Πλαίσιο που βασίζεται στην τηλεπισκόπηση για την πρόβλεψη αποδόσεων αραβοσίτου στο Πακιστάν χρησιμοποιώντας εικόνες Landsat
Από RemoteSensing Wiki
(Νέα σελίδα με ' Τοποθεσία μελέτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310450 [[Εικό...') |
|||
| Γραμμή 1: | Γραμμή 1: | ||
[[Εικόνα: 82.png | thumb | right | Τοποθεσία μελέτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310450]] | [[Εικόνα: 82.png | thumb | right | Τοποθεσία μελέτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310450]] | ||
[[Εικόνα: paki81.png | thumb | right | Ερμηνεία, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310450]] | [[Εικόνα: paki81.png | thumb | right | Ερμηνεία, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310450]] | ||
| + | Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310450 | ||
Το άρθρο αφορά την πρόβλεψη των αποδόσεων της καλλιέργειας του αραβοσίτου στο Πακιστάν και έχει τίτλο: Remote sensing-based framework to predict and assess the interannual variability of maize yields in Pakistan using Landsat imagery. Γράφτηκε από τους Ishfaq Ahmad, Aditya Singh, Muhammad Fahad, Muhammad Mohsin Waqas στο πανεπιστήμιο του Ισλαμαμπάντ του Πακιστάν το 2020. Η τοποθεσία της μελέτης επικεντρώνεται στην ανατολική περιφέρεια του Φαϊζαλαμπάντ, περιοχή που στην οποία υπάρχουν πολλές καλλιέργειες αραβοσίτου. Χρησιμοποιήθηκαν μία σειρά δεδομένων Landsat 8 και Landsat 7 εικόνων από το 2006 έως το 2017, ο δείκτης NDVI, δεδομένα Land Surface Temperature (LST), Landsat Thematic Mapper και επεξεργασία τους με least absolute shrinkage and selection operator (LASSO), καθώς επιμέρους στόχοι της μελέτης εκτός της ανάπτυξη ενός στατιστικού-εμπειρικού μοντέλου για την πρόβλεψη των αποδόσεων αραβοσίτου και της δημιουργίας μίας τηλεπισκοπικής βάσης μέτρησης της έκτασης καλλιέργειας του αραβοσίτου σε μια τυπική περιοχή καλλιέργειας αραβοσίτου στο Πακιστάν ήταν και η εκτίμηση της επίδρασης της θερμοκρασίας στη διετή μεταβλητότητα των αποδόσεων αραβοσίτου σε μια δεκαετία. Ο τελευταίος στόχος της εργασίας ίσως είναι και ο σημαντικότερος σε ερευνητικό επίπεδο, καθώς η κλιματική αλλαγή προκαλεί απρόβλεπτες αγρομετεωρολογικές συνθήκες και ακραία καιρικά φαινόμενα ενδέχεται να δημιουργήσουν δυσμενείς κινδύνους για μεγάλο ποσοστό της καλλιέργειας αραβοσίτου, επίσης Γεωπονικές μελέτες έχουν δείξει μείωση των αποδόσεων των σιτηρών λόγω των υψηλών θερμοκρασιών, που συνεχώς παρατηρούνται στην περιοχή μελέτης και της μη βιωσιμότητα της γύρης παράλληλα με μειωμένη γονιμοποίηση συγχρόνως με ελάττωση σχηματισμού κόκκων στον αραβόσιτο. Για τους σκοπούς της μελέτης επίσης χρησιμοποιήθηκε η principal components analyses (PCA) μεταξύ των NDVI και LST δεδομένων για την εξεύρεση της συσχέτισης, αποκτήθηκαν Landsat 8 OLI / TIRS δεδομένα με ίχνη P150-R038, P150-R039, P149-R038 και P149-R039 από την πύλη USGS Earth Explorer για την αιχμή της καλλιεργητικής περιόδου (μέσα Μαΐου) και για τα δύο