Αξιολόγηση της πιθανότητας ξηρασίας για τις γεωργικές περιοχές της Αφρικής με τηλεπισκοπική απεικόνιση χονδρικής ανάλυσης

Από RemoteSensing Wiki

Παρούσα αναθεώρηση της 15:56, 18 Ιανουαρίου 2020

Αξιολόγηση της πιθανότητας ξηρασίας για τις γεωργικές περιοχές της Αφρικής με τηλεπισκοπική απεικόνιση χονδρικής ανάλυσης

Συγγραφείς: O. Rojas, A. Vrieling, F. Rembold

[1]

Εικόνα 1: Διάγραμμα ροής

Εικόνα 2: Ποσοστό της γεωργικής έκτασης που επλήγη από την ξηρασία κατά την πρώτη καλλιεργητική περίοδο (VHI<35) από το 1982 έως το 2010 (οι εποχές 1994/95 και 2009/10 δεν είναι πλήρεις)

Εικόνα 3: Πιθανότητα εμφάνισης μεγαλύτερης από 30% (Α) ή άνω του 50% (Β) της γεωργικής έκτασης που επλήγη από την ξηρασία κατά διοικητική μονάδα (1) κατά την πρώτη καλλιεργητική περίοδο (2) κατά τη δεύτερη συγκομιδή

ΠΕΡΙΛΗΨΗ

Η ξηρασία αποτελεί μία από τις πιο συνηθισμένες κλιματολογικές καταστροφές κατά μήκος ενός μεγάλου τμήματος της Αφρικανικής ηπείρου, προκαλώντας δυσμενείς συνέπειες στις καλλιέργειες. Η εργασία αυτή συστήνει μια καινοτόμο μέθοδο για τον υπολογισμό της εμπειρικής πιθανότητας ένα ενδεχόμενο ξηρασίας να επηρεάσει ένα σημαντικό μέρος της καλλιεργήσιμης έκτασης σε εθνικό επίπεδο. Χρησιμοποιήθηκε ο δείκτης υγιούς βλάστησης (VHI) από τον ραδιομετρικό δέκτη πολύ υψηλής ανάλυσης (AVHRR) ως κύριο μέσο ανίχνευσης ξηρασίας, σε επίπεδο κάθε χώρας ξεχωριστά. Επιπλέον, χρησιμοποιήθηκε ένα φαινολογικό μοντέλο βασισμένο στη δείκτη NDVI. Ο δείκτης VHI, σύμφωνα με το φαινολογικό μοντέλο, αποδείχθηκε έγκυρος δείκτης ξηρασίας, ενώ είναι υψηλά συσχετισμένος με τα φαινόμενα ξηρασίας στην Αφρική κατά την περίοδο 1981-2009.

1.Εισαγωγή

Η γεωργική ξηρασία στις Αφρικανικές χώρες έχει προκαλέσει προβλήματα στα υδατικά αποθέματα, στην αγροτική και κτηνοτροφική παραγωγή, ενώ είναι η αιτία για ξεσπάσματα λιμού, επιδημιών και μετατόπισης πληθυσμών (Gommes & Petrassi, 1994). Επομένως, η αναγνώριση και πρόβλεψη της ξηρασίας είναι αναγκαία για τον προγραμματισμό και την αποτελεσματικότητα της διάθεσης των τροφίμων. Ένας περιορισμός αυτής της πρόβλεψης είναι τα ελλιπή βροχομετρικά δεδομένα, αποτέλεσμα των χωρικών κενών που αφήνουν οι αντίστοιχοι σταθμοί της κάθε χώρας. Έτσι, τα δεδομένα αυτά αντικαθιστώνται από αντίστοιχα ατμοσφαιρικά, τα οποία με τη σειρά τους περιέχουν σφάλματα. Τα σφάλματα, αυτά, δεν μπορούν να απαλειφθούν λόγω της έλλειψης επίγειων μετρήσεων. Το πληροφοριακό, αυτό, έλλειμμα έρχονται να καλύψουν τεχνικές που αφορούν άμεσα τις καλλιέργειες και σχετίζονται με το φύλλωμά τους (Verdin et al., 2005). Μία τέτοια τεχνική είναι ο δείκτης NDVI, ο οποίος αξιοποιεί την ανακλώμενη ακτινοβολία της πράσινης βλάστησης στο κόκκινο και στο εγγύς υπέρυθρο φάσμα της ακτινοβολίας. Ο δείκτης αυτός, επηρεάζεται ακόμα από την εδαφική υγρασία και μπορεί να δημιουργηθεί αξιοποιώντας -δωρεάν- δορυφορικά δεδομένα από δέκτες όπως οι MODIS, SPOT, VEGETATION και από τον AVHRR, ο οποίος αν και έχει την χαμηλότερη χωρική ανάλυση, προσφέρει μεγαλύτερες χρονοσειρές ακόμα και στο θερμικό κανάλι.

2.Υλικά και μέθοδοι

2.1 Δεδομένα

Τα κυρίως δεδομένα είναι οι μακράς διάρκειας χρονοσειρές του NOAA AVHRR και αξιοποιήθηκαν ως:

• Δείκτης υγιούς βλάστησης (VHI) από το κέντρο για Δορυφορικές Εφαρμογές και Έρευνα (STAR) της Εθνικής Περιβαλλοντικής δορυφορικής υπηρεσίας δεδομένων και πληροφοριών (NESDIS) (εβδομαδιαία δεδομένα, 16 χμ ανάλυσης, 1981-2010).
• Δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI) από τη NASA (δεδομένα ανά 15 ημέρες, 8 χμ ανάλυση, 1981-2010).

Χρησιμοποιήθηκαν δύο επιπλέον πηγές χωρικών δεδομένων: μάσκα καλλιέργειας (FAO και GLC2000) και όρια διοικητικών περιοχών (GAUL).

2.2 Μεθοδολογία

2.2.1 Δείκτης υγιούς βλάστησης (VHI)

Ο δείκτης υγιούς βλάστησης (VHI) (Kogan, 1995) έχει χρησιμοποιηθεί σε διάφορες κλιματολογικές συνθήκες ανά την υφήλιο και συνδυάζει τους δείκτες VCI (Δείκτης Κατάστασης Βλάστησης) και TCI (Δείκτης Κατάστασης Θερμοκρασίας), όπου:

VCIi = 100*(NDVIi–NDVImin)/(NDVImax–NDVImin) και

TCIi = 100*(Tmax–Ti)/( Tmax–Tmin).

Ο VCI χρησιμοποιείται για την ποσοτικοποίηση των επιπτώσεων των καιρικών συνθηκών και ο TCI για την απαλοιφή της ατμοσφαιρικής επίδρασης.

Έτσι, ο VHI είναι:

VHIi =w1*VCIi +w2*TCIi, με w1=w2=0.5 και αντιστοιχεί στο βάρος που δίνεται στον κάθε δείκτη.

2.2.2 Μάσκα καλλιέργειας

Για τη δημιουργία της μάσκας μελετήθηκαν διάφορες ετήσιες καλλιέργειες σύμφωνα με τον FAΟ και την GLC2000, όπως ρύζι, σιτάρι κ.α.

2.2.3 Προσδιορισμός της βέλτιστης περιόδου ενσωμάτωσης του VHI για τις γεωργικές περιοχές (χρονική συσσωμάτωση)

Ο δείκτης VHI υπολογίστηκε για κάθε εβδομάδα σύμφωνα με τον NDVI για τη χρονική περίοδο που ξεκινά από τον Ιούνιο (SOS) και τελειώνει τον Οκτώβριο (EGF=EOS-6 εβδομάδες) κάθε έτους. Αυτή κρίνεται ότι είναι η πιο κρίσιμη περίοδος της ανάπτυξης των καλλιεργειών για το σύνολο της Αφρικής (White et al., 1997). Από τα εβδομαδιαία δεδομένα υπολογίστηκε ο μέσος όρος κάθε έτους.

2.2.4. Γεωγραφική συσσωμάτωση VHI

Σύμφωνα με το διάγραμμα ροής (Εικόνα 1) φαίνεται η διαδικασία προσδιορισμού της γεωγραφικής συσσωμάτωσης του VHI. Ιδιαίτερη προσοχή δόθηκε ώστε μόνο όσα pixels καλύπτονται τουλάχιστον κατά 25% από την μάσκα καλλιέργειας και βρίσκονται εντός των διοικητικών περιοχών (Genovese et al., 2001). Τα pixels αυτά πήραν ανάλογες τιμές βάρους.

2.2.5. Χαρτογράφηση πιθανοτήτων

Χρησιμοποιήθηκαν δύο αυθαίρετα κατώφλια για τον υπολογισμό της πιθανότητας ξηρασίας, ένα στο 30% και ένα στο 50% (VHI<35) (Εικόνα 2). Αν σε μια διοικητική περιφέρεια το 30% της καλλιεργούμενης έκτασης επηρεάζεται από ξηρασία, τότε περισσότερα αγροτικά νοικοκυριά βιώνουν τις συνέπειες. Αν το 50% της καλλιεργούμενης έκτασης επηρεάζεται από ξηρασία, τότε έχουμε ένα ακραίο ξέσπασμα ξηρασίας με πιθανότητα P.

3. Αποτελέσματα

3.1 Μάσκα καλλιέργειας, SOS και EGF

Γενικά, το φαινολογικό μοντέλο είναι πιο αξιόπιστο για τις ομοιογενείς περιοχές με μικρή υγρή περίοδο. Επιπλέον, το μοντέλο διακρίνει κλιματικά πρότυπα μεταξύ περιοχών με διαφορετικές καλλιέργειες.

3.2 Μέσος όρος VHI για την καλλιεργητική περίοδο και ποσοστό της γεωργικής έκτασης που πλήττεται από την ξηρασία

Ο μέσο όρος του VHI υποδεικνύει την εμμονή της ξηρασίας κατά τη διάρκεια της καλλιεργητικής περιόδου. Μάλιστα, ο υπολογισμός του ποσοστού της συνολικής επηρεαζόμενης από την ξηρασία καλλιεργήσιμης έκτασης αναλύει την χωρική επίδραση της ξηρασίας σε υποεθνικό επίπεδο κατά την περίοδο της μεγαλύτερης υδατικής πίεσης. Η σημαντικότερη ξηρασία παρατηρήθηκε στην περιοχή Σαχέλ (Ανατολική Αφρική) το 1984. Άλλα σημαντικά ξεσπάσματα ξηρασίας αποδείχθηκε ότι ήταν αυτές του 1991/92 στη Ν. Αφρική και του 1997 στην Αλγερία και Μαρόκο. Η ανάλυση του ποσοστού της έκτασης που επηρεάζεται από ξηρασία σε διαφορετικές χωρικές κλίμακες (ηπειρωτικό, περιφερειακό, εθνικό, υποεθνικό), δηλώνει την ευελιξία της μεθοδολογίας αυτής, με σκοπό διάφορες διεθνείς επιτροπές να μπορούν να κατανοήσουν αποτελεσματικότερα το φαινόμενο της ξηρασίας, την έντασή του και τους τρόπους αντιμετώπισής του.

3.3Εμπειρικές πιθανότητες σε υποεθνικό επίπεδο.

Τα κατώφλια του 30% και 50% μπορούν ανάλογα με την περιοχή και τη μελέτη να μεταβάλλονται συνυπολογίζοντας παράγοντες όπως ο πληθυσμός, η οικονομία κλπ εκτός από τις διοικητικές περιφέρειες (Εικόνα 3).

4. Συζήτηση και συμπεράσματα

Η μεθοδολογία έδωσε δόκιμα αποτελέσματα στην καταγραφή ιστορικών ξηρασιών στην Αφρικανική ήπειρο. Επίσης, έγινε γεωγραφικός προσδιορισμός των πιο ευαίσθητων περιοχών. Σε συνδυασμό με τις αυξητικές τάσεις του πληθυσμού στις Αφρικανικές χώρες, μπορεί να γίνει καλύτερος σχεδιασμός στις καλλιεργητικές στρατηγικές και στη διάθεση του νερού. Ωστόσο, η εργασία αφορά τη γεωργική ξηρασία. Η περαιτέρω ανάλυση ενσωματώνοντας άλλους τομείς, όπως κοινωνία ή οικονομία, αλλά και επιπλέον δείκτες, όπως δεδομένα βροχόπτωσης, μπορεί να δώσουν αποτελέσματα σε ακόμα μικρότερη χωρική κλίμακα, με προσοχή πάντα στις μικρές προσαρμογές που πρέπει να εφαρμοστούν. Έτσι, μπορούν να χρησιμοποιηθούν διαφορετικά κατώφλια ή να ληφθούν υπόψη διάφορες καλλιεργητικές περίοδοι. Τέλος, σε όλα τα ανωτέρω πρέπει να συμπεριληφθεί η κλιματική αλλαγή, η οποία μπορεί να υπολογιστεί, προκαταρκτικά, από το τελικό εξαγόμενο της πιθανότητας της ξηρασίας που προτείνει η εργασία αυτή, ενώ μέσω λεπτομερούς ανάλυσης μπορούν να εφαρμοστούν στρατηγικές για άμβλυνση του φαινομένου, τόσο της ξηρασίας όσο και της κλιματικής αλλαγής.

Αναφορές

Genovese, G., Vignolles, C., Nègre, T., & Passera, G. (2001). A methodology for a combined use of normalized difference vegetation index and CORINE land cover data for crop yield monitoring and forecasting. A case study on Spain. Agronomie, 21(1), 91-111.

Gommes, R., & Petrassi, F. (1994). Rainfall variability and drought in sub-Saharan Africa since 1960. FAO Agrometeorology Series Working Papers No. 9 100 pp.

Kogan, F. (1995). Application of vegetation index and brightness temperature for drought detection. Advances in Space Research, 15, 91-100.

Verdin, J., Funk, C., Senay, G., & Choularton, R. (2005). Climate science and famine early warning. Philosophical Transactions of the Royal Society, 360, 2155-2168.

White, M. A., Thornton, P. E., & Running, S. W. (1997). A continental phenology model for monitoring vegetation responses to inter-annual climatic variability. Global Biogeochemical Cycles, 11(2), 217-234.