Applying Remotely Sensed Environmental Information to Model Mosquito Populations

'''Πρωτότυπος τίτλος:''' ''Applying Remotely Sensed Environmental Information to Model Mosquito Populations ''

'''Συγγραφείς: ''' Maria Kofidou, Michael de Courcy Williams, Andreas Nearchou, Stavroula Veletza, Alexandra Gemitzi, Ioannis Karakasiliotis 

'''Δημοσιεύθηκε: '''  ''Sustainability 2021, 13(14), 7655; https://doi.org/10.3390/su13147655'' 

'''Λέξεις κλειδιά: ''' πληθυσμοί κουνουπιών, υδάτινες περιοχές, NDVI, LST, τηλεπισκόπηση 

'''Αντικείμενο εφαρμογής: '''Something '''

[[Αρχείο:Mosquito1.jpeg | thumb| right|'''Εικόνα 1.''' '' Περιοχή μελέτης και τοποθεσίες παρακολούθησης.'' ]]
[[Αρχείο:Mosquito2.jpeg | thumb| right|'''Εικόνα 2.''' '' Σχέδιο μεταφοράς της χρονικής ανάλυσης MODIS LST στο LST του Landsat 8.'' ]]
[[Αρχείο:Mosquito3.jpeg | thumb| right|'''Εικόνα 3.''' '' Μέσος αριθμός κουνουπιών ανά τοποθεσία κατά τη διάρκεια της περιόδου μελέτης. '' ]]
[[Αρχείο:Mosquito4.jpeg | thumb| right|'''Εικόνα 4.''' '' Μέσος αριθμός κουνουπιών ανά ( α ) Υδατική περιοχή, ( β ) Υψόμετρο, ( γ ) LST, ( δ ) NDVI, ( ε ) Ημερομηνία Ιουλιανού.'' ]]
[[Αρχείο:Mosquito5.jpeg | thumb| right|'''Εικόνα 5.''' '' Αρχιτεκτονική του νευρωνικού δικτύου.'' ]]
[[Αρχείο:Mosquito6.jpeg | thumb| right|'''Εικόνα 6.''' '' Σχετική σημασία για κάθε μεταβλητή εισόδου στο MLP NN.'' ]]
[[Αρχείο:Mosquito7.jpeg | thumb| right|'''Εικόνα 7.''' '' Αριθμός αναφερόμενων περιπτώσεων με εργαστηριακά διαγνωσμένη νόσο WNV (WNF με WNND και χωρίς WNND) με μέσο LST σε δήμους εντός και κοντά στην περιοχή μελέτης. Τα δεδομένα ανακτώνται από τον Εθνικό Οργανισμό Δημόσιας Υγείας της Ελλάδος (ΕΟΔΥ) και αναφέρονται ανά πιθανό δήμο έκθεσης.'' ]]



'''<span style="color:#006400"> 1. ΕΙΣΑΓΩΓΗ  </span>'''

