Κοινωνικοοικολογική χρήση δεδομένων τηλεπισκόπησης για την πρόβλεψη της αγροτικής φτώχειας σε επίπεδο νοικοκυριών.
Από RemoteSensing Wiki
| (2 ενδιάμεσες αναθεωρήσεις δεν εμφανίζονται.) | |||
| Γραμμή 2: | Γραμμή 2: | ||
'''Σύνδεσμος:''' https://www.pnas.org/content/116/4/1213 | '''Σύνδεσμος:''' https://www.pnas.org/content/116/4/1213 | ||
| + | |||
'''Συγγραφείς'''Gary R. Watmough , Charlotte L. J. Marcinko , Clare Sullivan, Kevin Tschirhart, Patrick K. Mutuo, Cheryl A. Palm , and Jens-Christian Svenning | '''Συγγραφείς'''Gary R. Watmough , Charlotte L. J. Marcinko , Clare Sullivan, Kevin Tschirhart, Patrick K. Mutuo, Cheryl A. Palm , and Jens-Christian Svenning | ||
| Γραμμή 8: | Γραμμή 9: | ||
Στόχος της παρούσας μελέτης είναι να παρουσιάσει πως τα δορυφορικά δεδομένα μπορούν να βοηθήσουν στην κατανόηση των σχέσεων μεταξυ φτώχειας και περιβάλλοντος με σκοπό την αειφόρο ανάπτυξη και την οικολογική προστασία.Συγκεκριμένα μελετώνται πως τα δορυφορικά δεδομένα προέβλεψαν με ακρίβεια 62% την φτωχή οικονομική κατάσταση σε μία περιοχή της Κένυας. Η πολυεπίπεδη κοινωνικοοικονομική αντιμετώπιση που δείχνει τους πολύπλοκους τρόπους με τους οποίους τα νοικοκυριά αλληλεπιδρούν με το περιβάλλον, δίνει μεγαλύτερα ποσοστά ακρίβειας από την τυπική μονοδιάστατη προσέγγιση. Η αυξανόμενη διαθεσιμότητα υψηλής ανάλυσης εικόνων σημαίνει πως η μέθοδος θα μπορούσε να τροποποιηθεί και να αναβαθμιστεί στο μέλλον για να βοηθήσει την παρακολούθηση των στόχων της αειφόρου ανάπτυξης (SDG1 “Ending Poverty”). | Στόχος της παρούσας μελέτης είναι να παρουσιάσει πως τα δορυφορικά δεδομένα μπορούν να βοηθήσουν στην κατανόηση των σχέσεων μεταξυ φτώχειας και περιβάλλοντος με σκοπό την αειφόρο ανάπτυξη και την οικολογική προστασία.Συγκεκριμένα μελετώνται πως τα δορυφορικά δεδομένα προέβλεψαν με ακρίβεια 62% την φτωχή οικονομική κατάσταση σε μία περιοχή της Κένυας. Η πολυεπίπεδη κοινωνικοοικονομική αντιμετώπιση που δείχνει τους πολύπλοκους τρόπους με τους οποίους τα νοικοκυριά αλληλεπιδρούν με το περιβάλλον, δίνει μεγαλύτερα ποσοστά ακρίβειας από την τυπική μονοδιάστατη προσέγγιση. Η αυξανόμενη διαθεσιμότητα υψηλής ανάλυσης εικόνων σημαίνει πως η μέθοδος θα μπορούσε να τροποποιηθεί και να αναβαθμιστεί στο μέλλον για να βοηθήσει την παρακολούθηση των στόχων της αειφόρου ανάπτυξης (SDG1 “Ending Poverty”). | ||
=='''Μεθοδολογία'''== | =='''Μεθοδολογία'''== | ||
| - | Τα δύο κύρια ζητήματα προς μελέτη είναι | + | Τα δύο κύρια ζητήματα προς μελέτη είναι [[Εικόνα:Eeikona1.PNG |500px| thumb | right |''Εικόνα 1. Κατηγοριοποιήσεις'']] |