έτη μελέτης. Για τη διερεύνηση της μεταβλητότητας στη ζωτικότητα των καλλιεργειών και για την ανάπτυξη της απόδοσης μοντέλων πρόβλεψης, ελήφθησαν δεδομένα για όλες τις διαθέσιμες ημερομηνίες από Ιανουάριο έως Ιούνιο και των δύο ετών. Χρησιμοποιήθηκαν βασικά στοιχεία αναλύσεις (PCA) για την αξιολόγηση των ημερομηνιών κατά τις οποίες οι NDVI και LST ήταν οι περισσότερο συσχετιζόμενες με τις αποδόσεις στους τόπους μελέτης, προσαρτήθηκαν το διάνυσμα της ετήσιας απόδοσης των εκμεταλλεύσεων στον πίνακα των NDVI και των LST που λαμβάνονται για κάθε διαθέσιμη ημερομηνία και η μήτρα προετοιμάστηκε για υπολογισμό. Έπειτα χρησιμοποιήθηκαν οκτώ ευρέως χρησιμοποιούμενοι αλγόριθμοι μηχανικής μάθησης οι οποίοι ήταν: Support Vector Machine (SVM)-Radial, Quadratic Discriminant Analysis (QDA), Random Forests, Trees, Support Vector Machine (SVM)-Linear, K-nearest neighbors (KNN) που επιδιώκει να συγκεντρώσει μοτίβα από σύγκριση των ευκλείδειων αποστάσεων μεταξύ των παρατηρήσεων, Linear Discriminant Analysis (LDA) και Boosting. Συνολικά και οι οκτώ μέθοδοι μηχανικής μάθησης αποδόθηκαν ακριβείς γύρω στο 90%. Η μηχανική μάθηση Boosting αποδείχθηκε σχετικά κακή με ακρίβεια 74% το 2015 και 75% το 2016, ενώ η μέθοδος Vector Machine (SVM) Radial η καλύτερη με ακρίβεια επικύρωσης 97% και στα δύο χρόνια και για αυτό χρησιμοποιήθηκε σε όλες τις επόμενες αναλύσεις και χρησιμοποιήθηκε για τον προσδιορισμό της χωρικής κατανομής των χωραφιών αραβοσίτου και για τις δύο καλλιεργητικές περιόδους. Η περιοχή που εκτιμάται σε αυτή τη μελέτη έδειξε διαφορά 14% από αυτήν που αναφέρθηκε από την Crop Reporting Service (CRS) του Pakistan και για τα δύο έτη (2015, 2016). H πρόβλεψη των αποδόσεων αραβοσίτου για τα 10 χρόνια (2007-2016) ταιριάζει με την κυβέρνηση αρκετά με μέσο σφάλμα στο 1,25%. Παρατηρήθηκε ότι οι αυξήσεις της θερμοκρασίας επηρεάζουν αρνητικά τις αποδόσεις σιτηρών σε όλα τα σημεία ελέγχου, αυτά τα φαινόμενα πιθανόν οφείλονται στις επιπτώσεις υψηλότερων θερμοκρασιών στους ρυθμούς ανάπτυξης, που μειώνουν αποτελεσματικά την περίοδο καλλιέργειας. Η θερμοκρασία που απαιτείται για τη βλάστηση του αραβοσίτου είναι 21 ° C και για την ανάπτυξη 30 ° C, υψηλότερη θερμοκρασία πάνω από αυτό το επίπεδο μειώνει και τη βλάστηση και τον ρυθμό ανάπτυξης. Επιπλέον, οι υψηλές θερμοκρασίες κατά τη διάρκεια του σταδίου αναπαραγωγής μειώνει τη διάρκεια πλήρωσης του κόκκου και οδηγεί στην καταβύθιση της απόδοσης του αραβοσίτου. | Το άρθρο αφορά την πρόβλεψη των αποδόσεων της καλλιέργειας του αραβοσίτου στο Πακιστάν και έχει τίτλο: Remote sensing-based framework to predict and assess the interannual variability of maize yields in Pakistan using Landsat imagery. Γράφτηκε από τους Ishfaq Ahmad, Aditya Singh, Muhammad Fahad, Muhammad Mohsin Waqas στο πανεπιστήμιο του Ισλαμαμπάντ του Πακιστάν το 2020. Η τοποθεσία της μελέτης επικεντρώνεται στην ανατολική περιφέρεια του Φαϊζαλαμπάντ, περιοχή που στην οποία υπάρχουν πολλές