<p align="justify">Υπάρχουν προγράμματα ελέγχου κουνουπιών που έχουν εφαρμοστεί εκτενώς σε πολλές χώρες με σκοπό τη μείωση των επιπτώσεων και της εξάπλωσης λοιμώξεων και ασθενειών, στοχεύοντας στη μείωση της μακροβιότητας των φορέων, της πυκνότητας πληθυσμού τους, της επαφής τους με ανθρώπους και της έντασης της ελονοσίας. Οι αλλαγές στη χρήση γης επηρεάζουν τα χαρακτηριστικά του περιβάλλοντος, όπως την ποιότητα του νερού και την βλάστηση, επιδρώντας στους πληθυσμούς  των κουνουπιών. Επιπλέον, οι ανθρωπογενείς αλλαγές στο τοπίο μπορούν να μειώσουν τη βιοποικιλότητα των κουνουπιών και να οδηγήσουν σε πολλαπλασιασμό των φορέων ασθενειών.</p>
<p align="justify">Προηγούμενες μελέτες έχουν χρησιμοποιήσει Γεωγραφικά Πληροφοριακά Συστήματα (GIS) για την εξέταση των περιβαλλοντικών αλλαγών σε σχέση με την επιδημιολογία της ελονοσίας. Έχουν εκτιμηθεί πιθανές περιοχές για εμφάνιση ελονοσίας στην Ελλάδα, ενώ άλλες μελέτες έχουν χρησιμοποιήσει δορυφορικά δεδομένα για τη μοντελοποίηση της ελονοσίας, της νόσου ντενγκέ και του ιού του Δυτικού Νείλου. Η χρήση δορυφορικών μοντέλων προβλέπει τον κίνδυνο για ελονοσία και εξετάζει τις δυνατότητες για ανάπτυξη συστημάτων προειδοποίησης για την εμφάνισή της. Μελέτες έχουν εξετάσει πως οι δείκτες NDVI και LST επηρεάζουν τον πληθυσμό των κουνουπιών σε περιοχές της Βορειοδυτικής Αργεντινής όπου έχει εμφανιστεί ελονοσία.</p>
<p align="justify">Είναι γνωστό ότι παράγοντες όπως η βροχόπτωση, η θερμοκρασία και η υγρασία επηρεάζουν τη μετάδοση της ελονοσίας, καθώς επηρεάζουν την ανάπτυξη και επιβίωση τόσο των κουνουπιών όσο και των παρασίτων που τη φέρουν. Διάφοροι ερευνητές έχουν υπογραμμίσει ότι σε φυσικές πηγές νερού, όπως λιμνούλες, αναπτύσσονται οι πληθυσμοί των κουνουπιών και αποτελούν δυνητικά εστία εκτροφής τους.</p>
<p align="justify">Ενώ έχουν γίνει προσπάθειες να εφαρμοστούν τεχνικές τηλεπισκόπησης και μηχανικής μάθησης για την αποτύπωση της κατανομής και του πληθυσμού των κουνουπιών, πρόσφατες μελέτες υποδεικνύουν την έλλειψη μελετών σχετικά με την εφαρμογή τηλεπισκόπησης και μηχανικής μάθησης σε επιδημιολογικές μελέτες. Στην μελέτη των Scavuzzo et al, χρησιμοποιήθηκαν δεδομένα (MODIS)-derived NDVI, LST και NDWI σε συνδυασμό με δεδομένα υετού TRMM για τη μοντελοποίηση των πληθυσμών των κουνουπιών. Στην παρούσα εργασία, χρησιμοποιήθηκαν δεδομένα LST και NDVI για την ανάπτυξη προγνωστικού μοντέλου για τη χωρική και χρονική κατανομή των πληθυσμών των κουνουπιών. Ως εκ τούτου, τα δεδομένα τηλεπισκόπησης NDVI και LST που αποκτήθηκαν από το Landsat 8 σε χωρική ανάλυση 30 m ανα 16 ημέρες χρησιμοποιήθηκαν για την ανάπτυξη και τη δοκιμή ενός MLP ANN για την πρόβλεψη πληθυσμών κουνουπιών. Το μοντέλο εκπαιδεύτηκε και δοκιμάστηκε στους νομούς Ξάνθης και Δράμας (ΒΑ Ελλάδα) από τον Ιούλιο έως τον Οκτώβριο του 2019.</p>



'''<span style="color:#006400"> 2. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΛΟΓΙΑ </span>''' 

