Αποτιμώντας τις προοπτικές της βιώσιμης ανάπτυξης μέσω της τηλεπισκόπησης: Μια ανασκόπηση

Από RemoteSensing Wiki

Πρωτότυπος τίτλος: Assessing sustainable development prospects through remote sensing: A review
Συγγραφείς:Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan
Citation:Ram Avtar, Akinola Adesuji Komolafe, Asma Kouser, Deepak Singh, Ali P. Yunus, Jie Dou, Pankaj Kumar, Rajarshi Das Gupta, Brian Alan Johnson, Huynh Vuong Thu Minh, Ashwani Kumar Aggarwal, Tonni Agustiono Kurniawan, Assessing sustainable development prospects through remote sensing: A review,Remote Sensing Applications: Society and Environment, Volume 20, 2020, 100402, ISSN 2352-9385, [1].
Πηγή:ScienceDirect
Λέξεις κλειδιά:Natural resource management; Sustainability; Natural hazards; Decision support system; Indices



Σκοπός της έρευνας: Η παρούσα έρευνα στοχεύει να πραγματοποιήσεις μια εκτεταμένη ανασκόπηση στη συμβολή της τηλεπισκόπησης (RS) στις προσπάθειες προς τη βιώσιμη ανάπτυξη, με έμφαση στη διαχείριση των φυσικών πόρων και στην εκτίμηση των φυσικών καταστροφών.



1. Εισαγωγή:
Η επιτυχία της βιώσιμης ανάπτυξης σε οποιαδήποτε περιοχή βασίζεται στο τι είναι γνωστό σε σχέση με τη διαχείριση των φυσικών πόρων και τους κινδύνους στην περιοχή (Taborand Hutchinson,1994). H δυνατότητα της RS να καταγράφει τα γήινα συστήματα σε διάφορες χωρικές και χρονικές κλίμακες την καθιστά κατάλληλη για τη διαχείριση προκλήσεων σε περιβαλλοντικό,οικολογικό και κοινωνικοοικονομικό επίπεδο.
Μια σειρά από έρευνες -σημεία αναφοράς- έχουν διεξαχθεί, καλύπτοντας ποικίλους επιμέρους τομείς που άπτονται της βιώσιμης ανάπτυξης, όπως οι φυσικοί κίνδυνοι και οι κοινωνικοοικονομική ανάπτυξη (Avtar et al., 2013; Dudhani et al., 2006; Holloway and Mengersen, 2018). Ειδικότερα, τα τελευταία τριάντα χρόνια η RS χρησιμοποιείται ευρέως για την εκτίμηση των προσπαθειών στην κατεύθυνση της βιώσιμης ανάπτυξης. Οι εξελίξεις στην τεχνολογία της RS και η διαθεσιμότητα μεγάλων όγκων δεδομένων έχουν οδηγήσει σε τεράστιες βελτιώσεις στην ανάλυση δεδομένων, ειδικά όταν συνδυάζονται με GIS και με αλγόριθμους μηχανικής μάθησης.<br Σήμερα, η RS, η οποία θεωρείται επιστημονικό εργαλείο, εφαρμόζεται σχεδόν σε κάθε τομέα της της γεωπεριβαλλοντικής επιστήμης. Λαμβάνοντας υπόψη τη σημασία της αειφόρου ανάπτυξης στον 21ο αιώνα, η παρούσα ανασκόπηση αποσκοπεί στην αξιολόγηση του τρόπου με τον οποίο οι εξελίξεις στην τεχνολογία της RS έχουν επηρεάσει τρεις σημαντικούς τομείς της βιώσιμης ανάπτυξης: τη διαχείριση των φυσικών πόρων, την παρατήρηση του περιβάλλοντος και την παρακολούθηση των κινδύνων και, τέλος, την κοινωνικοοικονομική ανάπτυξη.
2.Δεδομένα:
Τα άρθρα που συμπεριλήφθηκαν στην παρούσα ανασκόπηση αντλήθηκαν από τις εξής ηλεκτρονικές πηγές:

• Scopus
  
• Web of Science
  
• Google Scholar
  

3.Διάγραμμα της ανασκόπησης:
Η ροή της ανασκόπησης αποτυπώνεται σχηματικά στην Εικόνα 1:

4. Διαχείριση και ανάπτυξη των φυσικών πόρων:
4.1 Βιοποικιλότητα
Η βιοποικιλότητα και οι υπηρεσίες που προσφέρουν τα οικοσυστήματα είναι ζωτικής σημασίας για την επίγεια , καθώς προσφέρουν υπηρεσίες πρώτων υλών, υποστηρικτικές, ρυθμιστικές και πολιτιστικές (Millennium Ecosystem Assessment, 2005; Avtar et al., 2017).Η RS χρησιμοποιείται ευρέως για τη μελέτη διαφόρων οικολογικών λειτουργιών, όπως τα φυσικά και ανθρωπογενή αίτια της αλλαγής τοπίου (Gould, 2000; Kerr et al., 2001; Kerr and Ostrovsky, 2003; McDermid et al., 2009).
Η RS μπορεί να χρησιμοποιηθεί για την άμεση παρακολούθηση της βιοποικιλότητας, με τη χρήση δορυφόρων και αισθητήρων για την άντληση πληροφοριών σε σχέση με τη συγκέντρωση των ειδών σε οικολογικές κοινότητες ή και μεμονωμένους οργανισμούς. Επίσης, άμεσα με τη χρήση τηλεσκοπικών δεδομένων μπορούν να εκτιμηθούν οι χρήσεις γης και η κάλυψη της γης, πληροφορίες ιδιαίτερα χρήσιμες για την ανίχνευση της κατανομής και της συγκέντρωσης των ειδών σε εκτεταμένες περιοχές (Kerr and Ostrovsky, 2003). Οι άμεσες τηλεσκοπικές μέθοδοι για την παρακολούθηση της βιοποικιλότητας παρουσιάζονται στον Πίνακα 1.

Ακόμη, υπάρχουν και έμμεσες μέθοδοι παρακολούθησης της βιοποικιλότητας που βασίζονται στην παρακολούθηση των εξής παραγόντων:
α) πρωτογενής παραγωγή: Ενδεικτικά αναφέρονται οι παρακάτω εφαρμογές:ο δείκτης NDVI ή άλλοι παρόμοιοι δείκτες βλάστησης και σύνδεση τους με τη φαινολογία των φυτών (Turner et al., 2003), χρήση του δείκτη φυλλωδών περιοχών με δεδομένα από τον αισθητήρα MODIS ως δεδομένα εισόδου του οικοσυστημικού μοντέλου Sim-CYCLE (Hazarika et al. 2005), η ακαθάριστη πρωτογενής παραγωγή δασικών προϊόντων στις Ηνωμένες πολιτείες με δεδομένα από τον αισθητήρα MODIS και η σύγκριση του με ένα απλό, διαδικαστικό μοντέλο (Nightingale et al. 2007).
β) κλίμα:Διάφορες μεταβλητές, συμπεριλαμβανομένης της θερμοκρασίας, της σχετικής υγρασίας και της υγρασίας του εδάφους, καθορίζουν ως ένα βαθμό την επιβίωση και την παραγωγικότητα πολλών ειδών (Turner et al., 2003). Οι Ηνωμένες Πολιτείες λάνσαραν τους δορυφόρους AQUA και TERRA, οι οποίοι είναι εφοδιασμένοι με τους αισθητήρες AMSR-E, MODIS, AMSU-A, AIRS, HSB, CERES και ASTER, MODIS, CERES, MISR, MOPITT αντίστοιχα, που παρέχουν πληροφορίες (π.χ. Υδρολογικός κύκλος, Θερμοκρασία νερού, Αεροζόλ κ.ο.κ.) που βοηθούν στην κατανόηση της σχέσης κλίματος-βιοποικιλότητας. γ)δομή ενδιαιτημάτων:Με την κατανόηση των δομών των ενδιαιτημάτων των ειδών, μπορούν να εξαχθούν συμπεράσματα για την κατανομή και τα πρότυπα των ειδών. Από την άποψη αυτή, οι τεχνολογίες της RS έχουν αποδειχθεί απαραίτητες. Ενδεικτικά, οι Goetz et al. (2007) μελέτησαν τα ενδιαιτήματα πουλιών στα δάση με χρήση δεδομένων LIDAR και οι Hyde et al. (2006)μελέτησαν τη δομή των δασικών ενδιαιτημάτων με τη χρήση δεδομένων LIDAR, SAR/InSAR,, Landsat-7, και QuickBird
4.2 Υδάτινοι πόροι
Το νερό είναι ζωτικής σημασίας για την ανθρωπότητα. Έχουν αναπτυχθεί μια σειρά από αλγορίθμους για τον εντοπισμό των υδάτινων όγκων σε τηλεπισκοπικές εικόνες: ο NDWI (McFeeters, 1996), ο modified NDWI (Xu, 2006), και ο automated water extraction index (Feyisa et al., 2014). Αισθητήρες, όπως οι Landsat, ASTER, SPOT, and MODIS χρησιμοποιούνται για την παρακολούθηση και τη χαρτογράφηση της ποιότητας των υδάτων (Mishra et al., 2013), ( Yunus et al. 2020). Οι Kamerosky et al. (2015) χρησιμοποίησαν εικόνες MERIS για την παρακολούθηση της υπεράνθησης του φυτοπλαγκτού στην Indian River Lagoon στην Florinda, USA. Οι Pisano et al., 2015 εντόπισα πετρελαιοκηλίδες σε υδάτινους όγκους με εικόνες MODIS και οι Joshi and D’Sa, 2015 χαρτογράφησαν τις εποχικές διαφοροποιήσεις της έγχρωμης αποσυντιθέμενης οργανικής ύλης. Τέλος, έχουν διεξαχθεί μια σειρά από έρευνες που εκτιμούν την ποσότητα και την ποιότητα των υδάτων διαχρονικά, όπως, η έρευνα των Chang et al. (2015) για την εκτίμηση της ποιότητας των υδάτων και της κατάστασης του οικοσυστήματος, όπως συνδέονται με τον κύκλο των θρεπτικών συστατικών σε βάθος 40ετίας. Επίσης, χρησιμοποιούνται έμμεσες μέθοδοι για την διερεύνηση των υπόγειων υδάτων. Κατά κανόνα, η RS χρησιμοποιείται στην μελέτη των υπογείων υδάτων για την οριοθέτηση της γεωμορφολογίας και των γραμμάτων χαρτών, των επιφανειακών λιθολογικών χαρακτηριστικών, των πλαγιών, και της κάλυψης και χρήσεων της γης (Avtar et al., 2010; Ganapuram et al., 2009; Jha et al., 2007). Ενδεικτικά, αναφέρονται οι έρευνες των Schultz and Engman (2000) για την ανίχνευση των ζωνών τροφοδότησης και απορροής των υπόγειων υδάτων και η συνδυαστική χρήση RS και γεωφυσικών δεδομένων για την εις βάθος εξερεύνηση των υπόγειων υδάτων (Arafa-Hamed, 2013; Khan et al., 2014).

