Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων

Από RemoteSensing Wiki

Εικόνα 1: Σημεία δειγματοληψίας της περιοχής μελέτης και περιοχές με πολύ υψηλές τιμές διαφορετικών τοξικών μετάλλων στα εδάφη του Κατάρ

Εικόνα 2: Βοηθητικοί ψηφιδωτοί (raster) χάρτες που χρησιμοποιήθηκαν ως μέσο πρόβλεψης για την κατανομή των υπό εξέταση μετάλλων στο έδαφος

Εικόνα 3: Περιβαλλοντικές μεταβλητές που χρησιμοποιήθηκαν

Εικόνα 4: Περιγραφή των καναλιών Landsat 8 αλλά και των φασματικών δεικτών που χρησιμοποιήθηκαν για τον προσδιορισμό των υπό εξέταση τοξικών μετάλλων

Εικόνα 5: Διαγράμματα των εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων

Εικόνα 6: Συγκεντρώσεις των υπό εξέταση μετάλλων που χρησιμοποιήθηκαν (α) στη βαθμονόμηση – 75% και (β) στον έλεγχο του μοντέλου – 25%

Εικόνα 7: Παράδειγμα του κανόνα που χρησιμοποιήθηκε στο μοντέλο για τις προβλέψεις νικελίου

Εικόνα 8: Αποτελέσματα ελέγχου μοντελοποίησης για τα υπό εξέταση μέταλλα

Εικόνα 9: Τα 10 κορυφαία δεδομένα (παράγοντες πρόβλεψης) που χρησιμοποιήθηκαν από το Cubist για τη βαθμονόμηση των μοντέλων και η ποσοστιαία χρήση του καθενός ανά υπό εξέταση μέταλλο

Εικόνα 10: Χάρτες ανάλυσης 30 m εδαφικών (0-30 cm) συγκεντρώσεων για τα μέταλλα χρώμιο, αρσενικό, νικέλιο, ψευδάργυρος, μόλυβδος και χαλκός της περιοχής μελέτης (Κατάρ)

Πρότυπος τίτλος: Digital Mapping of Toxic Metals in Qatari Soils Using Remote Sensing and Ancillary Data

Συγγραφείς: Yi Peng, Rania Bou Kheir, Kabindra Adhikari, Radosław Malinowski, Mette B. Greve, Maria Knadel and Mogens H. Greve

