ، اچ. فولر، کی جی. آمیجی، بی. اندرسون، آی سی; بارتون، CVM; Carrillo، Y.; کاتوندا، KLM؛ چاندرگودا، MH; ایگوناگو، سی. و همکاران مراتع و شرایط اقلیمی: اثرات گرم شدن و خشکسالی بر بهره وری و انعطاف پذیری گونه های کلیدی مرتع در یک آزمایش مزرعه ای. bioRxiv ۲۰۲۰ . [ Google Scholar ] [ CrossRef ]
فرناندو، جی. ویکتور، سی. نظارت مرتع با اعمال سری زمانی شاخص تفاوت عادی شده گیاهی (NDVI) با تصاویر Sentinel-2 و Landsat 8، برای بهبود تولید شیر در مزرعه سانتا مونیکا، ایمبابورا، اکوادور. در علوم محاسباتی و کاربردهای آن – ICCSA 2020 ؛ Gervasi, O., Murgante, B., Misra, S., Garau, C., Blečić, I., Taniar, D., Apduhan, BO, Rocha, AMAC, Tarantino, E., Torre, CM, et al. ، ویرایش. انتشارات بین المللی Springer: Cham، سوئیس، ۲۰۲۰; صص ۵۶۰-۵۷۵٫ [ Google Scholar ] [ CrossRef ]
کلارک، دی. لیترلند، آ. ماتا، جی. Burling-Claridge، R. مرتع نظارت از فضا. در مجموعه مقالات کنفرانس رویداد لبنی جزیره جنوبی (SIDE)، اینورکارگیل، نیوزلند، ۲۶-۲۸ ژوئن ۲۰۰۶٫ صص ۱۰۸-۱۲۳٫ [ Google Scholar ]
Oke, TR اساس انرژی جزیره گرمایی شهری. Meteorol QJR. Soc. ۱۹۸۲ ، ۱۰۸ ، ۱-۲۴٫ [ Google Scholar ] [ CrossRef ]
شوارتز، ن. شلینک، یو. فرانک، یو. گروسمن، ک. رابطه دمای سطح زمین و هوا و پیامدهای آن برای کمی کردن شاخص‌های جزیره گرمایی شهری – برنامه‌ای برای شهر لایپزیگ (آلمان). Ecol. اندیک. ۲۰۱۲ ، ۱۸ ، ۶۹۳-۷۰۴٫ [ Google Scholar ] [ CrossRef ]
نیکول، جی. Fung، WY; سه لام، ک. Wong، MS شهری تشخیص جزیره گرمایی با استفاده از تصاویر ماهواره ای ASTER و دمای هوا در محل. اتمس. Res. ۲۰۰۹ ، ۹۴ ، ۲۷۶-۲۸۴٫ [ Google Scholar ] [ CrossRef ]
داش، پ. Göttsche، FM; اولسن، اف اس. فیشر، اچ. تخمین دمای سطح زمین و انتشار از داده های حسگر غیرفعال: روندهای تئوری و عملی. بین المللی J. Remote Sens. ۲۰۰۲ ، ۲۳ ، ۲۵۶۳-۲۵۹۴٫ [ Google Scholar ] [ CrossRef ]
کلی، آر. گوان، اچ. وایلد، ن. بنت، جی. Vinodkumar; ایونز، سی. جزیره گرمایی شهری در شهر آدلاید، استرالیای جنوبی می‌گذرد. اقلیم شهری. ۲۰۱۶ ، ۱۷ ، ۸۹-۱۰۱٫ [ Google Scholar ] [ CrossRef ]
راوانلی، ر. ناستی، آ. Cirigliano، RV; دی ریکو، سی. لوزی، جی. مونتی، پی. کرسپی، ام. نظارت بر تأثیر تغییر پوشش زمین بر جزیره حرارتی شهری سطحی از طریق موتور Google Earth: پیشنهاد یک روش جهانی، اولین کاربردها و مشکلات. Remote Sens. ۲۰۱۸ , ۱۰ , ۱۴۸۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تران، اچ. اوچیهاما، دی. اوچی، س. Yasuoka، Y. ارزیابی با داده های ماهواره ای اثرات جزیره گرمایی شهری در شهرهای بزرگ آسیایی. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۰۶ ، ۸ ، ۳۴-۴۸٫ [ Google Scholar ] [ CrossRef ]