4.3 Ορυκτοί πόροι
Για πολλές χώρες, οι ορυκτοί πόροι συμβάλλουν σημαντικά στα κρατικά έσοδα.Αρκετές χώρες συνεργάστηκαν για να φέρουν διαφορετικές δορυφορικές πλατφόρμες σε συγκεκριμένα τροχιές με αισθητήρες τηλεπισκόπησης. Αυτές οι πλατφόρμες και οι αισθητήρες παρέχουν περαιτέρω πληροφορίες σχετικά με τους άφθονους πόρους της Γης με υψηλότερη ακρίβεια (Belward and Skøien, 2015; Sabins, 1999). Διάφορες μελέτες εξετάζουν τους ορυκτούς πόρους με χρήση υπερφασματικών εικόνων (Kodikara et al., 2012; Van der Meer et al., 2012; Vicente and de Souza Filho, 2011). Οι Gabr et al. (2010) χρησιμοποίησαν πολλαπλές εικόνες ASTER για τον εντοπισμό των ζωνών αλλοίωσης που σχετίζονται με τις αποθέσεις χρυσού στο Abu-Marawat. Οι Pour et al. (2013) χρησιμοποίησαν Landsat-7 Enhanced Thematic Mapper (ETM) και Hyperion δεδομένα για τον εντοπισμό ζωνών υδροθερμικών αλλοιώσεων και των σχετικών δομικών στοιχείων, ενώ σε άλλη έρευνα χρησιμοποιήθηκαν τεχνικές χαρτογράφησης βάσει των επιμέρους εικονοστοιχείων για το διαχωρισμό και τη χαρτογράφηση μεταβολών ορυκτών γύρω από κοιτάσματα χαλκού στο Ιράν (Zadeh et al. 2014).
5.Εκτίμηση του περιβάλλοντος και φυσικών κινδύνων
Στον Πίνακα 2 παρουσιάζεται η ανασκόπηση σε σχέση με τη συμβολή της RS για την εκτίμηση του περιβάλλοντος και φυσικών καταστροφών, όπως οι πλημμύρες και οι κατολισθήσεις και οι δασικές πυρκαγιές

Τέλος, η τηλεπισκόπηση χρησιμοποιείται για την παρακολούθηση και την ανίχνευση δασικών πυρκαγιών. Δείκτες βλάστησης, όπως οι Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI), Normalized Burn Ratio (NBR) and Normalized Difference Vegetation Index (NDVIreXn) που χρησιμοποιούν κανάλια του ερυθρού εφαρμόζονται ικανοποιητικά για την έρευνα μετά από δασικές πυρκαγιές (Navarro et al., 2017). Οι εφαρμογές εξόρυξης δεδομένων είναι δημοφιλείς για τον καθορισμό του βέλτιστου συνδυασμού μεταβλητών και μοντελοποίησης που σχετίζεται με την εκτίμηση για επικείμενες δασικές πυρκαγιές (Hong et al., 2018). Σε αυτά τα μοντέλα, μεταβλητές μετεωρολογικών, τοπογραφικών και βλαστικών δεικτών που προέρχονται από δορυφορικά δεδομένα ενσωματώνονται ως παράγοντες για την απόκτηση των απαραίτητων πληροφοριών για την υγρασία του εδάφους και την εξατμισοδιαπνοή.
6. Κοινωνικοοικονομική ανάπτυξη
Οι εφαρμογές της τηλεπισκόπησης χρησιμοποιούνται ευρέως για την κοινωνικοοικονομική ανάπτυξη μέσω της ανάκτησης συγκεκριμένων δεδομένων. H κοινωνικοοικονομική ανάπτυξη εξετάζεται υπό το πρίσμα των μεταφορών, της εκτίμησης του πληθυσμού και της εκτίμησης της ποιότητας ζωής. H RS κατέχει κεντρική θέση στις μελλοντικές μελέτες της κοινωνικοοικονομικής ανάπτυξης, καθώς προσφέρουν καλύτερη κατανόηση των ανθρώπινων δραστηριοτήτων με τη χρήση δεδομένων υψηλής ανάλυσης και χαμηλού κόστους. Στον Πίνακα 3 παρουσιάζονται οι κύριες μελέτες και δείκτες που αναπτύχθηκαν για την τηλεπισκοπική μελέτη της κοινωνικοοικονομικής ανάπτυξης:

7.Συμπεράσματα:
Στην παρούσα μελέτη διερευνήθηκε η συμβολή της τηλεπισκόπησης στην διατήρηση του πλανήτη και της επίγειας ζωής. Τα Ηνωμένα Έθνη χαρακτήρισα την RS ως απαραίτητο εργαλείο για την επίτευξη των στόχων της Στόχοι βιώσιμης ανάπτυξης (SDGs). Η RS μπορεί να χρησιμοποιηθεί όχι μόνο για την ανάπτυξη ολοκληρωμένων πολιτικών για την προώθηση της βιώσιμης ανάπτυξης, αλλά και για την αποτελεσματική εφαρμογή και παρακολούθηση τους και λήψη αποφάσεων. Ωστόσο, για να είναι αποτελεσματικές και αξιόπιστες οι εφαρμογές της RS, πρέπει να υπάρχουν επαρκείς πληροφορίες και να λαμβάνονται από πολλαπλές πηγές. Ειδικότερα, η ανάπτυξη νέων φασματικών δεικτών, που βασίζονται στη βελτιωμένη τεχνολογία αισθητήρων, είναι καίριας σημασίας για την επίτευξη βιώσιμων στόχων ανάπτυξης. Ωστόσο, η χρήση της τηλεπισκόπησης στις αναπτυσσόμενες χώρες για την παρακολούθηση των στόχων της βιώσιμης ανάπτυξης παραμένει διακύβευμα. Στην κατεύθυνση ενίσχυσης της χρήσης RS για την υποβοήθηση της προσπάθειας για βιώσιμη ανάπτυξη στις αναπτυσσόμενες χώρες, απαιτείται η δημιουργία περισσότερων και προσβάσιμων βάσεων δεδομένων, καθώς και συνεργασίες μεταξύ των κέντρων λήψεων των αποφάσεων και των πολιτικών κέντρων μελετών των αναπτυσσόμενων χωρών και με χώρες ή οργανισμού που έχουν ήδη πρόσβαση σε πηγές GIS.

