COVID-19 και οι επιπτώσεις του στο περιβάλλον: Βελτιωμένα τα επίπεδα μόλυνσης κατά την περίοδο του lockdown...

Από RemoteSensing Wiki

(Διαφορές μεταξύ αναθεωρήσεων)
Μετάβαση σε: πλοήγηση, αναζήτηση
 
Γραμμή 39: Γραμμή 39:
[[ Εικόνα : A6_e3.jpg |thumb| right | Εικόνα 2:  Μέση συγκέντρωση ΑΣ αμέσως πριν και κατά τη διάρκεια του lock-down, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100382  Science Direct] ]]
[[ Εικόνα : A6_e3.jpg |thumb| right | Εικόνα 2:  Μέση συγκέντρωση ΑΣ αμέσως πριν και κατά τη διάρκεια του lock-down, Πηγή:[https://doi.org/10.1016/j.rsase.2020.100382  Science Direct] ]]
-
[[ Εικόνα : A6_e4.jpg |thumb| left | Εικόνα 3:Μέση συγκέντρωση για τον μήνα Απρίλιο 2015-2020 , Πηγή:[https://doi.org/10.1016/j.rsase.2020.100382  Science Direct] ]] <br>
+
[[ Εικόνα : A6_e4.jpg |thumb| right | Εικόνα 3:Μέση συγκέντρωση για τον μήνα Απρίλιο 2015-2020 , Πηγή:[https://doi.org/10.1016/j.rsase.2020.100382  Science Direct] ]] <br>
<br>
<br>

Παρούσα αναθεώρηση της 02:35, 27 Ιανουαρίου 2021

Πλήρης Τίτλος: COVID-19 και οι επιπτώσεις του στο περιβάλλον: Βελτιωμένα τα επίπεδα μόλυνσης κατά την περίοδο του lockdown- Η περίπτωση της περιοχής Ahmedabad στην Ινδία.
Πρωτότυπος τίτλος: COVID-19 and its impact on environment: Improved pollution levels during the lockdown period – A case from Ahmedabad, India
Συγγραφείς: Mohammad Adil Aman, Mohd Sadiq Salman, Ali P. Yunus
Citation: Mohammad Adil Aman, Mohd Sadiq Salman, Ali P. Yunus, COVID-19 and its impact on environment: Improved pollution levels during the lockdown period – A case from Ahmedabad, India, Remote Sensing Applications: Society and Environment, Volume 20, 2020, 100382, ISSN 2352-9385, [ https://doi.org/10.1016/j.rsase.2020.100382] .
Πηγή:Science Direct
Λέξεις κλειδιά:COVID-19;Surface water quality;Sabarmati river;Turbidity;Suspended particulate matter (SPM)

Aντικείμενο και Στόχος έρευνας: Η παρούσα έρευνα στοχεύει στην ανίχνευση των μεταβολών στα επίπεδα μόλυνσης του περιβάλλοντος , συγκεκριμένα των υδάτων , κατά την περίοδο του lοck-down στην πόλη Ahmedabad της Ινδίας, χρησιμοποιώντας δορυφορικά δεδομένα και την τηλεπισκόπηση για την εκτίμηση της θολότητας των υδάτων, ως μέτρο μόλυνσης τους.