ژائو، ایکس. یانگ، اس. شن، اس. های، ی. Fang, Y. تجزیه و تحلیل رابطه بین جزیره گرمایی شهری و تغییرات کاربری/پوشش زمین در پکن با استفاده از تصاویر سنجش از دور. در سنجش از دور و مدل‌سازی اکوسیستم‌ها برای پایداری VI ; Gao, W., Jackson, TJ, Eds. انجمن بین المللی اپتیک و فوتونیک، SPIE: سن دیگو، کالیفرنیا، ایالات متحده آمریکا، ۲۰۰۹; جلد ۷۴۵۴، صص ۳۲۰–۳۲۹٫ [ Google Scholar ] [ CrossRef ]
ووگت، جی. Oke, T. سنجش از دور حرارتی آب و هوای شهری. سنسور از راه دور محیط. ۲۰۰۳ ، ۸۶ ، ۳۷۰-۳۸۴٫ [ Google Scholar ] [ CrossRef ]
فاچینی، اف. لوینو، اف. پالیاگا، جی. ساچینی، ا. تورکونی، ال. de Jong, C. نقش شدت بارندگی و پراکندگی شهری در سیل ناگهانی ۲۰۱۴ در حوضه آبریز شهر جنوا Bisagno (لیگوریا، ایتالیا). Appl. Geogr. ۲۰۱۸ ، ۹۸ ، ۲۲۴-۲۴۱٫ [ Google Scholar ] [ CrossRef ]
لی، اچ. ژو، ی. لی، ایکس. منگ، ال. وانگ، ایکس. وو، اس. سودودی، س. روشی جدید برای تعیین کمیت شدت جزیره حرارتی شهری سطحی. علمی کل محیط. ۲۰۱۸ ، ۶۲۴ ، ۲۶۲-۲۷۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
دانلون، سی. بروتی، بی. بوونجیورنو، آ. فریرا، MH; Féménias، P. فریک، جی. گوریل، پی. کلاین، یو. لور، اچ. ماوروکورداتوس، سی. و همکاران ماموریت نظارت جهانی برای محیط زیست و امنیت (GMES) Sentinel-3. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۲۰ ، ۳۷-۵۷٫ [ Google Scholar ] [ CrossRef ]
آپیسلا، ال. کواراتی، ع. دی مارتینو، ام. تجزیه و تحلیل اثر جزیره حرارتی شهری سطحی با داده های کوپرنیک. در مجموعه مقالات دهمین کنفرانس بین المللی، دولت الکترونیک و چشم انداز سیستم های اطلاعاتی (EGOVIS)، رویداد مجازی، ۲۷ تا ۳۰ سپتامبر ۲۰۲۱؛ صص ۶۱-۷۲٫ [ Google Scholar ] [ CrossRef ]
لو، ال. ونگ، کیو. شیائو، دی. گوا، اچ. لی، کیو. Hui، W. تغییرات فضایی و زمانی جزایر حرارتی شهری سطحی در رابطه با ترکیب و پیکربندی پوشش زمین: مطالعه موردی چند مقیاسی شیان، چین. Remote Sens. ۲۰۲۰ , ۱۲ , ۲۷۱۳٫ [ Google Scholar ] [ CrossRef ]
پونومارنکو، ام آر. Zelentsov، VA نظارت و تجزیه و تحلیل جنگل بر اساس خدمات داده های رصد زمین. IOP Conf. سر. محیط زمین. علمی ۲۰۲۱ , ۸۰۶ , ۰۱۲۰۰۳٫ [ Google Scholar ] [ CrossRef ]
والاس، جی.ام. هابز، PV Atmospheric Science: An Introductory Survey ; الزویر: سن دیگو، کالیفرنیا، ایالات متحده آمریکا، ۲۰۰۶; جلد ۹۲٫ [ Google Scholar ]
مونوز ماری، ج. بروزون، ال. Camps-Valls، G. یک رویکرد توصیف دامنه بردار پشتیبانی برای طبقه‌بندی نظارت شده تصاویر سنجش از دور. IEEE Trans. Geosci. Remote Sens. ۲۰۰۷ , ۴۵ , ۲۶۸۳–۲۶۹۲٫ [ Google Scholar ] [ CrossRef ]