ΑΝΑΦΟΡΕΣ

Anderson, D., Young, J., 2001. Truck traffic analysis using IKONOS satellite imagery. Space Imaging Technical Brief Prepared for National Consortium on Remote Sensing in Transportation-Flows. Ohio State University Center for Mapping, Columbus.
Angel, A., Hickman, M., 2002. Experimental Investigation of Travel Time Estimation Using Geo-Referenced Aerial Video. Transportation Research Board 81st Annual Meeting.
Angel, A., Hickman, M., Chandnani, D., Mirchandani, P., 2002. Application of aerial video for traffic flow monitoring and management. In: Applications of Advanced Technologies in Transportation, pp. 346–353. Arafa-Hamed, T., 2013. Comprehensive clues provided by popular free remote sensing imagery to interpretation of geophysical studies explained by example cases of magnetic surveys. NRIAG J. Astro. Geophys. 2 (2), 278–286.
Arampatzis, G., Kiranoudis, C.T., Scaloubacas, P., Assimacopoulos, D., 2004. A GIS-based decision support system for planning urban transportation policies. Eur. J. Oper. Res. 152 (2), 465–475.
Avtar, R., Kumar, P., Oono, A., Saraswat, C., Dorji, S., Hlaing, Z., 2017. Potential application of remote sensing in monitoring ecosystem services of forests, mangroves and urban areas. Geocarto Int. 32 (8), 874–885. https://doi.org/10.1080/ 10106049.2016.1206974.
Avtar, R., Kumar, P., Singh, C.K., Sahu, N., Verma, R.L., Thakur, J.K., Mukherjee, S., 2013a. Hydrogeochemical assessment of groundwater quality of Bundelkhand, India using statistical approach. Water Qual. Expos. Hea. 5 (3), 105–115. https://doi.org/ 10.1007/s12403-013-0094-2.
Avtar, R., Singh, C., Shashtri, S., Singh, A., Mukherjee, S., 2010. Identification and analysis of groundwater potential zones in Ken–Betwa river linking area using remote sensing and geographic information system. Geocarto Int. 25 (5), 379–396.
Avtar, R., Takeuchi, W., Sawada, H., 2013b. Full polarimetric PALSAR-based land cover monitoring in Cambodia for implementation of REDD policies. Int. J. Digital Earth 6 (3), 255–275. https://doi.org/10.1080/17538947.2011.620639.
Ayalew, B., Gomez, R.B., Roper, W.E., Carrasco, O., 2003. Pavement management using hyperspectral imagery, 5097, 207–214. Belward, A.S., Skøien, J.O., 2015. Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS J. Photogrammetry Remote Sens. 103, 115–128.
Bolch, T., 2007. Climate change and glacier retreat in northern Tien Shan (Kazakhstan/ Kyrgyzstan) using remote sensing data. Global Planet. Change 56 (1–2), 1–12.
Brown, R.D., Robinson, D.A., 2011. Northern Hemisphere spring snow cover variability and change over 1922-2010 including an assessment of uncertainty. Cryosphere 5 (1), 219.
Buermann, W., Saatchi, S., Smith, T.B., Zutta, B.R., Chaves, J.A., Mila, ´ B., Graham, C.H., 2008. Predicting species distributions across the Amazonian and Andean regions using remote sensing data. J. Biogeogr. 35 (7), 1160–1176.
Carrasco, R., Pedraza, J., Martin-Duque, J., Mattera, M., Sanz, M., Bodoque, J., 2003. Hazard zoning for landslides connected to torrential floods in the Jerte Valley (Spain) by using GIS techniques. Nat. Hazards 30 (3), 361–381.
Casagli, N., Cigna, F., Bianchini, S., Holbling, ¨ D., Füreder, P., Righini, G., Del Conte, S., Friedl, B., Schneiderbauer, S., Iasio, C., 2016. Landslide mapping and monitoring by using radar and optical remote sensing: examples from the EC-FP7 project SAFER. Remote Sens. Appl.: Soc. Environ. 4, 92–108.
Center, P., 1999. Maricopa Association of Governments Pedestrian Plan 2000. CEOS Disaster Management Support, G., Wood, H.M., 2003. The Use of Earth Observing Satellites for Hazard Support: Assessments & Scenarios: Final Report of the CEOS Disaster Management Support Group: Chair’s Overview. National Oceanic and Atmospheric Administration, US Department of Commerce.
Chang, N.-B., Imen, S., Vannah, B., 2015. Remote sensing for monitoring surface water quality status and ecosystem state in relation to the nutrient cycle: a 40-year perspective. Crit. Rev. Environ. Sci. Technol. 45 (2), 101–166. https://doi.org/ 10.1080/10643389.2013.829981.
Cord, A.F., Klein, D., Mora, F., Dech, S., 2014. Comparing the suitability of classified land cover data and remote sensing variables for modeling distribution patterns of plants. Ecol. Model. 272, 129–140.
Council, T.R.B.N.R., 2000. Highway Capacity Manual. TRB Business Office.
Daoud, A., Hallerod, ¨ B., Guha-Sapir, D., 2016. What is the association between absolute child poverty, poor governance, and natural disasters? A global comparison of some of the realities of climate change. PLoS One 11 (4).
Dudhani, S., Sinha, A.K., Inamdar, S.S., 2006. Assessment of small hydropower potential using remote sensing data for sustainable development in India. Energy Pol. 34 (17), 3195–3205. https://doi.org/10.1016/j.enpol.2005.06.011.
Duro, D.C., Coops, N.C., Wulder, M.A., Han, T., 2007. Development of a large area biodiversity monitoring system driven by remote sensing. Prog. Phys. Geogr. 31 (3), 235–260.
Feyisa, G.L., Meilby, H., Fensholt, R., Proud, S.R., 2014. Automated Water Extraction Index: a new technique for surface water mapping using Landsat imagery. Remote Sens. Environ. 140, 23–35. https://doi.org/10.1016/j.rse.2013.08.029.
Fletcher, K., European Space Agency, European Space Research and Technology Centre (Eds.), 2007. InSAR Principles: Guidelines for SAR Interferometry Processing and Interpretation. ESA Publications, ESTEC.
Gabr, S., Ghulam, A., Kusky, T., 2010. Detecting areas of high-potential gold mineralization using ASTER data. Ore Geol. Rev. 38 (1–2), 59–69. Ganapuram, S., Kumar, G.V., Krishna, I.M., Kahya, E., Demirel, M.C., 2009. Mapping of groundwater potential zones in the Musi basin using remote sensing data and GIS.Adv. Eng. Software 40 (7), 506–518.
Gili, J.A., Corominas, J., Rius, J., 2000. Using global positioning system techniques in landslide monitoring. Eng. Geol. 55 (3), 167–192. Goetz, S., Steinberg, D., Dubayah, R., Blair, B., 2007. Laser remote sensing of canopy habitat heterogeneity as a predictor of bird species richness in an eastern temperate forest, USA. Remote Sens. Environ. 108 (3), 254–263.
Grabner, H., Nguyen, T.T., Gruber, B., Bischof, H., 2008. On-line boosting-based car detection from aerial images. ISPRS J. Photogrammetry Remote Sens. 63 (3), 382–396.
Gray, S., Semiat, R., Duke, M., Rahardianto, A., Cohen, Y., 2011. Reference module in earth systems and environmental sciences. Seawater Use and Desalination Technology 73–109.
Guo, D., Weeks, A., Klee, H., 2007. Robust approach for suburban road segmentation in high-resolution aerial images. Int. J. Rem. Sens. 28 (2), 307–318. Guzzetti, F., Mondini, A.C., Cardinali, M., Fiorucci, F., Santangelo, M., Chang, K.-T., 2012. Landslide inventory maps: new tools for an old problem. Earth Sci. Rev. 112 (1–2), 42–66.
Haboudane, D., Miller, J., 2002. Tremblay, N.; Zarco-Tejada, PJ; Dextrase, L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sens. Environ. 81, 416–426.
Hall, O., Duit, A., Caballero, L.N., 2008. World poverty, environmental vulnerability and population at risk for natural hazards. J. Maps 4 (1), 151–160. Hazarika, M.K., Yasuoka, Y., Ito, A., Dye, D., 2005. Estimation of net primary productivity by integrating remote sensing data with an ecosystem model. Remote Sens. Environ. 94 (3), 298–310.
Hester, D.B., Cakir, H.I., Nelson, S.A., Khorram, S., 2008. Per-pixel classification of high spatial resolution satellite imagery for urban land-cover mapping. Photogramm. Eng. Rem. Sens. 74 (4), 463–471.
Hirpa, F.A., Hopson, T.M., De Groeve, T., Brakenridge, G.R., Gebremichael, M., Restrepo, P.J., 2013. Upstream satellite remote sensing for river discharge forecasting: application to major rivers in South Asia. Remote Sens. Environ. 131, 140–151.
Holloway, J., Mengersen, K., 2018. Statistical machine learning methods and remote sensing for sustainable development goals Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A.X., Xu, C., 2018. Applying genetic algorithms to set the optimal combination of forest fire related variables and model forest fire susceptibility based on data mining models. The case of Dayu County, China. Sci. Total Environ. 630, 1044–1056.
Hoppe, E., Bruckno, B., Campbell, E., Acton, S., Vaccari, A., Stuecheli, M., Bohane, A., Falorni, G., Morgan, J., 2016. Transportation infrastructure monitoring using satellite remote sensing. Materials and Infrastructures 1 (5), 185–198.
Hou, Z., Xu, Q., Nuutinen, T., Tokola, T., 2013. Extraction of remote sensing-based forest management units in tropical forests. Remote Sens. Environ. 130, 1–10.
Hyde, P., Dubayah, R., Walker, W., Blair, J.B., Hofton, M., Hunsaker, C., 2006. Mapping forest structure for wildlife habitat analysis using multi-sensor (LiDAR, SAR/InSAR, ETM+, Quickbird) synergy. Remote Sens. Environ. 102 (1–2), 63–73.
Jensen, John R., Cowen, D.C., 1999. Remote sensing of urban/suburban infrastructure and socio-economic attributes. Photogramm. Eng. Rem. Sens. 65, 611–622. Jha, M.K., Chowdhury, A., Chowdary, V., Peiffer, S., 2007. Groundwater management and development by integrated remote sensing and geographic information systems: prospects and constraints. Water Resour. Manag. 21 (2), 427–467.
Joshi, I., D’Sa, E.J., 2015. Seasonal variation of colored dissolved organic matter in Barataria Bay, Louisiana, using combined Landsat and field data. Rem. Sens. 7 (9), 12478–12502.
Kamerosky, A., Cho, H.J., Morris, L., 2015. Monitoring of the 2011 super algal bloom in Indian River Lagoon, FL, USA, using MERIS. Rem. Sens. 7 (2), 1441–1460.

