RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Μαμαλούδης Χρήστος

2019-01-23T14:49:21Z

Christos mamaloudis:

[[Ανάκτηση και χαρτογράφηση συγκέντρωσης βαρέων μετάλλων στο έδαφος χρησιμοποιώντας χρονοσειρά εικόνων Landsat 8]]

[[Δυνατότητες ορατής και εγγύς υπέρυθρης φασματοσκοπίας και φασματικών δεδομένων για την πρόβλεψη βαρέων μετάλλων σε ρυπασμένα εδάφη (Ιράν)]]

[[Μέθοδοι εκτίμησης περιεκτικότητας εδαφικού υδραργύρου χρησιμοποιώντας πολυφασματική ψηφιακή τηλεπισκόπηση]]

[[Χαρτογράφηση εδαφικών ρυπάνσεων Cu και Pb, με συνδυασμό γεωχημείας, τοπογραφίας και ψηφιακής τηλεπισκόπησης στον ποταμό Le’an, Κίνα]]

[[Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

Μαμαλούδης Χρήστος

2019-01-23T14:32:35Z

Christos mamaloudis:

Μαμαλούδης Χρήστος

2019-01-23T14:32:16Z

Christos mamaloudis: Νέα σελίδα με '[[Ανάκτηση και χαρτογράφηση συγκέντρωσης βαρέων μετάλλων στο έδαφος χρησιμοποιώντας χρονοσε...'

[[Ανάκτηση και χαρτογράφηση συγκέντρωσης βαρέων μετάλλων στο έδαφος χρησιμοποιώντας χρονοσειρά εικόνων Landsat 8]]
[[Δυνατότητες ορατής και εγγύς υπέρυθρης φασματοσκοπίας και φασματικών δεδομένων για την πρόβλεψη βαρέων μετάλλων σε ρυπασμένα εδάφη (Ιράν)]]
[[Μέθοδοι εκτίμησης περιεκτικότητας εδαφικού υδραργύρου χρησιμοποιώντας πολυφασματική ψηφιακή τηλεπισκόπηση]]
[[Χαρτογράφηση εδαφικών ρυπάνσεων Cu και Pb, με συνδυασμό γεωχημείας, τοπογραφίας και ψηφιακής τηλεπισκόπησης στον ποταμό Le’an, Κίνα]]
[[Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων]]

[[category:ΔΠΜΣ ]]

Ανάκτηση και χαρτογράφηση συγκέντρωσης βαρέων μετάλλων στο έδαφος χρησιμοποιώντας χρονοσειρά εικόνων Landsat 8

2019-01-23T14:14:54Z

Christos mamaloudis:

[[Εικόνα: wiki2_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης και τρισδιάστατη απεικόνιση της εικόνας ψηφιακής τηλεπισκόπησης]]
[[Εικόνα: wiki2_cm2.png|thumb|right|Εικόνα 2: Στατιστικά δεδομένα των ριζών μέσου τετραγωνικού σφάλματος των τριών μοντέλων (PLSR, ANN, SVR)]]
[[Εικόνα: wiki2_cm3.png|thumb|right|Εικόνα 3: Στατιστικά δεδομένα των συντελεστών προσδιορισμού των τριών μοντέλων (PLSR, ANN, SVR)]]
[[Εικόνα: wiki2_cm4.png|thumb|right|Εικόνα 4: (α) Χάρτης κατανομής εδαφικού χαλκού και (β) χάρτης ταξινόμησης]]
[[Εικόνα: wiki2_cm5.png|thumb|right|Εικόνα 5: Βέλτιστες εκτελέσεις των τριών μοντέλων (PLSR, ANN, SVR)]]

'''Πρότυπος τίτλος: ''Retrieval and mapping of heavy metal concentration in soil using time series Landsat 8 imagery'''''

'''Συγγραφείς: Yuan Fang, Linlin Xu, Junhuan Peng, Hongshuo Wang, Alexander Wong, David A. Clausi'''

'''Link: https://www.researchgate.net/publication/324854395_RETRIEVAL_AND_MAPPING_OF_HEAVY_METAL_CONCENTRATION_IN_SOIL_USING_TIME_SERIES_LANDSAT_8_IMAGERY'''

==Εισαγωγή==

Η ρύπανση των εδαφών αλλά και του περιβάλλοντος γενικότερα με βαρέα μέταλλα, ήταν πάντοτε ένα πολύ σοβαρό φαινόμενο. Τα τελευταία χρόνια όμως, με τη ραγδαία ανάπτυξη του σύγχρονου κόσμου, το φαινόμενο έχει αποκτήσει επικίνδυνες διαστάσεις, με αποτέλεσμα να απειλεί τόσο άμεσα όσο και έμμεσα την ανθρώπινη υγεία. Έτσι, κρίνεται απαραίτητος ο προσδιορισμός των επιπέδων βαρέων μετάλλων στο έδαφος, αλλά και η χρονική παρακολούθηση της εδαφικής υποβάθμισης, προκειμένου να προσδιορίζονται το είδος και η βαρύτητα της ρύπανσης. Η παραδοσιακή προσέγγιση για την ανίχνευση των συγκεντρώσεων των βαρέων μετάλλων στο έδαφος είναι δαπανηρή και χρονοβόρα, καθώς βασίζεται σε πολλαπλές δειγματοληψίες μια συγκεκριμένης περιοχής και σε κοστοβόρες εργαστηριακές αναλύσεις. Ανά φάσεις, πολλές παρόμοιες έρευνες χρησιμοποιούν φασματοσκοπικά δεδομένα για να δημιουργήσουν μοντέλα συσχέτισης μεταξύ συγκεντρώσεων βαρέων μετάλλων και φασματικών πληροφοριών και κατόπιν χρησιμοποιούν το μοντέλο για πρόβλεψη της ρύπανσης με τη χρήση πολυφασματικών εικόνων. Όμως, τα φασματοσκοπικά δεδομένα διαφέρουν κατά πολύ από τις εικόνες ψηφιακής τηλεπισκόπησης και έτσι η ανίχνευση και η χαρτογράφηση βαρέων μετάλλων στο έδαφος με αυτόν τον τρόπο καθίσταται δύσκολη και ανακριβής. Η συγκεκριμένη εργασία προσπαθεί να απαλείψει το πρόβλημα αυτό χρησιμοποιώντας εικόνες Landsat 8 μιας περιοχής σε ένα χρονικό εύρος, για την κατασκευή χρονοσειράς εικόνων, προκειμένου να ενισχυθεί η φασματική πληροφορία και να ελαχιστοποιηθούν τα μειονεκτήματα των Landsat 8 δεδομένων (χαμηλότερη πολυφασματική ανάλυση, λιγότερα κανάλια και μικρότερη φασματική πληροφορία) σε σύγκριση με τα εργαστηριακά φασματοφωτομετρικά δεδομένα.

==Σκοπός της εργασίας==

Η συγκεκριμένη εργασία έχει στόχο τη χαρτογράφηση της κατανομής εδαφικού χαλκού στην περιοχή Shiping στην Κίνα, χρησιμοποιώντας χρονοσειρά εικόνων Landsat 8 και χημικώς μετρήσιμα εδαφικά δεδομένα, τα οποία χρησιμοποιήθηκαν στο αποδοτικότερο, ύστερα από έλεγχο μοντέλο, για την ανάκτηση και πρόβλεψη των συγκεντρώσεων χαλκού στο έδαφος.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης (Shiping village, Luzhou city, Sichuan province, China) και η τρισδιάστατη απεικόνισή της φαίνονται στην Εικόνα 1.

===Δειγματοληψία===

Tο 2015 από την περιοχή μελέτης συλλέχθηκαν 138 εδαφικά δείγματα, στα οποία ύστερα από προκατεργασία, ελέγχθηκε με εργαστηριακές χημικές αναλύσεις η συγκέντρωση του χαλκού (Cu). Τα δεδομένα αυτά στη συνέχεια χρησιμοποιήθηκαν σε συνδυασμό με την καλύτερη πρόβλεψη του πιο βέλτιστου μοντέλου από τα τρία που δοκιμάστηκαν (PLSR, SVR, ANN), για την κατασκευή του χάρτη κατανομής χαλκού στην υπό εξέταση περιοχή.

===Δορυφορικά δεδομένα===

Τα δορυφορικά δεδομένα που χρησιμοποιήθηκαν για τη συγκεκριμένη εργασία περιλάμβαναν 11 εικόνες μεμονωμένων ημερομηνιών Landsat 8 με χαμηλή νεφοκάλυψη, με χρονικό εύρος από το 2013 έως το 2017, με στόχο το σχηματισμό χρονοσειράς για την υπό εξέταση περιοχή.
Όσον αφορά τα κανάλια, το κανάλι 8 (παγχρωματικό) διαθέτει χωρική ανάλυση 15 μέτρων και έτσι διαφέρει από τα υπόλοιπα κανάλια που διαθέτουν ανάλυση 30 μέτρων. Για το λόγο αυτό στη συγκεκριμένη εργασία το παγχρωματικό κανάλι υποβαθμίστηκε σε καθεμιά από τις εικόνες, με στόχο να επιτευχθεί χωρική ανάλυση 30 μέτρων όπως και στα υπόλοιπα κανάλια.

===Μοντέλα===

Οι μέθοδοι (μοντέλα) που χρησιμοποιήθηκαν στη συγκεκριμένη έρευνα για το σχηματισμό του μοντέλου παλινδρόμησης των συγκεντρώσεων εδαφικού χαλκού και των φασματικών δεδομένων χρονοσειράς Landsat 8 ήταν τα: PLSR (Partial Least Square Regression), SVR (Support Vector Regression) και ANN (Artificial Neural Network).

'''PLSR''' [https://en.wikipedia.org/wiki/Partial_least_squares_regression PLSR]

Πρόκειται για ένα πολυπαραγοντικό γραμμικό μοντέλο το οποίο βασίζεται στην υπόθεση ότι μια εξαρτημένη μεταβλητή μπορεί να εκτιμηθεί μέσω ενός γραμμικού συνδυασμού επεξηγηματικών μεταβλητών. Το μοντέλο PLSR είναι η πιο συνηθισμένη μέθοδος για πρόβλεψη εδαφικών δεδομένων.

'''SVR''' [https://www.mathworks.com/help/stats/understanding-support-vector-machine-regression.html SVR]

Πρόκειται για μια προσέγγιση τεχνητής μάθησης, η οποία χρησιμοποιείται κυρίως στον τομέα ανάκτησης γεωφυσικών παραμέτρων και έχει τα εξής πλεονεκτήματα: (α) καλή εγγενής ικανότητα γενίκευσης και (β) αντοχή στο θόρυβο, σε περίπτωση περιορισμένης διαθεσιμότητας των δειγμάτων αναφοράς. Στη συγκεκριμένη έρευνα υιοθετήθηκε το μοντέλο Epsilon-SVR με λειτουργία σιγμοειδούς πυρήνα.

'''ΑΝΝ''' [https://en.wikipedia.org/wiki/Artificial_neural_network ANN]

Πρόκειται για μια μη γραμμική μέθοδο τεχνητής μάθησης, η οποία χρησιμοποιείται στην ανίχνευση συγκεντρώσεων βαρέων μετάλλων στο έδαφος, που παρά το γεγονός ότι πολλές φορές τα παραγόμενα δεδομένα της μπορεί να είναι ασαφή και θορυβώδη, σαν μοντέλο μπορεί να επεξεργαστεί πολύπλοκα και μη γραμμικά δεδομένα. Στη συγκεκριμένη έρευνα υιοθετήθηκε ένα κρυφό επίπεδο του μοντέλου ANN με αναλογία μάθησης 0.01.
Τρόπος σύγκρισης μοντέλων

Η επίδοση των τριών χρησιμοποιούμενων μοντέλων εκτιμήθηκε υπολογίζοντας τους αντίστοιχους συντελεστές προσδιορισμού (R2) [https://en.wikipedia.org/wiki/Coefficient_of_determination coefficient of determination] και τις αντίστοιχες ρίζες του μέσου τετραγωνικού σφάλματος (RMSE) [https://en.wikipedia.org/wiki/Root-mean-square_deviation Root Mean Square Error], δεδομένα που εν τέλει συγκρίθηκαν μεταξύ τους (βλ. Εικόνα 2 και Εικόνα 3).

==Αποτελέσματα και Συζήτηση==

Με βάση τα στατιστικά δεδομένα που προέκυψαν από την έρευνα, τα οποία φαίνονται στις Εικόνες 2 και 3, και τα τρία μοντέλα έδωσαν πολύ καλύτερα αποτελέσματα στις εικόνες χρονοσειράς σε σχέση με τις εικόνες μεμονωμένων ημερομηνιών Landsat 8. Επιπλέον, ο μέσος συντελεστής προσδιορισμού (R2) στο μοντέλο PLSR ήταν αρκετά υψηλότερος συγκρινόμενος με τους μέσους συντελεστές προσδιορισμού (R2) των μοντέλων SVR και ANN, παρόλο που το μοντέλο ANN είχε υψηλότερο συντελεστή προσδιορισμού (R2) και χαμηλότερη ρίζα μέσου τετραγωνικού σφάλματος (RMSE) στη βέλτιστη εκτέλεση του μοντέλου. Αυτό οφείλεται στον αριθμό και την ευαισθησία των παραμέτρων. Το μοντέλο PLSR έχει μία μόνο σημαντική παράμετρο/μεταβλητή που εύκολα μπορεί να βελτιστοποιηθεί, ενώ τα μοντέλα SVR και ANN απαιτούν από τουλάχιστον δύο σχετικά ευαίσθητες παραμέτρους για την εκτέλεσή τους. Έτσι προκύπτει ότι η καλύτερη και πιο πρακτική μέθοδος για την πρόβλεψη εδαφικού χαλκού είναι το μοντέλο PLSR.
Χαρτογράφηση συγκεντρώσεων εδαφικού χαλκού
Η χαρτογράφηση της κατανομής των συγκεντρώσεων εδαφικού χαλκού στην υπό εξέταση περιοχή, πραγματοποιήθηκε με τη χρήση της πιο βέλτιστης εκτέλεσης του καλύτερου μοντέλου (εκτέλεση με τους υψηλότερους συντελεστές προσδιορισμού), που όπως αποδείχθηκε ήταν το μοντέλο PLSR. Ο χάρτης πρόβλεψης συγκεντρώσεων εδαφικού χαλκού παρουσιάζεται στην Εικόνα 4 (α). Για την αξιολόγηση του χάρτη χρησιμοποιήθηκε ένας χάρτης ταξινόμησης εδαφοκάλυψης της περιοχής (Εικόνα 4 (β)), ο οποίος συσχετιζόταν με τον παραγόμενο χάρτη σε ποσοστό 86.26%.

==Συμπεράσματα==

* Τα δεδομένα και οι εικόνες Landsat 8 μπορούν να χρησιμοποιηθούν για την ανίχνευση βαρέων μετάλλων όπως είναι ο χαλκός και μάλιστα με μεγάλη ικανότητα συσχέτισης.
* Η χρονοσειρά εικόνων Landsat 8 αποδίδει πολύ καλύτερα στην ανίχνευση και χαρτογράφηση βαρέων μετάλλων όπως είναι ο χαλκός, σε σχέση με τις εικόνες μεμονωμένων ημερομηνιών Landsat 8 και αυτό γιατί μπορούν να διαχειριστεί καλύτερα τη φασματική πληροφορία.
* Το μοντέλο PLSR ήταν το πιο πρακτικό και αποδοτικό μοντέλο από τα τρία που χρησιμοποιήθηκαν στη συγκεκριμένη έρευνα, καθώς έδωσε τα καλύτερα μέσα αποτελέσματα όσον αφορά τους συντελεστές προσδιορισμού (υψηλοί) και τις ρίζες μέσου τετραγωνικού σφάλματος (χαμηλοί).
* Ο παραγόμενος χάρτης των χημικά μετρούμενων συγκεντρώσεων εδαφικού χαλκού και των φασματικών δεδομένων χρονοσειράς Landsat 8, μέσω της βέλτιστης εκτέλεσης του μοντέλου PLSR είχε αρκετά υψηλή συσχέτιση και συνοχή με το χάρτη ταξινόμησης της περιοχής, πράγμα που σημαίνει ότι το μοντέλο PLSR, μπορεί να εφαρμοστεί ξεκάθαρα ως μέθοδος για την πρόβλεψη βαρέων μετάλλων στο έδαφος.

[[category:Υποβάθμιση εδαφών]]

Δυνατότητες ορατής και εγγύς υπέρυθρης φασματοσκοπίας και φασματικών δεδομένων για την πρόβλεψη βαρέων μετάλλων σε ρυπασμένα εδάφη (Ιράν)

2019-01-23T13:22:29Z

Christos mamaloudis:

[[Εικόνα: wiki1_cm1.png|thumb|right|Εικόνα 1: Θέση της περιοχής μελέτης]]
[[Εικόνα: wiki1_cm2.png|thumb|right|Εικόνα 2: Φυσικοχημικές ιδιότητες των εδαφικών δειγμάτων]]
[[Εικόνα: wiki1_cm3.png|thumb|right|Εικόνα 3: Συντελεστής συσχέτισης μεταξύ CRS και περιεχομένων βαρέων μετάλλων στο έδαφος]]
[[Εικόνα: wiki1_cm4.png|thumb|right|Εικόνα 4: Διαγράμματα συσχέτισης των χημικά μετρούμενων συγκεντρώσεων Ni, Cd, Pb και As στο έδαφος με τις προβλεπόμενες συγκεντρώσεις τους χρησιμοποιώντας τα CRS]]
[[Εικόνα: wiki1_cm5.png|thumb|right|Εικόνα 5: Συντελεστής συσχέτισης μεταξύ FDS και περιεχομένων βαρέων μετάλλων στο έδαφος]]
[[Εικόνα: wiki1_cm6.png|thumb|right|Εικόνα 6: Διαγράμματα συσχέτισης των χημικά μετρούμενων συγκεντρώσεων Ni, Cd, Pb και As στο έδαφος με τις προβλεπόμενες συγκεντρώσεις τους χρησιμοποιώντας τα FDS]]
[[Εικόνα: wiki1_cm7.png|thumb|right|Εικόνα 7: Αναλυτικά συγκριτικά αποτελέσματα χρήσης CRS και FDS στην ανίχνευση Ni, Cd, Pb και As στο έδαφος με εφαρμογή άμεσης φασματοσκοπίας ανάκλασης]]
[[Εικόνα: wiki1_cm8.png|thumb|right|Εικόνα 8: Συντελεστές συσχέτισης μεταξύ εδαφικού οργανικού άνθρακα και (α) φάσματα πλήρους μήκους κύματος, (β) CRS και (γ) FDS]]
[[Εικόνα: wiki1_cm9.png|thumb|right|Εικόνα 9: Διαγράμματα του χημικά υπολογισμένου εδαφικού οργανικού άνθρακα σε σχέση με τον προβλεπόμενο εδαφικό οργανικό άνθρακα με (α) CRS και (β) FDS]]
[[Εικόνα: wiki1_cm10.png|thumb|right|Εικόνα 10: Σύγκριση αποτελεσματικότητας CRS και FDS στην εκτίμηση του εδαφικού οργανικού άνθρακα]]
[[Εικόνα: wiki1_cm11.png|thumb|right|Εικόνα 11: Αναλυτικά συγκριτικά αποτελέσματα χρήσης CRS και FDS στην ανίχνευση Ni, Cd, Pb και As στο έδαφος με εφαρμογή φασματοσκοπίας ανάκλασης εδαφικού οργανικού άνθρακα και μαθηματικές εξισώσεις για τη μετατροπή του προβλεπόμενου εδαφικού οργανικού άνθρακα σε συγκεντρώσεις βαρέων μετάλλων]]
[[Εικόνα: wiki1_cm12.png|thumb|right|Εικόνα 12: Χάρτες κατανομής συγκεντρώσεων Ni, Cd, Pb και As και περιεκτικότητας οργανικού άνθρακα στο έδαφος στην υπό εξέταση περιοχή με την άμεση ανίχνευση σε εικόνες Landsat 8]]
[[Εικόνα: wiki1_cm13.png|thumb|right|Εικόνα 13: Χάρτες κατανομής συγκεντρώσεων Ni, Cd, Pb και As στο έδαφος στην υπό εξέταση περιοχή με την έμμεση ανίχνευση σε εικόνες Landsat 8]]
[[Εικόνα: wiki1_cm14.png|thumb|right|Εικόνα 14: Αναλυτικά συγκριτικά αποτελέσματα άμεσης και έμμεσης ανίχνευσης Ni, Cd, Pb και As στο έδαφος με τη χρήση φασμάτων εικόνων Landsat 8]]
[[Εικόνα: wiki1_cm15.png|thumb|right|Εικόνα 15: Χάρτες κατανομής συγκεντρώσεων Ni, Cd, Pb και As στο έδαφος στην υπό εξέταση χρησιμοποιώντας το μοντέλο τεχνητού νευρωνικού δικτύου σε εικόνες Landsat 8]]
[[Εικόνα: wiki1_cm16.png|thumb|right|Εικόνα 16: Αναλυτικά αποτελέσματα ανίχνευσης Ni, Cd, Pb και As στο έδαφος, με τη χρήση τεχνητού νευρωνικού δικτύου (ANN)]]

'''Πρότυπος τίτλος: ''Capability of vis-NIR spectroscopy and Landsat 8 spectral data to predict soil heavy metals in polluted agricultural land (Iran)'''''

'''Συγγραφείς: Ramin Samiei Fard & Hamid Reza Matinfar'''

'''Link: https://link.springer.com/article/10.1007/s12517-016-2780-4'''

==Εισαγωγή==

Τα τελευταία χρόνια η ρύπανση του περιβάλλοντος με βαρέα μέταλλα είναι ένα πολύ διαδεδομένο πρόβλημα και αναλόγως την ένταση στην οποία υφίσταται μπορεί να έχει άμεσα ή έμμεσα πολύ αρνητικές συνέπειες στα οικοσυστήματα και στην ανθρώπινη υγεία. Ορισμένα βαρέα μέταλλα, όπως ο χαλκός (Cu) και ο ψευδάργυρος (Zn) (ιχνοστοιχεία) είναι απαραίτητα σε συγκεκριμένες συγκεντρώσεις τόσο στα φυτά όσο και στον άνθρωπο αλλά και σε όλους τους ζωντανούς οργανισμούς. Παρόλ’ αυτά όταν συγκεκριμένες μορφές των βαρέων μετάλλων βρεθούν σε υψηλά επίπεδα στο έδαφος μπορεί να προκαλέσουν τοξικότητα και ρύπανση του εδάφους, η οποία μπορεί με τη σειρά της να αποδοθεί και να μεταφερθεί στα υπόγεια ύδατα, στις καλλιέργειες και εν δυνάμει στον άνθρωπο.
Για το λόγο αυτό, κρίνεται απαραίτητος ο υπολογισμός των συγκεντρώσεων των βαρέων μετάλλων στο έδαφος ειδικά σε περιοχές με έντονη βιομηχανία και γεωργία, καθώς τέτοιου είδους δραστηριότητες τείνουν να αυξάνουν αισθητά τα επίπεδά τους στο έδαφος με διάφορους τρόπους.
Ο υπολογισμός των βαρέων μετάλλων στο έδαφος αλλά και σε υδρόβια συστήματα μπορεί να επιτευχθεί με τη χρήση πολλών μεθόδων. Οι παραδοσιακές μέθοδοι που χρησιμοποιούνται για την ανίχνευση της κατανομής των βαρέων μετάλλων στο έδαφος περιλαμβάνουν χρονοβόρες εργαστηριακές χημικές αναλύσεις και παραστατικές δειγματοληψίες (π.χ. δειγματοληψία + χημικές αναλύσεις + φασματοσκοπία ατομικής απορρόφησης (AAS)). Ωστόσο, με την ανάπτυξη της τηλεπισκόπησης, διάφορες τεχνικές έχουν χρησιμοποιηθεί σε έρευνες για την ταχύτερη κατανομή των βαρέων μετάλλων στις προκαταρκτικές αναλύσεις των εδαφών και πλέον είναι δεδομένο πως η ορατή και εγγύς υπέρυθρη φασματοσκοπία (VNIRS – Visible Near-Infrared Reflectance Spectroscopy) σε φασματική περιοχή από 400 έως 2500 nm μπορεί να χρησιμοποιηθεί για άμεση ανίχνευση συγκεντρώσεων βαρέων μετάλλων στο έδαφος.