Gomarasca، MA; تورناتو، ا. اسپیزیچینو، دی. والنتینی، ای. تارامللی، ع. ساتالینو، جی. وینچینی، ام. بوشتی، ام. کلمبو، آر. روسی، ال. و همکاران نگهبان برای کاربردها در کشاورزی. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۹ ، XLII-3/W6 ، ۹۱–۹۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کول، بی. اسمیت، جی. بالزتر، اچ. شتاب و تکه تکه شدن تغییرات پوشش زمین CORINE در بریتانیا از ۲۰۰۶-۲۰۱۲ توسط داده های ماهواره ای کوپرنیک IMAGE2012 شناسایی شده است. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۸ ، ۷۳ ، ۱۰۷-۱۲۲٫ [ Google Scholar ] [ CrossRef ]
مارکو، ای. هرمان، دی. شواب، ک. شوایتزر، ک. آلمنگور، آر. برنت، اف. سامر، سی. Probeck, M. بهبود موجود و توسعه محصولات نظارت بر زمین کوپرنیک در آینده – پروژه ecolass. ISPRS-Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۹ ، XLII-2/W16 ، ۲۰۱–۲۰۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پیدلوبو، ال. تارامللی، ع. شیاوون، ای. والنتینی، ای. مولینا، جی ال. ژوان، آ. گونزالس آگیلرا، دی. ارزیابی زیرساخت سبز در مناطق ساحلی با استفاده از برنامه کوپرنیک. Remote Sens. ۲۰۱۹ , ۱۱ , ۲۹۶۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ورون، جی. Bonnefond، P. اندرسن، او. آردوین، اف. برگه-نگوین، م. بوومیک، اس. بلومشتاین، دی. پسر، اف. برودو، ال. کرتو، جی اف. و همکاران ماموریت SARAL/AltiKa: گامی رو به جلو برای آینده ارتفاع سنجی. Adv. Space Res. ۲۰۲۰ ، ۶۸ ، ۸۰۸-۸۲۸٫ [ Google Scholar ] [ CrossRef ]
دونگ، جی. مترنیخت، جی. هاسترت، پ. فنشولت، آر. Chowdhury، RR سنجش از دور و فناوری‌های مکانی در حمایت از علم سیستم زمین هنجاری: وضعیت و چشم‌انداز. Curr. نظر. محیط زیست حفظ کنید. ۲۰۱۹ ، ۳۸ ، ۴۴-۵۲٫ [ Google Scholar ] [ CrossRef ]
ون هاترن، تی. سوتانتو، اس. Van Lanen، H. ارزیابی مهارت و استحکام پیش‌بینی‌های فصلی هواشناسی و خشکسالی هیدرولوژیکی در مقیاس حوضه – مورد کاتالونیا (اسپانیا). محیط زیست بین المللی ۲۰۱۹ ، ۱۳۳ ، ۱۰۵۲۰۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
گارسیا هارو، FJ; کامپوس تابرنر، م. مونوز ماری، جی. لاپارا، وی. کاماچو، اف. سانچز-زاپرو، جی. Camps-Valls، G. استخراج پارامترهای بیوفیزیکی پوشش گیاهی جهانی از سیستم قطبی EUMETSAT. ISPRS J. Photogramm. Remote Sens. ۲۰۱۸ ، ۱۳۹ ، ۵۷–۷۴٫ [ Google Scholar ] [ CrossRef ]
آدام، جی. نوتاریو، ا. کوواس، سی. لوزانو، آ. یلا، م. Saiz-Lopez، A. افزایش اخیر در سطوح NO2 در جنوب شرقی شبه جزیره ایبری. علمی کل محیط. ۲۰۱۹ ، ۶۹۳ ، ۱۳۳۵۸۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
