Bodossaki Lectures on Demand
ΙΔΡΥΜΑ ΜΠΟΔΟΣΑΚΗ

Urban vegetation cover extraction from hyperspectral remote sensing imagery and GIS-based spatial analysis techniques: The case of Athens, Greece

Γεωργοπούλου Ηρώ

5 Σεπτεμβρίου 2013

ΟΜΙΛΙΕΣ
EXIT FULL SCREEN VIDEO & SLIDES
ΔΙΑΡΚΕΙΑ 10:45 ΠΡΟΒΟΛΕΣ 1244
ΔΙΑΦΑΝΕΙΕΣ /

Το Διεθνές Δίκτυο Περιβαλλοντικής Επιστήμης και Τεχνολογίας (Global Network of Environmental Science and Technology – Global NEST) και το Πανεπιστήμιο Αιγαίου διοργάνωσαν το 13ο Διεθνές Συνέδριο Περιβαλλοντικής Επιστήμης και Τεχνολογίας (13th International Conference on Environmental Science and Technology – CEST2013). Οι εργασίες του συνεδρίου διεξήχθησαν στο Συνεδριακό Κέντρο του ξενοδοχείου Divani Caravel στην Αθήνα, το διάστημα 5-7 Σεπτεμβρίου 2013.

Η διοργάνωση τελεί υπό την αιγίδα του Δήμου Αθηναίων και του Ελληνικού Οργανισμού Ανακύκλωσης (Ε.Ο.ΑΝ.).

Στόχοι αυτής της ανά διετία συνάντησης, είναι η προώθηση της επιστημονικής έρευνας και η ανταλλαγή απόψεων παρακολουθώντας τις νέες εξελίξεις στο χώρο των επιστημών του περιβάλλοντος.

Το Διεθνές Συνέδριο Περιβαλλοντικής Επιστήμης και Τεχνολογίας διοργανώνεται ανά διετία από το 1989 (1989, 1991, 1993, 1996 και 1997 στη Λέσβο, 1999 στη Σάμο, 2001 στη Σύρο, 2003 στη Λήμνο, 2005 στη Ρόδο, 2007 στην Κω, 2009 στα Χανιά και 2011 στη Ρόδο) και έχει εξελιχθεί σε ένα σημαντικό επιστημονικό γεγονός στη Μεσόγειο συγκεντρώνοντας συνέδρους από πολλές χώρες.

Οι θεματικές περιοχές του συνεδρίου που βιντεοσκοπήθηκαν από το Blod είναι:

  • Ρύπανση αέρα 
  • Επεξεργασία νερού (νέες τεχνολογίες και υλικά)
  • Οικολογία και διαχείριση οικοσυστημάτων
  • Υγεία και περιβάλλον

Γεωργοπούλου Ηρώ Τμήμα Αξιοποίησης Φυσικών Πόρων & Γεωργικής Μηχανικής, Γεωπονικό Πανεπιστήμιο Αθηνών
Η Ηρώ Γεωργοπούλου είναι τελειόφοιτος Μεταπτυχιακού Προγράμματος Σπουδών του Γεωπονικού Πανεπιστημίου Αθηνών.
Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37, 35–46.

Congalton, R., and Green, K. (1999). Assessing the accuracy of remotely sensed data: principles and practices. Boca Raton, FL: CRC/Lewis Press. 137 pp.
 
De Carvalho, O.A. and Meneses, P.R. (2000). Spectral correlation mapper (SCM); An improvement on the Spectral Angle Mapper (SAM). Summaries of the 19th JPL Airborne Earth Science Workshop. JPL Publication 00-18, 9 p.
 
Huang, C., Song, K., Kim, S., Townshend, J.R.G., Davis, P., Masek, J., G., et al. (2008). Use of dark object concept and support vector machines to automate forest cover change analysis. Remote sensing of Environment, 112, 970-985.
 
Kontoes C.C, H. Poilve, G. Florsch, I. Keramitsoglou , S. Paralikidis (2009). A comparative analysis of a fixed thresholding vs. a classification tree
approach for operational burn scar detection and mapping. ELSEVIER, International Journal of Applied Earth Observation and Geoinformation 11, p. 299–316
 
Kruse, F.A., Boardman, J.W., Lefkoff, A.B., Heidebrecht, K.B., Shapiro, A.T., Barloon, P.J., and Goetz, A.F.H. (1993). The spectral image processing system (SIPS) –Interactive visualization and analysis of imaging spectrometer data. Remote sensing of environment, Vol. 44, p. 145-163
 
Petropoulos P. George, Kostas Arvanitis, Nick Sigrimis (2012). Hyperion hyperspectral imagery analysis combined with machine learning classifiers for land use/cover mapping. ELSEVIER, Expert systems with applications 39, 3800-3809
 
Rowan, L.C and Mars, J.C. (2003). Lithologic mapping in the Mountain Pass, California area using advanced spaceborn thermal emission and reflection radiometer (ASTER) data. Remote sensing of Environment, Vol. 84, p. 250-266
 
Vapnik, V., (1995). The nature of statistical learning theory. Springer-Verlag, New York, NY
ΣΧΕΤΙΚΕΣ ΟΜΙΛΙΕΣ

Σχετικές ομιλίες