Εμφάνιση απλής εγγραφής

dc.contributor.advisorΜηλιαρέσης, Γιώργος
dc.contributor.authorΝαούμης, Γεώργιος
dc.contributor.otherNaoumis, Georgios
dc.coverage.spatialΚύπροςel_GR
dc.date.accessioned2015-06-30
dc.date.accessioned2015-06-30T11:26:12Z
dc.date.available2015-06-30T11:26:12Z
dc.date.copyright2015-05
dc.date.issued2015-06-30
dc.identifier.otherΔΠΠ/2015/00026el_GR
dc.identifier.urihttp://hdl.handle.net/11128/1880
dc.descriptionΠεριέχει βιβλιογραφικές παραπομπές.el_GR
dc.description.abstractΜεταξύ των βιοφυσικών παραμέτρων, η θερμοκρασία είναι από τις πιο σημαντικές, από αυτές που χρησιμοποιούνται στην περιβαλλοντική ανάλυση/αξιολόγηση και στην περιβαλλοντική λήψη αποφάσεων. Οι βιοφυσικές καταγραφές θερμοκρασίας, πραγματοποιούνται από το καταγραφικό σύστημα MODIS. Η διαθεσιμότητα των μηνιαίων μετρήσεων θερμοκρασίας (με μέτρια χωρική ανάλυση δεδομένων), μπορεί να χρησιμοποιηθεί, για να καταγραφούν οι χωρικές και χρονικές μεταβολές της θερμοκρασίας, τόσο στην ξηρά και τη θάλασσα. Στο πλαίσιο αυτό, γίνεται χρήση μιας χρονοσειράς μέσων μηνιαίων τιμών θερμοκρασίας,, για την περιβαλλοντική μελέτη της Μεσογείου. Η Μεσόγειος, είναι σχεδόν μια κλειστή θάλασσα αφού περιβάλλεται από γη, στα βόρεια από την Ευρώπη, στα νότια από τη Βόρεια Αφρική, και στην ανατολή από την Ασιατική ήπειρο. Καλύπτει μια έκταση περίπου 2,5 εκατομμύρια km², αλλά η σύνδεση της με τον Ατλαντικό (τα Στενά του Γιβραλτάρ) είναι μόλις 14 χιλιόμετρα πλάτος. Η θάλασσα μερικές φορές θεωρείται ως τμήμα του Ατλαντικού Ωκεανού, αν και συνήθως αναγνωρίζεται ως ένα εντελώς ξεχωριστό τμήμα. Παρατηρούνται από πλευράς υδροδυναμικής, τρία στρώματα υδάτινων μαζών. Ένα επιφανειακό στρώμα, που παρουσιάζει ένα πάχος που κυμαίνεται από περίπου 75- 300 m. Ένα ενδιάμεσο στρώμα ευρισκόμενο σε βάθος 300 ως 600 m, που είναι εμποτισμένο με θερμό και αλμυρό νερό, προερχόμενο από την ανατολική Μεσόγειο και στη συνέχεια, τα βαθιά στρώματα ευρισκόμενα στο κάτω μέρος. Η κυκλοφορία της Μεσογείου καθορίζεται από πολλούς φυσικούς παράγοντες,, όπως την αλληλεπίδραση αέρα-θάλασσας (άνεμοι), των ποτάμιων εισροών, την υδραυλική ελεγχόμενη εισροή/εκροή μέσα από τα Στενά του Γιβραλτάρ και την επιρροή της Μαύρης Θάλασσας, την θερμή και αλατούχα αναγκαστική κυκλοφορία, τη μορφολογία πυθμένα, και της τοπογραφίας της περιβάλλουσας ξηράς. Οι εικόνες MODIS που χρησιμοποιήθηκαν, ενδεχομένως να αποκαλύψουν την ισχυρή σχέση, μεταξύ ετήσιας και εποχικής μεταβλητότητας της θερμοκρασίας της θάλασσας, καθώς και το σχέδιο/μοντέλο αλληλεπίδρασης αέρα-θάλασσας. Από την άλλη πλευρά, η θερμοκρασία της θάλασσας, πρέπει εξαρτάται από το γεωγραφικό πλάτος (Βορράς/Νότος) και γεωγραφικό μήκος (Ανατολή/Δύση), λόγω μεταβολής της viii προσπίπτουσας ηλιακής ενέργειας με το γεωγραφικό πλάτος, την διαφορική έκθεση στην ηλιακή ενέργεια λόγω περιστροφής της γης γύρω από τον άξονα της, την εισροή των ποταμών, τους ανέμους, της εισροής / εκροής στα Στενά του Γιβραλτάρ, της επιρροή της Μαύρης Θάλασσας, κλπ Σε αυτή την ερευνητική προσπάθεια, χρησιμοποιούνται οι μέσες μηνιαίες θερμοκρασίες ημέρας από το καταγραφικό σύστημα MODIS (Terra), με 4,6 χιλιόμετρα χωρική ανάλυση, για το έτος 2010. Οι στόχοι είναι οι εξής: α) η ποσοτικοποίηση του γεωγραφικού πλάτους και μήκους στην χωροχρονική κατανομή των θερμοκρασιών και β) η εφαρμογή αποσυσχέτισης των θερμοκρασιών από το γεωγραφικό πλάτος και μήκος. Για να ελαχιστοποιηθεί η επίδραση του γεωγραφικού πλάτους και μήκους, εφαρμόζεται η ανάλυση κύριων συνιστωσών (PCA), που είναι μια γραμμική τεχνική μετασχηματισμού, η οποία παράγει ένα σύνολο εικόνων, γνωστών ως κύριες συνιστώσες (PC), που είναι ασυσχέτιστες μεταξύ τους και διατάσσονται σε σχέση με το ποσό της διακύμανσης. Οι