دی جنارو، اس اف. داینلی، آر. پالیوتی، آ. توسکانو، پی. Matese، A. Sentinel-2 اعتبار سنجی برای ارزیابی تغییرپذیری فضایی در سیستم پرده انگور سربار در مقابل پهپاد و داده های زراعی. Remote Sens. ۲۰۱۹ , ۱۱ , ۲۵۷۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هوانگ، بی. وانگ، جی. آهنگ، اچ. فو، دی. Wong, K. ایجاد دمای سطح زمین با وضوح مکانی و زمانی بالا برای پایش جزیره گرمایی شهری. IEEE Geosci. سنسور از راه دور Lett. ۲۰۱۳ ، ۱۰ ، ۱۰۱۱-۱۰۱۵٫ [ Google Scholar ] [ CrossRef ]
Bonafoni، S. کاهش مقیاس لندست و MODIS دمای سطح زمین در ناحیه شهری ناهمگن میلان. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۱۶ ، ۹ ، ۲۰۱۹–۲۰۲۷٫ [ Google Scholar ] [ CrossRef ]
استاتوپولو، م. Cartalis، C. کاهش دمای سطح زمین AVHRR برای بهبود برآورد شدت جزیره حرارتی شهری سطحی. سنسور از راه دور محیط. ۲۰۰۹ ، ۱۱۳ ، ۲۵۹۲-۲۶۰۵٫ [ Google Scholar ] [ CrossRef ]
Niell, A. ارزیابی مقدماتی توابع نقشه برداری جوی بر اساس مدل های عددی آب و هوا. فیزیک شیمی. بخش زمین جامد زمین زمین. ۲۰۰۱ ، ۲۶ ، ۴۷۵-۴۸۰٫ [ Google Scholar ] [ CrossRef ]
جانسون، جی.ام. موناسینگه، دی. مژه، دی. کوهن، اس. یک ارزیابی یکپارچه از مدل ملی آب (NWM) – ارتفاع بالاتر از نزدیکترین زهکشی (دست) روش نقشه برداری سیل. نات. سیستم خطرات زمین. علمی ۲۰۱۹ ، ۱۹ ، ۲۴۰۵–۲۴۲۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جمالی، ع. نقشه‌برداری پوشش کاربری اراضی با استفاده از طبقه‌بندی‌کننده‌های پیشرفته یادگیری ماشین: مطالعه موردی شهر شیراز، ایران. علوم زمین آگاه کردن. ۲۰۲۰ ، ۱۳ ، ۱۰۱۵-۱۰۳۰٫ [ Google Scholar ] [ CrossRef ]
آپیسلا، ال. کواراتی، ع. رزیم، س. د مارتینو، ام. جذب منابع کوپرنیک توسط کاربر: مورد استفاده برای نظارت بر زمین. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE 2021 IGARSS، بروکسل، بلژیک، ۱۱ تا ۱۶ ژوئیه ۲۰۲۱؛ صص ۵۶۸۸-۵۶۹۱٫ [ Google Scholar ] [ CrossRef ]
کواراتی، ع. داگوستینو، دی. گالیزیا، ا. مانگینی، م. Clematis، A. ارائه خدمات ابری با الزامات QoS: فرصتی برای SMEهای ICT. در مجموعه مقالات کنفرانس بین المللی اقتصاد شبکه و مدل های کسب و کار، برلین، آلمان، ۲۷-۲۸ نوامبر ۲۰۱۲٫ صص ۱۹۷-۲۱۱٫ [ Google Scholar ] [ CrossRef ]
کواراتی، ع. دانوارو، ای. گالیزیا، ا. کلماتیس، ا. داگوستینو، دی. پارودی، الف. استراتژی‌های زمان‌بندی برای فعال کردن شبیه‌سازی هواشناسی بر روی ابرهای ترکیبی. جی. کامپیوتر. Appl. ریاضی. ۲۰۱۵ ، ۲۷۳ ، ۴۳۸-۴۵۱٫ [ Google Scholar ] [ CrossRef ]
یائو، ایکس. لی، جی. شیا، جی. بن، جی. کائو، کیو. ژائو، ال. ممکن است.؛ ژانگ، ال. زو، دی. فعال کردن داده‌های رصد بزرگ زمین از طریق محاسبات ابری و DGGS: فرصت‌ها و چالش‌ها. Remote Sens. ۲۰۲۰ , ۱۲ , ۶۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کوتزی، اس. ایوانووا، آی. میتاسووا، اچ. بروولی، ام. نرم افزار و داده های فضایی باز: مروری بر وضعیت فعلی و چشم اندازی به آینده. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۹۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ویلکینسون، MD؛ دومانتیه، ام. آلبرسبرگ، آی جی; اپلتون، جی. آکستون، ام. باک، ا. بلومبرگ، ن. Boiten، JW; دا سیلوا سانتوس، LB; بورن، PE; و همکاران اصول راهنمای FAIR برای مدیریت داده های علمی و مباشرت. علمی داده ۲۰۱۶ ، ۳ ، ۱۶۰۰۱۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
آلبرتونی، آر. دی مارتینو، ام. کواراتی، الف. مستندسازی کیفیت واژگان کنترل شده مبتنی بر زمینه. IEEE Trans. ظهور. بالا. محاسبه کنید. ۲۰۲۱ ، ۹ ، ۱۴۴-۱۶۰٫ [ Google Scholar ] [ CrossRef ]
ویلکینسون، MD؛ دومانتیه، ام. Sansone، SA; دا سیلوا سانتوس، LOB; پریتو، م. باتیستا، دی. مک کویلتون، پی. کوهن، تی. روکا سرا، پ. کراساس، ام. و همکاران ارزیابی بلوغ عادلانه از طریق یک چارچوب مقیاس پذیر، خودکار و تحت حاکمیت جامعه. علمی داده ۲۰۱۹ ، ۶ ، ۱-۱۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]

شکل ۱٫ جریان های کاری طرحواره شده چهار AS که داده های Sentinel مورد استفاده، اهداف پردازش، یکپارچه سازی داده ها و نمایش نتایج را برجسته می کند.

شکل ۲٫ ( الف ) نقشه پوشش زمین برای S-2 در سال ۲۰۲۰ لیگوریای غربی: دریاچه Osiglia (میدان قرمز). ( ب ) ادغام منطقه خطر سیل در پایین دست دریاچه مصنوعی Osiglia (خط قرمز) با نقشه پوشش زمین در سال ۲۰۲۰٫

شکل ۳٫ ( الف ) منطقه مورد مطالعه در رنگ های واقعی (RGB) و ( ب ) نقشه NDVI نسبی. خط قرمز مناطق در نظر گرفته شده برای کشت انگور را مشخص می کند. مقادیر NDVI بین ۰ (عدم پوشش گیاهی یا عدم پوشش گیاهی سالم) و ۱ متغیر است.

شکل ۴٫ نمایش ماهانه نقشه های درصد تغییرات Paneveggio NDVI در تابستان ۲۰۲۰٫ تصاویر از چپ به راست، به ترتیب، درصد تغییرات بین ژوئن-ژوئیه، ژوئیه- آگوست، و اوت-سپتامبر را نشان می دهند.

شکل ۵٫ نمایش ماهانه نقشه های Paneveggio NDVI در تابستان ۲۰۲۰ (تصویر RGB).

شکل ۶٫ میانگین روزانه SUHI ( a ) و شبانه ( b ) برای تابستان ۲۰۲۰ در منطقه شهری جنوا.

شکل ۷٫ نمایه فصلی روزانه (خط قرمز) و شبانه (خط آبی) SUHI برای تابستان ۲۰۲۰ در امتداد خط ساحلی مرکزی جنوا (۱ کیلومتر عرض و ۳۰ کیلومتر طول)، در رابطه با طبقات پوشش زمین شهری (خاکستری) و روستایی (سبز) (CLC_18) از همان نمایه.