==Σκοπός της εργασίας==

Η παρούσα έρευνα επικεντρώνεται στην ανίχνευση Ni (νικελίου), Cd (καδμίου), Pb (μόλυβδου) και As (αρσενικού) σε ρυπασμένα αγροτικά εδάφη στο Ιράν, με την εφαρμογή ανακλαστικής φασματοσκοπίας σε φασματική περιοχή από 350 έως 2500 nm, χρησιμοποιώντας (α) γραμμικό μοντέλο μερικής γραμμικής παλινδρόμησης (PLSR – Partial Least Square Regression) [https://en.wikipedia.org/wiki/Partial_least_squares_regression PLSR] και (β) μη γραμμικό μοντέλο τεχνητού νευρωνικού δικτύου (ANN – Artificial Neural Network) [https://en.wikipedia.org/wiki/Artificial_neural_network ANN] για την αξιολόγηση των συσχετισμένων δεδομένων των καναλιών προσρόφησης στο εύρος ορατού εγγύς υπέρυθρου (VNIR), με τις μετρούμενες συγκεντρώσεις των βαρέων μετάλλων.
Επιπλέον στόχος της παρούσας έρευνας ήταν η χαρτογράφηση της κατανομής των προαναφερθέντων βαρέων μετάλλων μέσω ενός μοντέλου παλινδρόμησης, με τις προβλεπόμενες τιμές και στη συνέχεια η σύγκριση των αξιολογήσεων με τις συγκεντρώσεις των βαρέων μετάλλων που υπολογίσθηκαν με τη χρήση της φασματοσκοπίας ατομικής απορρόφησης (AAS) [https://en.wikipedia.org/wiki/Atomic_absorption_spectroscopy Atomic Absorption Spectroscopy]. Τελικώς, (α) αξιολογήθηκαν οι δυνατότητες εικόνων Landsat 8 για την ανίχνευση Ni, Cd, Pb και As σε εδάφη, (β) αναγνωρίστηκαν τα έγκυρα κανάλια εικόνων Landsat για την ανίχνευση αυτών των μετάλλων και (γ) συγκρίθηκαν τα αποτελέσματα μεταξύ γραμμικών και μη γραμμικών μοντέλων για την εκτίμηση των παραπάνω μετάλλων. Εν τέλει απώτερος σκοπός της συγκεκριμένης εργασίας ήταν η επιλογή της καλύτερης μεθόδου για την ανίχνευση βαρέων μετάλλων και συγκεκριμένα του νικελίου, καδμίου, μόλυβδου και αρσενικού, μετά από σύγκριση των αποτελεσμάτων της καθεμιάς.

==Υλικά και μέθοδοι==

===Κανάλια Landsat 8 που χρησιμοποιήθηκαν===

Συνολικά, από τα 11 κανάλια που διαθέτει ο Landsat 8 χρησιμοποιήθηκαν μόνο τα πρώτα 7 (1 – 7), τα οποία έχουν ανάλυση 30 m (30 m × 30 m = 900 m2) και μικρό εύρος όσον αφορά τα μήκη προσρόφησης, ενώ παραλείφθηκαν τα θερμικά κανάλια, το παγχρωματικό (ασπρόμαυρο) κανάλι και το κανάλι 9 που χρησιμοποιείται για την ανίχνευση θυσάνων (ειδική κατηγορία νεφών).
Συγκεκριμένα,
* 1 – 4 → 430 – 680 nm
* 5 → 845 – 885 nm
* 6 → 1500 – 1660 nm
* 7 → 2100 – 2300 nm

===Δειγματοληψία εδάφους===

Η δειγματοληψία πραγματοποιήθηκε σε 36 σημεία (Εικόνα 1), τα οποία ανήκουν σε 36 αντίστοιχες διαφορετικές περιοχές του Ιράν, καθεμιά από της οποίες καλύπτει περίπου 900 m2. Τα εδαφικά δείγματα πέρασαν επιτόπου από κόσκινο 200 mm για καλύτερη ομογενοποίηση και έπειτα χωρίστηκαν σε δύο ισομερείς ποσότητες εκ των οποίων μία χρησιμοποιήθηκε για χημικές αναλύσεις και η άλλη για φασματικές αναλύσεις. Τέλος, καταγράφηκε η θέση του κάθε σημείου με GPS (Global Positioning System), θεωρώντας πως το κάθε σημείο βρίσκεται ακριβώς στο κέντρο κάθε περιοχής. Πριν τις χημικές και φασματικές αναλύσεις προηγήθηκε προκατεργασία των εδαφικών δειγμάτων η οποία περιλάμβανε ξήρανση σε φούρνο και περαιτέρω κοσκίνισμα μέχρι 2 mm, με στόχο την εξαγωγή ακριβέστερων αποτελεσμάτων και την παράκαμψη μικροσκοπικών φαινομένων από μακρο-συσσωματώματα αντίστοιχα.

===Χημική ανάλυση===

Για τα 36 εδαφικά δείγματα, αρχικά υπολογίστηκαν διάφορες φυσικές εδαφικές ιδιότητες, μεταξύ των οποίων η οργανική ουσία του εδάφους, το pH του εδάφους, η ηλεκτρική αγωγιμότητα του εδάφους, η υφή του εδάφους και η περιεκτικότητα του εδάφους σε άργιλο, ιλύ και άμμο. Εν τέλει προσδιορίστηκαν οι συγκεντρώσεις Ni, Cd, Pb και As με τη χρήση φασματοσκοπίας ατομικής απορρόφησης (AAS) σε διαλύματα που παρασκευάστηκαν με τη μέθοδο Aqua Regia (βασιλικό νερό), προκειμένου να συγκριθούν οι ποσότητες πρόβλεψης βαρέων μετάλλων χρησιμοποιώντας φασματοσκοπία εγγύς υπέρυθρου.

===Φασματική ανάλυση===

Τα 36 εδαφικά δείγματα μετρήθηκαν φασματικά στο εργαστήριο, χρησιμοποιώντας το φασματοφωτόμετρο SVC (Spectra Vista Corporation), HR-1024 / HR-768 [https://www.spectravista.com/hr-1024i/ HR-1024i], το οποίο καλύπτει τα μήκη κύματος του υπεριώδους, ορατού και εγγύς υπέρυθρου από 350 έως 2500 nm με φασματικό διάστημα 1 nm. Το SVC HR-1024 / HR-768 χρησιμοποιεί τρία φασματόμετρα πλέγματος περίθλασης, ένα πυριτίου με 512 διακριτούς ανιχνευτές και δύο InGaAs με 256 διακριτούς ανιχνευτές ο καθένας, με αποτέλεσμα να έχει τη δυνατότητα ανάγνωσης 1024 διαφορετικών καναλιών.

===Γραμμικό μοντέλο PLSR (Partial Least Square Regression)===

Στη συγκεκριμένη εργασία η προσέγγιση PLSR χρησιμοποιήθηκε με στόχο να αξιολογηθούν τα συσχετισμένα δεδομένα των καναλιών προσρόφησης στο εύρος του ορατού και εγγύς υπέρυθρου, με τις χημικώς μετρούμενες συγκεντρώσεις των υπό εξέταση μετάλλων (Ni, Cd, Pb και As). Η όλη διαδικασία πραγματοποιήθηκε με τη χρήση του προγράμματος MATLAB.
Μη γραμμικό μοντέλο ANN (Artificial Neural Network – Τεχνητό Νευρωνικό Δίκτυο)
Το μοντέλο ANN στη συγκεκριμένη έρευνα χρησιμοποιήθηκε για τον ίδιο λόγο όπως και η προσέγγιση PLSR. Συγκριτικά όμως, το μοντέλο ANN στην παρούσα έρευνα ήταν ένα μη γραμμικό μοντέλο πιο ευέλικτο από το PLSR.

==Αποτελέσματα και συζήτηση==

===Χημική ανάλυση===

Τα αποτελέσματα των χημικών εργαστηριακών αναλύσεων παρουσιάζονται στην Εικόνα 2.

===Άμεση ανίχνευση Ni, Cd, Pb και As με φασματοσκοπία ανάκλασης βαρέων μετάλλων (CRS – Continuum Removed Spectra, FDS - First Derivative Spectra)===

'''Αφαίρεση προσροφητικών φασματικών καναλιών'''

Τα κανάλια με εύρος 950 έως 1000, 1350 έως 1440 και 1850 έως 2100 nm, αφαιρέθηκαν, καθώς είναι ιδιαίτερα ευαίσθητα στην απορρόφηση νερού, η οποία τα επηρεάζει δραματικά.

'''CRS (Continuum Removed Spectra)'''

* Οι εμφανείς συσχετίσεις για το νικέλιο έγιναν στο φασματικό εύρος από 500 έως 850 nm αλλά και στα 1300, 1700 και 2100 nm, όπου οι συντελεστές συσχέτισης (Pearson) ήταν ≥ 0.35 (Εικόνα 3).
* Οι εμφανείς συσχετίσεις για το κάδμιο έγιναν στα φασματικά εύρη από 350 έως 400 και από 800 έως 850 nm , όπου οι συντελεστές συσχέτισης (Pearson) ήταν ≥ 0.35 (Εικόνα 3).
* Οι εμφανείς συσχετίσεις για το μόλυβδο έγιναν στα φασματικά εύρη από 350 έως 400 και 1300 έως 1800 nm, όπου οι συντελεστές συσχέτισης (Pearson) ήταν ≥ 0.3 (Εικόνα 3).
* Οι εμφανείς συσχετίσεις για το αρσενικό έγιναν στο φασματικό εύρος από 1600 έως 2400 nm, όπου ο συντελεστής συσχέτισης (Pearson) ήταν ≥ 0.3 (Εικόνα 3).

'''FDS (First Derivative Spectra)'''

Παρατηρώντας την Εικόνα 5 και συγκρίνοντάς την με την Εικόνα 3 προκύπτει πως η εξέχουσα συσχέτιση μεταξύ των υπό εξέταση μετάλλων (Ni, Cd, Pb, As) και των FDS είναι μεγαλύτερη από τις συσχετίσεις των βαρέων μετάλλων και των CRS, πράγμα που επαληθεύεται και από το συντελεστή συσχέτισης (Pearson), ο οποίος κατά μέσο όρο κυμάνθηκε γύρω στο 0.45.

'''Συνολικά'''

Τα αποτελέσματα της άμεσης ανίχνευσης Ni, Cd, Pb και As με φασματοσκοπία ανάκλασης συνοψίζονται στην Εικόνα 7, ο οποίος σε συνδυασμό με την Εικόνα 4 και την Εικόνα 6, δείχνουν πως τα FDS είναι πιο αποτελεσματικά στην ανίχνευση βαρέων μετάλλων συγκριτικά με τα CRS, καθώς προσεγγίζουν καλύτερα τις μετρήσεις από τη φασματοσκοπία ατομικής απορρόφησης (AAS) (χημική ανάλυση). Συγκεκριμένα, για το νικέλιο τα CRS ήταν πιο αποτελεσματικά, ενώ για το κάδμιο και το μόλυβδο τα FDS έδωσαν καλύτερα αποτελέσματα ανίχνευσης. Όσον αφορά το αρσενικό καμία από τις προσεγγίσεις δεν ήταν ιδιαίτερα αποτελεσματική λόγω χαμηλού συντελεστή προσδιορισμού (R2) ή υψηλής ρίζας μέσης τετραγωνικής απόκλισης (Root Mean Square Error).

===Έμμεση ανίχνευση Ni, Cd, Pb και As με φασματοσκοπία ανάκλασης εδαφικού οργανικού άνθρακα (CRS – Continuum Removed Spectra, FDS – First Derivative Spectra)===

Όπως και με την άμεση ανίχνευση Ni, Cd, Pb και As με τη χρήση φασματοσκοπίας ανάκλασης βαρέων μετάλλων, έτσι και στην έμμεση ανίχνευσή τους με φασματοσκοπία ανάκλασης εδαφικού οργανικού άνθρακα, αφού πρώτα αφαιρέθηκαν τα κανάλια προσρόφησης του νερού (950, 1400 και 1900 nm), χρησιμοποιήθηκαν η ανάλυση του συντελεστή συσχέτισης Pearson και το μοντέλο PLSR προκειμένου να προσδιοριστούν οι συντελεστές συσχέτισης μεταξύ φασματικών καναλιών και εδαφικού οργανικού άνθρακα. Έπειτα από τον υπολογισμό του προβλεπόμενου εδαφικού οργανικού άνθρακα και τη σύγκρισή του με τον χημικά μετρούμενο οργανικό άνθρακα με τη χρήση τόσο CRS και FDS, υπολογίστηκαν μέσω μοντέλου PLSR και μαθηματικών εξισώσεων οι προβλεπόμενες συγκεντρώσεις Ni, Cd, Pb και As. Σύμφωνα με τις Εικόνες 8 και 10 τα FDS ξεκάθαρα φαίνεται πως έχουν μεγαλύτερη ικανότητα ανίχνευσης εδαφικού οργανικού άνθρακα σε σχέση με τα CRS αφού ο συντελεστής προσδιορισμού (R2) στην περίπτωση των FDS ήταν υψηλός και γύρω στο 0.78. Όσον αφορά τις συγκεντρώσεις των υπό εξέταση μετάλλων (Ni, Cd, Pb, As) με την μέθοδο της φασματοσκοπίας ανάκλασης εδαφικού οργανικού άνθρακα, τα αποτελέσματά τους φαίνονται στην Εικόνα 11 και όπως ήταν αναμενόμενο τα FDS ήταν πιο αποτελεσματικά από τα CRS (μεγαλύτερα R2).

===Άμεση ανίχνευση Ni, Cd, Pb και As με τη χρήση εικόνων Landsat 8===

Όπως προαναφέρθηκε (βλ. Κανάλια Landsat 8 που χρησιμοποιήθηκαν) για την ανίχνευση Ni, Cd, Pb και As στο έδαφος με τη χρήση εικόνων Landsat 8, από τα 11 συνολικά κανάλια του δορυφόρου, χρησιμοποιήθηκαν τα πρώτα 7 με εύρος στο ορατό και εγγύς υπέρυθρο αλλά και στο βραχύ υπέρυθρο. Συγκεκριμένα, (α) οι πληροφορίες των 36 εδαφικών δειγμάτων περαστήκαν σε εικόνες δια μέσου του προγράμματος ENVI 4.8, (β) τα φάσματά τους υποδιαιρέθηκαν στις εικόνες και (γ) εφαρμόστηκαν τα μοντέλα παλινδρόμησης μεταξύ των φασματικών δεδομένων των εικόνων και των συγκεντρώσεων των υπό εξέταση βαρέων μετάλλων καθένα ξεχωριστά. Αυτό συντέλεσε στην παραγωγή ορισμένων συντελεστών, οι οποίοι χρησιμοποιήθηκαν για την απεικόνιση των εικονοστοιχείων στις εικόνες. Έτσι, δημιουργήθηκαν οι χάρτες της κατανομής βαρέων μετάλλων οι οποίοι παρουσιάζονται στην Εικόνα 12.

===Έμμεση ανίχνευση Ni, Cd, Pb και As με τη χρήση εικόνων Landsat 8===

Για την έμμεση ανίχνευση Ni, Cd, Pb και As με τη χρήση εικόνων Landsat 8 σε σχέση με τον εδαφικό οργανικό άνθρακα ακολουθήθηκε η ίδια διαδικασία με πριν. Οι χάρτες που παρήχθησαν με τη συγκεκριμένη μέθοδο παρουσιάζονται στην Εικόνα 13.
Σύγκριση άμεσης και έμμεσης ανίχνευσης Ni, Cd, Pb και As με τη χρήση εικόνων Landsat 8
Τα συγκριτικά αποτελέσματα φαίνονται στην Εικόνα 14. Παρατηρώντας την Εικόνα 14 αλλά και τις Εικόνες 12 και 13, φαίνεται ξεκάθαρα ότι η έμμεση μέθοδος ανίχνευσης με τη χρήση εικόνων Landsat 8 είναι δραματικά λιγότερο αποτελεσματική σε σχέση με την άμεση (χαμηλά R2).

===Χρήση τεχνητού νευρωνικού δικτύου (ANN) για την ανίχνευση βαρέων μετάλλων χρησιμοποιώντας εικόνες Landsat 8===

Η χρήση του ANN στις εικόνες Landsat 8 της συγκεκριμένης έρευνας έδωσαν χάρτες που παρουσιάζονται στην Εικόνα 15 αλλά και θετικά αποτελέσματα τα οποία φαίνονται στην Εικόνα 16.

==Συμπεράσματα==

Συνολικά από την έρευνα προκύπτει πως από όλες τις μεθόδους που χρησιμοποιήθηκαν, η άμεση ανίχνευση βαρέων μετάλλων και κυρίως του νικελίου, καδμίου, μόλυβδου και αρσενικού μέσω εικόνων Landsat 8 είναι πιο ακριβής και αποτελεσματική σε σχέση με τις έμμεσες μεθόδους ανίχνευσης. Παρόλ’ αυτά η φασματική ανάλυση με άμεση φασματοσκοπία ανάκλασης (κυρίως FDS) στο ορατό και εγγύς υπέρυθρο που πραγματοποιήθηκε στο εργαστήριο, είχε εξίσου πολύ ακριβή αποτελέσματα που συμφωνούσαν με τις τιμές που προέκυψαν από τη χημική ανάλυση και τη φασματοσκοπία ατομικής απορρόφησης (AAS). Από την άλλη, το μοντέλο ANN έδωσε ικανοποιητικά αποτελέσματα στην ανίχνευση βαρέων μετάλλων. Αυτό σε συνδυασμό με το γεγονός ότι πρόκειται για ένα μη γραμμικό μοντέλο, το καθιστά πολύ πιο ευέλικτο από τα κλασσικά χρησιμοποιούμενα γραμμικά μοντέλα, με αποτέλεσμα να μπορεί να αντιμετωπίζει ορθότερα τον συνεχώς μεταβαλλόμενο πολυδιάστατο χαρακτήρα του εδάφους. Όμως το πρόβλημα που προκύπτει από τη χρήση του μοντέλου ANN είναι ότι οι διεργασίες του είναι τυχαίες και έτσι κάθε φορά προκύπτουν διαφορετικά αποτελέσματα. Σε κάθε περίπτωση, η ανίχνευση βαρέων μετάλλων στο έδαφος μπορεί να επιτευχθεί με πολλές διαφορετικές μεθόδους και χρήσεις της ψηφιακής τηλεπισκόπησης, με επικρατέστερες τις τρεις που μόλις προαναφέρθηκαν, καθώς αυτές προσεγγίζουν σε μεγαλύτερο βαθμό την ακρίβεια των χημικών αναλύσεων και της φασματοσκοπίας ατομικής απορρόφησης (AAS).