Kerr, J.T., Ostrovsky, M., 2003. From space to species: ecological applications for remote sensing. Trends Ecol. Evol. 18 (6), 299–305.
Kerr, J.T., Southwood, T., Cihlar, J., 2001. Remotely sensed habitat diversity predicts butterfly species richness and community similarity in Canada. Proc. Natl. Acad. Sci. Unit. States Am. 98 (20), 11365–11370.
Khan, S.D., Fathy, M.S., Abdelazeem, M., 2014. Remote sensing and geophysical investigations of Moghra lake in the qattara depression, Western Desert, Egypt. Geomorphology 207, 10–22.
Kodikara, G.R., Woldai, T., van Ruitenbeek, F.J., Kuria, Z., van der Meer, F., Shepherd, K. D., Van Hummel, G., 2012.
Hyperspectral remote sensing of evaporate minerals and associated sediments in Lake Magadi area, Kenya. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 22–32.
Krishnaswamy, J., Bawa, K.S., Ganeshaiah, K., Kiran, M., 2009. Quantifying and mapping biodiversity and ecosystem services: utility of a multi-season NDVI based Mahalanobis distance surrogate. Remote Sens. Environ. 113 (4), 857–867.
Leitloff, J., Hinz, S., Stilla, U., 2010. Vehicle detection in very high resolution satellite images of city areas. IEEE Trans. Geosci. Rem. Sens. 48 (7), 2795–2806.
Li, G., Weng, Q., 2005. Using Landsat ETM+ imagery to measure population density in Indianapolis, Indiana, USA. Photogramm. Eng. Rem. Sens. 71 (8), 947–958.
Liu, X., Clarke, K., Herold, M., 2006. Population density and image texture. Photogramm. Eng. Rem. Sens. 72 (2), 187–196.
Lo, C.P., Faber, B.J., 1997. Integration of Landsat Thematic Mapper and census data for quality of life assessment. Remote Sens. Environ. 62 (2), 143–157.
Malet, J.-P., Maquaire, O., Calais, E., 2002. The use of Global Positioning System techniques for the continuous monitoring of landslides: application to the SuperSauze earthflow (Alpes-de-Haute-Provence, France). Geomorphology 43 (1–2), 33–54. Manktelow, P.T., Mann, G.W., Carslaw, K.S., Spracklen, D.V., Chipperfield, M.P., 2007. Regional and global trends in sulfate aerosol since the 1980s. Geophys. Res. Lett. 34 (14).
Marano, K.D., Wald, D.J., Allen, T.I., 2010. Global earthquake casualties due to secondary effects: a quantitative analysis for improving rapid loss analyses. Nat. Hazards 52 (2), 319–328.
Martinuzzi, S., Vierling, L.A., Gould, W.A., Falkowski, M.J., Evans, J.S., Hudak, A.T., Vierling, K.T., 2009. Mapping snags and understory shrubs for a LiDAR-based assessment of wildlife habitat suitability. Remote Sens. Environ. 113 (12), 2533–2546. McCord, M.R., Hickman, M., Bronzini, M.S., Goel, P.K., Gomez, R.B., Merry, C.J., Mirchandani, P.B., Morrison, J.L., 2003. REMOTE SENSING OF TRANSPORTATION FLOWS. CONSORTIUM PAPER PRESENTATION. 21.
McDermid, G., Hall, R., Sanchez-Azofeifa, G., Franklin, S., Stenhouse, G., Kobliuk, T., LeDrew, E., 2009. Remote sensing and forest inventory for wildlife habitat assessment. For. Ecol. Manag. 257 (11), 2262–2269.
McFeeters, S.K., 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J Menon, S., Bawa, K.S., 1997. Applications of geographic information systems, remotesensing, and a landscape ecology approach to biodiversity conservation in the Western Ghats. Curr. Sci. 134–145.
Meyer, W.B., Turner, B.L., 1992. Human population growth and global land-use/cover change. Annu. Rev. Ecol. Systemat. 23 (1), 39–61.
Millennium Ecosystem Assessment, M.E.A., 2005. Ecosystems and Human Well-Being (Synthesis).
Mishra, S., Mishra, D.R., Lee, Z., Tucker, C.S., 2013. Quantifying cyanobacterial phycocyanin concentration in turbid productive waters: a quasi-analytical approach. Remote Sens. Environ. 133, 141–151.
Nakagawa, T., Yasuoka, Y., 2001. Environmental impact assessment with remote sensing at Isahaya land reclamation site. In: Proceedings of 22nd Asian Conferencce on Remote Sensing (AARS), 6. https://crisp.nus.edu.sg/~acrs2001/pdf/244nakag.pdf. Navarro, G., Caballero, I., Silva, G., Parra, P.C., V´ azquez, A., ´ Caldeira, R., 2017. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery. Int. J. Appl. Earth Obs. Geoinf. 58, 97–106.
Nandy, S., Kushwaha, S., Dadhwal, V., 2011. Forest degradation assessment in the upper catchment of the river Tons using remote sensing and GIS. Ecol. Indicat. 11 (2), 509–513.
Nightingale, J., Coops, N., Waring, R., Hargrove, W., 2007. Comparison of MODIS gross primary production estimates for forests across the USA with those generated by a simple process model, 3-PGS. Remote Sens. Environ. 109 (4), 500–509.