<u>Περιγραφή Περιοχής Μελέτης</u>
<p align="justify">Η περιοχή μελέτης βρίσκεται στη βορειοανατολική Ελλάδα και πραγματοποιήθηκε σε δεκαεπτά τοποθεσίες στις νομαρχίες Ξάνθης και Δράμας (Εικόνα 1). Η περιοχή αυτή περιλαμβάνει παράκτιες, ορεινές και πεδινές περιοχές. Το τοπίο έχει κυρίως καλλιέργειες όπως βαμβάκι, σιτάρι, ηλιόσπορο, κηπευτικά (ντομάτα, καλαμπόκι, κολοκύθια, κ.λπ.) και καπνό.</p>
<p align="justify">Στην περιοχή μελέτης υπάρχουν διάφοροι τύποι κάλυψης γης. Για παράδειγμα, οι παράκτιες τοποθεσίες Αη Γιάννη και Πόρτο Λάγος βρίσκονται εντός ενός παράκτιου υγροτόπου. Οι τοποθεσίες Εράσμιο, τα Μάγγανα και τα Άβδηρα βρίσκονται κοντά στην παράκτια ζώνη και έχουν έντονη γεωργική δραστηριότητα. Άλλες περιοχές είναι ημιορεινές, δομημένες ή βιομηχανικές όπως είναι η πόλη της Δράμας και άλλες είναι τυπικοί αγροτικοί οικισμοί περιτριγυρισμένοι από γεωργική γη.</p>
<p align="justify">Σύμφωνα με τον Κλιματικό Άτλαντα της Εθνικής Μετεωρολογικής Υπηρεσίας της Ελλάδας, η Ελλάδα χαρακτηρίζεται από ποικίλα εδάφη που διαχωρίζουν τη χώρα σε κλιματικές ζώνες. Οι κύριες κλιματικές ζώνες της περιοχής μελέτης κυμαίνονται από το θερμό-καλοκαιρινό μεσογειακό κλίμα στις παράκτιες ζώνες, σε πιο εύκρατους κλιματικούς τύπους προς τα βόρεια.</p>

<u>Περιγραφή του Συνόλου Δεδομένων</u>
<u>Πειραματικό Πλαίσιο</u>
<p align="justify">Για τη συλλογή και αναγνώριση των ενηλίκων κουνουπιών χρησιμοποιήθηκαν παγίδες φωτός CDC με δόλωμα CO2. Τα δείγματα αποθηκεύτηκαν στους -80 °C για να διατηρηθούν. Η ταυτοποίηση θηλυκών έγινε με ταυτοποίηση των εξωτερικών μορφολογικών τους χαρακτηριστικών και COI (Cytochrome oxidase subunit I) barcoding από ένα αποκομμένο πόδι.</p>
<p align="justify">Για να ταυτοποιηθούν τα είδη των κουνουπιών πραγματοποιήθηκε σχετική ανάλυση. Για το barcoding του DNA τους χρησιμοποιήθηκε, όπου ενδείκνυνταν, το πρότυπο COI PCR και το Sanger Sequencing. </p>

<u>Σύνολα δεδομένων τηλεπισκόπησης και περιβαλλοντικών δεδομένων</u>
<p align="justify">Για να μελετηθούν οι συνθήκες ανάπτυξης των κουνουπιών στις περιοχές μελέτης χρησιμοποιήθηκε ο δείκτης NDVI. Επιπλέον, σημαντική κλιματική μεταβλητή αποτελεί ο δείκτης LST που αποτυπώνει τη θερμοκρασία της επιφάνειας της Γης και χρησιμοποιείται για εκτίμηση της εξάτμισης, της υγρασίας του εδάφους και των επιπτώσεων της κλιματικής αλλαγής.</p>
<p align="justify">Δεδομένου ότι τα κουνούπια αναπτύσσονται και πολλαπλασιάζονται στο νερό, λήφθηκε υπόψιν η διάρκεια εκκόλαψης, η διάρκεια ζωής της προνύμφης και του κάθε είδους κουνουπιού και η  περιοχή που καλύπτεται από νερό γύρω από τα σημεία παρακολούθησης. Χρησιμοποιήθηκαν οι δείκτες NDVI και LST σε διάφορες χρονικές στιγμές για να εντοπιστεί συσχέτιση με τα δεδομένα του πληθυσμού των κουνουπιών. Τα δεδομένα NDVI συλλέχθηκαν από τον Landsat 8 OLI, με χωρική ανάλυση 30 m και δεδομένα ανά 16 ημέρες, θεωρώντας πως σε διάρκεια 16 ημερών το  NDVI δεν αλλάζει σημαντικά κατά τις περιόδους παρατήρησης (29 Ιουνίου 2019 έως 29 Σεπτεμβρίου 2019). Για τη μελέτη των δεδομένων LST χρησιμοποιήθηκε ο MODIS daytime LST με χωρική ανάλυση 1 km, και στη συνέχεια τα δεδομένα μεταφέρθηκαν στον LST του Landsat 8 (Εικόνα 2).</p>