i) Μπορεί η διακύμανση του πλούτου κάθε νοικοκυριού να εξηγηθεί με δεδομένα τηλεπισκόπησης. | i) Μπορεί η διακύμανση του πλούτου κάθε νοικοκυριού να εξηγηθεί με δεδομένα τηλεπισκόπησης. | ||
ii) Μπορούν τα κοινωνικοοικολογικά δεδομένα να βοηθήσουν στην εξήγηση της διακύμανσης του πλούτου σε οικιακό επίπεδο. | ii) Μπορούν τα κοινωνικοοικολογικά δεδομένα να βοηθήσουν στην εξήγηση της διακύμανσης του πλούτου σε οικιακό επίπεδο. | ||
| Γραμμή 21: | Γραμμή 22: | ||
Τα υψηλής ανάλυσης δορυφορικά δεδομένα θα μπορούσαν να προσφέρουν έναν ταχύτερο και φθηνότερο τρόπο παρακολούθησης πολλών στόχων για την αειφόρο ανάπτυξη, από τις κλασσικές μεθόδους έρευνας, ιδίως εκείνες που σχετίζονται με αυτές της φτώχειας, της διασφάλισης τροφής και την λογική να μην μείνει κανείς πίσω. | Τα υψηλής ανάλυσης δορυφορικά δεδομένα θα μπορούσαν να προσφέρουν έναν ταχύτερο και φθηνότερο τρόπο παρακολούθησης πολλών στόχων για την αειφόρο ανάπτυξη, από τις κλασσικές μεθόδους έρευνας, ιδίως εκείνες που σχετίζονται με αυτές της φτώχειας, της διασφάλισης τροφής και την λογική να μην μείνει κανείς πίσω. | ||
| - | [[Εικόνα: | + | |
| + | [[Εικόνα:Ee2.PNG |500px| thumb | left| ''Εικόνα 2. Μεθολογία'']] | ||
| + | [[Εικόνα:Ee3.PNG |500px| thumb | right | ''Εικόνα 3. Μονοδιάστατη προσσέγιση'']] | ||
[[category:Διαστημική Τηλεπισκόπηση]] | [[category:Διαστημική Τηλεπισκόπηση]] | ||
| - | [[category:]] | + | [[category:Γεωργία]] |
Παρούσα αναθεώρηση της 19:33, 23 Φεβρουαρίου 2020
Τίτλος άρθρου: Κοινωνικοοικολογική χρήση δεδομένων τηλεπισκόπησης για την πρόβλεψη της αγροτικής φτώχειας σε επίπεδο νοικοκυριών
Σύνδεσμος: https://www.pnas.org/content/116/4/1213
ΣυγγραφείςGary R. Watmough , Charlotte L. J. Marcinko , Clare Sullivan, Kevin Tschirhart, Patrick K. Mutuo, Cheryl A. Palm , and Jens-Christian Svenning
Πηγή: Proceedings of the National Academy of Sciences of the United States of America
Αντικείμενο Μελέτης
Στόχος της παρούσας μελέτης είναι να παρουσιάσει πως τα δορυφορικά δεδομένα μπορούν να βοηθήσουν στην κατανόηση των σχέσεων μεταξυ φτώχειας και περιβάλλοντος με σκοπό την αειφόρο ανάπτυξη και την οικολογική προστασία.Συγκεκριμένα μελετώνται πως τα δορυφορικά δεδομένα προέβλεψαν με ακρίβεια 62% την φτωχή οικονομική κατάσταση σε μία περιοχή της Κένυας. Η πολυεπίπεδη κοινωνικοοικονομική αντιμετώπιση που δείχνει τους πολύπλοκους τρόπους με τους οποίους τα νοικοκυριά αλληλεπιδρούν με το περιβάλλον, δίνει μεγαλύτερα ποσοστά ακρίβειας από την τυπική μονοδιάστατη προσέγγιση. Η αυξανόμενη διαθεσιμότητα υψηλής ανάλυσης εικόνων σημαίνει πως η μέθοδος θα μπορούσε να τροποποιηθεί και να αναβαθμιστεί στο μέλλον για να βοηθήσει την παρακολούθηση των στόχων της αειφόρου ανάπτυξης (SDG1 “Ending Poverty”).