1.Εισαγωγή:
Το γενικευμένο lock-down, που επιβλήθηκε στην Ινδία, αποτελεί πρωτόγνωρο φαινόμενο για την ινδική πραγματικότητα. Οι ανθρωπογενείς δραστηριότητες περιορίστηκαν στο ελάχιστο, με αποτέλεσμα να έχουν περιοριστεί οι εκπομπές και τα βιομηχανικά απορρίμματα και απόβλητα στα αστικά κέντρα της Ινδίας. Ταυτόχρονα, οι ανθρωπογενείς δραστηριότητες είναι αυτές που θεωρούνται υπαίτιες για τη μόλυνση του περιβάλλοντος σε διάφορα επίπεδα [1],[15],[19],[26]. Τα βραχυπρόθεσμα, θετικά αποτελέσματα του lock-down και του περιορισμού των ανθρωπογενών δραστηριοτήτων στην ατμοσφαιρική ρύπανση έχουν αναλυθεί σε μια σειρά από έρευνες [9] . Ωστόσο, η έρευνα σε σχέση με την υδρόσφαιρα είναι περιορισμένη. Έρευνες σε σχέση με την υποχώρηση της μόλυνσης στο “Grand Canal” της Ιταλίας και [5]του ποταμού Γάγγη της Ινδίας [14], καθώς και σε σχέση με την απότομη μείωση των ατμοσφαιρικών ρύπων- οι οποίοι συνδέονται και με την θολότητα των υδάτων [31]- σε διάφορα μέρη του πλανήτη[10],[24],[21], υπογραμμίζουν την αναγκαιότητα μελέτης των μακροπρόθεσμων και βραχυπρόθεσμων περιβαλλοντικών επιπτώσεων, λόγω της καινοφανούς πραγματικότητας που διαμορφώθηκε από την επιβολή των γενικευμένων lock-downs.

2.Σύνδεση με την υπάρχουσα έρευνα και ο ρόλος της τηλεπισκόπησης:
Η ανάλυση της ποιότητας και της μόλυνσης των υδάτων βασίζεται σε μετρήσεις φυσικών, χημικών και βιολογικών ιδιοτήτων, οι οποίες κατά κανόνα λαμβάνονται με έρευνα πεδίου. Ωστόσο, οι έρευνες πεδίου είναι χρονοβόρες και κοστοβόρες, ενώ δεν ενδείκνυνται για ανάλυση σε περιφερειακό επίπεδο [8],[18]. Τελευταία, η τηλεπισκόπηση χρησιμοποιείται ευρέως για την διεξαγωγή τέτοιων ερευνών ξεπερνώντας τους ως άνω περιορισμούς [4],[30], επιτρέποντας την μελέτη εκτεταμένων περιοχών και την ανίχνευση μεταβολών μέσα στο χρόνο τακτικά [2],[3],[6],[27],[32], αναλύοντας τα φασματικά χαρακτηριστικά των αποχρώσεων των υδάτων [28]. Στην παρούσα έρευνα η συγκέντρωση Αιωρούμενων Σωματιδίων (ΑΣ) και κατ΄επέκταση η θολότητα των υδάτων χρησιμοποιούνται για την ανίχνευση των επιπέδων μόλυνσης των υδάτων. Ιδιαίτερα δημοφιλή μοντέλα για τέτοιου είδους έρευνες είναι αυτά που στηρίζονται στη μηχανική μάθηση συνδυαστικά με την τηλεπισκόπηση και το GIS [7]. Mέσα στα χρόνια μια σειρά από δορυφορικούς δέκτες, όπως οι Sentinal-2, Landsat series, Spot series, MODIS Aqua and Terra, SeaWiFS and OceanSAT, χρησιμοποιούνται για την χαρτογράφηση των ΑΣ στα υδρολογικά συστήματα [11],[29],[25].

Εικόνα 1: Περιοχή μελέτης, Πηγή:Science Direct



3. Περιοχή μελέτης:
Στην παρούσα έρευνα επιλέγεται ως περιοχή μελέτης ο ποταμός Sabamarti. Η ποιότητα των νερών του ποταμού χαρακτηρίζεται μέτρια προς φτωχή, ενώ τα τελευταία χρόνια το σύστημα αυτοκαθαρισμού του ποταμού έχει υποβαθμιστεί [12]. Συγκεκριμένα, επιλέγεται να μελετηθεί η περιοχή του ποταμού που διασχίζει την ινδική Μητρόπολη Ahmedabad (Εικόνα 1) , η οποία κατατάσσεται ανάμεσα στις περιοχές της Ινδίας με τα περισσότερα κρούσματα και στην οποία η μόλυνση του ποταμού οφείλεται κυρίαρχα σε δραστηριότητες του ανθρώπου, βιομηχανικές δραστηριότητες κ.ο.κ. [20]