Link: https://www.mdpi.com/2072-4292/8/12/1003/htm

Εισαγωγή

Ανά τον κόσμο, διάφορες δραστηριότητες αλλά και φαινόμενα μαζικής βιομηχανοποίησης και αστικοποίησης αποτελούν πηγές ρύπανσης των εδαφών με τοξικά βαρέα μέταλλα. Σε αντίστοιχες βιομηχανικές και αστικές περιοχές, η ανθρώπινη έκθεση σε υψηλές ποσότητες τέτοιων τοξικών μετάλλων και κυρίως τα αρσενικό (As), χρώμιο (Cr), νικέλιο (Ni), χαλκός (Cu), μόλυβδος (Pb) και ψευδάργυρος (Zn), αποτελεί σημαντικό πρόβλημα καθώς μπορεί να προκαλέσει σοβαρές επιπτώσεις στην ανθρώπινη υγεία, ενώ συγχρόνως να προκαλέσει υποβάθμιση του φυσικού περιβάλλοντος. Στο Κατάρ, όπου και πραγματοποιήθηκε η παρούσα έρευνα, το πρόβλημα είναι ιδιαίτερα έντονο, καθώς τα τελευταία χρόνια σημείωσε άνοδο πληθυσμού περίπου 200% και επιπλέον, έχοντας τις υψηλότερες κατά κεφαλήν εκπομπές διοξειδίου του άνθρακα στον κόσμο, το 2014 κηρύχθηκε από τον Παγκόσμιο Οργανισμό Υγείας ως η δεύτερη ατμοσφαιρικά πιο ρυπασμένη πόλη του κόσμου. Μέχρι στιγμής, η πρόβλεψη και ο προσδιορισμός συσσώρευσης τοξικών μετάλλων στα εδάφη γινόταν χρησιμοποιώντας μια ποικιλία γεωστατιστικών μεθόδων σε συνδυασμό με διάφορα περιβαλλοντικά δεδομένα (που προκύπτουν από αναλύσεις) σε διάφορες κλίμακες. Το πρόβλημα που προκύπτει όμως από τη χρήση αυτών των μεθόδων είναι ότι είναι ιδιαίτερα περίπλοκες και χρονοβόρες, ειδικά αν λάβει κανείς υπόψη το χρόνο που απαιτείται για τις διάφορες εργαστηριακές αναλύσεις προκειμένου να ληφθούν τα διάφορα περιβαλλοντικά δεδομένα που απαιτούνται. Σε αντίθεση με τις παραδοσιακές τεχνικές, για τη μοντελοποίηση του εδάφους αλλά και των περιβαλλοντικών ιδιοτήτων και διαδικασιών, πρόσφατες μελέτες άρχισαν να υιοθετούν τη χρήση διάφορων εργαλείων εξόρυξης δεδομένων όπως είναι το Cubist data mining with Cubist, το οποίο φέρει πολλά πλεονεκτήματα, ένα εκ των οποίων είναι ότι μπορεί να ποσοτικοποιεί γραμμικές αλλά και μη γραμμικές σχέσεις μεταξύ των μεταβλητών, ενώ επιπλέον, μπορεί και ποσοτικοποιεί τη σημασία των περιβαλλοντικών μεταβλητών που χρησιμοποιούνται στην πρόβλεψη τοξικών μετάλλων στο έδαφος. Τα τελευταία δέκα χρόνια, με την ανάπτυξη της τηλεπισκόπησης, οι τεχνικές της για τη χαρτογράφηση τοξικών μετάλλων στο έδαφος άρχισαν να βρίσκουν εφαρμογή και μάλιστα ήδη θεωρούνται αρκετά αποτελεσματικές και ακριβείς για την ανίχνευση εδαφικής ρύπανσης από τοξικά μέταλλα, παρότι τα τοξικά μέταλλα στο έδαφος υφίστανται σε πολύ μικρές έως και μέτριες συγκεντρώσεις και μεμονωμένα ως μέταλλα δε διαθέτουν κάποια συγκεκριμένα φασματικά χαρακτηριστικά. Οι τεχνικές ψηφιακής τηλεπισκόπησης εκμεταλλεύονται το γεγονός πως τα τοξικά μέταλλα αλλάζουν τη χημική σύνθεση και την επιφανειακή δραστηριότητά των ορυκτών του εδάφους στα οποία μπορεί να είναι δεσμευμένα, με αποτέλεσμα να αλλάζουν την φασματική ανακλαστική πληροφορία τους. Η αξιοποίηση αυτού του ενδιάμεσου μηχανισμού επιτρέπει την εξαγωγή των σχέσεων μεταξύ φασματικών πληροφοριών και τοξικών μετάλλων στο έδαφος.

Σκοπός της εργασίας

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χρήση (α) εικόνων χρονοσειράς από έναν δέκτη Landsat 8 (οι οποίες κάλυπταν εννέα μήνες κατά τη διάρκεια του έτους 2014), (β) επιλεγμένων φασματικών δεικτών (οι οποίοι παράχθηκαν χρησιμοποιώντας τις εικόνες χρονοσειράς Landsat 8) και (γ) περιβαλλοντικών μεταβλητών, για τη χαρτογράφηση της χωρικής κατανομής έξι επιλεγμένων τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος) στην περιοχή μελέτης που ήταν το Κατάρ. Απώτερος σκοπός της παρούσας έρευνας ήταν η διευκόλυνση της χαρτογράφησης της εδαφικής συσσώρευσης των παραπάνω μετάλλων αλλά και η παραδοχή ότι η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.

Υλικά και μέθοδοι

Περιοχή μελέτης

Η περιοχή μελέτης (Κατάρ), παρουσιάζεται στην Εικόνα 1.

Δειγματοληψία εδάφους

Συνολικά συλλέχθηκαν 300 δείγματα εδάφους σε βάθος 0-30 cm από πολλά σημεία, με στόχο να καλυφθούν όλα τα περιβαλλοντικά και ανθρωπογενή ενδιαιτήματα του Κατάρ. Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System) με ακρίβεια 5 m. Τα σημεία δειγματοληψίας παρουσιάζονται στην Εικόνα 1.

Προκατεργασία δειγμάτων

Πριν την οποιαδήποτε ανάλυση προηγήθηκε προκατεργασία των δειγμάτων η οποία περιλάμβανε αεροξήρανση των δειγμάτων για διάρκεια τριών ημερών σε θερμοκρασία δωματίου και έπειτα κοσκίνισμα 2 mm.

Χημική ανάλυση

Για τη χημική ανάλυση των δειγμάτων ως προς τον προσδιορισμό των συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος), χρησιμοποιήθηκαν 0.5 g εδάφους από το κάθε δείγμα για πέψη με μίγμα HNO3 – HClO4 στους 200 οC για τρεις ώρες και στη συνέχεια με επιπλέον προσθήκη HNO3 για μια ώρα στους 70 οC. Έπειτα το κάθε δείγμα υπέστη φυγοκέντριση στις 3500 rpm για 10 λεπτά. Οι συγκεντρώσεις των τοξικών μετάλλων μετρήθηκαν με τη χρήση φασματοφωτομετρίας ατομικής εκπομπής πλάσματος με επαγωγική συσχέτιση (Inductively-Coupled Plasma-Atomic Emission Spectrometry, ICP-AES) ICP-AES.

Περιβαλλοντικοί παράμετροι

Για τον προσδιορισμό της κατανομής των υπό εξέταση τοξικών μετάλλων στο έδαφος χρησιμοποιήθηκαν διάφοροι περιβαλλοντικοί παράμετροι, μεταξύ των οποίων γεωλογικά και εδαφολογικά δεδομένα (π.χ. τύπος εδάφους κ.α.), γεωμορφολογικά δεδομένα (π.χ. υψόμετρο, κλίση, προσανατολισμός κ.α.) και ανθρωπογενή δεδομένα (π.χ. εγγύτητα στους δρόμους, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.) (βλ. Εικόνα 2 και Εικόνα 3). Η ψηφιοποίηση των περιβαλλοντικών παραμέτρων σε επίπεδα (layers), πραγματοποιήθηκε με τη χρήση δευτερογενών βοηθητικών δεδομένων όπως το DEM (Digital Elevation Model – ψηφιακό μοντέλο εδάφους), το οποίο δημιουργήθηκε με επεξεργασία μέσω της τεχνολογίας LiDAR (Light Detection and Ranging) LIDAR.

Εικόνες ψηφιακής τηλεπισκόπησης και φασματικοί δείκτες

Στην παρούσα μελέτη χρησιμοποιήθηκαν ατμοσφαιρικά διορθωμένες δορυφορικές εικόνες του δέκτη LDCM (Landsat Data Continuity Mission) LDCM του δορυφόρου Landsat 8 οι οποίες σκοπό είχαν να δημιουργήσουν μια χρονοσειρά ενός έτους, αλλά εξαιτίας ορισμένων θεμάτων που σχετίζονταν με νεφοκάλυψη χρησιμοποιήθηκαν μόνο εννέα από αυτές (Ιανουαρίου, Φεβρουαρίου, Απριλίου, Μαΐου, Ιουνίου, Ιουλίου, Αυγούστου, Σεπτεμβρίου και Οκτωβρίου) για το έτος 2015. Επιπλέον, για τη βελτιστοποίηση της δυνατότητας πρόβλεψης των τοξικών μετάλλων στα υπό εξέταση εδάφη υπολογίστηκαν οι εξής φασματικοί δείκτες:

• Tasseled cap transformation tasseled cap function

    Brightness – ταξινόμηση αστικών περιοχών
    Greenness – επίπεδα βλάστησης
    Wetness – επίπεδα υγρασίας στο έδαφος

• BCI – Biophysical Composition Index – αφθονία βλάστησης
• EVI – Enhanced Vegetation Index EVI
• LSWI – Land Surface Water Index
• NDVI – Normalized Difference Vegetation Index NDVI
• SATVI – Soil-Adjusted Total Vegetation Index SATVI
• SAVI – Soil-Adjusted Vegetation Index SAVI
• TVI – Transformed Vegetation Index TVI
• WDVI – Weighted Difference Vegetation Index WDVI

Οι εξισώσεις με βάση τις οποίες πραγματοποιήθηκε ο υπολογισμός των παραπάνω δεικτών παρουσιάζονται στην Εικόνα 4.