<u>Ανάπτυξη Μοντέλου</u>
<p align="justify">Τα μοντέλα τεχνητών νευρωνικών δικτύων (ANNs) ανήκουν στην ευρύτερη κατηγορία μοντέλων μηχανικής μάθησης. Προσπαθούν να μιμηθούν τον τρόπο με τον οποίο οι νευρώνες μεταδίδουν σήματα μέσα στον ανθρώπινο εγκέφαλο, με σκοπό να επιτρέψουν στους υπολογιστές να μάθουν να εκτελούν συγκεκριμένες εργασίες αναλύοντας σύνολα δεδομένων εκπαίδευσης.  
Στην παρούσα εργασία, αναπτύχθηκε, εκπαιδεύτηκε και εφαρμόστηκε Νευρωνικό Δίκτυο Πολλαπλών Στρωμάτων (MLP) ANN για την πρόβλεψη των πληθυσμών κουνουπιών, που περιελάμβανε τους 17 τοποθετημένους σταθμούς στη ΒΔ Ελλάδα (Εικόνα 1). Αυτό έγινε καθώς  η μοντελοποίηση των δεδομένων καθίσταται δύσκολη, αφού υπάρχουν 17 διαφορετικές ομάδες πληθυσμών κουνουπιών, έλλειψη σαφούς συσχετισμού των πληθυσμών κουνουπιών με τις παραμέτρους NDVI και LST, το υψομέτρο και τις περιοχές με νερο. Έτσι, αναπτύχθηκε, εκπαιδεύτηκε και εφαρμόστηκε το Νευρωνικό Δίκτυο Πολλαπλών Στρωμάτων (MLP) ANN και η μοντελοποίηση και πρόβλεψη των πληθυσμών κουνουπιών πραγματοποιήθηκε με τη χρήση συγκεκριμένων συναρτήσεων αξιοποιώντας τα. 
Για να βελτιστοποιηθεί το μοντέλο, δοκιμάστηκαν διαφορετικά σχήματα αλλάζοντας τον αριθμό των κρυφών επιπέδων και των κρυφών κόμβων. 
Η απόδοση του μοντέλου αξιολογήθηκε με το Μέσο Τετραγωνικό Σφάλμα (MSE), το Scaled Root Mean Squared Error (𝑅∗) και την Αποτελεσματικότητα Μοντέλου Nash–Sutcliffe (NSE). 
Η εκπαίδευση του ANN έγινε με τυχαία επιλογή του 75% του συνόλου των δεδομένων και ελέγχθηκε με τα δεδομένα δοκιμής να είναι το υπόλοιπο 25%. Η γενίκευση του μοντέλου βελτιώθηκε με μια διαδικασία επαναληπτικής επικύρωσης 100 φορές, και ως τελική μέτρηση απόδοσης χρησιμοποιήθηκε ο μέσος όρος των τιμών των 100 μετρήσεων.
Τέλος, μελετήθηκε η σημασία των μεταβλητών εισόδου με την τεχνική βάρους σύνδεσης.
</p>


'''<span style="color:#006400"> 3. ΑΠΟΤΕΛΕΣΜΑΤΑ  </span>''' 