[[category:Υποβάθμιση εδαφών]]

Μέθοδοι εκτίμησης περιεκτικότητας εδαφικού υδραργύρου χρησιμοποιώντας πολυφασματική ψηφιακή τηλεπισκόπηση

2019-01-23T13:05:17Z

Christos mamaloudis:

[[Εικόνα: wiki3_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης και σημεία εδαφικής δειγματοληψίας]]
[[Εικόνα: wiki3_cm2.png|thumb|right|Εικόνα 2: Περιγραφικά δεδομένα εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm3.png|thumb|right|Εικόνα 3: Οι φασματικές καμπύλες ανακλαστικότητας μετά από μαθηματική διόρθωση με: (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL)]]
[[Εικόνα: wiki3_cm4.png|thumb|right|Εικόνα 4: Δομή του μοντέλου GA-BPNN]]
[[Εικόνα: wiki3_cm5.png|thumb|right|Εικόνα 5: Διάγραμμα ροής για τον προσδιορισμό της βέλτιστης μεθόδου προσομοίωσης εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm6.png|thumb|right|Εικόνα 6: Συντελεστές συσχέτισης μεταξύ εδαφικού υδραργύρου και των εδαφικών φασματικών δεικτών (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL)]]
[[Εικόνα: wiki3_cm7.png|thumb|right|Εικόνα 7: Τα επιλεγμένα κανάλια και οι αντίστοιχοι συντελεστές συσχέτισης]]
[[Εικόνα: wiki3_cm8.png|thumb|right|Εικόνα 8: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο MLR συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm9.png|thumb|right|Εικόνα 9: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο BPNN συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm10.png|thumb|right|Εικόνα 10: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο GA-BPNN συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm11.png|thumb|right|Εικόνα 11: Αποτελέσματα των υπό εξέταση μοντέλων (MLR, BPNN, GA-BPNN) σε σχέση με τις μετρήσεις των χημικών αναλύσεων]]
[[Εικόνα: wiki3_cm12.png|thumb|right|Εικόνα 12: Δείκτες ακρίβειας των υπό εξέταση μοντέλων (MLR, BPNN, GA-BPNN)]]

'''Πρότυπος τίτλος: ''Estimation Methods for Soil Mercury Content Using Hyperspectral Remote Sensing'''''

'''Συγγραφείς: Li Zhao, Yue-Ming Hu, Wu Zhou, Zhen-Hua Liu, Yu-Chun Pan, Zhou Shi, Lu Wang, Guang-Xing Wang'''

'''Link: https://www.mdpi.com/2071-1050/10/7/2474'''

==Εισαγωγή==

Ο υδράργυρος (Hg) είναι ένα από τα πιο τοξικά βαρέα μέταλλα που υπάγονται στον πλανήτη, αφού διαθέτει υψηλή νευροτοξικότητα και μεγάλη πιθανότητα τερατογενέσεων. Στο έδαφος εμφανίζεται με διάφορες μορφές τόσο από φυσικές όσο και από ανθρωπογενείς εκπομπές και χάρη στην ικανότητα του, ως βαρύ μέταλλο, να μην διασπάται εύκολα από βιολογικές διεργασίες μπορεί και βιοσυσσωρεύεται σε μεγαλύτερες συγκεντρώσεις. Αυτό έχει σαν αποτέλεσμα να επηρεάζει αρνητικά την ποιότητα των υπόγειων και επιφανειακών υδάτων, την ανάπτυξη των καλλιεργειών και εν τέλει τους ζωντανούς οργανισμούς αλλά και τον άνθρωπο. Ως εκ τούτου, η συνεχής παρακολούθηση των επιπέδων υδραργύρου στο έδαφος αλλά και των ενδεχόμενων εδαφικών ρυπάνσεων είναι υψίστης σημασίας.
Οι παραδοσιακές μέθοδοι παρακολούθησης διαθέτουν υψηλή ακρίβεια και συνήθως περιλαμβάνουν πολλαπλές εδαφικές δειγματοληψίες, εργαστηριακές χημικές αναλύσεις και γεωστατιστικές μεθόδους παρεμβολής. Παρόλ’ αυτά είναι ιδιαίτερα χρονοβόρες και κοστοβόρες, ενώ συγχρόνως είναι ανακριβείς στην περίπτωση παρακολούθησης μεγάλων περιοχών.
Από την άλλη με την ανάπτυξη της ψηφιακής τηλεπισκόπησης και των πολυφασματικών τεχνικών, υπάρχουν πλέον μέθοδοι που διαθέτουν ταχεία και μεγάλης κλίμακας δυναμική παρακολούθησης και μπορούν να ανιχνεύσουν αποτελεσματικά, γρήγορα και με ακρίβεια τα επίπεδα βαρέων μετάλλων στο έδαφος ακόμη και σε μεγάλης κλίμακας περιοχές.

==Σκοπός της εργασίας==

Η συγκεκριμένη μελέτη έχει στόχο να προσδιορίσει τη βέλτιστη μέθοδο προσομοίωσης του περιεχόμενου υδραργύρου στο έδαφος, συγκρίνοντας τα αποτελέσματα περιεκτικότητας υδραργύρου τριών διαφορετικών και συχνά εφαρμοσμένων στατιστικών μεθόδων ανάλυσης (MLR, BPNN και GA-BPNN) μεταξύ τους αλλά και με τα αποτελέσματα των χημικών αναλύσεων. Απώτερος σκοπός είναι η προσπάθεια επίλυσης των υφιστάμενων προβλημάτων στην πολυφασματική εκτίμηση επιπέδων βαρέων μετάλλων στο έδαφος, χρησιμοποιώντας μοντέλα στατιστικής ανάλυσης και μεθόδους τεχνητής μάθησης.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης καλύπτει την επαρχία Guangdong στη Ν. Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1. Η επαρχία Guangdong τα τελευταία χρόνια έχει σημειώσει πολύ μεγάλη οικονομική ανάπτυξη και τόσο η αστικοποίηση όσο και η βιομηχανοποίηση έχουν αυξηθεί κατά κόρον, με αποτέλεσμα το πρόβλημα ρύπανσης των εδαφών να είναι πολύ σοβαρό.

===Δειγματοληψία===

Συνολικά συλλέχθηκαν 75 δείγματα εδάφους βάρους περίπου 300 g το καθένα από την επαρχία Guangdong σε βάθος 0 – 20 cm. Τα σημεία δειγματοληψίας κοντά σε αγροτικές περιοχές συλλέχθηκαν σε κλίμακα 50 km x 50 km, ενώ τα σημεία κοντά σε πυκνοκατοικημένες και πιθανώς περισσότερο ρυπασμένες περιοχές σε κλίμακα 30 km x 30 km (Εικόνα 1). Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System). Τα δείγματα στη συνέχεια μεταφέρθηκαν στο εργαστήριο όπου υποβλήθηκαν σε προκατεργασία η οποία περιλάμβανε αεροξήρανση, αφαίρεση μη εδαφικών στοιχείων, άλεση και τελικώς κοσκίνισμα στα 0.2 mm. Μετά την προκατεργασία το κάθε δείγμα χωρίστηκε σε δύο ισομερείς ποσότητες∙ μια για τις χημικές και μια για τις φασματικές αναλύσεις.

===Χημική ανάλυση===

Για τη χημική ανάλυση, χρησιμοποιήθηκαν 0.2 g από το κάθε δείγμα για πέψη με μείγμα H2SO4-HNO3-KMnO4. Η ανίχνευση του περιεχόμενου υδραργύρου στα παραγόμενα διαλύματα πραγματοποιήθηκε με τη χρήση φασματοσκοπίας ατομικής απορρόφησης. Τα περιγραφικά δεδομένα του εδαφικού υδραργύρου παρουσιάζονται στην Εικόνα 2.
Συλλογή και επεξεργασία εδαφικών φασματικών δεδομένων
Τα εδαφικά φασματικά δεδομένα συλλέχθηκαν μετρώντας τη φασματική ανακλαστικότητα των εδαφικών δειγμάτων με τη χρήση ενός φορητού φασματόμετρου (AvaField, Avantes, Holland), το οποίο διέθετε κανάλια με εύρος από 340.316 έως 2511.179 nm και διάστημα φασματικής δειγματοληψίας 0.6 nm. Κάθε δείγμα εδάφους μετρήθηκε πέντε φορές και με τη χρήση του προγράμματος AvaReader διορθώθηκαν οι όποιες ανωμαλίες των δεδομένων, ενώ ως τιμή ανάκλασης του κάθε εδαφικού δείγματος χρησιμοποιήθηκε η μέση τιμή ανάκλασης εκ των πέντε μετρήσεων.
Οι φασματικές μετρήσεις όμως επηρεάζονται εύκολα από διάφορους παράγοντες και άρα πρέπει να διορθώνονται προκειμένου να απαλειφθεί ο θόρυβος υποβάθρου και να επισημανθούν τα χαρακτηριστικά απορρόφησης και ανάκλασης της φασματικής καμπύλης που παράγεται. Στη συγκεκριμένη μελέτη, για την εξομάλυνση και τη βελτιστοποίηση της φασματικής καμπύλης κάθε εδαφικού δείγματος, χρησιμοποιήθηκε το φίλτρο εξομάλυνσης Savitzky-Golay [https://en.wikipedia.org/wiki/Savitzky%E2%80%93Golay_filter Savitzky-Golay filter]. Η παραγόμενη εξομαλυμένη καμπύλη επεξεργάστηκε με τις μεθόδους: α) αφαίρεση συνεχούς (Continuum Removed – CR) [https://www.harrisgeospatial.com/docs/ContinuumRemoval.html Continuum Removal], β) διαφορά πρώτης τάξης (First-order Differential – FD) και γ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL) και παράχθηκαν οι αντίστοιχες καμπύλες (Εικόνα 3).

===Επιλογή καναλιών===

Για την επιλογή των κατάλληλων καναλιών, δηλαδή αυτών με τους υψηλότερους συντελεστές συσχέτισης, όσον αφορά τη σχέση μεταξύ ανακλαστικότητας και εδαφικής συγκέντρωσης υδραργύρου, χρησιμοποιήθηκε ανάλυση συσχέτισης Pearson [https://en.wikipedia.org/wiki/Pearson_correlation_coefficient Pearson correlation] μεταξύ (α) των τεσσάρων προαναφερθέντων εδαφικών φασματικών δεικτών [(1) εξομαλυμένη φασματική ανακλαστικότητα, (2) CR φασματική ανακλαστικότητα, (3) FD φασματική ανακλαστικότητα και (4) RL φασματική ανακλαστικότητα] και (β) του εδαφικού υδραργύρου, για τον προσδιορισμό τους σε επίπεδο σημασία p=0.01.

===Στατιστικές μέθοδοι προσομοίωσης για τον υπολογισμό του εδαφικού υδραργύρου===

'''MLR''' [http://www.stat.yale.edu/Courses/1997-98/101/linmult.htm Multiple Linear Regression]

Αποτελεί μια κλασική μέθοδο στατιστικής ανάλυσης που χρησιμοποιείται για τη δημιουργία γραμμικής εξίσωσης που στόχο έχει να εξηγήσει τη σχέση μεταξύ δύο ή περισσότερων ανεξάρτητων μεταβλητών και μιας εξαρτημένης μεταβλητής.

'''BPNN''' [https://en.wikipedia.org/wiki/Backpropagation Back Propagation Neural Network]

Η μέθοδος BPNN αποτελεί μια μέθοδο τεχνητής μάθησης, που στόχο έχει να προβλέψει τη συσχέτιση μεταξύ οποιασδήποτε μη γραμμικής μεταβλητής εισόδου και μεταβλητής εξόδου.

'''GA-BPNN''' [https://en.wikipedia.org/wiki/Genetic_algorithm Genetic Algorithm] [https://en.wikipedia.org/wiki/Backpropagation Back Propagation Neural Network]

Αποτελεί συνδυασμό δύο μεθόδων στατιστικής ανάλυσης (GA + BPNN) που στη συγκεκριμένη έρευνα χρησιμοποιήθηκε για τη βελτιστοποίηση των αποτελεσμάτων πρόβλεψης και προσδιορισμού των εδαφικών συγκεντρώσεων υδραργύρου. Η δομή που ακολουθήθηκε για τη μέθοδο στη συγκεκριμένη έρευνα παρουσιάζεται στην Εικόνα 4.
Για την επιλογή της καταλληλότερης μεθόδου ακολουθήθηκε η δομή που παρουσιάζεται στην Εικόνα 5.

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα από τη διαδικασία επιλογής των κατάλληλων καναλιών===

Τα αποτελέσματα παρουσιάζονται στην Εικόνα 6. Αυτό που προκύπτει είναι ότι η απόλυτη τιμή του συντελεστή συσχέτισης μεταξύ φασματικής ανακλαστικότητας και εδαφικού υδραργύρου ήταν πάνω από 0.260 για επίπεδο σημασίας p=0.01, πράγμα που σημαίνει πως η συσχέτιση ήταν σημαντική. Συγκεκριμένα:
* Η εξομαλυμένη φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 350-695 και 2216-2228 nm
* Η CR φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 356-685 και 2200-2228 nm
* Η FD φασματική ανακλαστικότητα έδωσε υψηλότερη θετική συσχέτιση στα 465.351 nm, 799.18 nm, 1373.48 nm, 2114.978 nm και υψηλότερη αρνητική συσχέτιση στα 587.705 nm, 1035.788 και 1975.4 nm, όπου οι απόλυτες τιμές των συντελεστών συσχέτισης, για p=0.01 ήταν πάνω από 0.300
* Η RL φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 355-674 και 2171-2500 nm
Όπως προκύπτει, τα καλύτερα αποτελέσματα έδωσε ο συντελεστής συσχέτισης μεταξύ της FD φασματικής ανακλαστικότητας και του εδαφικού υδραργύρου, αφού έδωσε μεγαλύτερο πλήθος καναλιών με συντελεστή συσχέτισης πάνω από 0.260 αλλά και υψηλότερες τιμές συντελεστών συσχέτισης σε σχέση με τους άλλους δείκτες.
Συνολικά, για την έρευνα επιλέχθηκαν 13 κανάλια, τα οποία παρουσιάζονται στην Εικόνα 7, μαζί με τους αντίστοιχους συντελεστές συσχέτισης.

===Αποτελέσματα στατιστικών μεθόδων προσομοίωσης για τον υπολογισμό του εδαφικού υδραργύρου===

'''MLR'''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 8 και στην Εικόνα 11.

'''BPNN'''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 9 και στην Εικόνα 11.

'''GA-BPNN'''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 10 και στην Εικόνα 11.

===Σύγκριση των μοντέλων===

Σύμφωνα με τους δείκτες ακρίβειας των μοντέλων οι οποίοι παρουσιάζονται στην Εικόνα 12, προκύπτει ότι το γραμμικό μοντέλο MLR είναι κατώτερο από τα υπόλοιπα δύο μοντέλα τεχνητής μάθησης, πράγμα που υποδεικνύει ότι υπάρχει μια ξεκάθαρη μη γραμμική σχέση μεταξύ των επιλεγμένων καναλιών και του εδαφικού υδραργύρου. Εν τέλει το μοντέλο GA-BPNN είναι αυτό που απέδωσε καλύτερα σε σύγκριση με τα υπόλοιπα, εξαιτίας του GA αλγόριθμου, ο οποίος βελτιστοποιεί τις παραμέτρους της BPNN μεθόδου (βλ. Εικόνα 12).

==Συνόψιση και Συμπεράσματα==

Η συγκεκριμένη έρευνα είχε στόχο να προσδιορίσει τη βέλτιστη μέθοδο προσομοίωσης και υπολογισμού συγκεντρώσεων εδαφικού υδραργύρου μέσω φασματικών δεδομένων. Για το λόγο αυτό πραγματοποιήθηκε μαθηματική μετατροπή της εδαφικής φασματικής ανακλαστικότητας των εδαφικών δειγμάτων με τέσσερις διαφορετικές μεθόδους: (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL). Έπειτα, πραγματοποιήθηκε ανάλυση συσχέτισης Pearson στα επεξεργασμένα φασματικά δεδομένα και στις χημικά μετρημένες συγκεντρώσεις χαλκού. Με βάση αυτά επιλέχθηκαν τα 13 πιο κατάλληλα κανάλια που διέθεταν τις υψηλότερες απόλυτες τιμές συντελεστή συσχέτισης. Για τον προσδιορισμό του εδαφικού υδραργύρου χρησιμοποιήθηκαν τα μοντέλα MLR, BPNN και GA-BPNN, τα αποτελέσματα των οποίων έδειξαν πως το πιο αποδοτικό εξ αυτών είναι το μοντέλο GA-BPNN καθώς έδωσε τα καλύτερα αποτελέσματα και το οποίο εν τέλει θα μπορούσε να εφαρμοσθεί και στην πράξη ως εναλλακτικός τρόπος προσδιορισμού εδαφικού υδραργύρου έναντι των χημικών μεθόδων ανάλυσης.

[[category:Υποβάθμιση εδαφών]]

Μέθοδοι εκτίμησης περιεκτικότητας εδαφικού υδραργύρου χρησιμοποιώντας πολυφασματική ψηφιακή τηλεπισκόπηση

2019-01-23T13:03:58Z

Christos mamaloudis:

[[Εικόνα: wiki3_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης και σημεία εδαφικής δειγματοληψίας]]
[[Εικόνα: wiki3_cm2.png|thumb|right|Εικόνα 2: Περιγραφικά δεδομένα εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm3.png|thumb|right|Εικόνα 3: Οι φασματικές καμπύλες ανακλαστικότητας μετά από μαθηματική διόρθωση με: (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL)]]
[[Εικόνα: wiki3_cm4.png|thumb|right|Εικόνα 4: Δομή του μοντέλου GA-BPNN]]
[[Εικόνα: wiki3_cm5.png|thumb|right|Εικόνα 5: Διάγραμμα ροής για τον προσδιορισμό της βέλτιστης μεθόδου προσομοίωσης εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm6.png|thumb|right|Εικόνα 6: Συντελεστές συσχέτισης μεταξύ εδαφικού υδραργύρου και των εδαφικών φασματικών δεικτών (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL)]]
[[Εικόνα: wiki3_cm7.png|thumb|right|Εικόνα 7: Τα επιλεγμένα κανάλια και οι αντίστοιχοι συντελεστές συσχέτισης]]
[[Εικόνα: wiki3_cm8.png|thumb|right|Εικόνα 8: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο MLR συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm9.png|thumb|right|Εικόνα 9: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο BPNN συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm10.png|thumb|right|Εικόνα 10: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο GA-BPNN συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm11.png|thumb|right|Εικόνα 11: Αποτελέσματα των υπό εξέταση μοντέλων (MLR, BPNN, GA-BPNN) σε σχέση με τις μετρήσεις των χημικών αναλύσεων]]
[[Εικόνα: wiki3_cm12.png|thumb|right|Εικόνα 12: Δείκτες ακρίβειας των υπό εξέταση μοντέλων (MLR, BPNN, GA-BPNN)]]

'''Πρότυπος τίτλος: ''Estimation Methods for Soil Mercury Content Using Hyperspectral Remote Sensing'''''

'''Συγγραφείς: Li Zhao, Yue-Ming Hu, Wu Zhou, Zhen-Hua Liu, Yu-Chun Pan, Zhou Shi, Lu Wang, Guang-Xing Wang'''

'''Link: https://www.mdpi.com/2071-1050/10/7/2474'''

==Εισαγωγή==

Ο υδράργυρος (Hg) είναι ένα από τα πιο τοξικά βαρέα μέταλλα που υπάγονται στον πλανήτη, αφού διαθέτει υψηλή νευροτοξικότητα και μεγάλη πιθανότητα τερατογενέσεων. Στο έδαφος εμφανίζεται με διάφορες μορφές τόσο από φυσικές όσο και από ανθρωπογενείς εκπομπές και χάρη στην ικανότητα του, ως βαρύ μέταλλο, να μην διασπάται εύκολα από βιολογικές διεργασίες μπορεί και βιοσυσσωρεύεται σε μεγαλύτερες συγκεντρώσεις. Αυτό έχει σαν αποτέλεσμα να επηρεάζει αρνητικά την ποιότητα των υπόγειων και επιφανειακών υδάτων, την ανάπτυξη των καλλιεργειών και εν τέλει τους ζωντανούς οργανισμούς αλλά και τον άνθρωπο. Ως εκ τούτου, η συνεχής παρακολούθηση των επιπέδων υδραργύρου στο έδαφος αλλά και των ενδεχόμενων εδαφικών ρυπάνσεων είναι υψίστης σημασίας.
Οι παραδοσιακές μέθοδοι παρακολούθησης διαθέτουν υψηλή ακρίβεια και συνήθως περιλαμβάνουν πολλαπλές εδαφικές δειγματοληψίες, εργαστηριακές χημικές αναλύσεις και γεωστατιστικές μεθόδους παρεμβολής. Παρόλ’ αυτά είναι ιδιαίτερα χρονοβόρες και κοστοβόρες, ενώ συγχρόνως είναι ανακριβείς στην περίπτωση παρακολούθησης μεγάλων περιοχών.
Από την άλλη με την ανάπτυξη της ψηφιακής τηλεπισκόπησης και των πολυφασματικών τεχνικών, υπάρχουν πλέον μέθοδοι που διαθέτουν ταχεία και μεγάλης κλίμακας δυναμική παρακολούθησης και μπορούν να ανιχνεύσουν αποτελεσματικά, γρήγορα και με ακρίβεια τα επίπεδα βαρέων μετάλλων στο έδαφος ακόμη και σε μεγάλης κλίμακας περιοχές.

==Σκοπός της εργασίας==

Η συγκεκριμένη μελέτη έχει στόχο να προσδιορίσει τη βέλτιστη μέθοδο προσομοίωσης του περιεχόμενου υδραργύρου στο έδαφος, συγκρίνοντας τα αποτελέσματα περιεκτικότητας υδραργύρου τριών διαφορετικών και συχνά εφαρμοσμένων στατιστικών μεθόδων ανάλυσης (MLR, BPNN και GA-BPNN) μεταξύ τους αλλά και με τα αποτελέσματα των χημικών αναλύσεων. Απώτερος σκοπός είναι η προσπάθεια επίλυσης των υφιστάμενων προβλημάτων στην πολυφασματική εκτίμηση επιπέδων βαρέων μετάλλων στο έδαφος, χρησιμοποιώντας μοντέλα στατιστικής ανάλυσης και μεθόδους τεχνητής μάθησης.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης καλύπτει την επαρχία Guangdong στη Ν. Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1. Η επαρχία Guangdong τα τελευταία χρόνια έχει σημειώσει πολύ μεγάλη οικονομική ανάπτυξη και τόσο η αστικοποίηση όσο και η βιομηχανοποίηση έχουν αυξηθεί κατά κόρον, με αποτέλεσμα το πρόβλημα ρύπανσης των εδαφών να είναι πολύ σοβαρό.