Μεθοδολογία
Τα δύο κύρια ζητήματα προς μελέτη είναι
i) Μπορεί η διακύμανση του πλούτου κάθε νοικοκυριού να εξηγηθεί με δεδομένα τηλεπισκόπησης. ii) Μπορούν τα κοινωνικοοικολογικά δεδομένα να βοηθήσουν στην εξήγηση της διακύμανσης του πλούτου σε οικιακό επίπεδο. Χρησιμοποιήθηκε ένα δέντρο ταξινόμησης για να εξεταστεί η πρόβλεψη του πλούτου του χωριού Sauri. Τα τέσσερα χωρικά επίπεδα που επιλέχτηκαν είναι αγροικία,γεωργική γη,σύμπλεγμα χωριών και ευρήτερη περιφέρεια χωριού.Αυτή η μέθοδος συγκρίθηκε με την μονοδιάστατη προσέγγιση(με συγκεντρωτικά κοινωνικοοικολογικά στοιχεία).Tα αποτελέσματα έδειξαν πως η πολυδίαστατη προσέγγιση (60%) είχε μεγαλύτερη ακρίβεια 6-12% απ’την μονοδιάστατη.Οι στατιστικές σχέσεις μεταξύ πλούτου και νοικοκυριών φαίνονται στην Εικόνα 2. Σημαντικότερη μεταβλητή πρόβλεψης του πλούτου φαίνεται να είναι το μέγεθος του κτηρίου,αυτό μπορεί να προκύπτει καθώς τα φτωχότερα νοικοκυρία καθυστερούν την φύτευση λογώ της απασχόλησης τους σε πλουσιότερα νοικοκυριά για την εξασφάλιση πόρων,και έτσι χάνουν αρκετές γόνιμες μέρες.Ενώ άλλες σημαντικές μεταβλητές είναι η ποσότητα γυμνού γεωργικού εδάφους και φυτεμένες γεωργικές εκτάσεις δίπλα στην οικία. To σφάλμα στην μονοδιάστατη προσέγγιση είναι ότι όλες οι περιοχές στην buffer zone μπορούν να χρησιμοποίηθούν από ένα συγκεκριμένο νοικοκυριό, ενώ στην περίπτωση πολλών buffer zones θα θεωρηθέι πως συνδέεται με πολλά νοικοκυριά, λόγω της επικάλυψης των pixels.(Eικόνα 3)
Προοπτικές Μεθοδολογίας Η μεθολογία που αναπτύχθηκε μπορεί να δοκιμαστεί σε διαφορετικές χωροταξικές ρυθμίσεις(σπίτια,χωράφια,οδικά δίκτυα,αγορές κ.α.) Οι τοπικοί και περιφερειακοί θεσμοί μπορούν επίσης να επηρεάσουν τους τρόπους πρόσβασης και αξιοποίησης των φυσικών πόρων στους δίαφορους ενδιαφερόμενους. Ως εκ τούτου, οι μελλοντικές εργασίες θα πρέπει να εξετάσουν πώς προστατεύονται οι εδαφικές περιοχές, τα δικαιώματα κατοχής καθώς και τις θεσμικές ρυθμίσεις που πρέπει να ενσωματωθούν στην πολυεπίπεδη προσέγγιση. Αυτό θα μπορούσε να οδηγήσει σε πιο ακριβείς δεσμούς μεταξύ των μεμονωμένων νοικοκυριών και των αγροτεμαχίων που αυτά χρησιμοποιούν.
Συμπεράσματα
Η συχνή παρακολούθηση των κοινωνικοοικονομικών αλλαγών που περιβάλλουν τα νοικοκυριά περιλαμβάνουν έρευνες απαγορευτικά δαπανηρές.Εδώ αυτό που αποδεικνύεται με δορυφορικά δεδομένα είναι πως μπορούν να προβλέφθουν τα φτωχότερα νοικοκυριά σε μια τοποθεσία στην ύπαιθρο Κένυα με ακρίβεια 62%. Η μελέτη χρησιμοποίησε στοιχεία για την έρευνα των νοικοκυριών που κάλυπταν 231 νοικοκυριά το 2005 και την λήψη εικόνας δορυφόρου υψηλής ανάλυσης που αποκτήθηκε λίγους μήνες πριν την έρευνα. Τα υψηλής ανάλυσης δορυφορικά δεδομένα θα μπορούσαν να προσφέρουν έναν ταχύτερο και φθηνότερο τρόπο παρακολούθησης πολλών στόχων για την αειφόρο ανάπτυξη, από τις κλασσικές μεθόδους έρευνας, ιδίως εκείνες που σχετίζονται με αυτές της φτώχειας, της διασφάλισης τροφής και την λογική να μην μείνει κανείς πίσω.