πρώτες δυο συνιστώσες, αντιπροσωπεύουν το 94 - 96% της διακύμανσης. Η συμβολή των ανεξάρτητων μεταβλητών (γεωγραφικό πλάτος και μήκος), σε κάθε κύρια συνιστώσα, προκύπτει από την εφαρμογή του γραμμικού μοντέλου. Η PC1 αντιπροσωπεύει το 86,3% της συνολικής διακύμανσης, ενώ το 86,1% της διακύμανσης εξηγείται από το μοντέλο γραμμικής παλινδρόμησης. Έτσι, το 74,3% της συνολικής διακύμανσης, εμφανής στην πολυχρονική δέσμη στοιχείων, εξηγείται από το μοντέλο γραμμικής παλινδρόμησης, ενώ 11,99% της διακύμανσης είναι ανεξάρτητο από το γεωγραφικό πλάτος και μήκος. Η PC2 αντιπροσωπεύει το 8,66% της συνολικής διακύμανσης, εμφανής στο πολυχρονικό σύνολο δεδομένων, ενώ 64,0% της διακύμανσης, εξηγείται από το μοντέλο γραμμικής παλινδρόμησης. Έτσι, το 5,54% της συνολικής διακύμανσης εξηγείται από το μοντέλο γραμμικής παλινδρόμησης, ενώ το 3,12% της διακύμανσης ποσοτικοποιείται μέσω της υπολειμματικής εικόνας. Στην συνέχεια γίνεται ανασύσταση των εικόνων, λαμβάνοντας υπόψη τις υπολειμματικές εικόνες PC1 και PC2. Οπότε προκύπτει μια χρονοσειρά, που είναι ανεξάρτητη από το γεωγραφικό πλάτος και μήκος, ενώ εξηγεί 20,1% της αρχικής διακύμανσης. Στο τέλος, μια μη επιβλεπόμενη ταξινόμηση (αλγόριθμος των Κ-Κέντρων) προσδιορίζει 9 τάξεις με διαφορετική χωροχρονική κατανομή της θερμοκρασίας. Τα κέντρα βάρους, υποδηλώνουν τις αρνητικές ανωμαλίες που παρατηρούνται μεταξύ Σεπτεμβρίου – Δεκεμβρίου, ενώ η μεταβλητότητα στην θερμοκρασία μεγιστοποιείται το καλοκαίρι και ελαχιστοποιείται χειμώνα. Το χωρικό πρότυπο, υποδεικνύει ότι οι θερμότερες περιοχές, διανέμονται κατά μήκος των παράκτιων περιοχών της Βορειοανατολικής/Ανατολικής. Μεσογείου (Κροατία, Αλβανία, Ελλάδα, Τουρκία, Συρία, Ισραήλ) και τη δυτική ακτή της Ιταλίας. Από την άλλη πλευρά, οι πιο κρύες περιοχές παρατηρήθηκαν: 1) Στο ανατολικά του Γιβραλτάρ Στενό, όπου η εισροή του Ατλαντικού κρύου νερού στα επιφανειακά στρώματα συνδέεται με την εκροή περισσότερο αλατούχου, στο παρακάτω ενδιάμεσο στρώμα. 2) Κατά μήκος των παράκτιων περιοχών της ανατολικής Αιγύπτου, που πιθανώς σχετίζονται με εκροές του Νείλου και της Ερυθράς Θάλασσας που επικοινωνεί μέσω της διώρυγας του Σουέζ με τη Μεσόγειο. 3) Ανατολικά / βόρεια του Εύξεινου Πόντου, που σχετίζεται με τις εκροές των μεγάλων ποτάμιων συστημάτων, στο βόρειο τμήμα της Μαύρης Θάλασσας, όπως του Ντον, του Δνείπερου και του Δούναβη που είναι οι πιο σημαντικοί..el_GR
dc.format.extentxviii, 111 σ. εικ., 30 εκ.el_GR
dc.languagegrel_GR
dc.language.isogrel_GR
dc.rightsinfo:eu-repo/semantics/closedAccessel_GR
dc.subjectΒιοφυσικές καταγραφές θερμοκρασίας -- MODISel_GR
dc.titleΤυποποίηση και μοντελοποίηση διαχρονικών θερμικών εικόνων, για τον εντοπισμό και ερμηνεία θερμικών ανωμαλιών στο θαλάσσιο χώρο της Μεσογείουel_GR
dc.typeΜεταπτυχιακή Διατριβήel_GR
dc.description.translatedabstractAmong the biophysical parameters, temperature is among the most significant ones in environmental analysis. Currently biophysical data sets are computed from the satellite-based remotely sensed images with high temporal resolution at a moderate resolution scale, allowing the day and night monitoring of earth’s surface. For example, the Moderate Resolution Imaging Spectroradiometer (MODIS) instrument on board the NASA Earth Observing System satellites Aqua and Terra, includes infrared bands that are designed for the accurate measurement of both the land surface temperature (LST) and the sea-surface temperature (SST). The Level 2 product is produced daily and consists of global day and night coverage every 24 hours, at 1-km. The days and nights in clear-sky conditions and with validated values within a calendar month are averaged, and generate the gridded monthly product (Level 3), over lands and oceans. The availability of monthly multi-temporal moderate resolution thermal data sets can be used to forward many research questions in environmental sciences and capture spatial and temporal changes in temperature in both the land and the sea. In this context a long time series of monthly LST imagery is used and LST anomalies are defined as regions presenting significantly higher or lower LST than their surrounding area while the assessment and interpretation of LST anomalies is based on both the temporal (seasonal variations) and the spatial pattern. Multi-temporal sea surface temperature (SST) imagery has been used to identify and map the internal ocean dynamics such as sea water upwelling by other possible causes, such as convergence of sea currents and salinity-driven currents. The Mediterranean Sea is almost completely enclosed by land: on the north by Europe, on the south by North Africa, and on the east by the Levant. It covers an approximate area of 2.5 million km² but its connection to the Atlantic (the Strait of Gibraltar) is only 14 km wide. The sea is sometimes considered a part of the Atlantic Ocean, although it is usually identified as a completely separate body. Mediterranean hydrodynamics are driven by three layers of water masses. A surface layer presents a thickness varying from roughly 75 xi to 300 meters. An intermediate layer situated at depths 300 and 600 meters that is infused with warm and saline water coming from the eastern Mediterranean and then the deep layer sinks to the bottom. The circulation of the Mediterranean Sea is determined by many physical factors, such as the air–sea interaction (wind stress), the continental rivers influx, the hydraulic controlled inflow/outflow through the Straits of Gibraltar and the influence of the Black Sea, thermohaline forced circulation, the ocean floor morphology and topography. Multi-temporal monthly averaged SST imagery was used in Mediterranean, in an attempt to reveal the strong inter-annual and seasonal SST variability, as well as the air-sea interaction pattern. On the other hand SST should be latitude (North to South) and longitude (East to West) dependent, due to rivers influx, winds, inflow/outflow through the Straits of Gibraltar, the influence of the Black Sea, etc In this research effort, the monthly averaged (day) SST MODIS (Terra) product at 4.6 km spatial resolution for the year 2010 in the Mediterranean is used. The aims are: a) to quantify the latitude and longitude dependency evident in multitemporal monthly averaged SST imagery and b) to apply latitude and longitude decor relation stretch in order to enhance SST anomalies. In order to minimize the effect of latitude and longitude to the multi-temporal SST dataset a short of data transformation is required in order to produces a new set of images that should present high correlations to the two variable under consideration. In this context, principal components analysis (PCA) is a linear transformation technique that produces a set of images known as principal components (PCs) that are uncorrelated with one another and are ordered in terms of the amount of variance they explain from the original image set. The first 2 PCAs accounts for the 94.96 % of the variance evident within the multi-temporal dataset. The contribution of the independent variables (latitude and longitude) to PCAs (dependent variable) is quantified by, empirical models based on multiple linear regression analysis. The difference between the predicted value for a point and the actual value for that point is the residual for that point or the unexplained variation that is squared