===Δειγματοληψία===

Συνολικά συλλέχθηκαν 75 δείγματα εδάφους βάρους περίπου 300 g το καθένα από την επαρχία Guangdong σε βάθος 0 – 20 cm. Τα σημεία δειγματοληψίας κοντά σε αγροτικές περιοχές συλλέχθηκαν σε κλίμακα 50 km x 50 km, ενώ τα σημεία κοντά σε πυκνοκατοικημένες και πιθανώς περισσότερο ρυπασμένες περιοχές σε κλίμακα 30 km x 30 km (Εικόνα 1). Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System). Τα δείγματα στη συνέχεια μεταφέρθηκαν στο εργαστήριο όπου υποβλήθηκαν σε προκατεργασία η οποία περιλάμβανε αεροξήρανση, αφαίρεση μη εδαφικών στοιχείων, άλεση και τελικώς κοσκίνισμα στα 0.2 mm. Μετά την προκατεργασία το κάθε δείγμα χωρίστηκε σε δύο ισομερείς ποσότητες∙ μια για τις χημικές και μια για τις φασματικές αναλύσεις.

===Χημική ανάλυση===

Για τη χημική ανάλυση, χρησιμοποιήθηκαν 0.2 g από το κάθε δείγμα για πέψη με μείγμα H2SO4-HNO3-KMnO4. Η ανίχνευση του περιεχόμενου υδραργύρου στα παραγόμενα διαλύματα πραγματοποιήθηκε με τη χρήση φασματοσκοπίας ατομικής απορρόφησης. Τα περιγραφικά δεδομένα του εδαφικού υδραργύρου παρουσιάζονται στην Εικόνα 2.
Συλλογή και επεξεργασία εδαφικών φασματικών δεδομένων
Τα εδαφικά φασματικά δεδομένα συλλέχθηκαν μετρώντας τη φασματική ανακλαστικότητα των εδαφικών δειγμάτων με τη χρήση ενός φορητού φασματόμετρου (AvaField, Avantes, Holland), το οποίο διέθετε κανάλια με εύρος από 340.316 έως 2511.179 nm και διάστημα φασματικής δειγματοληψίας 0.6 nm. Κάθε δείγμα εδάφους μετρήθηκε πέντε φορές και με τη χρήση του προγράμματος AvaReader διορθώθηκαν οι όποιες ανωμαλίες των δεδομένων, ενώ ως τιμή ανάκλασης του κάθε εδαφικού δείγματος χρησιμοποιήθηκε η μέση τιμή ανάκλασης εκ των πέντε μετρήσεων.
Οι φασματικές μετρήσεις όμως επηρεάζονται εύκολα από διάφορους παράγοντες και άρα πρέπει να διορθώνονται προκειμένου να απαλειφθεί ο θόρυβος υποβάθρου και να επισημανθούν τα χαρακτηριστικά απορρόφησης και ανάκλασης της φασματικής καμπύλης που παράγεται. Στη συγκεκριμένη μελέτη, για την εξομάλυνση και τη βελτιστοποίηση της φασματικής καμπύλης κάθε εδαφικού δείγματος, χρησιμοποιήθηκε το φίλτρο εξομάλυνσης Savitzky-Golay [https://en.wikipedia.org/wiki/Savitzky%E2%80%93Golay_filter Savitzky-Golay filter]. Η παραγόμενη εξομαλυμένη καμπύλη επεξεργάστηκε με τις μεθόδους: α) αφαίρεση συνεχούς (Continuum Removed – CR) [https://www.harrisgeospatial.com/docs/ContinuumRemoval.html Continuum Removal], β) διαφορά πρώτης τάξης (First-order Differential – FD) και γ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL) και παράχθηκαν οι αντίστοιχες καμπύλες (Εικόνα 3).

===Επιλογή καναλιών===

Για την επιλογή των κατάλληλων καναλιών, δηλαδή αυτών με τους υψηλότερους συντελεστές συσχέτισης, όσον αφορά τη σχέση μεταξύ ανακλαστικότητας και εδαφικής συγκέντρωσης υδραργύρου, χρησιμοποιήθηκε ανάλυση συσχέτισης Pearson [https://en.wikipedia.org/wiki/Pearson_correlation_coefficient τίτλος Pearson correlation] μεταξύ (α) των τεσσάρων προαναφερθέντων εδαφικών φασματικών δεικτών [(1) εξομαλυμένη φασματική ανακλαστικότητα, (2) CR φασματική ανακλαστικότητα, (3) FD φασματική ανακλαστικότητα και (4) RL φασματική ανακλαστικότητα] και (β) του εδαφικού υδραργύρου, για τον προσδιορισμό τους σε επίπεδο σημασία p=0.01.

===Στατιστικές μέθοδοι προσομοίωσης για τον υπολογισμό του εδαφικού υδραργύρου===

'''MLR''' [http://www.stat.yale.edu/Courses/1997-98/101/linmult.htm Multiple Linear Regression]

Αποτελεί μια κλασική μέθοδο στατιστικής ανάλυσης που χρησιμοποιείται για τη δημιουργία γραμμικής εξίσωσης που στόχο έχει να εξηγήσει τη σχέση μεταξύ δύο ή περισσότερων ανεξάρτητων μεταβλητών και μιας εξαρτημένης μεταβλητής.

'''BPNN''' [https://en.wikipedia.org/wiki/Backpropagation Back Propagation Neural Network]

Η μέθοδος BPNN αποτελεί μια μέθοδο τεχνητής μάθησης, που στόχο έχει να προβλέψει τη συσχέτιση μεταξύ οποιασδήποτε μη γραμμικής μεταβλητής εισόδου και μεταβλητής εξόδου.

'''GA-BPNN''' [https://en.wikipedia.org/wiki/Genetic_algorithm Genetic Algorithm] [https://en.wikipedia.org/wiki/Backpropagation Back Propagation Neural Network]

Αποτελεί συνδυασμό δύο μεθόδων στατιστικής ανάλυσης (GA + BPNN) που στη συγκεκριμένη έρευνα χρησιμοποιήθηκε για τη βελτιστοποίηση των αποτελεσμάτων πρόβλεψης και προσδιορισμού των εδαφικών συγκεντρώσεων υδραργύρου. Η δομή που ακολουθήθηκε για τη μέθοδο στη συγκεκριμένη έρευνα παρουσιάζεται στην Εικόνα 4.
Για την επιλογή της καταλληλότερης μεθόδου ακολουθήθηκε η δομή που παρουσιάζεται στην Εικόνα 5.

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα από τη διαδικασία επιλογής των κατάλληλων καναλιών===

Τα αποτελέσματα παρουσιάζονται στην Εικόνα 6. Αυτό που προκύπτει είναι ότι η απόλυτη τιμή του συντελεστή συσχέτισης μεταξύ φασματικής ανακλαστικότητας και εδαφικού υδραργύρου ήταν πάνω από 0.260 για επίπεδο σημασίας p=0.01, πράγμα που σημαίνει πως η συσχέτιση ήταν σημαντική. Συγκεκριμένα:
* Η εξομαλυμένη φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 350-695 και 2216-2228 nm
* Η CR φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 356-685 και 2200-2228 nm
* Η FD φασματική ανακλαστικότητα έδωσε υψηλότερη θετική συσχέτιση στα 465.351 nm, 799.18 nm, 1373.48 nm, 2114.978 nm και υψηλότερη αρνητική συσχέτιση στα 587.705 nm, 1035.788 και 1975.4 nm, όπου οι απόλυτες τιμές των συντελεστών συσχέτισης, για p=0.01 ήταν πάνω από 0.300
* Η RL φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 355-674 και 2171-2500 nm
Όπως προκύπτει, τα καλύτερα αποτελέσματα έδωσε ο συντελεστής συσχέτισης μεταξύ της FD φασματικής ανακλαστικότητας και του εδαφικού υδραργύρου, αφού έδωσε μεγαλύτερο πλήθος καναλιών με συντελεστή συσχέτισης πάνω από 0.260 αλλά και υψηλότερες τιμές συντελεστών συσχέτισης σε σχέση με τους άλλους δείκτες.
Συνολικά, για την έρευνα επιλέχθηκαν 13 κανάλια, τα οποία παρουσιάζονται στην Εικόνα 7, μαζί με τους αντίστοιχους συντελεστές συσχέτισης.

===Αποτελέσματα στατιστικών μεθόδων προσομοίωσης για τον υπολογισμό του εδαφικού υδραργύρου===

'''MLR'''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 8 και στην Εικόνα 11.

'''BPNN'''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 9 και στην Εικόνα 11.

'''GA-BPNN'''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 10 και στην Εικόνα 11.

===Σύγκριση των μοντέλων===

Σύμφωνα με τους δείκτες ακρίβειας των μοντέλων οι οποίοι παρουσιάζονται στην Εικόνα 12, προκύπτει ότι το γραμμικό μοντέλο MLR είναι κατώτερο από τα υπόλοιπα δύο μοντέλα τεχνητής μάθησης, πράγμα που υποδεικνύει ότι υπάρχει μια ξεκάθαρη μη γραμμική σχέση μεταξύ των επιλεγμένων καναλιών και του εδαφικού υδραργύρου. Εν τέλει το μοντέλο GA-BPNN είναι αυτό που απέδωσε καλύτερα σε σύγκριση με τα υπόλοιπα, εξαιτίας του GA αλγόριθμου, ο οποίος βελτιστοποιεί τις παραμέτρους της BPNN μεθόδου (βλ. Εικόνα 12).

==Συνόψιση και Συμπεράσματα==

Η συγκεκριμένη έρευνα είχε στόχο να προσδιορίσει τη βέλτιστη μέθοδο προσομοίωσης και υπολογισμού συγκεντρώσεων εδαφικού υδραργύρου μέσω φασματικών δεδομένων. Για το λόγο αυτό πραγματοποιήθηκε μαθηματική μετατροπή της εδαφικής φασματικής ανακλαστικότητας των εδαφικών δειγμάτων με τέσσερις διαφορετικές μεθόδους: (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL). Έπειτα, πραγματοποιήθηκε ανάλυση συσχέτισης Pearson στα επεξεργασμένα φασματικά δεδομένα και στις χημικά μετρημένες συγκεντρώσεις χαλκού. Με βάση αυτά επιλέχθηκαν τα 13 πιο κατάλληλα κανάλια που διέθεταν τις υψηλότερες απόλυτες τιμές συντελεστή συσχέτισης. Για τον προσδιορισμό του εδαφικού υδραργύρου χρησιμοποιήθηκαν τα μοντέλα MLR, BPNN και GA-BPNN, τα αποτελέσματα των οποίων έδειξαν πως το πιο αποδοτικό εξ αυτών είναι το μοντέλο GA-BPNN καθώς έδωσε τα καλύτερα αποτελέσματα και το οποίο εν τέλει θα μπορούσε να εφαρμοσθεί και στην πράξη ως εναλλακτικός τρόπος προσδιορισμού εδαφικού υδραργύρου έναντι των χημικών μεθόδων ανάλυσης.

[[category:Υποβάθμιση εδαφών]]

Χαρτογράφηση εδαφικών ρυπάνσεων Cu και Pb, με συνδυασμό γεωχημείας, τοπογραφίας και ψηφιακής τηλεπισκόπησης στον ποταμό Le’an, Κίνα

2019-01-23T12:36:19Z

Christos mamaloudis:

[[Εικόνα: wiki5_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης, σημεία δειγματοληψίας και υψόμετρο περιοχής]]
[[Εικόνα: wiki5_cm2.png|thumb|right|Εικόνα 2: Διάγραμμα ροής για τη χαρτογράφηση των ολικών ρυπάνσεων χαλκού και μόλυβδου που ακολουθήθηκε στην παρούσα έρευνα. (α) Με χρωματισμένα παραλληλόγραμμα απεικονίζονται τα δεδομένα που χρησιμοποιήθηκαν, (β) με ορθογώνια παραλληλόγραμμα απεικονίζονται τα στάδια της διαδικασίας και (γ) με λευκά παραλληλόγραμμα απεικονίζονται τα παραγόμενα δεδομένα και αποτελέσματα.]]
[[Εικόνα: wiki5_cm3.png|thumb|right|Εικόνα 3: Εικόνες ALOS στις οποίες εμπεριέχεται η περιοχή μελέτης της έρευνας]]
[[Εικόνα: wiki5_cm4.png|thumb|right|Εικόνα 4: Χαρακτηριστικά των μετρημένων ολικών συγκεντρώσεων χαλκού και μόλυβδου των εδαφικών δειγμάτων (n=71)]]
[[Εικόνα: wiki5_cm5.png|thumb|right|Εικόνα 5: Αποτελέσματα στατιστικών αναλύσεων]]
[[Εικόνα: wiki5_cm6.png|thumb|right|Εικόνα 6: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου χαλκού (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm7.png|thumb|right|Εικόνα 7: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου μόλυβδου (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm8.png|thumb|right|Εικόνα 8: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου χαλκού]]
[[Εικόνα: wiki5_cm9.png|thumb|right|Εικόνα 9: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου μόλυβδου]]

'''Πρότυπος τίτλος: ''Mapping of Cu and Pb Contaminations in Soil Using Combined Geochemistry, Topography, and Remote Sensing: A Case Study in the Le’an River Floodplain, China'''''

'''Συγγραφείς: Yiyun Chen, Yaolin Liu, Yanfang Liu, Aiwen Lin, Xuesong Kong, Dianfeng Liu, Xiran Li, Yang Zhang, Yin Gao, Dun Wang'''

'''Link: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3386593/'''

==Εισαγωγή==

Τα βαρέα μέταλλα όταν υφίστανται σε υψηλές συγκεντρώσεις στο έδαφος, είτε λόγω φυσικών παραγόντων είτε εξαιτίας ανθρωπογενών παρεμβάσεων, είναι ιδιαίτερα επιβλαβή για το περιβάλλον και την ανθρώπινη υγεία, τόσο άμεσα όσο και έμμεσα. Για το λόγο αυτό, η χαρτογράφηση της κατανομής και η απεικόνιση τυχόν εδαφικών ρυπάνσεων σε μια περιοχή είναι πολύ σημαντική ειδικά όταν πρόκειται για περιοχές εξόρυξης. Η χαρτογράφηση δίνει τη δυνατότητα καλύτερου προσδιορισμού της εδαφικής ρύπανσης και συγχρόνως καλύτερη κατανόηση των τρόπων μεταφοράς και εγκατάστασης / απορρόφησης των εδαφικών ρύπων από και προς το έδαφος.
Για τη διαδικασία της χαρτογράφησης εδαφικών ρυπάνσεων με βαρέα μέταλλα, οι δύο σημαντικότεροι παράγοντες που λαμβάνονται υπόψη είναι (α) η χρήση γης και (β) η τοπογραφία μια περιοχής. Όσον αφορά τη χρήση γης, οι διαφορετικές χρήσεις καθορίζουν το είδος και τον τύπο μιας ενδεχόμενης έκθεσης στο έδαφος αλλά και των κινδύνων που μπορεί να ελλοχεύουν. Αυτό είναι εφικτό με τη χρήση χαρτών χρήσης γης ή εναλλακτικά σε περίπτωση απουσίας τέτοιων χαρτών με τη χρήση ψηφιακών τηλεπισκοπικών απεικονίσεων. Από την άλλη, η τοπογραφία είναι υψίστης σημασίας καθώς καθορίζει τις διαδρομές ροής του νερού. Αυτό ισχύει ακόμη περισσότερο για τη χαρτογράφηση εδαφικών ρυπάνσεων με βαρέα μέταλλα σε ορεινές περιοχές όπου υφίστανται διεργασίες εξόρυξης, και αυτό γιατί τα ορυχεία δύνανται να ξεπλυθούν από τα υδάτινα κατακρημνίσματα και ρεύματα, με αποτέλεσμα να προκαλέσουν σοβαρά προβλήματα.

==Σκοπός εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χαρτογράφηση της χωρικής κατανομής εδαφικών ρυπάνσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση εδάφους κατά μήκος του ποταμού Le’an αλλά και των παραποτάμων του. Αυτό επιτεύχθηκε με τη χρήση:
* Ολικών συγκεντρώσεων χαλκού και μόλυβδου στο έδαφος
* Δεδομένων ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM) [https://en.wikipedia.org/wiki/Digital_elevation_model DEM]
* Ψηφιακών τηλεπισκοπικών απεικονίσεων
* Ερμηνευμένων δεδομένων χρήσεων γης,
σε συνδυασμό με γεωγραφική ανάλυση αλλά και οριοθέτηση των λεκανών απορροής. Συγχρόνως, προσδιορίστηκαν οι πηγές και η μεταφορά των ρυπάνσεων, αλλά και οι περιοχές με υψηλό κίνδυνο ρύπανσης.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης καλύπτει τον ποταμό Le’an και την κάλυψη του στην επαρχία Jiangxi στην Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1.

===Δειγματοληψία===

Συνολικά συλλέχθηκαν 71 δείγματα εδάφους από την περιοχή κάλυψης του ποταμού Le’an σε βάθος 0-15 cm, εκ των οποίων 53 από αυτά (75 %) συλλέχθηκαν στις μεσαίες και ανώτερες δυνητικές στάθμες του ποταμού, όπου βρίσκονται το ορυχείο χαλκού Dexing και η εγκατάσταση εξαγωγής μόλυβδου-ψευδαργύρου Yinshan. Τα σημεία δειγματοληψίας καταγραφήκαν με τη χρήση GPS (Global Positioning System) με σφάλμα θέσης μικρότερο από 10 m (παρουσιάζονται στην Εικόνα 1).

===Προκατεργασία===

Πριν από τη χρήση των εδαφικών δειγμάτων για εργαστηριακή ανάλυση, προηγήθηκε προκατεργασία αυτών η οποία περιλάμβανε αεροξήρανση στους 20-25 oC για δύο ημέρες, ήπιο άλεσμα για τη διάσπαση των μεγάλων εδαφικών συσσωματωμάτων, κοσκίνισμα στα 0.2 mm, ομογενοποίηση των δειγμάτων και τελικώς δημιουργία ομοιόμορφων pellet διαμέτρου 45 mm από 40 g εδάφους για το κάθε δείγμα.

===Εργαστηριακή ανάλυση===

Για τον υπολογισμό των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα υπό εξέταση εδαφικά δείγματα χρησιμοποιήθηκε φασματοσκοπία φθορισμού ακτίνων X με διασπορά μήκους κύματος [wavelength-dispersive X-ray fluorescence (XRF) spectroscopy] [https://en.wikipedia.org/wiki/X-ray_fluorescence XRF technology] στα προαναφερθέντα pellet. Ο λόγος που προτιμήθηκε η φασματοσκοπία XRF έναντι του κλασικού συνδυασμού χημικών αναλύσεων και φασματοσκοπίας ατομικής απορρόφησης (AAS – Atomic Absorption Spectroscopy) [https://en.wikipedia.org/wiki/Atomic_absorption_spectroscopy AAS] είναι για την αποφυγή δημιουργίας χημικών καταλοίπων αλλά και το γεγονός ότι επιτρέπει τον ταυτόχρονο υπολογισμό διάφορων μετάλλων. Τα αποτελέσματα παρουσιάζονται στην Εικόνα 4.

===Στατιστικές αναλύσεις===

Στα πλαίσια αυτής της μελέτης υιοθετήθηκαν στατιστικές αναλύσεις, περιλαμβανομένων περιγραφικών στατιστικών, ιστογραμμάτων, διαγραμμάτων πιθανότητας, Q-Q διαγραμμάτων [https://en.wikipedia.org/wiki/Q%E2%80%93Q_plot Q-Q plots] (normal quantile-quantile plots) και τη δοκιμή ομαλότητας Lilliefors [https://en.wikipedia.org/wiki/Lilliefors_test Lilliefors test], το σύνολο των οποίων έγιναν σε περιβάλλον Matlab.
* Τα περιγραφικά στατιστικά χρησιμοποιήθηκαν για το σχολιασμό των κύριων χαρακτηριστικών των ολικών συγκεντρώσεων χαλκού και μόλυβδου για το κάθε εδαφικό δείγμα.
* Τα ιστογράμματα χρησιμοποιήθηκαν για την οπτική απεικόνιση των δεδομένων κατανομής των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Τα διαγράμματα πιθανότητας και Q-Q χρησιμοποιήθηκαν για τη γραφική εκτίμηση της ομαλότητας των δεδομένων των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Η δοκιμή ομαλότητας Lilliefors χρησιμοποιήθηκε για τη δοκιμή της μηδενικής υπόθεσης ότι τα δεδομένα προέρχονται από έναν κανονικά κατανεμημένο πληθυσμό, όταν η μηδενική υπόθεση δεν προσδιορίζει τον τύπο της κανονικής κατανομής.
Τα αποτελέσματα παρουσιάζονται στην Εικόνα 5.

===Οριοθέτηση λεκανών απορροής===

Οι λεκάνες απορροής των δύο κύριων παραποτάμων του ποταμού Le’an (Jishui, Dawu) παράχθηκαν με τη χρήση δεδομένων που προέκυψαν από το ψηφιακό μοντέλο εδάφους της περιοχής (GDEM), χρησιμοποιώντας την εργαλειοθήκη υδρολογίας του ArcGIS. Συγκεκριμένα, για το σχηματισμό των λεκανών απορροής, αφού εντοπίστηκαν και συμπληρώθηκαν οι περιοχές εσωτερικών αποστραγγίσεων, παράχθηκαν οι χάρτες (α) κατεύθυνσης ροής των υδάτων και (β) συσσώρευσης των υδάτων (βλ. Εικόνες 8 και 9), ενώ ως σημεία εξόδου ή ροής των υδάτων χρησιμοποιήθηκαν σημεία κατάντη των δύο παραποτάμων και κοντά στα σημεία δειγματοληψίας.

===Διάγραμμα ροής για την περάτωση της μελέτης===

Το διάγραμμα ροής για την παραγωγή των τελικών χαρτών των ολικών συγκεντρώσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση του εδάφους για την περιοχή μελέτης παρουσιάζεται στην Εικόνα 2.

===Διαδικασίες διαγράμματος ροής και τρόπος επίτευξης===

* Σχηματισμός ψηφιδωτού μοντέλου της περιοχής μελέτης → Μέσω χρήσης δύο εικόνων ALOS AVNIR-2 (Advanced Visible and Near-Infrared Radiometer type 2) σε επίπεδο 1Β2 στις οποίες είχε προηγηθεί ραδιομετρική και γεωμετρική διόρθωση (βλ. Εικόνα 3).
* Σχηματισμός χάρτη χρήσης γης της περιοχής μελέτης → Μέσω χρήσης εικόνας RGB πραγματικών χρωμάτων, με το κόκκινο να αντιστοιχεί στο κανάλι 3 με εύρος 0.61-0.69 μm, το πράσινο στο κανάλι 2 με εύρος 0.52-0.60 μm και το μπλε στο κανάλι 1 με εύρος 0.42-0.50 μm, η οποία προέκυψε από το συνδυασμό των εικόνων ALOS. Συνολικά, προέκυψαν οι εξής 3 κύριες χρήσεις γης: (1) αγροτική/γεωργική, (2) ανθρωπογενής και (3) εξόρυξης, ενώ συγχρόνως προσδιορίστηκε και η κάλυψη της περιοχής από ποτάμια.
* Σχεδιασμός εκτάσεων εδαφικής ζώνης των πλημμυρικών περιοχών → Μέσω χρήσης ζωνών buffer των ποταμών, οι οποίες προέκυψαν από την κάλυψη της περιοχής από ποτάμια, που προηγήθηκε στο προηγούμενο βήμα.
* Δημιουργία τρισδιάστατου μοντέλου εδάφους και αναλύσεων συσσώρευσης ροής υδάτων → Μέσω χρήσης του ASTER GDEM (Global Digital Elevation Map) – ψηφιακού μοντέλου εδάφους της περιοχής μελέτης.
* Αντίστροφη σταθμική παρεμβολή (IDWI – Inverse Distance Weighted Interpolation) [https://en.wikipedia.org/wiki/Inverse_distance_weighting IDWI] → Μέσω χρήσης των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Η συγκεκριμένη διαδικασία πραγματοποιήθηκε, καθώς επιτρέπει πρόχειρη εκτίμηση των εδαφικών περιεχομένων βαρέων μετάλλων σε περιοχές, όπου δεν έχει προηγηθεί μέτρηση.
* Δημιουργία δισδιάστατου χάρτη → Μέσω χρήσης (α) της συνολικής εικόνας ALOS, (β) των επιμέρους χαρτών χρήσης γης που δημιουργήθηκαν, (γ) των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα πλημμυρικά εδάφη του ποταμού Le’an και των παραποτάμων του και (δ) διάφορων GIS δεδομένων (π.χ. διοικητικά όρια, τοποθεσία πόλεων).
Οι παραπάνω διαδικασίες εκτελέσθηκαν σε περιβάλλον ArcGIS.

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων (εργαστηριακών, στατιστικών)===

Τα αποτελέσματα των αναλύσεων περιγράφονται και απεικονίζονται στην Εικόνα 4 και στην Εικόνα 5.

===Χαρτογράφηση εδαφικού περιεχομένου χαλκού και μόλυβδου===

Με βάση τα παραπάνω, προέκυψαν τελικώς δύο σειρές χαρτών, οι οποίοι δείχνουν το πρότυπο χωρικής κατανομής των συνολικών εδαφικών συγκεντρώσεων χαλκού (Εικόνα 6) και μόλυβδου (Εικόνα 7) κατά μήκος του ποταμού Le’an, το χρώμα των οποίων κυμαίνεται από μπλε για χαμηλές ολικές συγκεντρώσεις έως και κόκκινο για υψηλές ολικές συγκεντρώσεις. Επιπλέον, στους παραγόμενους χάρτες απεικονίζονται τα σημεία δειγματοληψίας, οι πόλεις που υπάρχουν στην περιοχή μελέτης αλλά και οι επιμέρους χρήσεις γης. Συγκεκριμένα, οι ανθρωπογενείς περιοχές εμφανίζονται με γκρι χρώμα, οι αγροτικές περιοχές με πράσινο χρώμα και οι περιοχές εξόρυξης με πορτοκαλί χρώμα.

===Ανάλυση περιοχών δειγματοληψίας===

'''Χαλκός'''

Στην Εικόνα 6 παρουσιάζεται η χωρική κατανομή του χαλκού για την περιοχή μελέτης, όπου σημαντικές περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Συγκεκριμένα:
* Στην περιοχή 1 βρέθηκαν υψηλές ολικές συγκεντρώσεις χαλκού (μέγιστη τα 2262 mg/kg), πράγμα που αποδόθηκε στην πιθανότητα ότι η ταχύτητα του ποταμού στο σημείο αυτό να ήταν χαμηλή με αποτέλεσμα τα πλούσια σε χαλκό ιζήματα να κατατέθηκαν στην περιοχή, χωρίς όμως αυτό να είναι απόλυτο (απαιτείται περαιτέρω έρευνα). Η περιοχή 1 πρόκειται για αγροτική περιοχή και άρα ο κίνδυνος μεταφοράς χαλκού και άλλων βαρέων μετάλλων προς τον άνθρωπο διαμέσου της τροφικής αλυσίδας είναι μεγάλος.
* Στην περιοχή 2 βρέθηκε μέση τιμή ολικών συγκεντρώσεων χαλκού περίπου 800 mg/kg (τιμή ιδιαίτερα υψηλή). Τα ευρήματα αποδόθηκαν κυρίως στις εξορυκτικές δραστηριότητες της περιοχής (πορτοκαλί χρώμα) αλλά και στο γεγονός ύπαρξης επιβαρυμένης ατμοσφαιρικής σκόνης από άλλες βιομηχανικές δραστηριότητες και την οδική κίνηση των οχημάτων. Για την περιοχή 2 απαιτείται έλεγχος των σωματιδιακών ρύπων και προστασία για την αποφυγή εισπνοής σκόνης.
* Στην περιοχή 3, τα ευρήματα για τις ολικές συγκεντρώσεις χαλκού έδωσαν υψηλά αλλά όχι τόσο ανησυχητικά αποτελέσματα και αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων, οι οποίες μπορεί να εμπλούτιζαν τα νερά των ποταμών με χαλκό, ο οποίος τελικά κατακαθόταν στα εδάφη της περιοχής.
* Στην περιοχή 4, ισχύουν τα ίδια όπως και στην περιοχή 3. (Τα ευρήματα αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων)
Κύριος υπαίτιος θεωρήθηκε το ορυχείο χαλκού Dexing.

'''Μόλυβδος'''

Σε γενικές γραμμές, τα εδαφικά δείγματα που συλλέχθηκαν και αναλύθηκαν εργαστηριακά έδωσαν σχετικά υψηλές ολικές συγκεντρώσεις μόλυβδου, με παρόμοια χωρική κατανομή με την περίπτωση του χαλκού. Στην Εικόνα 7 παρουσιάζεται η χωρική κατανομή του μόλυβδου για την περιοχή μελέτης, όπου οι σημαντικότερες επιβαρυμένες περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Στην περίπτωση του μόλυβδου κύριος υπαίτιος θεωρήθηκε η μονάδα εγκατάστασης εξαγωγής μόλυβδου και ψευδαργύρου Yinshan.

===Λεκάνες απορροής και συσχετισμός===

Στις Εικόνες 8 (χαλκός) και 9 (μόλυβδος) παρουσιάζεται η χωρική συσχέτιση των λεκανών απορροής της περιοχής μελέτης με τις περιοχές όπου υφίστανται εξορυκτικές δραστηριότητες αλλά και με το εδαφικό περιεχόμενο χαλκού και μόλυβδου.

==Συμπεράσματα==

Η περάτωση της συγκεκριμένης έρευνας / μελέτης είχε σαν απώτερο στόχο να προσπαθήσει να προωθήσει την κατανόηση της εξαιρετικής σημασίας της τοπογραφίας αλλά και της κάλυψης και χρήσης γης όσον αφορά τις εδαφικές ρυπάνσεις σε περιοχές εξόρυξης και των κατάντη περιοχών. Με την ενσωμάτωση και χρήση εργαστηριακών δεδομένων ολικών συγκεντρώσεων, ψηφιακών τηλεπισκοπικών απεικονίσεων, τοπογραφικών δεδομένων, δευτερογενών βοηθητικών δεδομένων και γεωγραφικών αναλύσεων χαρτογραφήθηκε η χωρική κατανομή χαλκού και μόλυβδου στην περιοχή μελέτης (ποταμός Le’an και παραπόταμοι). Επιπλέον, με τη δημιουργία και την ανάλυση τρισδιάστατων χαρτών της περιοχής εντοπίστηκαν οι πιθανές πηγές των εδαφικών ρυπάνσεων χαλκού και μόλυβδου, αλλά και οι πιθανές διαδρομές μεταφοράς αυτών, δεδομένα που επαληθεύτηκαν με το σχηματισμό των χαρτών συσχετισμού λεκανών απορροής, εξορυκτικών περιοχών και εδαφικών περιεχομένων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Τέλος, ο ρόλος της τοπογραφίας και της ροής των υδάτινων ρευμάτων στη μεταφορά χαλκού και μόλυβδου κατά μήκος των ποταμών απεικονίστηκαν γραφικά από όπου και προέκυψε πως η ροή που δημιουργείται από τις βροχοπτώσεις είναι μάλλον και ο κύριος φορέας των μεταλλικών ρύπων. Σε κάθε περίπτωση απαιτείται περαιτέρω έρευνα για την εξακρίβωση των αποτελεσμάτων.

[[category:Υποβάθμιση εδαφών]]

Χαρτογράφηση εδαφικών ρυπάνσεων Cu και Pb, με συνδυασμό γεωχημείας, τοπογραφίας και ψηφιακής τηλεπισκόπησης στον ποταμό Le’an, Κίνα

2019-01-23T12:24:53Z

Christos mamaloudis:

[[Εικόνα: wiki5_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης, σημεία δειγματοληψίας και υψόμετρο περιοχής]]
[[Εικόνα: wiki5_cm2.png|thumb|right|Εικόνα 2: Διάγραμμα ροής για τη χαρτογράφηση των ολικών ρυπάνσεων χαλκού και μόλυβδου που ακολουθήθηκε στην παρούσα έρευνα. (α) Με χρωματισμένα παραλληλόγραμμα απεικονίζονται τα δεδομένα που χρησιμοποιήθηκαν, (β) με ορθογώνια παραλληλόγραμμα απεικονίζονται τα στάδια της διαδικασίας και (γ) με λευκά παραλληλόγραμμα απεικονίζονται τα παραγόμενα δεδομένα και αποτελέσματα.]]
[[Εικόνα: wiki5_cm3.png|thumb|right|Εικόνα 3: Εικόνες ALOS στις οποίες εμπεριέχεται η περιοχή μελέτης της έρευνας]]
[[Εικόνα: wiki5_cm4.png|thumb|right|Εικόνα 4: Χαρακτηριστικά των μετρημένων ολικών συγκεντρώσεων χαλκού και μόλυβδου των εδαφικών δειγμάτων (n=71)]]
[[Εικόνα: wiki5_cm5.png|thumb|right|Εικόνα 5: Αποτελέσματα στατιστικών αναλύσεων]]
[[Εικόνα: wiki5_cm6.png|thumb|right|Εικόνα 6: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου χαλκού (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm7.png|thumb|right|Εικόνα 7: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου μόλυβδου (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm8.png|thumb|right|Εικόνα 8: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου χαλκού]]
[[Εικόνα: wiki5_cm9.png|thumb|right|Εικόνα 9: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου μόλυβδου]]

'''Πρότυπος τίτλος: ''Mapping of Cu and Pb Contaminations in Soil Using Combined Geochemistry, Topography, and Remote Sensing: A Case Study in the Le’an River Floodplain, China'''''

'''Συγγραφείς: Yiyun Chen, Yaolin Liu, Yanfang Liu, Aiwen Lin, Xuesong Kong, Dianfeng Liu, Xiran Li, Yang Zhang, Yin Gao, Dun Wang'''

'''Link: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3386593/'''

==Εισαγωγή==

Τα βαρέα μέταλλα όταν υφίστανται σε υψηλές συγκεντρώσεις στο έδαφος, είτε λόγω φυσικών παραγόντων είτε εξαιτίας ανθρωπογενών παρεμβάσεων, είναι ιδιαίτερα επιβλαβή για το περιβάλλον και την ανθρώπινη υγεία, τόσο άμεσα όσο και έμμεσα. Για το λόγο αυτό, η χαρτογράφηση της κατανομής και η απεικόνιση τυχόν εδαφικών ρυπάνσεων σε μια περιοχή είναι πολύ σημαντική ειδικά όταν πρόκειται για περιοχές εξόρυξης. Η χαρτογράφηση δίνει τη δυνατότητα καλύτερου προσδιορισμού της εδαφικής ρύπανσης και συγχρόνως καλύτερη κατανόηση των τρόπων μεταφοράς και εγκατάστασης / απορρόφησης των εδαφικών ρύπων από και προς το έδαφος.
Για τη διαδικασία της χαρτογράφησης εδαφικών ρυπάνσεων με βαρέα μέταλλα, οι δύο σημαντικότεροι παράγοντες που λαμβάνονται υπόψη είναι (α) η χρήση γης και (β) η τοπογραφία μια περιοχής. Όσον αφορά τη χρήση γης, οι διαφορετικές χρήσεις καθορίζουν το είδος και τον τύπο μιας ενδεχόμενης έκθεσης στο έδαφος αλλά και των κινδύνων που μπορεί να ελλοχεύουν. Αυτό είναι εφικτό με τη χρήση χαρτών χρήσης γης ή εναλλακτικά σε περίπτωση απουσίας τέτοιων χαρτών με τη χρήση ψηφιακών τηλεπισκοπικών απεικονίσεων. Από την άλλη, η τοπογραφία είναι υψίστης σημασίας καθώς καθορίζει τις διαδρομές ροής του νερού. Αυτό ισχύει ακόμη περισσότερο για τη χαρτογράφηση εδαφικών ρυπάνσεων με βαρέα μέταλλα σε ορεινές περιοχές όπου υφίστανται διεργασίες εξόρυξης, και αυτό γιατί τα ορυχεία δύνανται να ξεπλυθούν από τα υδάτινα κατακρημνίσματα και ρεύματα, με αποτέλεσμα να προκαλέσουν σοβαρά προβλήματα.

==Σκοπός εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χαρτογράφηση της χωρικής κατανομής εδαφικών ρυπάνσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση εδάφους κατά μήκος του ποταμού Le’an αλλά και των παραποτάμων του. Αυτό επιτεύχθηκε με τη χρήση:
* Ολικών συγκεντρώσεων χαλκού και μόλυβδου στο έδαφος
* Δεδομένων ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM)
* Ψηφιακών τηλεπισκοπικών απεικονίσεων
* Ερμηνευμένων δεδομένων χρήσεων γης,
σε συνδυασμό με γεωγραφική ανάλυση αλλά και οριοθέτηση των λεκανών απορροής. Συγχρόνως, προσδιορίστηκαν οι πηγές και η μεταφορά των ρυπάνσεων, αλλά και οι περιοχές με υψηλό κίνδυνο ρύπανσης.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης καλύπτει τον ποταμό Le’an και την κάλυψη του στην επαρχία Jiangxi στην Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1.

===Δειγματοληψία===

Συνολικά συλλέχθηκαν 71 δείγματα εδάφους από την περιοχή κάλυψης του ποταμού Le’an σε βάθος 0-15 cm, εκ των οποίων 53 από αυτά (75 %) συλλέχθηκαν στις μεσαίες και ανώτερες δυνητικές στάθμες του ποταμού, όπου βρίσκονται το ορυχείο χαλκού Dexing και η εγκατάσταση εξαγωγής μόλυβδου-ψευδαργύρου Yinshan. Τα σημεία δειγματοληψίας καταγραφήκαν με τη χρήση GPS (Global Positioning System) με σφάλμα θέσης μικρότερο από 10 m (παρουσιάζονται στην Εικόνα 1).

===Προκατεργασία===

Πριν από τη χρήση των εδαφικών δειγμάτων για εργαστηριακή ανάλυση, προηγήθηκε προκατεργασία αυτών η οποία περιλάμβανε αεροξήρανση στους 20-25 oC για δύο ημέρες, ήπιο άλεσμα για τη διάσπαση των μεγάλων εδαφικών συσσωματωμάτων, κοσκίνισμα στα 0.2 mm, ομογενοποίηση των δειγμάτων και τελικώς δημιουργία ομοιόμορφων pellet διαμέτρου 45 mm από 40 g εδάφους για το κάθε δείγμα.

===Εργαστηριακή ανάλυση===

Για τον υπολογισμό των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα υπό εξέταση εδαφικά δείγματα χρησιμοποιήθηκε φασματοσκοπία φθορισμού ακτίνων X με διασπορά μήκους κύματος [wavelength-dispersive X-ray fluorescence (XRF) spectroscopy] στα προαναφερθέντα pellet. Ο λόγος που προτιμήθηκε η φασματοσκοπία XRF έναντι του κλασικού συνδυασμού χημικών αναλύσεων και φασματοσκοπίας ατομικής απορρόφησης (AAS – Atomic Absorption Spectroscopy) είναι για την αποφυγή δημιουργίας χημικών καταλοίπων αλλά και το γεγονός ότι επιτρέπει τον ταυτόχρονο υπολογισμό διάφορων μετάλλων. Τα αποτελέσματα παρουσιάζονται στην Εικόνα 4.

===Στατιστικές αναλύσεις===

Στα πλαίσια αυτής της μελέτης υιοθετήθηκαν στατιστικές αναλύσεις, περιλαμβανομένων περιγραφικών στατιστικών, ιστογραμμάτων, διαγραμμάτων πιθανότητας, Q-Q διαγραμμάτων (normal quantile-quantile plots) και τη δοκιμή ομαλότητας Lilliefors, το σύνολο των οποίων έγιναν σε περιβάλλον Matlab.
* Τα περιγραφικά στατιστικά χρησιμοποιήθηκαν για το σχολιασμό των κύριων χαρακτηριστικών των ολικών συγκεντρώσεων χαλκού και μόλυβδου για το κάθε εδαφικό δείγμα.
* Τα ιστογράμματα χρησιμοποιήθηκαν για την οπτική απεικόνιση των δεδομένων κατανομής των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Τα διαγράμματα πιθανότητας και Q-Q χρησιμοποιήθηκαν για τη γραφική εκτίμηση της ομαλότητας των δεδομένων των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Η δοκιμή ομαλότητας Lilliefors χρησιμοποιήθηκε για τη δοκιμή της μηδενικής υπόθεσης ότι τα δεδομένα προέρχονται από έναν κανονικά κατανεμημένο πληθυσμό, όταν η μηδενική υπόθεση δεν προσδιορίζει τον τύπο της κανονικής κατανομής.
Τα αποτελέσματα παρουσιάζονται στην Εικόνα 5.

===Οριοθέτηση λεκανών απορροής===

Οι λεκάνες απορροής των δύο κύριων παραποτάμων του ποταμού Le’an (Jishui, Dawu) παράχθηκαν με τη χρήση δεδομένων που προέκυψαν από το ψηφιακό μοντέλο εδάφους της περιοχής (GDEM), χρησιμοποιώντας την εργαλειοθήκη υδρολογίας του ArcGIS. Συγκεκριμένα, για το σχηματισμό των λεκανών απορροής, αφού εντοπίστηκαν και συμπληρώθηκαν οι περιοχές εσωτερικών αποστραγγίσεων, παράχθηκαν οι χάρτες (α) κατεύθυνσης ροής των υδάτων και (β) συσσώρευσης των υδάτων (βλ. Εικόνες 8 και 9), ενώ ως σημεία εξόδου ή ροής των υδάτων χρησιμοποιήθηκαν σημεία κατάντη των δύο παραποτάμων και κοντά στα σημεία δειγματοληψίας.

===Διάγραμμα ροής για την περάτωση της μελέτης===

Το διάγραμμα ροής για την παραγωγή των τελικών χαρτών των ολικών συγκεντρώσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση του εδάφους για την περιοχή μελέτης παρουσιάζεται στην Εικόνα 2.

===Διαδικασίες διαγράμματος ροής και τρόπος επίτευξης===

* Σχηματισμός ψηφιδωτού μοντέλου της περιοχής μελέτης → Μέσω χρήσης δύο εικόνων ALOS AVNIR-2 (Advanced Visible and Near-Infrared Radiometer type 2) σε επίπεδο 1Β2 στις οποίες είχε προηγηθεί ραδιομετρική και γεωμετρική διόρθωση (βλ. Εικόνα 3).
* Σχηματισμός χάρτη χρήσης γης της περιοχής μελέτης → Μέσω χρήσης εικόνας RGB πραγματικών χρωμάτων, με το κόκκινο να αντιστοιχεί στο κανάλι 3 με εύρος 0.61-0.69 μm, το πράσινο στο κανάλι 2 με εύρος 0.52-0.60 μm και το μπλε στο κανάλι 1 με εύρος 0.42-0.50 μm, η οποία προέκυψε από το συνδυασμό των εικόνων ALOS. Συνολικά, προέκυψαν οι εξής 3 κύριες χρήσεις γης: (1) αγροτική/γεωργική, (2) ανθρωπογενής και (3) εξόρυξης, ενώ συγχρόνως προσδιορίστηκε και η κάλυψη της περιοχής από ποτάμια.
* Σχεδιασμός εκτάσεων εδαφικής ζώνης των πλημμυρικών περιοχών → Μέσω χρήσης ζωνών buffer των ποταμών, οι οποίες προέκυψαν από την κάλυψη της περιοχής από ποτάμια, που προηγήθηκε στο προηγούμενο βήμα.
* Δημιουργία τρισδιάστατου μοντέλου εδάφους και αναλύσεων συσσώρευσης ροής υδάτων → Μέσω χρήσης του ASTER GDEM (Global Digital Elevation Map) – ψηφιακού μοντέλου εδάφους της περιοχής μελέτης.
* Αντίστροφη σταθμική παρεμβολή (IDWI – Inverse Distance Weighted Interpolation) → Μέσω χρήσης των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Η συγκεκριμένη διαδικασία πραγματοποιήθηκε, καθώς επιτρέπει πρόχειρη εκτίμηση των εδαφικών περιεχομένων βαρέων μετάλλων σε περιοχές, όπου δεν έχει προηγηθεί μέτρηση.
* Δημιουργία δισδιάστατου χάρτη → Μέσω χρήσης (α) της συνολικής εικόνας ALOS, (β) των επιμέρους χαρτών χρήσης γης που δημιουργήθηκαν, (γ) των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα πλημμυρικά εδάφη του ποταμού Le’an και των παραποτάμων του και (δ) διάφορων GIS δεδομένων (π.χ. διοικητικά όρια, τοποθεσία πόλεων).
Οι παραπάνω διαδικασίες εκτελέσθηκαν σε περιβάλλον ArcGIS.

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων (εργαστηριακών, στατιστικών)===

Τα αποτελέσματα των αναλύσεων περιγράφονται και απεικονίζονται στην Εικόνα 4 και στην Εικόνα 5.

===Χαρτογράφηση εδαφικού περιεχομένου χαλκού και μόλυβδου===

Με βάση τα παραπάνω, προέκυψαν τελικώς δύο σειρές χαρτών, οι οποίοι δείχνουν το πρότυπο χωρικής κατανομής των συνολικών εδαφικών συγκεντρώσεων χαλκού (Εικόνα 6) και μόλυβδου (Εικόνα 7) κατά μήκος του ποταμού Le’an, το χρώμα των οποίων κυμαίνεται από μπλε για χαμηλές ολικές συγκεντρώσεις έως και κόκκινο για υψηλές ολικές συγκεντρώσεις. Επιπλέον, στους παραγόμενους χάρτες απεικονίζονται τα σημεία δειγματοληψίας, οι πόλεις που υπάρχουν στην περιοχή μελέτης αλλά και οι επιμέρους χρήσεις γης. Συγκεκριμένα, οι ανθρωπογενείς περιοχές εμφανίζονται με γκρι χρώμα, οι αγροτικές περιοχές με πράσινο χρώμα και οι περιοχές εξόρυξης με πορτοκαλί χρώμα.

===Ανάλυση περιοχών δειγματοληψίας===

'''Χαλκός'''

Στην Εικόνα 6 παρουσιάζεται η χωρική κατανομή του χαλκού για την περιοχή μελέτης, όπου σημαντικές περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Συγκεκριμένα:
* Στην περιοχή 1 βρέθηκαν υψηλές ολικές συγκεντρώσεις χαλκού (μέγιστη τα 2262 mg/kg), πράγμα που αποδόθηκε στην πιθανότητα ότι η ταχύτητα του ποταμού στο σημείο αυτό να ήταν χαμηλή με αποτέλεσμα τα πλούσια σε χαλκό ιζήματα να κατατέθηκαν στην περιοχή, χωρίς όμως αυτό να είναι απόλυτο (απαιτείται περαιτέρω έρευνα). Η περιοχή 1 πρόκειται για αγροτική περιοχή και άρα ο κίνδυνος μεταφοράς χαλκού και άλλων βαρέων μετάλλων προς τον άνθρωπο διαμέσου της τροφικής αλυσίδας είναι μεγάλος.
* Στην περιοχή 2 βρέθηκε μέση τιμή ολικών συγκεντρώσεων χαλκού περίπου 800 mg/kg (τιμή ιδιαίτερα υψηλή). Τα ευρήματα αποδόθηκαν κυρίως στις εξορυκτικές δραστηριότητες της περιοχής (πορτοκαλί χρώμα) αλλά και στο γεγονός ύπαρξης επιβαρυμένης ατμοσφαιρικής σκόνης από άλλες βιομηχανικές δραστηριότητες και την οδική κίνηση των οχημάτων. Για την περιοχή 2 απαιτείται έλεγχος των σωματιδιακών ρύπων και προστασία για την αποφυγή εισπνοής σκόνης.
* Στην περιοχή 3, τα ευρήματα για τις ολικές συγκεντρώσεις χαλκού έδωσαν υψηλά αλλά όχι τόσο ανησυχητικά αποτελέσματα και αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων, οι οποίες μπορεί να εμπλούτιζαν τα νερά των ποταμών με χαλκό, ο οποίος τελικά κατακαθόταν στα εδάφη της περιοχής.
* Στην περιοχή 4, ισχύουν τα ίδια όπως και στην περιοχή 3. (Τα ευρήματα αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων)
Κύριος υπαίτιος θεωρήθηκε το ορυχείο χαλκού Dexing.

'''Μόλυβδος'''

Σε γενικές γραμμές, τα εδαφικά δείγματα που συλλέχθηκαν και αναλύθηκαν εργαστηριακά έδωσαν σχετικά υψηλές ολικές συγκεντρώσεις μόλυβδου, με παρόμοια χωρική κατανομή με την περίπτωση του χαλκού. Στην Εικόνα 7 παρουσιάζεται η χωρική κατανομή του μόλυβδου για την περιοχή μελέτης, όπου οι σημαντικότερες επιβαρυμένες περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Στην περίπτωση του μόλυβδου κύριος υπαίτιος θεωρήθηκε η μονάδα εγκατάστασης εξαγωγής μόλυβδου και ψευδαργύρου Yinshan.

===Λεκάνες απορροής και συσχετισμός===

Στις Εικόνες 8 (χαλκός) και 9 (μόλυβδος) παρουσιάζεται η χωρική συσχέτιση των λεκανών απορροής της περιοχής μελέτης με τις περιοχές όπου υφίστανται εξορυκτικές δραστηριότητες αλλά και με το εδαφικό περιεχόμενο χαλκού και μόλυβδου.

==Συμπεράσματα==

Η περάτωση της συγκεκριμένης έρευνας / μελέτης είχε σαν απώτερο στόχο να προσπαθήσει να προωθήσει την κατανόηση της εξαιρετικής σημασίας της τοπογραφίας αλλά και της κάλυψης και χρήσης γης όσον αφορά τις εδαφικές ρυπάνσεις σε περιοχές εξόρυξης και των κατάντη περιοχών. Με την ενσωμάτωση και χρήση εργαστηριακών δεδομένων ολικών συγκεντρώσεων, ψηφιακών τηλεπισκοπικών απεικονίσεων, τοπογραφικών δεδομένων, δευτερογενών βοηθητικών δεδομένων και γεωγραφικών αναλύσεων χαρτογραφήθηκε η χωρική κατανομή χαλκού και μόλυβδου στην περιοχή μελέτης (ποταμός Le’an και παραπόταμοι). Επιπλέον, με τη δημιουργία και την ανάλυση τρισδιάστατων χαρτών της περιοχής εντοπίστηκαν οι πιθανές πηγές των εδαφικών ρυπάνσεων χαλκού και μόλυβδου, αλλά και οι πιθανές διαδρομές μεταφοράς αυτών, δεδομένα που επαληθεύτηκαν με το σχηματισμό των χαρτών συσχετισμού λεκανών απορροής, εξορυκτικών περιοχών και εδαφικών περιεχομένων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Τέλος, ο ρόλος της τοπογραφίας και της ροής των υδάτινων ρευμάτων στη μεταφορά χαλκού και μόλυβδου κατά μήκος των ποταμών απεικονίστηκαν γραφικά από όπου και προέκυψε πως η ροή που δημιουργείται από τις βροχοπτώσεις είναι μάλλον και ο κύριος φορέας των μεταλλικών ρύπων. Σε κάθε περίπτωση απαιτείται περαιτέρω έρευνα για την εξακρίβωση των αποτελεσμάτων.

[[category:Υποβάθμιση εδαφών]]

Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων

2019-01-23T12:23:43Z

Christos mamaloudis:

[[Εικόνα: wiki4_cm1.png|thumb|right|Εικόνα 1: Σημεία δειγματοληψίας της περιοχής μελέτης και περιοχές με πολύ υψηλές τιμές διαφορετικών τοξικών μετάλλων στα εδάφη του Κατάρ]]
[[Εικόνα: wiki4_cm2.png|thumb|right|Εικόνα 2: Βοηθητικοί ψηφιδωτοί (raster) χάρτες που χρησιμοποιήθηκαν ως μέσο πρόβλεψης για την κατανομή των υπό εξέταση μετάλλων στο έδαφος]]
[[Εικόνα: wiki4_cm3.png|thumb|right|Εικόνα 3: Περιβαλλοντικές μεταβλητές που χρησιμοποιήθηκαν]]
[[Εικόνα: wiki4_cm4.png|thumb|right|Εικόνα 4: Περιγραφή των καναλιών Landsat 8 αλλά και των φασματικών δεικτών που χρησιμοποιήθηκαν για τον προσδιορισμό των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm5.png|thumb|right|Εικόνα 5: Διαγράμματα των εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm6.png|thumb|right|Εικόνα 6: Συγκεντρώσεις των υπό εξέταση μετάλλων που χρησιμοποιήθηκαν (α) στη βαθμονόμηση – 75% και (β) στον έλεγχο του μοντέλου – 25%]]
[[Εικόνα: wiki4_cm7.png|thumb|right|Εικόνα 7: Παράδειγμα του κανόνα που χρησιμοποιήθηκε στο μοντέλο για τις προβλέψεις νικελίου]]
[[Εικόνα: wiki4_cm8.png|thumb|right|Εικόνα 8: Αποτελέσματα ελέγχου μοντελοποίησης για τα υπό εξέταση μέταλλα]]
[[Εικόνα: wiki4_cm9.png|thumb|right|Εικόνα 9: Τα 10 κορυφαία δεδομένα (παράγοντες πρόβλεψης) που χρησιμοποιήθηκαν από το Cubist για τη βαθμονόμηση των μοντέλων και η ποσοστιαία χρήση του καθενός ανά υπό εξέταση μέταλλο]]
[[Εικόνα: wiki4_cm10.png|thumb|right|Εικόνα 10: Χάρτες ανάλυσης 30 m εδαφικών (0-30 cm) συγκεντρώσεων για τα μέταλλα χρώμιο, αρσενικό, νικέλιο, ψευδάργυρος, μόλυβδος και χαλκός της περιοχής μελέτης (Κατάρ)]]

'''Πρότυπος τίτλος: ''Digital Mapping of Toxic Metals in Qatari Soils Using Remote Sensing and Ancillary Data'''''

'''Συγγραφείς: Yi Peng, Rania Bou Kheir, Kabindra Adhikari, Radosław Malinowski, Mette B. Greve, Maria Knadel and Mogens H. Greve'''

'''Link: https://www.mdpi.com/2072-4292/8/12/1003/htm'''

==Εισαγωγή==

Ανά τον κόσμο, διάφορες δραστηριότητες αλλά και φαινόμενα μαζικής βιομηχανοποίησης και αστικοποίησης αποτελούν πηγές ρύπανσης των εδαφών με τοξικά βαρέα μέταλλα. Σε αντίστοιχες βιομηχανικές και αστικές περιοχές, η ανθρώπινη έκθεση σε υψηλές ποσότητες τέτοιων τοξικών μετάλλων και κυρίως τα αρσενικό (As), χρώμιο (Cr), νικέλιο (Ni), χαλκός (Cu), μόλυβδος (Pb) και ψευδάργυρος (Zn), αποτελεί σημαντικό πρόβλημα καθώς μπορεί να προκαλέσει σοβαρές επιπτώσεις στην ανθρώπινη υγεία, ενώ συγχρόνως να προκαλέσει υποβάθμιση του φυσικού περιβάλλοντος.
Στο Κατάρ, όπου και πραγματοποιήθηκε η παρούσα έρευνα, το πρόβλημα είναι ιδιαίτερα έντονο, καθώς τα τελευταία χρόνια σημείωσε άνοδο πληθυσμού περίπου 200% και επιπλέον, έχοντας τις υψηλότερες κατά κεφαλήν εκπομπές διοξειδίου του άνθρακα στον κόσμο, το 2014 κηρύχθηκε από τον Παγκόσμιο Οργανισμό Υγείας ως η δεύτερη ατμοσφαιρικά πιο ρυπασμένη πόλη του κόσμου.
Μέχρι στιγμής, η πρόβλεψη και ο προσδιορισμός συσσώρευσης τοξικών μετάλλων στα εδάφη γινόταν χρησιμοποιώντας μια ποικιλία γεωστατιστικών μεθόδων σε συνδυασμό με διάφορα περιβαλλοντικά δεδομένα (που προκύπτουν από αναλύσεις) σε διάφορες κλίμακες. Το πρόβλημα που προκύπτει όμως από τη χρήση αυτών των μεθόδων είναι ότι είναι ιδιαίτερα περίπλοκες και χρονοβόρες, ειδικά αν λάβει κανείς υπόψη το χρόνο που απαιτείται για τις διάφορες εργαστηριακές αναλύσεις προκειμένου να ληφθούν τα διάφορα περιβαλλοντικά δεδομένα που απαιτούνται.
Σε αντίθεση με τις παραδοσιακές τεχνικές, για τη μοντελοποίηση του εδάφους αλλά και των περιβαλλοντικών ιδιοτήτων και διαδικασιών, πρόσφατες μελέτες άρχισαν να υιοθετούν τη χρήση διάφορων εργαλείων εξόρυξης δεδομένων όπως είναι το Cubist [https://www.rulequest.com/cubist-info.html data mining with Cubist], το οποίο φέρει πολλά πλεονεκτήματα, ένα εκ των οποίων είναι ότι μπορεί να ποσοτικοποιεί γραμμικές αλλά και μη γραμμικές σχέσεις μεταξύ των μεταβλητών, ενώ επιπλέον, μπορεί και ποσοτικοποιεί τη σημασία των περιβαλλοντικών μεταβλητών που χρησιμοποιούνται στην πρόβλεψη τοξικών μετάλλων στο έδαφος.
Τα τελευταία δέκα χρόνια, με την ανάπτυξη της τηλεπισκόπησης, οι τεχνικές της για τη χαρτογράφηση τοξικών μετάλλων στο έδαφος άρχισαν να βρίσκουν εφαρμογή και μάλιστα ήδη θεωρούνται αρκετά αποτελεσματικές και ακριβείς για την ανίχνευση εδαφικής ρύπανσης από τοξικά μέταλλα, παρότι τα τοξικά μέταλλα στο έδαφος υφίστανται σε πολύ μικρές έως και μέτριες συγκεντρώσεις και μεμονωμένα ως μέταλλα δε διαθέτουν κάποια συγκεκριμένα φασματικά χαρακτηριστικά. Οι τεχνικές ψηφιακής τηλεπισκόπησης εκμεταλλεύονται το γεγονός πως τα τοξικά μέταλλα αλλάζουν τη χημική σύνθεση και την επιφανειακή δραστηριότητά των ορυκτών του εδάφους στα οποία μπορεί να είναι δεσμευμένα, με αποτέλεσμα να αλλάζουν την φασματική ανακλαστική πληροφορία τους. Η αξιοποίηση αυτού του ενδιάμεσου μηχανισμού επιτρέπει την εξαγωγή των σχέσεων μεταξύ φασματικών πληροφοριών και τοξικών μετάλλων στο έδαφος.

==Σκοπός της εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χρήση (α) εικόνων χρονοσειράς από έναν δέκτη Landsat 8 (οι οποίες κάλυπταν εννέα μήνες κατά τη διάρκεια του έτους 2014), (β) επιλεγμένων φασματικών δεικτών (οι οποίοι παράχθηκαν χρησιμοποιώντας τις εικόνες χρονοσειράς Landsat 8) και (γ) περιβαλλοντικών μεταβλητών, για τη χαρτογράφηση της χωρικής κατανομής έξι επιλεγμένων τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος) στην περιοχή μελέτης που ήταν το Κατάρ. Απώτερος σκοπός της παρούσας έρευνας ήταν η διευκόλυνση της χαρτογράφησης της εδαφικής συσσώρευσης των παραπάνω μετάλλων αλλά και η παραδοχή ότι η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης (Κατάρ), παρουσιάζεται στην Εικόνα 1.

===Δειγματοληψία εδάφους===

Συνολικά συλλέχθηκαν 300 δείγματα εδάφους σε βάθος 0-30 cm από πολλά σημεία, με στόχο να καλυφθούν όλα τα περιβαλλοντικά και ανθρωπογενή ενδιαιτήματα του Κατάρ. Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System) με ακρίβεια 5 m. Τα σημεία δειγματοληψίας παρουσιάζονται στην Εικόνα 1.

===Προκατεργασία δειγμάτων===

Πριν την οποιαδήποτε ανάλυση προηγήθηκε προκατεργασία των δειγμάτων η οποία περιλάμβανε αεροξήρανση των δειγμάτων για διάρκεια τριών ημερών σε θερμοκρασία δωματίου και έπειτα κοσκίνισμα 2 mm.

===Χημική ανάλυση===

Για τη χημική ανάλυση των δειγμάτων ως προς τον προσδιορισμό των συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος), χρησιμοποιήθηκαν 0.5 g εδάφους από το κάθε δείγμα για πέψη με μίγμα HNO3 – HClO4 στους 200 οC για τρεις ώρες και στη συνέχεια με επιπλέον προσθήκη HNO3 για μια ώρα στους 70 οC. Έπειτα το κάθε δείγμα υπέστη φυγοκέντριση στις 3500 rpm για 10 λεπτά. Οι συγκεντρώσεις των τοξικών μετάλλων μετρήθηκαν με τη χρήση φασματοφωτομετρίας ατομικής εκπομπής πλάσματος με επαγωγική συσχέτιση (Inductively-Coupled Plasma-Atomic Emission Spectrometry, ICP-AES) [https://en.wikipedia.org/wiki/Inductively_coupled_plasma_atomic_emission_spectroscopy ICP-AES].

===Περιβαλλοντικοί παράμετροι===

Για τον προσδιορισμό της κατανομής των υπό εξέταση τοξικών μετάλλων στο έδαφος χρησιμοποιήθηκαν διάφοροι περιβαλλοντικοί παράμετροι, μεταξύ των οποίων γεωλογικά και εδαφολογικά δεδομένα (π.χ. τύπος εδάφους κ.α.), γεωμορφολογικά δεδομένα (π.χ. υψόμετρο, κλίση, προσανατολισμός κ.α.) και ανθρωπογενή δεδομένα (π.χ. εγγύτητα στους δρόμους, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.) (βλ. Εικόνα 2 και Εικόνα 3). Η ψηφιοποίηση των περιβαλλοντικών παραμέτρων σε επίπεδα (layers), πραγματοποιήθηκε με τη χρήση δευτερογενών βοηθητικών δεδομένων όπως το DEM (Digital Elevation Model – ψηφιακό μοντέλο εδάφους), το οποίο δημιουργήθηκε με επεξεργασία μέσω της τεχνολογίας LiDAR (Light Detection and Ranging) [https://en.wikipedia.org/wiki/Lidar LIDAR].

===Εικόνες ψηφιακής τηλεπισκόπησης και φασματικοί δείκτες===

Στην παρούσα μελέτη χρησιμοποιήθηκαν ατμοσφαιρικά διορθωμένες δορυφορικές εικόνες του δέκτη LDCM (Landsat Data Continuity Mission) [https://landsat.gsfc.nasa.gov/ldcm-operational-land-imager-oli-telescope/ LDCM] του δορυφόρου Landsat 8 οι οποίες σκοπό είχαν να δημιουργήσουν μια χρονοσειρά ενός έτους, αλλά εξαιτίας ορισμένων θεμάτων που σχετίζονταν με νεφοκάλυψη χρησιμοποιήθηκαν μόνο εννέα από αυτές (Ιανουαρίου, Φεβρουαρίου, Απριλίου, Μαΐου, Ιουνίου, Ιουλίου, Αυγούστου, Σεπτεμβρίου και Οκτωβρίου) για το έτος 2015.
Επιπλέον, για τη βελτιστοποίηση της δυνατότητας πρόβλεψης των τοξικών μετάλλων στα υπό εξέταση εδάφη υπολογίστηκαν οι εξής φασματικοί δείκτες:
* Tasseled cap transformation [http://desktop.arcgis.com/en/arcmap/10.3/manage-data/raster-and-images/tasseled-cap-transformation.htm tasseled cap function]
Brightness – ταξινόμηση αστικών περιοχών
Greenness – επίπεδα βλάστησης
Wetness – επίπεδα υγρασίας στο έδαφος
* BCI – Biophysical Composition Index – αφθονία βλάστησης
* EVI – Enhanced Vegetation Index [https://en.wikipedia.org/wiki/Enhanced_vegetation_index EVI]
* LSWI – Land Surface Water Index
* NDVI – Normalized Difference Vegetation Index [https://en.wikipedia.org/wiki/Normalized_difference_vegetation_index NDVI]
* SATVI – Soil-Adjusted Total Vegetation Index [https://wiki.landscapetoolbox.org/doku.php/remote_sensing_methods:soil-adjusted_total_vegetation_index SATVI]
* SAVI – Soil-Adjusted Vegetation Index [https://wiki.landscapetoolbox.org/doku.php/remote_sensing_methods:soil-adjusted_vegetation_index SAVI]
* TVI – Transformed Vegetation Index [https://www.indexdatabase.de/db/i-single.php?id=98 TVI]
* WDVI – Weighted Difference Vegetation Index [https://www.indexdatabase.de/db/i-single.php?id=104 WDVI]
Οι εξισώσεις με βάση τις οποίες πραγματοποιήθηκε ο υπολογισμός των παραπάνω δεικτών παρουσιάζονται στην Εικόνα 4.

===Χωρική μοντελοποίηση===

Από το σύνολο των δεδομένων που συλλέχθηκαν πραγματοποιήθηκε τυχαία κατανομή και ένα 75 % χρησιμοποιήθηκε για τη βαθμονόμηση και το υπόλοιπο 25 % για τον έλεγχο του μοντέλου (βλ. Εικόνα 6). Εν τέλει, χρησιμοποιώντας το εργαλείο Cubist που προαναφέρθηκε και στην Εισαγωγή, αναπτύχθηκε ένα μοντέλο πρόβλεψης για κάθε υπό εξέταση τοξικό μέταλλο.
Για τη βαθμονόμηση, το εργαλείο Cubist δημιούργησε πλήθος γραμμικών εξισώσεων για κάθε υπό εξέταση μέταλλο βασισμένο σε διαφορετικούς κανόνες. Οι συνθήκες του αρχικού κανόνα κάθε φορά βασίστηκαν σε συνδυασμό κάποιων εκ των δεδομένων. Για παράδειγμα στο χρώμιο και στο νικέλιο το 60 % των εκτελέσεων του μοντέλου επέλεξε σαν συνθήκες του αρχικού κανόνα τα δεδομένα: τύπος εδάφους και γεωλογικός χάρτης. Παράδειγμα κανόνα για το νικέλιο παρουσιάζεται στην Εικόνα 7.
Τα μοντέλα πρόβλεψης/προσομοίωσης/προσδιορισμού εκτιμήθηκαν με βάση της εξής παραμέτρους: R2 (coefficient of determination) [https://en.wikipedia.org/wiki/Coefficient_of_determination coefficient of determination], RMSE (root mean square error) [https://en.wikipedia.org/wiki/Root-mean-square_deviation RMSD], RPD (ratio of performance to deviation) και RPIQ (ratio of performance to interquartile distance) [https://en.wikipedia.org/wiki/Interquartile_range IQR].

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων===

Με βάση τα αποτελέσματα των χημικών αναλύσεων παράχθηκαν τα αντίστοιχα διαγράμματα (histogram, box-plot) για το κάθε υπό εξέταση μέταλλο. Τα διαγράμματα (βλ. Εικόνα 5) έδειξαν πως η κατανομή των μετάλλων είχε θετική καμπυλότητα σε όλες τις περιπτώσεις, ενώ συγχρόνως παρατηρήθηκε ένα ευρύ φάσμα μεταβλητότητας σε όλα τα τοξικά μέταλλα και κυρίως στα ψευδάργυρο, χρώμιο και νικέλιο.
Η προαναφερθείσα μεταβλητότητα της περιεκτικότητας των υπό εξέταση εδαφών σε τοξικά μέταλλα αποδίδεται στη διαφορετική ένταση ανά περιοχή των φαινομένων της γεωργίας, της αστικοποίησης και της βιομηχανοποίησης και επηρεάζει τη σχέση μεταξύ περιβαλλοντικών παραμέτρων και ρύπανσης.
Επιπλέον, ορισμένα εδαφικά δείγματα συγκεκριμένων περιοχών που αναλύθηκαν έδωσαν ιδιαίτερα υψηλές συγκεντρώσεις για διάφορα μέταλλα (βλ. Εικόνα 1), πράγμα που αποδόθηκε στο γεγονός ότι μάλλον οι συγκεκριμένες περιοχές αποτελούν κέντρα ρύπανσης και είναι πολύ επιβαρυμένες (hotspots) με τοξικά μέταλλα σε σχέση με τις υπόλοιπες περιοχές μελέτης. Εν τέλει, οι τιμές αυτές απορρίφθηκαν και δε χρησιμοποιήθηκαν στη χωρική μοντελοποίηση καθώς θα επηρέαζαν αρνητικά την ικανότητα πρόβλεψης/προσδιορισμού του μοντέλου. Έτσι μετά από την απόρριψη των τιμών αυτών, χρησιμοποιήθηκαν τελικά για τη μοντελοποίηση (βαθμονόμηση και έλεγχος) 299 δείγματα για το ψευδάργυρο και το μόλυβδο, 298 δείγματα για το χαλκό, 297 δείγματα για το χρώμιο και το νικέλιο και 300 δείγματα για το αρσενικό (βλ. Εικόνα 6).

===Χωρική μοντελοποίηση===

Τα αποτελέσματα της χωρικής πρόβλεψης των υπό εξέταση τοξικών μετάλλων παρουσιάζονται στην Εικόνα 8. Σε γενικές γραμμές, όλα τα μοντέλα βαθμονόμησης έδωσαν καλά αποτελέσματα όσον αφορά τις ικανότητες πρόβλεψης/προσδιορισμού των υπό εξέταση μετάλλων. Ο χαλκός είχε τις υψηλότερες τιμές R2 και RPD, ακολουθούμενος από το αρσενικό, το μόλυβδο, το χρώμιο, τον ψευδάργυρο και το νικέλιο. Παρόλ’ αυτά, εξαιτίας κάποιων παραγόντων οι τιμές RPIQ απέδωσαν μεγαλύτερη ακρίβεια προσδιορισμού σε σχέση με τις τιμές RPD.

===Σημασία μεταβλητότητας των παραγόμενων μοντέλων Cubist για την πρόβλεψη των υπό εξέταση μετάλλων===

Οι εκτελέσεις των μοντέλων μέσω του εργαλείου Cubist δε χρησιμοποίησαν όλες τις μεταβλητές για τη βαθμονόμηση. Όπως φαίνεται και στην Εικόνα 9, η οποία πρακτικά δείχνει τη χρήση της κάθε μεταβλητής/δεδομένου για κάθε υπό εξέταση μέταλλο, το σύνολο των εκτελέσεων των μοντέλων για όλα τα μέταλλα χρησιμοποίησε τηλεπισκοπικά δεδομένα (κανάλια, δείκτες κ.α.) μόνο για τους μήνες Ιανουάριο και Φεβρουάριο, σε συνδυασμό με διάφορα άλλα δεδομένα όπως κλίση, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α. Επιπλέον, με εξαίρεση τα τηλεπισκοπικά δεδομένα, οι αμέσως επόμενες πιο σημαντικές μεταβλητές (υψηλά ποσοστά), όπως επιλέχθηκαν από τα μοντέλα ήταν η δορυφορική εικόνα νυχτερινού φωτισμού της περιοχής και η εγγύτητα στους δρόμους.
Με βάση την Εικόνα 9:
* Τα μέταλλα χρώμιο και νικέλιο επηρεάζονταν ιδιαίτερα από γεωλογικούς και εδαφολογικούς παράγοντες
* Τα μέταλλα ψευδάργυρος, μόλυβδος και χαλκός επηρεάζονταν ιδιαίτερα από τοπολογικούς-ανθρωπογενείς παραμέτρους, όπως η εγγύτητα στους δρόμους, η απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.
Από τα παραπάνω προκύπτει πως οι συγκεντρώσεις των μετάλλων χρώμιο και νικέλιο επηρεάζονται κυρίως από περιβαλλοντικούς παράγοντες ενώ οι συγκεντρώσεις των μετάλλων ψευδάργυρος, μόλυβδος και χαλκός κυρίως από ανθρώπινες δραστηριότητες.

===Φασματικοί/τηλεσκοπικοί δείκτες===

Από τους τηλεπισκοπικούς δείκτες που υπολογίσθηκαν, αυτοί που χρησιμοποιήθηκαν περισσότερο ήταν ο tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index (η δημιουργία του οποίου βασίζεται στον πρώτο). Συγκεκριμένα, ο tasseled cap transformation ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα αρσενικό, ψευδάργυρο, μόλυβδο και χαλκό, ενώ ο BCI ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα χρώμιο, νικέλιο, ψευδάργυρο και μόλυβδο. Αυτό φαίνεται να οφείλεται στο γεγονός ότι αυτοί οι δύο δείκτες είναι οι μόνοι οι οποίοι μπορούν να προσδώσουν πληροφορίες τόσο για την ταξινόμηση των αστικών περιοχών (οι οποίες θεωρούνται αδιαπέραστες επιφάνειες) όσο και για τα επίπεδα και την αφθονία βλάστησης αλλά και τα επίπεδα υγρασίας των εδαφών στην υπό μελέτη περιοχή.
Από την άλλη οι δείκτες NDVI, EVI, SAVI ήταν στις δέκα κορυφαίες μεταβλητές μόνο για το μοντέλο του αρσενικού, πράγμα το οποίο αποδίδεται στο γεγονός ότι οι κύριες πηγές εδαφικής ρύπανσης με αρσενικό είναι τα γεωργικά φάρμακα και τα λιπάσματα που χρησιμοποιούνται στη γεωργία. Συγκεκριμένα, ανεξέλεγκτη χρήση γεωργικών φαρμάκων και λιπασμάτων παράγουν πιο «πράσινη» βιομάζα ενώ συγχρόνως αυξάνουν τις συγκεντρώσεις αρσενικού στα εδάφη. Πράγματι, ο συντελεστής συσχέτισης Pearson μεταξύ αρσενικού και των τριών δεικτών ήταν πάνω από 0.3, πράγμα που υποδεικνύει θετική σχέση μεταξύ της εδαφικής ρύπανσης με αρσενικό και του επιπέδου πράσινης βιομάζας στις αγροτικές περιοχές του Κατάρ.

===Προβλεπόμενοι χάρτες των υπό εξέταση μετάλλων===

Οι τελικοί χάρτες που προέκυψαν από τις εκτελέσεις των μοντέλων για τα υπό εξέταση μέταλλα παρουσιάζονται στην Εικόνα 10. Όλοι οι χάρτες εμφάνισαν παρόμοια χωρική κατανομή των μετάλλων και ξεκάθαρα υποδεικνύουν υψηλή συσσώρευση αυτών στο βόρειο τμήμα του Κατάρ. Αυτό αποδίδεται σε ανθρωπογενείς δραστηριότητες και γεωλογικές κυρίως παραμέτρους. Στο βόρειο τμήμα του Κατάρ υπάγονται το μεγαλύτερο μέρος της βιομηχανίας και της γεωργίας της χώρας ενώ συγχρόνως η γεωλογία της συγκεκριμένης περιοχής επηρεάζει θετικά την απορρόφηση και τη συσσώρευση των μετάλλων αυτών στο έδαφος.
Επιπρόσθετα, οι χάρτες πρόβλεψης για τα μέταλλα ψευδάργυρο, μόλυβδο και χαλκό υποδεικνύουν υψηλή συσσώρευση στο ανατολικό κομμάτι του Κατάρ, όπου βρίσκεται η πόλη Ντόχα. Αυτό αποδίδεται στη ραγδαία αστικοποίηση που εμφάνισε η πόλη τα τελευταία χρόνια. Πιθανώς, οφείλεται στην κατάθεση σωματιδίων μετάλλων από τον υπέρογκο πληθυσμό μηχανοκίνητων οχημάτων της περιοχής.

==Συμπεράσματα==

* Η χρήση πολυφασματικών δεδομένων (εικόνες Landsat 8, τηλεπισκοπικοί δείκτες) σε συνδυασμό με περιβαλλοντικές παραμέτρους (γεωλογικής, εδαφολογικής, γεωμορφολογικής, ανθρωπογενής φύσεως) διαμέσου της μοντελοποίησης που προσφέρει το Cubist έδωσαν ιδιαίτερα ικανοποιητικά αποτελέσματα πρόβλεψης εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων.
* Τα τηλεπισκοπικά δεδομένα Ιανουαρίου και Φεβρουαρίου, ήταν αυτά που επιλέχθηκαν και χρησιμοποιήθηκαν περισσότερο από τα μοντέλα, εξαιτίας της εποχιακής μεταβλητότητας του κλίματος του Κατάρ.
* Το θέμα με τη νεφοκάλυψη στις τηλεπισκοπικές απεικονίσεις ήταν ο κυριότερος περιορισμός της έρευνας, καθώς οι τηλεπισκοπικές απεικονίσεις με έντονο το φαινόμενο της νεφοκάλυψης απορρίφθηκαν. Μεταξύ αυτών ήταν και η απεικόνιση του Κατάρ για το μήνα Μάρτιο που όπως ερευνήθηκε ήταν η μεταβλητή που θα συνέβαλε περισσότερο στη βαθμονόμηση των μοντέλων.
* Οι δείκτες που χρησιμοποιήθηκαν σε μεγαλύτερο ποσοστό από τα μοντέλα ήταν οι tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων χαλκός, ψευδάργυρος και μόλυβδος επηρεάζονταν κυρίως από ανθρωπογενείς παραμέτρους.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων αρσενικό, χρώμιο και νικέλιο επηρεάζονταν κυρίως από γεωλογικούς και εδαφολογικούς παραμέτρους.
* Χρήση περισσότερων μεταβλητών/δεδομένων μπορεί να αυξήσει την ακρίβεια πρόβλεψης των μοντέλων.
* Η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.
* Για την εξακρίβωση της ποιότητας των αποτελεσμάτων απαιτούνται παρόμοιες έρευνες με τηλεπισκοπικά δεδομένα μεγαλύτερης ανάλυσης, ακρίβειας και χρονικής κάλυψης (π.χ. Sentinel 2).

[[category:Υποβάθμιση εδαφών]]

Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων

2019-01-23T12:22:00Z

Christos mamaloudis:

[[Εικόνα: wiki4_cm1.png|thumb|right|Εικόνα 1: Σημεία δειγματοληψίας της περιοχής μελέτης και περιοχές με πολύ υψηλές τιμές διαφορετικών τοξικών μετάλλων στα εδάφη του Κατάρ]]
[[Εικόνα: wiki4_cm2.png|thumb|right|Εικόνα 2: Βοηθητικοί ψηφιδωτοί (raster) χάρτες που χρησιμοποιήθηκαν ως μέσο πρόβλεψης για την κατανομή των υπό εξέταση μετάλλων στο έδαφος]]
[[Εικόνα: wiki4_cm3.png|thumb|right|Εικόνα 3: Περιβαλλοντικές μεταβλητές που χρησιμοποιήθηκαν]]
[[Εικόνα: wiki4_cm4.png|thumb|right|Εικόνα 4: Περιγραφή των καναλιών Landsat 8 αλλά και των φασματικών δεικτών που χρησιμοποιήθηκαν για τον προσδιορισμό των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm5.png|thumb|right|Εικόνα 5: Διαγράμματα των εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm6.png|thumb|right|Εικόνα 6: Συγκεντρώσεις των υπό εξέταση μετάλλων που χρησιμοποιήθηκαν (α) στη βαθμονόμηση – 75% και (β) στον έλεγχο του μοντέλου – 25%]]
[[Εικόνα: wiki4_cm7.png|thumb|right|Εικόνα 7: Παράδειγμα του κανόνα που χρησιμοποιήθηκε στο μοντέλο για τις προβλέψεις νικελίου]]
[[Εικόνα: wiki4_cm8.png|thumb|right|Εικόνα 8: Αποτελέσματα ελέγχου μοντελοποίησης για τα υπό εξέταση μέταλλα]]
[[Εικόνα: wiki4_cm9.png|thumb|right|Εικόνα 9: Τα 10 κορυφαία δεδομένα (παράγοντες πρόβλεψης) που χρησιμοποιήθηκαν από το Cubist για τη βαθμονόμηση των μοντέλων και η ποσοστιαία χρήση του καθενός ανά υπό εξέταση μέταλλο]]
[[Εικόνα: wiki4_cm10.png|thumb|right|Εικόνα 10: Χάρτες ανάλυσης 30 m εδαφικών (0-30 cm) συγκεντρώσεων για τα μέταλλα χρώμιο, αρσενικό, νικέλιο, ψευδάργυρος, μόλυβδος και χαλκός της περιοχής μελέτης (Κατάρ)]]

'''Πρότυπος τίτλος: ''Digital Mapping of Toxic Metals in Qatari Soils Using Remote Sensing and Ancillary Data'''''

'''Συγγραφείς: Yi Peng, Rania Bou Kheir, Kabindra Adhikari, Radosław Malinowski, Mette B. Greve, Maria Knadel and Mogens H. Greve'''

'''Link: https://www.mdpi.com/2072-4292/8/12/1003/htm'''

==Εισαγωγή==

Ανά τον κόσμο, διάφορες δραστηριότητες αλλά και φαινόμενα μαζικής βιομηχανοποίησης και αστικοποίησης αποτελούν πηγές ρύπανσης των εδαφών με τοξικά βαρέα μέταλλα. Σε αντίστοιχες βιομηχανικές και αστικές περιοχές, η ανθρώπινη έκθεση σε υψηλές ποσότητες τέτοιων τοξικών μετάλλων και κυρίως τα αρσενικό (As), χρώμιο (Cr), νικέλιο (Ni), χαλκός (Cu), μόλυβδος (Pb) και ψευδάργυρος (Zn), αποτελεί σημαντικό πρόβλημα καθώς μπορεί να προκαλέσει σοβαρές επιπτώσεις στην ανθρώπινη υγεία, ενώ συγχρόνως να προκαλέσει υποβάθμιση του φυσικού περιβάλλοντος.
Στο Κατάρ, όπου και πραγματοποιήθηκε η παρούσα έρευνα, το πρόβλημα είναι ιδιαίτερα έντονο, καθώς τα τελευταία χρόνια σημείωσε άνοδο πληθυσμού περίπου 200% και επιπλέον, έχοντας τις υψηλότερες κατά κεφαλήν εκπομπές διοξειδίου του άνθρακα στον κόσμο, το 2014 κηρύχθηκε από τον Παγκόσμιο Οργανισμό Υγείας ως η δεύτερη ατμοσφαιρικά πιο ρυπασμένη πόλη του κόσμου.
Μέχρι στιγμής, η πρόβλεψη και ο προσδιορισμός συσσώρευσης τοξικών μετάλλων στα εδάφη γινόταν χρησιμοποιώντας μια ποικιλία γεωστατιστικών μεθόδων σε συνδυασμό με διάφορα περιβαλλοντικά δεδομένα (που προκύπτουν από αναλύσεις) σε διάφορες κλίμακες. Το πρόβλημα που προκύπτει όμως από τη χρήση αυτών των μεθόδων είναι ότι είναι ιδιαίτερα περίπλοκες και χρονοβόρες, ειδικά αν λάβει κανείς υπόψη το χρόνο που απαιτείται για τις διάφορες εργαστηριακές αναλύσεις προκειμένου να ληφθούν τα διάφορα περιβαλλοντικά δεδομένα που απαιτούνται.
Σε αντίθεση με τις παραδοσιακές τεχνικές, για τη μοντελοποίηση του εδάφους αλλά και των περιβαλλοντικών ιδιοτήτων και διαδικασιών, πρόσφατες μελέτες άρχισαν να υιοθετούν τη χρήση διάφορων εργαλείων εξόρυξης δεδομένων όπως είναι το Cubist [https://www.rulequest.com/cubist-info.html data mining with Cubist], το οποίο φέρει πολλά πλεονεκτήματα, ένα εκ των οποίων είναι ότι μπορεί να ποσοτικοποιεί γραμμικές αλλά και μη γραμμικές σχέσεις μεταξύ των μεταβλητών, ενώ επιπλέον, μπορεί και ποσοτικοποιεί τη σημασία των περιβαλλοντικών μεταβλητών που χρησιμοποιούνται στην πρόβλεψη τοξικών μετάλλων στο έδαφος.
Τα τελευταία δέκα χρόνια, με την ανάπτυξη της τηλεπισκόπησης, οι τεχνικές της για τη χαρτογράφηση τοξικών μετάλλων στο έδαφος άρχισαν να βρίσκουν εφαρμογή και μάλιστα ήδη θεωρούνται αρκετά αποτελεσματικές και ακριβείς για την ανίχνευση εδαφικής ρύπανσης από τοξικά μέταλλα, παρότι τα τοξικά μέταλλα στο έδαφος υφίστανται σε πολύ μικρές έως και μέτριες συγκεντρώσεις και μεμονωμένα ως μέταλλα δε διαθέτουν κάποια συγκεκριμένα φασματικά χαρακτηριστικά. Οι τεχνικές ψηφιακής τηλεπισκόπησης εκμεταλλεύονται το γεγονός πως τα τοξικά μέταλλα αλλάζουν τη χημική σύνθεση και την επιφανειακή δραστηριότητά των ορυκτών του εδάφους στα οποία μπορεί να είναι δεσμευμένα, με αποτέλεσμα να αλλάζουν την φασματική ανακλαστική πληροφορία τους. Η αξιοποίηση αυτού του ενδιάμεσου μηχανισμού επιτρέπει την εξαγωγή των σχέσεων μεταξύ φασματικών πληροφοριών και τοξικών μετάλλων στο έδαφος.

==Σκοπός της εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χρήση (α) εικόνων χρονοσειράς από έναν δέκτη Landsat 8 (οι οποίες κάλυπταν εννέα μήνες κατά τη διάρκεια του έτους 2014), (β) επιλεγμένων φασματικών δεικτών (οι οποίοι παράχθηκαν χρησιμοποιώντας τις εικόνες χρονοσειράς Landsat 8) και (γ) περιβαλλοντικών μεταβλητών, για τη χαρτογράφηση της χωρικής κατανομής έξι επιλεγμένων τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος) στην περιοχή μελέτης που ήταν το Κατάρ. Απώτερος σκοπός της παρούσας έρευνας ήταν η διευκόλυνση της χαρτογράφησης της εδαφικής συσσώρευσης των παραπάνω μετάλλων αλλά και η παραδοχή ότι η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης (Κατάρ), παρουσιάζεται στην Εικόνα 1.