4. Δορυφορικά Δεδομένα:

Χρησιμοποιούνται δεδομένα από τον δορυφόρο Landsat8 και συγκεκριμένα τον δορυφορικό δέκτη OLI. Συγκεκριμένα χρησιμοποιήθηκαν 13 εικόνες LANDSAT 8 OLI Level-2 (Surface Reflectance), από τον ιστότοπο USGS. Χρησιμοποιήθηκαν 5 εικόνες απο τα έτη 2015 έως και 2019, 3 εικόνες πριν την περίοδο του lock-down και 5 εικόνες κατά την περίοδο του lock-down.
4.1 Χρονική διακριτική ικανότητα :
Η χρονική διακριτική ικανότητα του LANDSAT 8 OLI ανέρχεται σε 16 ημέρες. Ωστόσο, η περιοχή μελέτης υπόκειται σε δυο παρακείμενες σκηνές (WRS path 148 and 149) και με τον τρόπο αυτό βελτιώνεται η χρονική ανάλυση της εικόνας.
4.2 Προεπεξεργασία Δορυφορικών Εικόνων:
Ατμοσφαιρική Διόρθωση:
Όλες οι εικόνες έχουν υποστεί ατμοσφαιρική διόρθωση χρησιμοποιώντας το εξειδικευμένο λογισμικό ατμοσφαιρικής διόρθωσης Landsat 8 Surface Reflectance Code (LaSRC). Αρχικά, παράγεται η απεικόνιση της ανακλαστικότητας των ανώτερων στρωμάτων της ατμόσφαιρας (ΤΟΑ Reflectance) χρησιμοποιώντας παραμέτρους βαθμονόμησης και στη συνέχεια εφαρμόζονται ατμοσφαιρικές διορθώσεις στην εικόνα αυτή και έτσι δημιουργείται η απεικόνιση της επιφανειακής ανακλαστικότητας (Surface Reflectance).
5. Ο Αλγόριθμος SPM ( ΑΣ):
Έρευνες έχουν δείξει πως η θολότητα των υδάτων μπορεί να εκτιμηθεί χρησιμοποιώντας αλγορίθμους που βασίζονται σε ένα μόνο δορυφορικό κανάλι, στο βαθμό που αυτό θα επιλεχθεί κατάλληλα. Στην παρούσα έρευνα χρησιμοποιείται ο αλγόριθμος που αναπτύχθηκε από τους Nechad et al. (2010) [17]:

S= {A ρ * ρw/[(1-ρw)*Cρ] }

, όπου ρw η ανακλαστικότητα των ρέοντων υδάτων στο κανάλι RED και Aρ, Cρ εμπειρικές παράμετροι.

Εικόνα 2: Μέση συγκέντρωση ΑΣ αμέσως πριν και κατά τη διάρκεια του lock-down, Πηγή:Science Direct
Εικόνα 3:Μέση συγκέντρωση για τον μήνα Απρίλιο 2015-2020 , Πηγή:Science Direct



6. Αποτελέσματα και Συμπεράσματα:

Συνολικά, αποδεικνύεται πως η συγκέντρωση ΑΣ σε επίπεδο μέσων όρων είναι η ελάχιστη κατά τη διάρκεια του lock-down σε σχέση με την περίοδο ακριβώς πριν την καραντίνα (Εικόνα 2), αλλά και σε σχέση με τις αντίστοιχες μέσες συγκεντρώσεις κατά τον μήνα Απρίλιο από τα έτη 2015 έως και 2019 (Εικόνα 3). Την μείωση της συγκέντρωσης ΑΣ κατά την περίοδο του lock-down επιβεβαιώνουν και τα δεδομένα του Central Pollution Board for Ahmedabad city.









ΑΝΑΦΟΡΕΣ

1. Akimoto, H., 2003. Global air quality and pollution. Science 302 (5651), 1716–1719.

2. Ali, P.Y., Jie, D., Khan, A., Sravanthi, N., Rao, L.A., Hao, C., 2019. Channel migration characteristics of the Yamuna River from 1954 to 2015 in the vicinity of Agra, India: a case study using remote sensing and GIS. Int. J. River Basin Manag. 17 (3), 367–375.