to take care for both negative and positive deviations. The sum of xii the squared residuals subtracted from the total sum of squares give the explained part of the regression (regression sum of squares). The explained part divided by the total sum of squares yields the R2 while R represents the correlation coefficient between the independent variables and the dependent variable. R2 represents the extent of variability in the dependent variable explained by all the independents variables. PC1 accounts for the 86.3 % of the total variance evident in the multi-temporal dataset while 86.1 % of the variation is explained by the linear regression model. Thus, the 74.3 % of the total variance evident in the multitemporal dataset is explained by the linear regression model while 11.99 % of the variance is quantified by the residual image. PC2 accounts for 8.66 % (of the total variance evident in the multi-temporal dataset while 64.0 % of the variation is explained by the linear regression model. Thus, the 5.54 % of the total variance evident in the multi-temporal dataset is explained by the linear regression model of while the 3.12 % of variance is quantified by the residual image. If dimension reduction is applied (omit PC1 and PC2) then a significant portion of variance (11.995 % + 3.12 %) that it is included in the two residual images and it is independent from latitude and longitude will be subtracted. On the contrary the residual images are considered as well as the PC3 to PC12 for the reconstruction of the multitemporal SST dataset. In the current case study, the reconstructed SST (RSST) dataset is accounts for the 20.1% of the total variation evident in the initial SST imagery. Finally KMeans cluster analysis is applied for mapping sea zones with different spatio-temporal variability of SST. It begins by initializing centroids, assigns each pixel to the cluster whose centroid is nearest, updates centroids, then repeats the process until the stopping criteria are satisfied. The maximum number of clusters was assigned to 9 while the stopping criterion was defined as no overall change in cluster centers. The temporal pattern of centroids indicates that: 1) RSST centroids present positive anomalies (SST is greater than the latitude and longitude predicted) in between January to July (more or less) for the four clusters. Negative anomalies are observed in between September to December. In July the four clusters present xiii the same in magnitude positive SST anomaly (the variability in SST centroid values among different clusters is minimized), 2) SST cluster centroids present SST variability that a) it is maximized in summer and b) it is minimized in winter. Cluster 4 includes the overall warmest sea regions while cluster 1 includes the coldest ones. The spatial pattern indicates that the warmest regions are distributed along the coastal regions of the Northern and Eastern Mediterranean (Croatia, Albania, Greece, Turkey, Syria, Israel) and the western coastline of Italy. On the other hand, the coldest regions are observed in East of Gibraltar Strait, where the inflow of Atlantic cold water at the surface layer is associated to the outflow of more saline intermediate layer below, 2) Along the coastal regions of eastern Egypt (related possibly to Nile outflows, and Red Sea that communicates through the Suez Canal with the Mediterranean Sea) and 3) Eastern / northern Black Sea (related to the outflows of the large Eurasian fluvial systems to the north of the Black Sea, of which the Don, Dnieper and Danube are the most significant.el_GR
dc.format.typepdfel_GR


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής