Από RemoteSensing Wiki

Αναθεώρηση της 16:13, 27 Φεβρουαρίου 2026

Πρωτότυπος τίτλος: Integration of Machine Learning and Remote Sensing to Evaluate the Effects of Soil Salinity, Nitrate, and Moisture on Crop Yields and Economic Returns in the Semi-Arid Region of Ethiopia

Συγγραφείς: Gezimu Gelu Otoro and Katsuaki Komai
Πηγή (αναλυτικά): Vitousek, S., Buscombe, D., Vos, K., Barnard, P. L., Ritchie, A. C., & Warrick, J. A. (2023). The future of coastal monitoring through satellite remote sensing. Cambridge Prisms: Coastal Futures, 1, e10. DOI: 10.1017/cft.2022.4

Περίληψη

Η συγκεκριμένη επιστημονική μελέτη εστιάζει στη δραματική μείωση της γεωργικής απόδοσης και των αντίστοιχων οικονομικών κερδών που προκαλούνται από το αλατούχο έδαφος, τη μειωμένη εδαφική υγρασία και την απώλεια απαραίτητων θρεπτικών συστατικών στις ημι-ξηρές ζώνες της Αιθιοπίας. Οι ερευνητές ανέλυσαν τη συνδυαστική επιρροή αυτών των τριών παραγόντων σε βασικές καλλιέργειες (βαμβάκι, καλαμπόκι και μπανάνα), αντλώντας δεδομένα τόσο από επιτόπιες μετρήσεις όσο και από δορυφορικά συστήματα, ενώ παράλληλα δοκίμασαν επτά διαφορετικούς αλγορίθμους μηχανικής μάθησης. Σκοπός της έρευνας, όπως αναφέρεται χαρακτηριστικά μέσα στο κείμενο, είναι: «Η παρούσα μελέτη αντιμετωπίζει αυτούς τους περιορισμούς ενσωματώνοντας τη μηχανική μάθηση και την τηλεπισκόπηση για (α) την εκτίμηση των αποδόσεων των καλλιεργειών υπό ποικίλες συνθήκες αλατότητας, υγρασίας και νιτρικών, (β) την αξιολόγηση των οικονομικών επιπτώσεων της καλλιέργειας μπανάνας, καλαμποκιού και βαμβακιού μεταξύ των μικροκαλλιεργητών στη νότια Αιθιοπία, και (γ) τον εντοπισμό βασικών προγνωστικών παραγόντων και αλγορίθμων για τη βιώσιμη διαχείριση της γης.».

Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους

Η συλλογή των πρωτογενών δεδομένων πραγματοποιήθηκε μέσω δειγματοληψίας πεδίου στο αρδευτικό δίκτυο Sille. Συλλέχθηκαν δείγματα εδάφους για τη μέτρηση των επιπέδων αλατότητας (EC), εδαφικής υγρασίας (SM) και νιτρικών (N), καθώς και στοιχεία για τη στρεμματική απόδοση των φυτειών από χωράφια αγροτών. Επειδή, ωστόσο, τα επιτόπια δεδομένα ήταν περιορισμένα λόγω χωρικών και οικονομικών δυσκολιών, χρησιμοποιήθηκαν συνδυαστικά δορυφορικά δεδομένα για να ενισχυθεί η αξιοπιστία των μοντέλων. Επιλέχθηκαν τρεις πηγές με διαφορετικές διακριτικές ικανότητες: • Landsat 8: Προσφέρει χωρική ανάλυση 30 μέτρων και λήψη εικόνων ανά 16 ημέρες, παρέχοντας τα απαραίτητα δεδομένα για τον υπολογισμό των δεικτών εδαφικής αλατότητας (NDSI). • MODIS: Διαθέτει ανάλυση που κυμαίνεται από 250 μέτρα έως 1 χιλιόμετρο. Τα δεδομένα αυτά αξιοποιήθηκαν κυρίως για την αποτύπωση των δεικτών νιτρικών και εδαφικής υγρασίας σε καθημερινή βάση. • Sentinel-2: Με σαφώς υψηλότερη διακριτική ικανότητα (10 έως 60 μέτρα), επιστρατεύτηκε για την ενδελεχή παρακολούθηση της δυναμικής της υγρασίας στο έδαφος της υπό εξέταση περιοχής.