Χωρική μοντελοποίηση

Από το σύνολο των δεδομένων που συλλέχθηκαν πραγματοποιήθηκε τυχαία κατανομή και ένα 75 % χρησιμοποιήθηκε για τη βαθμονόμηση και το υπόλοιπο 25 % για τον έλεγχο του μοντέλου (βλ. Εικόνα 6). Εν τέλει, χρησιμοποιώντας το εργαλείο Cubist που προαναφέρθηκε και στην Εισαγωγή, αναπτύχθηκε ένα μοντέλο πρόβλεψης για κάθε υπό εξέταση τοξικό μέταλλο. Για τη βαθμονόμηση, το εργαλείο Cubist δημιούργησε πλήθος γραμμικών εξισώσεων για κάθε υπό εξέταση μέταλλο βασισμένο σε διαφορετικούς κανόνες. Οι συνθήκες του αρχικού κανόνα κάθε φορά βασίστηκαν σε συνδυασμό κάποιων εκ των δεδομένων. Για παράδειγμα στο χρώμιο και στο νικέλιο το 60 % των εκτελέσεων του μοντέλου επέλεξε σαν συνθήκες του αρχικού κανόνα τα δεδομένα: τύπος εδάφους και γεωλογικός χάρτης. Παράδειγμα κανόνα για το νικέλιο παρουσιάζεται στην Εικόνα 7. Τα μοντέλα πρόβλεψης/προσομοίωσης/προσδιορισμού εκτιμήθηκαν με βάση της εξής παραμέτρους: R2 (coefficient of determination) coefficient of determination, RMSE (root mean square error) RMSD, RPD (ratio of performance to deviation) και RPIQ (ratio of performance to interquartile distance) IQR.

Αποτελέσματα και συζήτηση

Αποτελέσματα αναλύσεων

Με βάση τα αποτελέσματα των χημικών αναλύσεων παράχθηκαν τα αντίστοιχα διαγράμματα (histogram, box-plot) για το κάθε υπό εξέταση μέταλλο. Τα διαγράμματα (βλ. Εικόνα 5) έδειξαν πως η κατανομή των μετάλλων είχε θετική καμπυλότητα σε όλες τις περιπτώσεις, ενώ συγχρόνως παρατηρήθηκε ένα ευρύ φάσμα μεταβλητότητας σε όλα τα τοξικά μέταλλα και κυρίως στα ψευδάργυρο, χρώμιο και νικέλιο. Η προαναφερθείσα μεταβλητότητα της περιεκτικότητας των υπό εξέταση εδαφών σε τοξικά μέταλλα αποδίδεται στη διαφορετική ένταση ανά περιοχή των φαινομένων της γεωργίας, της αστικοποίησης και της βιομηχανοποίησης και επηρεάζει τη σχέση μεταξύ περιβαλλοντικών παραμέτρων και ρύπανσης. Επιπλέον, ορισμένα εδαφικά δείγματα συγκεκριμένων περιοχών που αναλύθηκαν έδωσαν ιδιαίτερα υψηλές συγκεντρώσεις για διάφορα μέταλλα (βλ. Εικόνα 1), πράγμα που αποδόθηκε στο γεγονός ότι μάλλον οι συγκεκριμένες περιοχές αποτελούν κέντρα ρύπανσης και είναι πολύ επιβαρυμένες (hotspots) με τοξικά μέταλλα σε σχέση με τις υπόλοιπες περιοχές μελέτης. Εν τέλει, οι τιμές αυτές απορρίφθηκαν και δε χρησιμοποιήθηκαν στη χωρική μοντελοποίηση καθώς θα επηρέαζαν αρνητικά την ικανότητα πρόβλεψης/προσδιορισμού του μοντέλου. Έτσι μετά από την απόρριψη των τιμών αυτών, χρησιμοποιήθηκαν τελικά για τη μοντελοποίηση (βαθμονόμηση και έλεγχος) 299 δείγματα για το ψευδάργυρο και το μόλυβδο, 298 δείγματα για το χαλκό, 297 δείγματα για το χρώμιο και το νικέλιο και 300 δείγματα για το αρσενικό (βλ. Εικόνα 6).

Χωρική μοντελοποίηση

Τα αποτελέσματα της χωρικής πρόβλεψης των υπό εξέταση τοξικών μετάλλων παρουσιάζονται στην Εικόνα 8. Σε γενικές γραμμές, όλα τα μοντέλα βαθμονόμησης έδωσαν καλά αποτελέσματα όσον αφορά τις ικανότητες πρόβλεψης/προσδιορισμού των υπό εξέταση μετάλλων. Ο χαλκός είχε τις υψηλότερες τιμές R2 και RPD, ακολουθούμενος από το αρσενικό, το μόλυβδο, το χρώμιο, τον ψευδάργυρο και το νικέλιο. Παρόλ’ αυτά, εξαιτίας κάποιων παραγόντων οι τιμές RPIQ απέδωσαν μεγαλύτερη ακρίβεια προσδιορισμού σε σχέση με τις τιμές RPD.