3. Alparslan, E., Aydoner, ¨ C., Tufekci, V., Tüfekci, H., 2007. Water quality assessment at Omerli ¨ Dam using remote sensing techniques. Environ. Monit. Assess. 135 (1–3), 391.

4. Avtar, R., Sahu, N., Aggarwal, A.K., Chakraborty, S., Kharrazi, A., Yunus, A.P., Dou, J., Kurniawan, T.A., 2019. Exploring renewable energy resources using remote sensing and GIS—a review. Resources 8 (3), 149.

5. Clifford, C., 2020. March 18). The Water in Venice, Italy’s Canals Is Running Clear amid the COVID-19 Lockdown—Take a Look. CNBC. https://www.cnbc.com/2020 /03/18/photos-water-in-venice-italys-canals-clear-amid-covid-19-lockdown.html.

6. Dekker, A., Zamurovi´c-Nenad, Z., ˇ Hoogenboom, H., Peters, S., 1996. Remote sensing, ecological water quality modelling and in situ measurements: a case study in shallow lakes. Hydrol. Sci. J. 41 (4), 531–547.

7. Dou, J., Yunus, A.P., Merghadi, A., Shirzadi, A., Nguyen, H., Hussain, Y., Avtar, R., Chen, Y., Pham, B.T., Yamagishi, H., 2020. Different sampling strategies for predicting landslide susceptibilities are deemed less consequential with deep learning. Sci. Total Environ. 720, 137320.

8. Duan, W., He, B., Takara, K., Luo, P., Nover, D., Sahu, N., Yamashiki, Y., 2013. Spatiotemporal evaluation of water quality incidents in Japan between 1996 and 2007. Chemosphere 93 (6), 946–953.

9. ESA, 2020. COVID-19: Nitrogen Dioxide over China. ESA. March 19. https://www.esa. int/Applications/Observing_the_Earth/Copernicus/Sentinel-5P/COVID-19_nitrogen_ dioxide_over_China.

10. Ficetola, G.F., Rubolini, D., 2020. Climate Affects Global Patterns of COVID-19 Early Outbreak Dynamics. MedRxiv.


11. Gholizadeh, M.H., Melesse, A.M., Reddi, L., 2016. A comprehensive review on water quality parameters estimation using remote sensing techniques. Sensors 16 (8), 1298.

12. Haldar, S., Mandal, S.K., Thorat, R., Goel, S., Baxi, K.D., Parmer, N.P., Patel, V., Basha, S., Mody, K., 2014. Water pollution of Sabarmati River - a harbinger to potential disaster. Environ. Monit. Assess. 186 (4), 2231–2242.

13. Henriques, M., 2020. Will Covid-19 Have a Lasting Impact on the Environment. BBC News. https://www.bbc.com/future/article/20200326-covid-19-the-impact-of-co ronavirus-on-the-environment. May 27

14. Mani, K.A.S., 2020. The Lockdown Cleaned the Ganga More than ‘Namami Gange’ Ever Did. Science-The Wire. April 19. https://science.thewire.in/environment/ganga-rive r-lockdown-cleaner-namami-gange-sewage-treatment-ecological-flow/.

15. Masood, N., Zakaria, M.P., Halimoon, N., Aris, A.Z., Magam, S.M., Kannan, N., Mustafa, S., Ali, M.M., Keshavarzifard, M., Vaezzadeh, V., others, 2016. Anthropogenic waste indicators (AWIs), particularly PAHs and LABs, in Malaysian sediments: application of aquatic environment for identifying anthropogenic pollution. Mar. Pollut. Bull. 102 (1), 160–175.

16. Merghadi, A., Yunus, A.P., Dou, J., Whiteley, J., ThaiPham, B., Bui, D.T., Avtar, R., Abderrahmane, B., 2020. Machine learning methods for landslide susceptibility studies: a comparative overview of algorithm performance. Earth Sci. Rev. 103225.