Προεπεξεργασία δεδομένων

Η ροή εργασιών από την αρχική συλλογή έως την ενσωμάτωση των δεδομένων στα μοντέλα ακολούθησε τα εξής στάδια προεπεξεργασίας: • Επεξεργασία των δορυφορικών εικόνων και υπολογισμός των απαραίτητων φασματικών δεικτών (NDVI, NDSI, NDMI) μέσα από το υπολογιστικό περιβάλλον του Google Earth Engine (GEE) σε συνεργασία με το Google Colab. • Χρήση της μεθόδου κανονικοποίησης κλίμακας (min-max scaling) στα δεδομένα που ελήφθησαν από το έδαφος, ώστε να εναρμονιστούν απόλυτα με το μέγεθος και την κλίμακα των παραγόμενων δορυφορικών δεικτών. • Εκπαίδευση ενός αλγορίθμου ταξινόμησης Random Forest εντός του GEE, ο οποίος τροφοδοτήθηκε με τις σημειακές επιτόπιες παρατηρήσεις, προκειμένου να ελεγχθεί και να διασφαλιστεί η ακρίβεια των δορυφορικών δεικτών πριν την τελική τους χρήση.

Εικόνα 1: Η πολυκλιμακωτή φύση των διαδικασιών αλλαγής των ακτών (αριστερά) και των τεχνικών παρατήρησης (δεξιά) που επιδιώκουν να καταγράψουν τη συμπεριφορά της παράκτιας μεταβολής μεταξύ πολλών κλιμάκων. Πηγή: Vitousek et al., 2023.

Πίνακας 1: Σύνοψη των διαφόρων σύγχρονων τεχνολογιών για την παρακολούθηση των ακτών. Πηγή: Vitousek et al., 2023.

Εφαρμογή μοντέλων Μηχανικής Μάθησης και αποτελέσματα

1. Πρόβλεψη Αποδόσεων Καλλιεργειών Αναπτύχθηκαν και αξιολογήθηκαν επτά διαφορετικοί αλγόριθμοι μηχανικής μάθησης. Η σύγκριση έδειξε ότι το μοντέλο Random Forest (RF) ξεχώρισε, επιτυγχάνοντας εξαιρετική ακρίβεια στην πρόβλεψη της παραγωγής βαμβακιού. Για την περίπτωση του καλαμποκιού, το μοντέλο Gradient Boosting (GB) απέδωσε καλύτερα , ενώ για τη μελέτη της μπανάνας, πιο αποτελεσματικά αποδείχθηκαν τα Δέντρα Απόφασης (DT). Στον αντίποδα, μοντέλα όπως τα K-Nearest Neighbors (KNN), Multi-Layer Perceptron (MLP) και Support Vector (SV) εμφάνισαν συστηματικά τις πιο αδύναμες επιδόσεις. 2. Εκτίμηση Οικονομικών Απωλειών Η έρευνα δεν στάθηκε μόνο στις ποσότητες παραγωγής, αλλά προχώρησε στον υπολογισμό των οικονομικών συνεπειών. Τα μοντέλα επιβεβαίωσαν πως οι περιβαλλοντικές πιέσεις καθορίζουν άμεσα το περιθώριο κέρδους των γεωργών. Και σε αυτή την περίπτωση, οι αλγόριθμοι RF και GB αναδείχθηκαν ως τα πιο στιβαρά και αξιόπιστα εργαλεία για την ποσοτικοποίηση των οικονομικών απωλειών. 3. Στατιστική Ανάλυση Σημαντικότητας (SHAP) Μέσω της ανάλυσης SHAP (SHapley Additive exPlanations), προσδιορίστηκε με ακρίβεια η βαρύτητα που έχει ο κάθε περιβαλλοντικός παράγοντας. Το τελικό πόρισμα υποδεικνύει σαφώς ότι η αλατότητα αποτελεί τον κυρίαρχο κατασταλτικό παράγοντα, προκαλώντας τη μεγαλύτερη μείωση τόσο στη σοδειά όσο και στα έσοδα σε όλα τα είδη φυτών. Η εδαφική υγρασία και τα επίπεδα των νιτρικών παίζουν επίσης ρόλο στην παραγωγικότητα, ωστόσο η επιρροή τους θεωρείται δευτερεύουσα και διαφέρει ανάλογα με τις απαιτήσεις της κάθε καλλιέργειας.

Ψηφιακές, προχωρημένες, ειδικές επεξεργασίες των δορυφορικών εικόνων

1. Ανάκτηση δεδομένων με Μηχανική Μάθηση
Υπολογίστηκαν οι θέσεις της ακτογραμμής (SDS) και η βαθυμετρία (SDB) μέσω προηγμένων αλγορίθμων. Η μελέτη δίνει έμφαση στη μετάβαση στην "καθοδηγούμενη από δεδομένα επιστήμη" (data-driven science) χρησιμοποιώντας τεχνικές Μηχανικής Μάθησης (Machine Learning). Αντί για απλές εμπειρικές σχέσεις, χρησιμοποιούνται βαθιά νευρωνικά δίκτυα (Deep Learning) και Συνελικτικά Νευρωνικά Δίκτυα (CNNs) για την ταξινόμηση κάθε εικονοστοιχείου (pixel-wise classification) και την αυτόματη αναγνώριση γεωμορφολογικών χαρακτηριστικών.