καλλιέργειες αραβοσίτου. Χρησιμοποιήθηκαν μία σειρά δεδομένων Landsat 8 και Landsat 7 εικόνων από το 2006 έως το 2017, ο δείκτης NDVI, δεδομένα Land Surface Temperature (LST), Landsat Thematic Mapper και επεξεργασία τους με least absolute shrinkage and selection operator (LASSO), καθώς επιμέρους στόχοι της μελέτης εκτός της ανάπτυξη ενός στατιστικού-εμπειρικού μοντέλου για την πρόβλεψη των αποδόσεων αραβοσίτου και της δημιουργίας μίας τηλεπισκοπικής βάσης μέτρησης της έκτασης καλλιέργειας του αραβοσίτου σε μια τυπική περιοχή καλλιέργειας αραβοσίτου στο Πακιστάν ήταν και η εκτίμηση της επίδρασης της θερμοκρασίας στη διετή μεταβλητότητα των αποδόσεων αραβοσίτου σε μια δεκαετία. Ο τελευταίος στόχος της εργασίας ίσως είναι και ο σημαντικότερος σε ερευνητικό επίπεδο, καθώς η κλιματική αλλαγή προκαλεί απρόβλεπτες αγρομετεωρολογικές συνθήκες και ακραία καιρικά φαινόμενα ενδέχεται να δημιουργήσουν δυσμενείς κινδύνους για μεγάλο ποσοστό της καλλιέργειας αραβοσίτου, επίσης Γεωπονικές μελέτες έχουν δείξει μείωση των αποδόσεων των σιτηρών λόγω των υψηλών θερμοκρασιών, που συνεχώς παρατηρούνται στην περιοχή μελέτης και της μη βιωσιμότητα της γύρης παράλληλα με μειωμένη γονιμοποίηση συγχρόνως με ελάττωση σχηματισμού κόκκων στον αραβόσιτο. Για τους σκοπούς της μελέτης επίσης χρησιμοποιήθηκε η principal components analyses (PCA) μεταξύ των NDVI και LST δεδομένων για την εξεύρεση της συσχέτισης, αποκτήθηκαν Landsat 8 OLI / TIRS δεδομένα με ίχνη P150-R038, P150-R039, P149-R038 και P149-R039 από την πύλη USGS Earth Explorer για την αιχμή της καλλιεργητικής περιόδου (μέσα Μαΐου) και για τα δύο έτη μελέτης. Για τη διερεύνηση της μεταβλητότητας στη ζωτικότητα των καλλιεργειών και για την ανάπτυξη της απόδοσης μοντέλων πρόβλεψης, ελήφθησαν δεδομένα για όλες τις διαθέσιμες ημερομηνίες από Ιανουάριο έως Ιούνιο και των δύο ετών. Χρησιμοποιήθηκαν βασικά στοιχεία αναλύσεις (PCA) για την αξιολόγηση των ημερομηνιών κατά τις οποίες οι NDVI και LST ήταν οι περισσότερο συσχετιζόμενες με τις αποδόσεις στους τόπους μελέτης, προσαρτήθηκαν το διάνυσμα της ετήσιας απόδοσης των εκμεταλλεύσεων στον πίνακα των NDVI και των LST που λαμβάνονται για κάθε διαθέσιμη ημερομηνία και η μήτρα προετοιμάστηκε για υπολογισμό. Έπειτα χρησιμοποιήθηκαν οκτώ ευρέως χρησιμοποιούμενοι αλγόριθμοι μηχανικής μάθησης οι οποίοι ήταν: Support Vector Machine (SVM)-Radial, Quadratic Discriminant Analysis (QDA), Random Forests, Trees, Support Vector Machine (SVM)-Linear, K-nearest neighbors (KNN) που επιδιώκει να συγκεντρώσει μοτίβα από σύγκριση των ευκλείδειων αποστάσεων μεταξύ των παρατηρήσεων, Linear Discriminant Analysis (LDA) και Boosting. Συνολικά και οι οκτώ μέθοδοι μηχανικής μάθησης αποδόθηκαν ακριβείς γύρω στο 90%. Η μηχανική μάθηση Boosting αποδείχθηκε σχετικά κακή με ακρίβεια 74% το 2015 και 75% το 2016, ενώ η μέθοδος Vector Machine (SVM) Radial η καλύτερη με ακρίβεια επικύρωσης 97% και στα δύο χρόνια και για αυτό