Μια προσέγγιση για την πρόβλεψη της μετανάστευσης αφρικανικής μέλισσας χρησιμοποιώντας τηλεπισκόπηση
Από RemoteSensing Wiki
Γραμμή 12: | Γραμμή 12: | ||
'''Λέξεις-Κλειδιά:''' Μέλισσες, δείκτης βλάστησης, NDVI, Τέξας | '''Λέξεις-Κλειδιά:''' Μέλισσες, δείκτης βλάστησης, NDVI, Τέξας | ||
- | [[Εικόνα: | + | [[Εικόνα:ar6eik1.jpg| thumb| right|'''Πίνακας 1:''' Οι πόλεις σε ομάδες εκπαίδευσης αριθ. 1 και 2 με αριθμούς αποικιών Αφρικανικής Μέλισσας (1992)]] |
+ | |||
+ | [[Εικόνα:ar6eik2.jpg| thumb| right|'''Πίνακας 2:''' Χώρες που περιλαμβάνονται στις ομάδες 1994α και 1994β.]] | ||
+ | |||
+ | [[Εικόνα:ar6eik3.jpg| thumb| right|'''Σχήμα 1:''' Σχέδιο χρονολογικών σειρών ελάχιστων σύνθετων δεδομένων NDVI για σύνολα εκπαίδευσης αριθ. 1 και 2.]] | ||
+ | |||
+ | [[Εικόνα:ar6eik4.jpg| thumb| right|'''Πίνακας 3:''' Αποτελέσματα της διαδικασίας πρόβλεψης]] | ||
+ | |||
+ | [[Εικόνα:ar6eik5.jpg| thumb| right|'''Εικόνα 1:''' Χάρτες περιοχών εκπαίδευσης αριθ. 1 και 2.]] | ||
+ | |||
+ | [[Εικόνα:ar6eik6.jpg| thumb| right|'''Εικόνα 1:''' Χάρτες των ομάδων δοκιμών 1994α και 1994β]] | ||
+ | |||
Γραμμή 35: | Γραμμή 46: | ||
ρ = (Χ, Υ)/{||Χ|| ||Υ||} , | ρ = (Χ, Υ)/{||Χ|| ||Υ||} , | ||
- | + | όπου (Χ, Υ) αντιπροσωπεύει το εσωτερικό προϊόν των φορέων Χ και Υ, και ||Χ|| και ||Υ|| αντιπροσωπεύουν το Ευκλείδιο πρότυπο των φορέων X και Y, αντίστοιχα. | |
Παρούσα αναθεώρηση της 20:57, 23 Ιανουαρίου 2020
Μια προσέγγιση για την πρόβλεψη της μετανάστευσης αφρικανικής μέλισσας χρησιμοποιώντας τηλεπισκόπηση
Πρωτότυπος τίτλος: An approach to predict Africanized honey bee migration using remote sensing
Συγγραφείς: Charles A. Ward, Scott A. Starks
Δημοσιεύθηκε: Computers and Electrical Engineering 26 (2000) 33±45
Σύνδεσμος πρότυπου κειμένου: [1]
Λέξεις-Κλειδιά: Μέλισσες, δείκτης βλάστησης, NDVI, Τέξας
Εισαγωγή:
Το 1956, η αφρικανική μέλισσα εισήχθη στη Βραζιλία με την ελπίδα να δημιουργηθεί ένα είδος μελισσών, το οποίο ήταν πιο κατάλληλο για το τροπικό περιβάλλον της Νότιας Αμερικής και να βελτιωθεί η παραγωγή μελιού. Το 1957, 26 αποικίες διέφυγαν και άρχισε η διασταύρωση με τις τοπικές άγριες μέλισσες. Αυτές οι νέες αφρικανικές μέλισσες έχουν εξαπλωθεί στην Κεντρική και Νότια Αμερική και φαίνεται ότι δεν υπάρχει κάποιο γνωστό εμπόδιο που θα εμποδίσει την αποικιοποίησή τους στις θερμότερες περιοχές των Ηνωμένων Πολιτειών. Η συνεχής εξάπλωση έχει προκαλέσει μειωμένη παραγωγή μελιού, αρνητική επίδραση στην επικονίαση των καλλιεργειών, την κτηνοτροφία, στον τουρισμό και στη δημόσια υγεία. Η μετανάστευση έφτασε τις Ηνωμένες Πολιτείες το 1990, στο Τέξας στην κατώτερη κοιλάδα Rio Grande. Μέχρι σήμερα, έχουν παρατηρηθεί σε τμήματα του νότιου και δυτικού Τέξας, του νότιου Νέου Μεξικού, της νότιας Αριζόνα και στην Κεντρική κοιλάδα της Καλιφόρνια.