Σημασία μεταβλητότητας των παραγόμενων μοντέλων Cubist για την πρόβλεψη των υπό εξέταση μετάλλων

Οι εκτελέσεις των μοντέλων μέσω του εργαλείου Cubist δε χρησιμοποίησαν όλες τις μεταβλητές για τη βαθμονόμηση. Όπως φαίνεται και στην Εικόνα 9, η οποία πρακτικά δείχνει τη χρήση της κάθε μεταβλητής/δεδομένου για κάθε υπό εξέταση μέταλλο, το σύνολο των εκτελέσεων των μοντέλων για όλα τα μέταλλα χρησιμοποίησε τηλεπισκοπικά δεδομένα (κανάλια, δείκτες κ.α.) μόνο για τους μήνες Ιανουάριο και Φεβρουάριο, σε συνδυασμό με διάφορα άλλα δεδομένα όπως κλίση, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α. Επιπλέον, με εξαίρεση τα τηλεπισκοπικά δεδομένα, οι αμέσως επόμενες πιο σημαντικές μεταβλητές (υψηλά ποσοστά), όπως επιλέχθηκαν από τα μοντέλα ήταν η δορυφορική εικόνα νυχτερινού φωτισμού της περιοχής και η εγγύτητα στους δρόμους. Με βάση την Εικόνα 9:

• Τα μέταλλα χρώμιο και νικέλιο επηρεάζονταν ιδιαίτερα από γεωλογικούς και εδαφολογικούς παράγοντες
• Τα μέταλλα ψευδάργυρος, μόλυβδος και χαλκός επηρεάζονταν ιδιαίτερα από τοπολογικούς-ανθρωπογενείς παραμέτρους, όπως η εγγύτητα στους δρόμους, η απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.

Από τα παραπάνω προκύπτει πως οι συγκεντρώσεις των μετάλλων χρώμιο και νικέλιο επηρεάζονται κυρίως από περιβαλλοντικούς παράγοντες ενώ οι συγκεντρώσεις των μετάλλων ψευδάργυρος, μόλυβδος και χαλκός κυρίως από ανθρώπινες δραστηριότητες.

Φασματικοί/τηλεσκοπικοί δείκτες

Από τους τηλεπισκοπικούς δείκτες που υπολογίσθηκαν, αυτοί που χρησιμοποιήθηκαν περισσότερο ήταν ο tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index (η δημιουργία του οποίου βασίζεται στον πρώτο). Συγκεκριμένα, ο tasseled cap transformation ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα αρσενικό, ψευδάργυρο, μόλυβδο και χαλκό, ενώ ο BCI ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα χρώμιο, νικέλιο, ψευδάργυρο και μόλυβδο. Αυτό φαίνεται να οφείλεται στο γεγονός ότι αυτοί οι δύο δείκτες είναι οι μόνοι οι οποίοι μπορούν να προσδώσουν πληροφορίες τόσο για την ταξινόμηση των αστικών περιοχών (οι οποίες θεωρούνται αδιαπέραστες επιφάνειες) όσο και για τα επίπεδα και την αφθονία βλάστησης αλλά και τα επίπεδα υγρασίας των εδαφών στην υπό μελέτη περιοχή. Από την άλλη οι δείκτες NDVI, EVI, SAVI ήταν στις δέκα κορυφαίες μεταβλητές μόνο για το μοντέλο του αρσενικού, πράγμα το οποίο αποδίδεται στο γεγονός ότι οι κύριες πηγές εδαφικής ρύπανσης με αρσενικό είναι τα γεωργικά φάρμακα και τα λιπάσματα που χρησιμοποιούνται στη γεωργία. Συγκεκριμένα, ανεξέλεγκτη χρήση γεωργικών φαρμάκων και λιπασμάτων παράγουν πιο «πράσινη» βιομάζα ενώ συγχρόνως αυξάνουν τις συγκεντρώσεις αρσενικού στα εδάφη. Πράγματι, ο συντελεστής συσχέτισης Pearson μεταξύ αρσενικού και των τριών δεικτών ήταν πάνω από 0.3, πράγμα που υποδεικνύει θετική σχέση μεταξύ της εδαφικής ρύπανσης με αρσενικό και του επιπέδου πράσινης βιομάζας στις αγροτικές περιοχές του Κατάρ.