17. Nechad, B., Ruddick, K., Park, Y., 2010. Calibration and validation of a generic multisensor algorithm for mapping of total suspended matter in turbid waters. Remote Sens. Environ. 114 (4), 854–866.

18. Ritchie, J.C., Zimba, P.V., Everitt, J.H., 2003. Remote sensing techniques to assess water quality. Photogramm. Eng. Rem. Sens. 69 (6), 695–704.

19. Schlacher, T.A., Lucrezi, S., Connolly, R.M., Peterson, C.H., Gilby, B.L., Maslo, B., Olds, A.D., Walker, S.J., Leon, J.X., Huijbers, C.M., others, 2016. Human threats to sandy beaches: a meta-analysis of ghost crabs illustrates global anthropogenic impacts. Estuar. Coast Shelf Sci. 169, 56–73. 20. Shah, K.A., Joshi, G.S., 2017. Evaluation of water quality index for River Sabarmati, Gujarat, India. Appl. Water Sci. 7 (3), 1349–1358.

21. Sharma, S., Zhang, M., Gao, J., Zhang, H., Kota, S.H., others, 2020. Effect of restricted emissions during COVID-19 on air quality in India. Sci. Total Environ. 728, 138878.

22. Stone, M., 2020. Carbon Emissions Are Falling Sharply Due to Coronavirus. But Not for Long. National Geographic. March 4. https://www.nationalgeographic.com/scienc e/2020/04/coronavirus-causing-carbon-emissions-to-fall-but-not-for-long/.

23. Stumpf, R.P., Pennock, J.R., 1989. Calibration of a general optical equation for remote sensing of suspended sediments in a moderately turbid estuary. J. Geophys. Res.: Oceans 94 (C10), 14363–14371

24. Tobias, A., Carnerero, C., Reche, C., Massagu´e, J., Via, M., Minguillon, ´ M.C., Alastuey, A., Querol, X., 2020. Changes in air quality during the lockdown in Barcelona (Spain) one month into the SARS-CoV-2 epidemic. Sci. Total Environ. 138540.

25. Vanhellemont, Q., Ruddick, K., 2014. Turbid wakes associated with offshore wind turbines observed with Landsat 8. Remote Sens. Environ. 145, 105–115.


26. Volkamer, R., Jimenez, J.L., San Martini, F., Dzepina, K., Zhang, Q., Salcedo, D., Molina, L.T., Worsnop, D.R., Molina, M.J., 2006. Secondary organic aerosol formation from anthropogenic air pollution: rapid and higher than expected. Geophys. Res. Lett. 33 (17).


27. Wang, X.J., Ma, T., 2001. Application of remote sensing techniques in monitoring and assessing the water quality of Taihu Lake. Bull. Environ. Contam. Toxicol. 67 (6), 863–870.


28. Wang, Xiaoyan, Yang, W., 2019. Water quality monitoring and evaluation using remotesensing techniques in China: a systematic review. Ecosys. Health Sustain. 5 (1), 47–56.


29. Wei, J., Lee, Z., Garcia, R., Zoffoli, L., Armstrong, R.A., Shang, Z., Sheldon, P., Chen, R.F., 2018. An assessment of Landsat-8 atmospheric correction schemes and remote sensing reflectance products in coral reefs and coastal turbid waters. Remote Sens. Environ. 215, 18–32.


30. Yunus, A.P., Dou, J., Song, X., Avtar, R., 2019. Improved bathymetric mapping of coastal and lake environments using Sentinel-2 and Landsat-8 images. Sensors 19 (12), 2788.

31. Yunus, A.P., Masago, Y., Hijioka, Y., 2020. COVID-19 and surface water quality: improved lake water quality during the lockdown. Sci. Total Environ. 139012.


32. Zhu, Z., Dou, J., 2018. Current status of reclaimed water in China: an overview. IDA J. Desalination Water Reuse 8 (3), 293–307.

Προσωπικά εργαλεία