Στόχος της συγκεκριμένης έρευνας είναι η ανάπτυξη ενός υπολογιστικού αλγόριθμου για την πρόβλεψη των σχημάτων μετανάστευσης της αφρικανικής μέλισσας. Δεδομένου ότι η μετανάστευση αφρικανικών μελισσών προκαλείται εν μέρει από το επίπεδο της βιομάζας σε μια συγκεκριμένη περιοχή, η προσέγγισή της παρούσας μελέτης χρησιμοποιεί τον κανονικοποιημένο δείκτη βλάστησης (NDVI) όπως υπολογίζεται μέσω δεδομένων επεξεργασίας που λαμβάνονται από ραδιομετρικό αισθητήρα υψηλής ανάλυσης (AVHRR) ως μέτρο φωτοσυνθετικής δραστηριότητας. Η έρευνα επικεντρώνεται στη μετανάστευση της Αφρικανικής μέλισσας (ΑΜ) στην πολιτεία του Τέξας. Έχουν συλλεχθεί δεδομένα από δύο πηγές. Η πρώτη πηγή είναι τα δεδομένα εντοπισμού ΑΜ που αναφέρονται σε ένα νομό ανά χώρα για το κράτος του Τέξας. Η δεύτερη πηγή ανιχνεύεται εξ αποστάσεως από το εξελιγμένο ραδιόμετρο πολύ υψηλής ανάλυσης AVHRR.
Μεθοδολογία:
Στην έρευνα χρησιμοποιήθηκαν δεδομένα AVHRR ως βάση για τον αλγόριθμο πρόβλεψης μετανάστευσης ΑΜ, για να χαρακτηρίσουν την κάλυψη της γης στην περιοχή μελέτης, η οποία περιλαμβάνει πολλά από τα νότια και κεντρικά τμήματα του κράτους του Τέξας. Τα δεδομένα που συλλέχθηκαν έχουν ανάλυση εδάφους περίπου 1,1 χλμ. Η NOAA λαμβάνει AVHRR σε πλήρη ανάλυση και τα αρχειοθετεί σε δύο μορφές. Τοπική κάλυψη περιοχής (LAC) τα δεδομένα καταγράφονται σε πλήρη ανάλυση. Η δεύτερη μορφή καλείται παγκόσμια κάλυψη περιοχής και βασίζεται σε μια διαδικασία που ονομάζεται επαναδειγματοληψία. Αυτή η διαδικασία αποδίδει ανάλυση 1.1 με 4 km στο nadir. Τα δεδομένα AVHRR συλλέχθηκαν από το Κέντρο δεδομένων EROS Γεωλογικής Έρευνας των ΗΠΑ από τον Μάιο 1987.
Η έρευνα έχει επικεντρωθεί στις εφαρμογές των δεδομένων AVHRR για την παρακολούθηση της κάλυψης της γης ανάλυση της πράσινης βλάστησης. Η τιμή NDVI για μια περιοχή μπορεί να χρησιμοποιηθεί ως δείκτης για την παρουσία και την κατάσταση της φωτοσυνθετικής δραστηριότητας. Τα δεδομένα NDVI συλλέγονται σε περιόδους δύο εβδομάδων. Χρησιμοποιήθηκε το πακέτο λογισμικού GIS, SPANS Explorer, που διανέμεται από το TYDAC Technologies. Ένα πρώτο βήμα στη διαδικασία σχεδιασμού του πειράματος συνίστατο στον εντοπισμό 16 κομητειών εντός του Τέξας με βάση την προσβολή από ΑΜ και τοπικές πληροφορίες για το έτος 1992. Οκτώ από τις 16 κομητείες αναγνωρίστηκαν ως έχουσες μεγάλο αριθμό αποικιών ΑΜ το 1992 και αναφέρονται ως περιοχή εκπαίδευσης Αριθ. 1. Οκτώ άλλες κομητείες επιλέχθηκαν που είχαν ένα χαμηλότερο αριθμό ή καθόλου αποικίες ΑΜ το 1992. Αυτές οι κομητείες με λίγες ή καθόλου αποικίες AHB το 1992 αναφέρονται ως Αριθ. 2.