Προβλεπόμενοι χάρτες των υπό εξέταση μετάλλων

Οι τελικοί χάρτες που προέκυψαν από τις εκτελέσεις των μοντέλων για τα υπό εξέταση μέταλλα παρουσιάζονται στην Εικόνα 10. Όλοι οι χάρτες εμφάνισαν παρόμοια χωρική κατανομή των μετάλλων και ξεκάθαρα υποδεικνύουν υψηλή συσσώρευση αυτών στο βόρειο τμήμα του Κατάρ. Αυτό αποδίδεται σε ανθρωπογενείς δραστηριότητες και γεωλογικές κυρίως παραμέτρους. Στο βόρειο τμήμα του Κατάρ υπάγονται το μεγαλύτερο μέρος της βιομηχανίας και της γεωργίας της χώρας ενώ συγχρόνως η γεωλογία της συγκεκριμένης περιοχής επηρεάζει θετικά την απορρόφηση και τη συσσώρευση των μετάλλων αυτών στο έδαφος. Επιπρόσθετα, οι χάρτες πρόβλεψης για τα μέταλλα ψευδάργυρο, μόλυβδο και χαλκό υποδεικνύουν υψηλή συσσώρευση στο ανατολικό κομμάτι του Κατάρ, όπου βρίσκεται η πόλη Ντόχα. Αυτό αποδίδεται στη ραγδαία αστικοποίηση που εμφάνισε η πόλη τα τελευταία χρόνια. Πιθανώς, οφείλεται στην κατάθεση σωματιδίων μετάλλων από τον υπέρογκο πληθυσμό μηχανοκίνητων οχημάτων της περιοχής.

Συμπεράσματα

• Η χρήση πολυφασματικών δεδομένων (εικόνες Landsat 8, τηλεπισκοπικοί δείκτες) σε συνδυασμό με περιβαλλοντικές παραμέτρους (γεωλογικής, εδαφολογικής, γεωμορφολογικής, ανθρωπογενής φύσεως) διαμέσου της μοντελοποίησης που προσφέρει το Cubist έδωσαν ιδιαίτερα ικανοποιητικά αποτελέσματα πρόβλεψης εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων.
• Τα τηλεπισκοπικά δεδομένα Ιανουαρίου και Φεβρουαρίου, ήταν αυτά που επιλέχθηκαν και χρησιμοποιήθηκαν περισσότερο από τα μοντέλα, εξαιτίας της εποχιακής μεταβλητότητας του κλίματος του Κατάρ.
• Το θέμα με τη νεφοκάλυψη στις τηλεπισκοπικές απεικονίσεις ήταν ο κυριότερος περιορισμός της έρευνας, καθώς οι τηλεπισκοπικές απεικονίσεις με έντονο το φαινόμενο της νεφοκάλυψης απορρίφθηκαν. Μεταξύ αυτών ήταν και η απεικόνιση του Κατάρ για το μήνα Μάρτιο που όπως ερευνήθηκε ήταν η μεταβλητή που θα συνέβαλε περισσότερο στη βαθμονόμηση των μοντέλων.
• Οι δείκτες που χρησιμοποιήθηκαν σε μεγαλύτερο ποσοστό από τα μοντέλα ήταν οι tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index.
• Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων χαλκός, ψευδάργυρος και μόλυβδος επηρεάζονταν κυρίως από ανθρωπογενείς παραμέτρους.
• Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων αρσενικό, χρώμιο και νικέλιο επηρεάζονταν κυρίως από γεωλογικούς και εδαφολογικούς παραμέτρους.
• Χρήση περισσότερων μεταβλητών/δεδομένων μπορεί να αυξήσει την ακρίβεια πρόβλεψης των μοντέλων.
• Η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.
• Για την εξακρίβωση της ποιότητας των αποτελεσμάτων απαιτούνται παρόμοιες έρευνες με τηλεπισκοπικά δεδομένα μεγαλύτερης ανάλυσης, ακρίβειας και χρονικής κάλυψης (π.χ. Sentinel 2).