<u>Εκτίμηση Παραμέτρων</u>
<p align="justify">Συνολικά συλλέχθηκαν 7653 κουνούπια από παγίδες στη Βόρεια Ελλάδα. Η ταυτοποίηση έγινε μορφολογικά και, όταν απαιτούνταν, με χρήση DNA barcoding. Κάποιες τοποθεσίες, όπως το Πόρτο Λάγος, Αη Γιάννης και Μαγγανά, είχαν το 62.17% του συνολικού αριθμού κουνουπιών (Εικόνα 3). Περιβαλλοντικοί παράγοντες όπως η περιοχή νερού, το υψόμετρο, ο δείκτης LST, ο δείκτης NDVI και η Ημερομηνία Julian αξιολογήθηκαν σε σχέση με τον πληθυσμό των κουνουπιών. Η υψηλότερη συσχέτιση με τους πληθυσμούς κουνουπιών παρατηρήθηκε σε χρονική καθυστέρηση 13 ημερών στους δείκτες LST και NDVI. Παρατηρήθηκε αύξηση του πληθυσμού των κουνουπιών παράλληλα με την αύξηση στο LST και στις τιμές NDVI μεταξύ 0,27–0,39 (Εικόνα 4). Λόγω των πολύπλοκων και ετερογενών δεδομένων, χρησιμοποήθηκαν μοντέλα μηχανικής μάθησης, συγκεκριμένα ένα μοντέλο Νευρωνικού Δικτύου MLP, γιατί παρέχει εναλλακτική λύση σε σχέση με τα παραδοσιακά μοντέλα παλινδρόμησης.</p>

<u>Αποτελέσματα Μοντέλου</u>
<p align="justify">Η βέλτιστη αρχιτεκτονική του MLP Νευρωνικού Δικτύου περιλάμβανε δύο κρυφά επίπεδα με τρεις και δύο κρυφούς νευρώνες αντίστοιχα. (Εικόνα 5)</p>

<p align="justify"> Το μοντέλο εμφάνισε απόδοση με μια διαδικασία επαναλαμβανόμενης επικύρωσης 100 φορές, με μέσες τιμές MSE = 739, RMSE (R*) = 0,162 και NSE = 0,83. Επιπλέον αναδείχθηκε η σημασία του LST και της περιοχής νερού ως κυριότερων παραγόντων που επηρεάζουν τους πληθυσμούς των κουνουπιών (Εικόνα 6). </p>

<p align="justify">Ελέγχοντας το μοντέλο σε σχέση με περιστατικά εμφάνισης του Ιού του Δυτικού Νείλου (WNV) σε δήμους γύρω από την περιοχή μελέτης, επιβεβαιώθηκε η ισχυρή συσχέτιση μεταξύ του μέσου LST και των αναφερθέντων περιπτώσεων WNV (Εικόνα 7). </p>


'''<span style="color:#006400"> 4. ΣΥΖΗΤΗΣΗ & ΣΥΜΠΕΡΑΣΜΑΤΑ </span>''' 

<p align="justify">Παρατηρείται ότι η αύξηση του πληθυσμού των κουνουπιών, και έτσι ο κίνδυνος μετάδοσης ασθενειών που μεταφέρονται από αυτά, μπορεί να προβλεφθεί με χρήση αισθητήρων απομακρυσμένης ανίχνευσης, όπως ο Landsat 8, σε συνδυασμό με μοντέλα τεχνητών νευρωνικών δικτύων. Η μεθοδολογία που αξιοποιήθηκε χρησιμοποιεί ένα ανοικτό, δωρεάν προσβάσιμο εργαλείο, ενώ οι εκτιμήσεις του  μοντέλου επιτρέπουν την πρόβλεψη της ποσότητας κουνουπιών 13 ημέρες πριν την επιθυμητή ημερομηνία. Φάνηκε ότι ο δείκτης LST αποτελεί μακράν τη σημαντικότερη παράμετρο πρόβλεψης, χωρίς να υποβαθμίζεται η σημαντικότητα των άλλων παραμέτρων, αφού σημασία μπορεί να έχει η και τοποθεσία, το είδος των κουνουπιών και άλλες παράμετροι. Επιπλέον, τα αποτελέσματα ενισχύουν την άποψη ότι η επίδραση των περιβαλλοντικών παραμέτρων είναι πολύ σημαντική, ενώ η πραγματική αύξηση των πληθυσμών κουνουπιών μπορεί να προβλεφθεί με ακρίβεια χρησιμοποιώντας χρονοσειρές τηλεανιχνευόμενων πληροφοριών.</p>