Για το 1993, το σύνολο δεδομένων αποτελείται από 21 σύνθετα NDVI μέγιστης διάρκειας 14 ημερών. Το 17 οι βασικές περίοδοι αντιπροσώπευαν μια συνεχή περίοδο από τις 5 Μαρτίου 1993 έως τις 28 Οκτωβρίου 1993. Τα πρώτα δύο (περίοδο 1 και 2) και τα δύο τελευταία (περιόδους 20 και 21) σύνθετα εκπροσωπούσαν περιόδους 2 εβδομάδων για τον Ιανουάριο, Φεβρουάριο, Νοέμβριο και Δεκέμβριο. Για κάθε περίοδο, αναλύθηκε η συμπεριφορά των μετρήσεων NDVI. Για τις μετρήσεις NDVI υπολογίστηκαν το μέσο όρο, οι ελάχιστες και οι μέγιστες τιμές. Αυτή η ανάλυση πραγματοποιήθηκε για κάθε νομό στις περιοχές εκπαίδευσης αριθ. 1 και κάθε μία από τις 21 εβδομαδιαίες περιόδους για τις περιοχές εκπαίδευσης αριθ. 2.
Με μια σχέση που εμφανίζεται μεταξύ των ελάχιστων σύνθετων δεδομένων NDVI και του επιπέδου ΑΜ, δημιουργήθηκε ένας αλγόριθμος που προβλέπει την πιθανότητα εμφάνισης προσβολής ΑΜ με βάση τον χαρακτηρισμό των σύνθετων δεδομένων NDVI. Ο αλγόριθμος βασίζεται σε ένα μέτρο ομοιότητας, ρ (X, Y), το οποίο υποδεικνύει τον βαθμό ομοιότητας μεταξύ των διανυσμάτων Χ και Υ που περιείχε την παράσταση χρονοσειρών για ελάχιστο NDVI στις περιοχές εκπαίδευσης για τις περιφέρειες x και y.
ρ = (Χ, Υ)/{||Χ|| ||Υ||} ,
όπου (Χ, Υ) αντιπροσωπεύει το εσωτερικό προϊόν των φορέων Χ και Υ, και ||Χ|| και ||Υ|| αντιπροσωπεύουν το Ευκλείδιο πρότυπο των φορέων X και Y, αντίστοιχα.
Αποτελέσματα:
Ο αλγόριθμος εφαρμόστηκε σε πολλές κομητείες του Τέξας για την παραγωγή προβλέψεων για εμφάνιση ΑΜ για το έτος 1994. Επιλέχθηκαν δύο επικαλυπτόμενα υποσύνολα από το αρχικό σύνολο χωρών, τα οποία θα αναφέρονται ως δοκιμαστική ομάδα 1994α και 1994b. Η δοκιμαστική ομάδα 1994α συνίστατο σε μια ομάδα κομητειών που δεν είχαν βιώσει την μετανάστευση ΑΜ πριν από το 1994. Η ομάδα 1994α βρίσκονταν κοντά στην ευρύτερη περιοχή που εμφάνισε προσβολή από ΑΜ το 1993. Το δεύτερο υποσύνολο,1994b, αποτελούσε κομητείες που δεν περιείχαν αποικίες AHB πριν από το 1994, βρισκόταν όμως άμεσα συνδεδεμένη με κομητείες που περιείχαν πληθυσμούς ΑΜ το 1993.
Οι λίστες των κομητειών που περιέχονται στις ομάδες δοκιμών 1994α και 1994β παρουσιάζονται στον Πίνακα 2. Το σχήμα 1 παρουσιάζει τους χάρτες των κομητειών που περιλαμβάνουν τις ομάδες δοκιμών 1994α και 1994β. Ο αλγόριθμος όταν εφαρμόστηκε σε δεδομένα από δύο σύνολα κομητειών, ήταν σε θέση να παράσχει σωστές προβλέψεις για την προσβολή από την μετανάστευση ΑΜ για το έτος 1994 σε ποσοστό που υπερβαίνει το 60%. Επιπλέον, η μέθοδος ήταν σε θέση να κάνει προβλέψεις για περίπου το 50% των κομητειών στις δύο ομάδες δοκιμών.
Συζήτηση:
Υπάρχουν αρκετοί παράγοντες που επηρεάζουν το ποσοστό ακρίβειας της πρόβλεψης του αλγόριθμου και οι οποίοι είναι δύσκολο να ποσοτικοποιηθούν. Έτσι η μελέτη έπρεπε να χρησιμοποιήσει συνοπτικά στατιστικά στοιχεία. Η μελλοντική έρευνα απαιτεί την εφαρμογή αυτού του αλγορίθμου πρόβλεψης για να εφαρμοστεί σε άλλες τοποθεσίες εκτός του κράτους του Τέξας. Επιπλέον, θα ήταν καλό να εισαχθούν και άλλες πληροφορίες, όπως τα κλιματικά δεδομένα, στο GIS για να βελτιωθεί η ακρίβεια της πρόβλεψης.