Petley, D., 2012. Global patterns of loss of life from landslides. Geology 40 (10), 927–930.
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510
Pisano, A., Bignami, F., Santoleri, R., 2015. Oil spill detection in glint-contaminated near-infrared MODIS imagery. Rem. Sens. 7 (1), 1112–1134.
Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., Stenseth, N.C., 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends Ecol. Evol. 20 (9), 503–510.
Pour, Amin Beiranvand, Hashim, M., van Genderen, J., 2013. Detection of hydrothermal alteration zones in a tropical region using satellite remote sensing data: Bau goldfield, Sarawak, Malaysia. Ore Geol. Rev. 54, 181–196.
Pozzi, F., Small, C., 2001. Exploratory analysis of suburban land cover and population density in the USA, pp. 250–254.
Ranade, P., 2007. Environmental impact assessment of land use planing around the leased limestone mine using remote sensing techniques. J. Health Sci. Environ. 4 (1), 61–65.
Rogers, D., Emwanu, T., Robinson, T., 2006. Poverty Mapping in Uganda: an Analysis Using Remotely Sensed and Other Environmental Data. Rosen, P.A., Hensley, S., Joughin, I.R., Li, F.K., Madsen, S.N., Rodriguez, E., Goldstein, R. M., 2000. Synthetic aperture radar interferometry. Proc. IEEE 88 (3), 333–382.
Rossa, A.M., Del Guerra, F.L., Borga, M., Zanon, F., Settin, T., Leuenberger, D., 2010. Radar-driven high-resolution hydro-meteorological forecasts of the 26 September 2007 Venice flash flood. J. Hydrol. 394 (1–2), 230–244.
Saatchi, S., Buermann, W., Ter Steege, H., Mori, S., Smith, T.B., 2008. Modeling distribution of Amazonian tree species and diversity using remote sensing measurements. Remote Sens. Environ. 112 (5), 2000–2017.
Sabins, F.F., 1999. Remote sensing for mineral exploration. Ore Geol. Rev. 14 (3–4), 157–183.
Schultz, G.A., Engman, E.T., 2000. Present use and future perspectives of remote sensing in hydrology and water management. IAHS-AISH Publ. 267, 545–551.
Sharma, G., Merry, C., Goel, P., McCord, M., 2006. Vehicle detection in 1-m resolution satellite and airborne imagery. Int. J. Rem. Sens. 27 (4), 779–797.
Singhroy, V., Ohkura, H., Glenn, N., 2002. Earth observation for landslide assessment. IEEE In.t. Geosci. Remote Sens. Sympos 2, 765–767.
Spagnolini, U., Rampa, V., 1999. Multitarget detection/tracking for monostatic ground penetrating radar: application to pavement profiling. IEEE Trans. Geosci. Rem. Sens. 37 (1), 383–394.
Tabor, J.A., Hutchinson, C.F., 1994. Using Indigenous Knowledge, Remote Sensing and GIS for Sustainable Development. https://agris.fao.org/agris-search/search.do?reco rdID=GB2013200846.
Tsimbos, C., Kotsifakis, G., Verropoulou, G., Kalogirou, S., 2011. Life expectancy in Greece 1991–2007: regional variations and spatial clustering. J. Maps 7 (1), 280–290.
Turner, W., Spector, S., Gardiner, N., Fladeland, M., Sterling, E., Steininger, M., 2003. Remote sensing for biodiversity science and conservation. Trends Ecol. Evol. 18 (6), 306–314. van der Meer, F.D., Van der Werff, H.M., van Ruitenbeek, F.J., Hecker, Chris a., Bakker, Wim H., Noomen, Marleen F., Mark van Der Meijde, E.John M., Carranza, J., Boudewijn De Smeth, Tsehaie Woldai, 2012. Multi-and hyperspectral geologic remote sensing: a review. Int. J. Appl. Earth Obs. Geoinf. 14 (1), 112–128.
Vicente, L.E., de Souza Filho, C.R., 2011. Identification of mineral components in tropical soils using reflectance spectroscopy and advanced spaceborne thermal emission and reflection radiometer (ASTER) data. Remote Sens. Environ. 115 (8), 1824–1836.
Vignola, F., Michalsky, J., Stoffel, T., 2019. Solar and Infrared Radiation Measurements. CRC press.
Vina, ˜ A., Bearer, S., Zhang, H., Ouyang, Z., Liu, J., 2008. Evaluating MODIS data for mapping wildlife habitat distribution. Remote Sens. Environ. 112 (5), 2160–2169.