Εικόνα 2: Σχηματική απεικόνιση μιας εννοιολογικής, βασισμένης σε δεδομένα ροής εργασίας ανίχνευσης ακτογραμμής που χρησιμοποιεί μια σειρά μοντέλων μηχανικής μάθησης. Αφού μια νέα εικόνα είναι διαθέσιμη για μια τοποθεσία (π.χ. Ocean Beach, Καλιφόρνια, σε αυτό το παράδειγμα), ένα αρχικό μοντέλο καθορίζει την καταλληλότητα της εικόνας για επεξεργασία. Τα επόμενα μοντέλα εκτελούν φιλτράρισμα εικόνας, υπερ-ανάλυση και συμπλήρωση (συμπλήρωση κενών/σύννεφων). Στη συνέχεια, χρησιμοποιείται ένα μοντέλο τμηματοποίησης εικόνας για τον προσδιορισμό της θέσης της γραμμής της θάλασσας, η οποία διορθώνεται για την παλίρροια και άλλες στιγμιαίες μεταβλητές, όπως η ανύψωση, η κλίση, το μέγεθος των κόκκων κ.λπ., από άλλα μοντέλα μηχανικής μάθησης ή μοντέλα αφομοίωσης δεδομένων. Πηγή: Vitousek et al., 2023.

2. Ενσωμάτωση σε επιχειρησιακά μοντέλα
Εξετάστηκε η ενσωμάτωση των δορυφορικών δεδομένων σε επιχειρησιακά μοντέλα παράκτιας μεταβολής. Η διαδικασία αυτή περιλαμβάνει την αφομοίωση δεδομένων, συχνά μέσω τεχνικών όπως το φίλτρο Kalman, όπου οι δορυφορικές παρατηρήσεις ενημερώνουν και διορθώνουν τις προβλέψεις των αριθμητικών μοντέλων σε πραγματικό χρόνο. Αυτή η προσέγγιση επιτρέπει τη δημιουργία συστημάτων έγκαιρης προειδοποίησης και δυναμικών προβλέψεων της εξέλιξης της ακτογραμμής.
3. Στατιστική ανάλυση
Πραγματοποιήθηκε αξιολόγηση των σφαλμάτων των μοντέλων χάραξης ακτογραμμής και βαθυμετρίας από δορυφορικά δεδομένα (SDS και SBD αντίστοιχα), συγκρίνοντας τα αποτελέσματα με παραδοσιακές μεθόδους. Τα αποτελέσματα έδειξαν ότι οι μέθοδοι μηχανικής μάθησης προσφέρουν βελτιωμένη ακρίβεια σε πολύπλοκα περιβάλλοντα, ενώ η αφομοίωση δεδομένων μειώνει την αβεβαιότητα των προγνωστικών μοντέλων.

Συμπεράσματα και αξιολόγηση των μεθόδων

Σε ό,τι αφορά τα υπολογιστικά εργαλεία, η έρευνα ανέδειξε τον αλγόριθμο Random Forest ως τον πλέον κατάλληλο για την αποτύπωση των σύνθετων, μη γραμμικών αλληλεπιδράσεων μεταξύ του εδάφους και των φυτών σε ετερογενή περιβάλλοντα. Αντίθετα, αλγόριθμοι που δεν μπορούσαν να χειριστούν αυτή την πολυπλοκότητα, παρουσίασαν μειωμένη αξιοπιστία. Όσον αφορά τις αγρονομικές προεκτάσεις, τα αποτελέσματα επιβεβαίωσαν πέραν πάσης αμφιβολίας ότι η αλατότητα αποτελεί τον υπ' αριθμόν ένα κίνδυνο για την υποβάθμιση των καλλιεργειών και την απώλεια εισοδήματος των αγροτών. Συμπερασματικά, η μελέτη αποδεικνύει ότι η ενσωμάτωση δορυφορικών παρατηρήσεων με προηγμένη μηχανική μάθηση είναι καθοριστικής σημασίας σε περιοχές όπου απουσιάζουν εκτεταμένα δεδομένα πεδίου, δίνοντας στους υπεύθυνους χάραξης πολιτικής τα απαραίτητα στοιχεία για να προωθήσουν έργα μετριασμού της αλατότητας και να θωρακίσουν την επισιτιστική ασφάλεια.