χρησιμοποιήθηκε σε όλες τις επόμενες αναλύσεις και χρησιμοποιήθηκε για τον προσδιορισμό της χωρικής κατανομής των χωραφιών αραβοσίτου και για τις δύο καλλιεργητικές περιόδους. Η περιοχή που εκτιμάται σε αυτή τη μελέτη έδειξε διαφορά 14% από αυτήν που αναφέρθηκε από την Crop Reporting Service (CRS) του Pakistan και για τα δύο έτη (2015, 2016). H πρόβλεψη των αποδόσεων αραβοσίτου για τα 10 χρόνια (2007-2016) ταιριάζει με την κυβέρνηση αρκετά με μέσο σφάλμα στο 1,25%. Παρατηρήθηκε ότι οι αυξήσεις της θερμοκρασίας επηρεάζουν αρνητικά τις αποδόσεις σιτηρών σε όλα τα σημεία ελέγχου, αυτά τα φαινόμενα πιθανόν οφείλονται στις επιπτώσεις υψηλότερων θερμοκρασιών στους ρυθμούς ανάπτυξης, που μειώνουν αποτελεσματικά την περίοδο καλλιέργειας. Η θερμοκρασία που απαιτείται για τη βλάστηση του αραβοσίτου είναι 21 ° C και για την ανάπτυξη 30 ° C, υψηλότερη θερμοκρασία πάνω από αυτό το επίπεδο μειώνει και τη βλάστηση και τον ρυθμό ανάπτυξης. Επιπλέον, οι υψηλές θερμοκρασίες κατά τη διάρκεια του σταδίου αναπαραγωγής μειώνει τη διάρκεια πλήρωσης του κόκκου και οδηγεί στην καταβύθιση της απόδοσης του αραβοσίτου. | ||
[[category:Πρόβλεψη φυτικής απόδοσης]] | [[category:Πρόβλεψη φυτικής απόδοσης]] | ||
Παρούσα αναθεώρηση της 08:55, 26 Ιανουαρίου 2021
Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310450
Το άρθρο αφορά την πρόβλεψη των αποδόσεων της καλλιέργειας του αραβοσίτου στο Πακιστάν και έχει τίτλο: Remote sensing-based framework to predict and assess the interannual variability of maize yields in Pakistan using Landsat imagery. Γράφτηκε από τους Ishfaq Ahmad, Aditya Singh, Muhammad Fahad, Muhammad Mohsin Waqas στο πανεπιστήμιο του Ισλαμαμπάντ του Πακιστάν το 2020. Η τοποθεσία της μελέτης επικεντρώνεται στην ανατολική περιφέρεια του Φαϊζαλαμπάντ, περιοχή που στην οποία υπάρχουν πολλές καλλιέργειες αραβοσίτου. Χρησιμοποιήθηκαν μία σειρά δεδομένων Landsat 8 και Landsat 7 εικόνων από το 2006 έως το 2017, ο δείκτης NDVI, δεδομένα Land Surface Temperature (LST), Landsat Thematic Mapper και επεξεργασία τους με least absolute shrinkage and selection operator (LASSO), καθώς επιμέρους στόχοι της μελέτης εκτός της ανάπτυξη ενός στατιστικού-εμπειρικού μοντέλου για την πρόβλεψη των αποδόσεων αραβοσίτου και της δημιουργίας μίας τηλεπισκοπικής βάσης μέτρησης της έκτασης καλλιέργειας του αραβοσίτου σε μια τυπική περιοχή καλλιέργειας αραβοσίτου στο Πακιστάν ήταν και η εκτίμηση της επίδρασης της θερμοκρασίας στη διετή μεταβλητότητα των αποδόσεων αραβοσίτου σε μια δεκαετία. Ο τελευταίος στόχος της εργασίας ίσως είναι και ο σημαντικότερος σε ερευνητικό επίπεδο, καθώς η κλιματική αλλαγή προκαλεί απρόβλεπτες αγρομετεωρολογικές συνθήκες και ακραία καιρικά φαινόμενα ενδέχεται να δημιουργήσουν δυσμενείς κινδύνους για μεγάλο ποσοστό της καλλιέργειας αραβοσίτου, επίσης Γεωπονικές μελέτες έχουν δείξει μείωση των αποδόσεων των σιτηρών λόγω των υψηλών θερμοκρασιών, που συνεχώς παρατηρούνται στην περιοχή μελέτης και της μη βιωσιμότητα της γύρης παράλληλα με μειωμένη γονιμοποίηση συγχρόνως με ελάττωση σχηματισμού κόκκων στον αραβόσιτο. Για τους σκοπούς της μελέτης επίσης χρησιμοποιήθηκε η principal components analyses (PCA) μεταξύ των NDVI και LST δεδομένων για την εξεύρεση της συσχέτισης, αποκτήθηκαν Landsat 8 OLI / TIRS δεδομένα με ίχνη P150-R038, P150-R039, P149-R038 και P149-R039 από την πύλη USGS Earth Explorer για την αιχμή της καλλιεργητικής περιόδου (μέσα Μαΐου) και για τα δύο έτη μελέτης. Για τη διερεύνηση της μεταβλητότητας στη ζωτικότητα των καλλιεργειών και για την ανάπτυξη της απόδοσης μοντέλων πρόβλεψης, ελήφθησαν δεδομένα για όλες τις διαθέσιμες ημερομηνίες από Ιανουάριο έως Ιούνιο και των δύο ετών. Χρησιμοποιήθηκαν βασικά στοιχεία αναλύσεις (PCA) για την αξιολόγηση των ημερομηνιών κατά τις οποίες οι NDVI και LST ήταν οι περισσότερο συσχετιζόμενες με τις αποδόσεις στους τόπους μελέτης, προσαρτήθηκαν το διάνυσμα της ετήσιας απόδοσης των εκμεταλλεύσεων στον πίνακα των NDVI και των LST που λαμβάνονται για κάθε διαθέσιμη ημερομηνία και η μήτρα προετοιμάστηκε για υπολογισμό. Έπειτα χρησιμοποιήθηκαν οκτώ ευρέως χρησιμοποιούμενοι αλγόριθμοι μηχανικής μάθησης οι οποίοι ήταν: Support Vector Machine (SVM)-Radial, Quadratic Discriminant Analysis (QDA), Random Forests, Trees, Support Vector Machine (SVM)-Linear, K-nearest neighbors (KNN) που επιδιώκει να συγκεντρώσει μοτίβα από σύγκριση των ευκλείδειων αποστάσεων μεταξύ των παρατηρήσεων, Linear Discriminant Analysis (LDA) και Boosting. Συνολικά και οι οκτώ μέθοδοι μηχανικής μάθησης αποδόθηκαν ακριβείς γύρω στο 90%. Η μηχανική μάθηση Boosting αποδείχθηκε σχετικά κακή με ακρίβεια 74% το 2015 και 75% το 2016, ενώ η μέθοδος Vector Machine (SVM) Radial η καλύτερη με ακρίβεια επικύρωσης 97% και στα δύο χρόνια και για αυτό χρησιμοποιήθηκε σε όλες τις επόμενες αναλύσεις και χρησιμοποιήθηκε για τον προσδιορισμό της χωρικής κατανομής των χωραφιών αραβοσίτου και για τις δύο καλλιεργητικές περιόδους. Η περιοχή που εκτιμάται σε αυτή τη μελέτη έδειξε διαφορά 14% από αυτήν που αναφέρθηκε από την Crop Reporting Service (CRS) του Pakistan και για τα δύο έτη (2015, 2016). H πρόβλεψη των αποδόσεων αραβοσίτου για τα 10 χρόνια (2007-2016) ταιριάζει με την κυβέρνηση αρκετά με μέσο σφάλμα στο 1,25%. Παρατηρήθηκε ότι οι αυξήσεις της θερμοκρασίας επηρεάζουν αρνητικά τις αποδόσεις σιτηρών σε όλα τα σημεία ελέγχου, αυτά τα φαινόμενα πιθανόν οφείλονται στις επιπτώσεις υψηλότερων θερμοκρασιών στους ρυθμούς ανάπτυξης, που μειώνουν αποτελεσματικά την περίοδο καλλιέργειας. Η θερμοκρασία που απαιτείται για τη βλάστηση του αραβοσίτου είναι 21 ° C και για την ανάπτυξη 30 ° C, υψηλότερη θερμοκρασία πάνω από αυτό το επίπεδο μειώνει και τη βλάστηση και τον ρυθμό ανάπτυξης. Επιπλέον, οι υψηλές θερμοκρασίες κατά τη διάρκεια του σταδίου αναπαραγωγής μειώνει τη διάρκεια πλήρωσης του κόκκου και οδηγεί στην καταβύθιση της απόδοσης του αραβοσίτου.