Waring, R., Coops, N., Landsberg, J., 2010. Improving predictions of forest growth using the 3-PGS model with observations made by remote sensing. For. Ecol. Manag. 259 (9), 1722–1729.

Wiens, J., Sutter, R., Anderson, M., Blanchard, J., Barnett, A., Aguilar-Amuchastegui, N., Avery, C., Laine, S., 2009. Selecting and conserving lands for biodiversity: the role of remote sensing. Remote Sens. Environ. 113 (7), 1370–1381.
Williams, J.G., Rosser, N.J., Kincey, M.E., Benjamin, J., Oven, K.J., Densmore, A.L., Milledge, D.G., Robinson, T.R., 2017. Satellite-based emergency mapping: landslides triggered by the 2015 Nepal earthquake. Nat. Hazards Earth Syst. Sci. 18, 185–205. Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Rem. Sens. 27 (14), 3025–3033. https://doi.org/10.1080/01431160600589179.
Yan, G., Zhou, S., Zhou, L., Xi, J., Tian, Y., Teng, H., 2013. Integrating remote sensing and proximal sensors for the detection of soil moisture and salinity variability in coastal areas. J. Int. Agri. 12 (4), 723–731.
Yang, J., Gong, P., Fu, R., Zhang, M., Chen, J., Liang, S., Xu, B., Shi, J., Dickinson, R., 2013a. The role of satellite remote sensing in climate change studies. Nat. Clim. Change 3 (10), 875.
Yu, X., Shi, Z., 2015. Vehicle detection in remote sensing imagery based on salient information and local shape feature. Optik-International Journal for Light and Electron Optics 126 (20), 2485–2490.
Yunus, A.P., Masago, Y., Hijioka, Y., 2020. COVID-19 and surface water quality: improved lake water quality during the lockdown. Sci. Total Environ. 731, 139012. http://www.sciencedirect.com/science/article/pii/S0048969720325298.
Zadeh, M.H., Tangestani, M.H., Roldan, F.V., Yusta, I., 2014. Sub-pixel mineral mapping of a porphyry copper belt using EO-1 Hyperion data. Adv. Space Res. 53 (3), 440–451.

Zhou, G., Wei, D., 2008. Survey and Analysis of Land Satellite Remote Sensing Applied in Highway Transportations Infrastructure and System Engineering, 4. IV–479.