===Δειγματοληψία εδάφους===

Συνολικά συλλέχθηκαν 300 δείγματα εδάφους σε βάθος 0-30 cm από πολλά σημεία, με στόχο να καλυφθούν όλα τα περιβαλλοντικά και ανθρωπογενή ενδιαιτήματα του Κατάρ. Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System) με ακρίβεια 5 m. Τα σημεία δειγματοληψίας παρουσιάζονται στην Εικόνα 1.

===Προκατεργασία δειγμάτων===

Πριν την οποιαδήποτε ανάλυση προηγήθηκε προκατεργασία των δειγμάτων η οποία περιλάμβανε αεροξήρανση των δειγμάτων για διάρκεια τριών ημερών σε θερμοκρασία δωματίου και έπειτα κοσκίνισμα 2 mm.

===Χημική ανάλυση===

Για τη χημική ανάλυση των δειγμάτων ως προς τον προσδιορισμό των συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος), χρησιμοποιήθηκαν 0.5 g εδάφους από το κάθε δείγμα για πέψη με μίγμα HNO3 – HClO4 στους 200 οC για τρεις ώρες και στη συνέχεια με επιπλέον προσθήκη HNO3 για μια ώρα στους 70 οC. Έπειτα το κάθε δείγμα υπέστη φυγοκέντριση στις 3500 rpm για 10 λεπτά. Οι συγκεντρώσεις των τοξικών μετάλλων μετρήθηκαν με τη χρήση φασματοφωτομετρίας ατομικής εκπομπής πλάσματος με επαγωγική συσχέτιση (Inductively-Coupled Plasma-Atomic Emission Spectrometry, ICP-AES)[https://en.wikipedia.org/wiki/Inductively_coupled_plasma_atomic_emission_spectroscopy ICP-AES].

===Περιβαλλοντικοί παράμετροι===

Για τον προσδιορισμό της κατανομής των υπό εξέταση τοξικών μετάλλων στο έδαφος χρησιμοποιήθηκαν διάφοροι περιβαλλοντικοί παράμετροι, μεταξύ των οποίων γεωλογικά και εδαφολογικά δεδομένα (π.χ. τύπος εδάφους κ.α.), γεωμορφολογικά δεδομένα (π.χ. υψόμετρο, κλίση, προσανατολισμός κ.α.) και ανθρωπογενή δεδομένα (π.χ. εγγύτητα στους δρόμους, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.) (βλ. Εικόνα 2 και Εικόνα 3). Η ψηφιοποίηση των περιβαλλοντικών παραμέτρων σε επίπεδα (layers), πραγματοποιήθηκε με τη χρήση δευτερογενών βοηθητικών δεδομένων όπως το DEM (Digital Elevation Model – ψηφιακό μοντέλο εδάφους), το οποίο δημιουργήθηκε με επεξεργασία μέσω της τεχνολογίας LiDAR (Light Detection and Ranging)[https://en.wikipedia.org/wiki/Lidar LIDAR].

===Εικόνες ψηφιακής τηλεπισκόπησης και φασματικοί δείκτες===

Στην παρούσα μελέτη χρησιμοποιήθηκαν ατμοσφαιρικά διορθωμένες δορυφορικές εικόνες του δέκτη LDCM (Landsat Data Continuity Mission)[https://landsat.gsfc.nasa.gov/ldcm-operational-land-imager-oli-telescope/ LDCM] του δορυφόρου Landsat 8 οι οποίες σκοπό είχαν να δημιουργήσουν μια χρονοσειρά ενός έτους, αλλά εξαιτίας ορισμένων θεμάτων που σχετίζονταν με νεφοκάλυψη χρησιμοποιήθηκαν μόνο εννέα από αυτές (Ιανουαρίου, Φεβρουαρίου, Απριλίου, Μαΐου, Ιουνίου, Ιουλίου, Αυγούστου, Σεπτεμβρίου και Οκτωβρίου) για το έτος 2015.
Επιπλέον, για τη βελτιστοποίηση της δυνατότητας πρόβλεψης των τοξικών μετάλλων στα υπό εξέταση εδάφη υπολογίστηκαν οι εξής φασματικοί δείκτες:
* Tasseled cap transformation [http://desktop.arcgis.com/en/arcmap/10.3/manage-data/raster-and-images/tasseled-cap-transformation.htm tasseled cap function]
Brightness – ταξινόμηση αστικών περιοχών
Greenness – επίπεδα βλάστησης
Wetness – επίπεδα υγρασίας στο έδαφος
* BCI – Biophysical Composition Index – αφθονία βλάστησης
* EVI – Enhanced Vegetation Index[https://en.wikipedia.org/wiki/Enhanced_vegetation_index EVI]
* LSWI – Land Surface Water Index
* NDVI – Normalized Difference Vegetation Index[https://en.wikipedia.org/wiki/Normalized_difference_vegetation_index NDVI]
* SATVI – Soil-Adjusted Total Vegetation Index[https://wiki.landscapetoolbox.org/doku.php/remote_sensing_methods:soil-adjusted_total_vegetation_index SATVI]
* SAVI – Soil-Adjusted Vegetation Index[https://wiki.landscapetoolbox.org/doku.php/remote_sensing_methods:soil-adjusted_vegetation_index SAVI]
* TVI – Transformed Vegetation Index[https://www.indexdatabase.de/db/i-single.php?id=98 TVI]
* WDVI – Weighted Difference Vegetation Index[https://www.indexdatabase.de/db/i-single.php?id=104 WDVI]
Οι εξισώσεις με βάση τις οποίες πραγματοποιήθηκε ο υπολογισμός των παραπάνω δεικτών παρουσιάζονται στην Εικόνα 4.

===Χωρική μοντελοποίηση===

Από το σύνολο των δεδομένων που συλλέχθηκαν πραγματοποιήθηκε τυχαία κατανομή και ένα 75 % χρησιμοποιήθηκε για τη βαθμονόμηση και το υπόλοιπο 25 % για τον έλεγχο του μοντέλου (βλ. Εικόνα 6). Εν τέλει, χρησιμοποιώντας το εργαλείο Cubist που προαναφέρθηκε και στην Εισαγωγή, αναπτύχθηκε ένα μοντέλο πρόβλεψης για κάθε υπό εξέταση τοξικό μέταλλο.
Για τη βαθμονόμηση, το εργαλείο Cubist δημιούργησε πλήθος γραμμικών εξισώσεων για κάθε υπό εξέταση μέταλλο βασισμένο σε διαφορετικούς κανόνες. Οι συνθήκες του αρχικού κανόνα κάθε φορά βασίστηκαν σε συνδυασμό κάποιων εκ των δεδομένων. Για παράδειγμα στο χρώμιο και στο νικέλιο το 60 % των εκτελέσεων του μοντέλου επέλεξε σαν συνθήκες του αρχικού κανόνα τα δεδομένα: τύπος εδάφους και γεωλογικός χάρτης. Παράδειγμα κανόνα για το νικέλιο παρουσιάζεται στην Εικόνα 7.
Τα μοντέλα πρόβλεψης/προσομοίωσης/προσδιορισμού εκτιμήθηκαν με βάση της εξής παραμέτρους: R2 (coefficient of determination)[https://en.wikipedia.org/wiki/Coefficient_of_determination coefficient of determination], RMSE (root mean square error)[https://en.wikipedia.org/wiki/Root-mean-square_deviation RMSD], RPD (ratio of performance to deviation) και RPIQ (ratio of performance to interquartile distance)[https://en.wikipedia.org/wiki/Interquartile_range IQR].

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων===

Με βάση τα αποτελέσματα των χημικών αναλύσεων παράχθηκαν τα αντίστοιχα διαγράμματα (histogram, box-plot) για το κάθε υπό εξέταση μέταλλο. Τα διαγράμματα (βλ. Εικόνα 5) έδειξαν πως η κατανομή των μετάλλων είχε θετική καμπυλότητα σε όλες τις περιπτώσεις, ενώ συγχρόνως παρατηρήθηκε ένα ευρύ φάσμα μεταβλητότητας σε όλα τα τοξικά μέταλλα και κυρίως στα ψευδάργυρο, χρώμιο και νικέλιο.
Η προαναφερθείσα μεταβλητότητα της περιεκτικότητας των υπό εξέταση εδαφών σε τοξικά μέταλλα αποδίδεται στη διαφορετική ένταση ανά περιοχή των φαινομένων της γεωργίας, της αστικοποίησης και της βιομηχανοποίησης και επηρεάζει τη σχέση μεταξύ περιβαλλοντικών παραμέτρων και ρύπανσης.
Επιπλέον, ορισμένα εδαφικά δείγματα συγκεκριμένων περιοχών που αναλύθηκαν έδωσαν ιδιαίτερα υψηλές συγκεντρώσεις για διάφορα μέταλλα (βλ. Εικόνα 1), πράγμα που αποδόθηκε στο γεγονός ότι μάλλον οι συγκεκριμένες περιοχές αποτελούν κέντρα ρύπανσης και είναι πολύ επιβαρυμένες (hotspots) με τοξικά μέταλλα σε σχέση με τις υπόλοιπες περιοχές μελέτης. Εν τέλει, οι τιμές αυτές απορρίφθηκαν και δε χρησιμοποιήθηκαν στη χωρική μοντελοποίηση καθώς θα επηρέαζαν αρνητικά την ικανότητα πρόβλεψης/προσδιορισμού του μοντέλου. Έτσι μετά από την απόρριψη των τιμών αυτών, χρησιμοποιήθηκαν τελικά για τη μοντελοποίηση (βαθμονόμηση και έλεγχος) 299 δείγματα για το ψευδάργυρο και το μόλυβδο, 298 δείγματα για το χαλκό, 297 δείγματα για το χρώμιο και το νικέλιο και 300 δείγματα για το αρσενικό (βλ. Εικόνα 6).

===Χωρική μοντελοποίηση===

Τα αποτελέσματα της χωρικής πρόβλεψης των υπό εξέταση τοξικών μετάλλων παρουσιάζονται στην Εικόνα 8. Σε γενικές γραμμές, όλα τα μοντέλα βαθμονόμησης έδωσαν καλά αποτελέσματα όσον αφορά τις ικανότητες πρόβλεψης/προσδιορισμού των υπό εξέταση μετάλλων. Ο χαλκός είχε τις υψηλότερες τιμές R2 και RPD, ακολουθούμενος από το αρσενικό, το μόλυβδο, το χρώμιο, τον ψευδάργυρο και το νικέλιο. Παρόλ’ αυτά, εξαιτίας κάποιων παραγόντων οι τιμές RPIQ απέδωσαν μεγαλύτερη ακρίβεια προσδιορισμού σε σχέση με τις τιμές RPD.

===Σημασία μεταβλητότητας των παραγόμενων μοντέλων Cubist για την πρόβλεψη των υπό εξέταση μετάλλων===

Οι εκτελέσεις των μοντέλων μέσω του εργαλείου Cubist δε χρησιμοποίησαν όλες τις μεταβλητές για τη βαθμονόμηση. Όπως φαίνεται και στην Εικόνα 9, η οποία πρακτικά δείχνει τη χρήση της κάθε μεταβλητής/δεδομένου για κάθε υπό εξέταση μέταλλο, το σύνολο των εκτελέσεων των μοντέλων για όλα τα μέταλλα χρησιμοποίησε τηλεπισκοπικά δεδομένα (κανάλια, δείκτες κ.α.) μόνο για τους μήνες Ιανουάριο και Φεβρουάριο, σε συνδυασμό με διάφορα άλλα δεδομένα όπως κλίση, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α. Επιπλέον, με εξαίρεση τα τηλεπισκοπικά δεδομένα, οι αμέσως επόμενες πιο σημαντικές μεταβλητές (υψηλά ποσοστά), όπως επιλέχθηκαν από τα μοντέλα ήταν η δορυφορική εικόνα νυχτερινού φωτισμού της περιοχής και η εγγύτητα στους δρόμους.
Με βάση την Εικόνα 9:
* Τα μέταλλα χρώμιο και νικέλιο επηρεάζονταν ιδιαίτερα από γεωλογικούς και εδαφολογικούς παράγοντες
* Τα μέταλλα ψευδάργυρος, μόλυβδος και χαλκός επηρεάζονταν ιδιαίτερα από τοπολογικούς-ανθρωπογενείς παραμέτρους, όπως η εγγύτητα στους δρόμους, η απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.
Από τα παραπάνω προκύπτει πως οι συγκεντρώσεις των μετάλλων χρώμιο και νικέλιο επηρεάζονται κυρίως από περιβαλλοντικούς παράγοντες ενώ οι συγκεντρώσεις των μετάλλων ψευδάργυρος, μόλυβδος και χαλκός κυρίως από ανθρώπινες δραστηριότητες.

===Φασματικοί/τηλεσκοπικοί δείκτες===

Από τους τηλεπισκοπικούς δείκτες που υπολογίσθηκαν, αυτοί που χρησιμοποιήθηκαν περισσότερο ήταν ο tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index (η δημιουργία του οποίου βασίζεται στον πρώτο). Συγκεκριμένα, ο tasseled cap transformation ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα αρσενικό, ψευδάργυρο, μόλυβδο και χαλκό, ενώ ο BCI ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα χρώμιο, νικέλιο, ψευδάργυρο και μόλυβδο. Αυτό φαίνεται να οφείλεται στο γεγονός ότι αυτοί οι δύο δείκτες είναι οι μόνοι οι οποίοι μπορούν να προσδώσουν πληροφορίες τόσο για την ταξινόμηση των αστικών περιοχών (οι οποίες θεωρούνται αδιαπέραστες επιφάνειες) όσο και για τα επίπεδα και την αφθονία βλάστησης αλλά και τα επίπεδα υγρασίας των εδαφών στην υπό μελέτη περιοχή.
Από την άλλη οι δείκτες NDVI, EVI, SAVI ήταν στις δέκα κορυφαίες μεταβλητές μόνο για το μοντέλο του αρσενικού, πράγμα το οποίο αποδίδεται στο γεγονός ότι οι κύριες πηγές εδαφικής ρύπανσης με αρσενικό είναι τα γεωργικά φάρμακα και τα λιπάσματα που χρησιμοποιούνται στη γεωργία. Συγκεκριμένα, ανεξέλεγκτη χρήση γεωργικών φαρμάκων και λιπασμάτων παράγουν πιο «πράσινη» βιομάζα ενώ συγχρόνως αυξάνουν τις συγκεντρώσεις αρσενικού στα εδάφη. Πράγματι, ο συντελεστής συσχέτισης Pearson μεταξύ αρσενικού και των τριών δεικτών ήταν πάνω από 0.3, πράγμα που υποδεικνύει θετική σχέση μεταξύ της εδαφικής ρύπανσης με αρσενικό και του επιπέδου πράσινης βιομάζας στις αγροτικές περιοχές του Κατάρ.

===Προβλεπόμενοι χάρτες των υπό εξέταση μετάλλων===

Οι τελικοί χάρτες που προέκυψαν από τις εκτελέσεις των μοντέλων για τα υπό εξέταση μέταλλα παρουσιάζονται στην Εικόνα 10. Όλοι οι χάρτες εμφάνισαν παρόμοια χωρική κατανομή των μετάλλων και ξεκάθαρα υποδεικνύουν υψηλή συσσώρευση αυτών στο βόρειο τμήμα του Κατάρ. Αυτό αποδίδεται σε ανθρωπογενείς δραστηριότητες και γεωλογικές κυρίως παραμέτρους. Στο βόρειο τμήμα του Κατάρ υπάγονται το μεγαλύτερο μέρος της βιομηχανίας και της γεωργίας της χώρας ενώ συγχρόνως η γεωλογία της συγκεκριμένης περιοχής επηρεάζει θετικά την απορρόφηση και τη συσσώρευση των μετάλλων αυτών στο έδαφος.
Επιπρόσθετα, οι χάρτες πρόβλεψης για τα μέταλλα ψευδάργυρο, μόλυβδο και χαλκό υποδεικνύουν υψηλή συσσώρευση στο ανατολικό κομμάτι του Κατάρ, όπου βρίσκεται η πόλη Ντόχα. Αυτό αποδίδεται στη ραγδαία αστικοποίηση που εμφάνισε η πόλη τα τελευταία χρόνια. Πιθανώς, οφείλεται στην κατάθεση σωματιδίων μετάλλων από τον υπέρογκο πληθυσμό μηχανοκίνητων οχημάτων της περιοχής.

==Συμπεράσματα==

* Η χρήση πολυφασματικών δεδομένων (εικόνες Landsat 8, τηλεπισκοπικοί δείκτες) σε συνδυασμό με περιβαλλοντικές παραμέτρους (γεωλογικής, εδαφολογικής, γεωμορφολογικής, ανθρωπογενής φύσεως) διαμέσου της μοντελοποίησης που προσφέρει το Cubist έδωσαν ιδιαίτερα ικανοποιητικά αποτελέσματα πρόβλεψης εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων.
* Τα τηλεπισκοπικά δεδομένα Ιανουαρίου και Φεβρουαρίου, ήταν αυτά που επιλέχθηκαν και χρησιμοποιήθηκαν περισσότερο από τα μοντέλα, εξαιτίας της εποχιακής μεταβλητότητας του κλίματος του Κατάρ.
* Το θέμα με τη νεφοκάλυψη στις τηλεπισκοπικές απεικονίσεις ήταν ο κυριότερος περιορισμός της έρευνας, καθώς οι τηλεπισκοπικές απεικονίσεις με έντονο το φαινόμενο της νεφοκάλυψης απορρίφθηκαν. Μεταξύ αυτών ήταν και η απεικόνιση του Κατάρ για το μήνα Μάρτιο που όπως ερευνήθηκε ήταν η μεταβλητή που θα συνέβαλε περισσότερο στη βαθμονόμηση των μοντέλων.
* Οι δείκτες που χρησιμοποιήθηκαν σε μεγαλύτερο ποσοστό από τα μοντέλα ήταν οι tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων χαλκός, ψευδάργυρος και μόλυβδος επηρεάζονταν κυρίως από ανθρωπογενείς παραμέτρους.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων αρσενικό, χρώμιο και νικέλιο επηρεάζονταν κυρίως από γεωλογικούς και εδαφολογικούς παραμέτρους.
* Χρήση περισσότερων μεταβλητών/δεδομένων μπορεί να αυξήσει την ακρίβεια πρόβλεψης των μοντέλων.
* Η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.
* Για την εξακρίβωση της ποιότητας των αποτελεσμάτων απαιτούνται παρόμοιες έρευνες με τηλεπισκοπικά δεδομένα μεγαλύτερης ανάλυσης, ακρίβειας και χρονικής κάλυψης (π.χ. Sentinel 2).

[[category:Υποβάθμιση εδαφών]]

Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων

2019-01-23T12:03:21Z

Christos mamaloudis:

[[Εικόνα: wiki4_cm1.png|thumb|right|Εικόνα 1: Σημεία δειγματοληψίας της περιοχής μελέτης και περιοχές με πολύ υψηλές τιμές διαφορετικών τοξικών μετάλλων στα εδάφη του Κατάρ]]
[[Εικόνα: wiki4_cm2.png|thumb|right|Εικόνα 2: Βοηθητικοί ψηφιδωτοί (raster) χάρτες που χρησιμοποιήθηκαν ως μέσο πρόβλεψης για την κατανομή των υπό εξέταση μετάλλων στο έδαφος]]
[[Εικόνα: wiki4_cm3.png|thumb|right|Εικόνα 3: Περιβαλλοντικές μεταβλητές που χρησιμοποιήθηκαν]]
[[Εικόνα: wiki4_cm4.png|thumb|right|Εικόνα 4: Περιγραφή των καναλιών Landsat 8 αλλά και των φασματικών δεικτών που χρησιμοποιήθηκαν για τον προσδιορισμό των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm5.png|thumb|right|Εικόνα 5: Διαγράμματα των εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm6.png|thumb|right|Εικόνα 6: Συγκεντρώσεις των υπό εξέταση μετάλλων που χρησιμοποιήθηκαν (α) στη βαθμονόμηση – 75% και (β) στον έλεγχο του μοντέλου – 25%]]
[[Εικόνα: wiki4_cm7.png|thumb|right|Εικόνα 7: Παράδειγμα του κανόνα που χρησιμοποιήθηκε στο μοντέλο για τις προβλέψεις νικελίου]]
[[Εικόνα: wiki4_cm8.png|thumb|right|Εικόνα 8: Αποτελέσματα ελέγχου μοντελοποίησης για τα υπό εξέταση μέταλλα]]
[[Εικόνα: wiki4_cm9.png|thumb|right|Εικόνα 9: Τα 10 κορυφαία δεδομένα (παράγοντες πρόβλεψης) που χρησιμοποιήθηκαν από το Cubist για τη βαθμονόμηση των μοντέλων και η ποσοστιαία χρήση του καθενός ανά υπό εξέταση μέταλλο]]
[[Εικόνα: wiki4_cm10.png|thumb|right|Εικόνα 10: Χάρτες ανάλυσης 30 m εδαφικών (0-30 cm) συγκεντρώσεων για τα μέταλλα χρώμιο, αρσενικό, νικέλιο, ψευδάργυρος, μόλυβδος και χαλκός της περιοχής μελέτης (Κατάρ)]]

'''Πρότυπος τίτλος: ''Digital Mapping of Toxic Metals in Qatari Soils Using Remote Sensing and Ancillary Data'''''

'''Συγγραφείς: Yi Peng, Rania Bou Kheir, Kabindra Adhikari, Radosław Malinowski, Mette B. Greve, Maria Knadel and Mogens H. Greve'''

'''Link: https://www.mdpi.com/2072-4292/8/12/1003/htm'''

==Εισαγωγή==

Ανά τον κόσμο, διάφορες δραστηριότητες αλλά και φαινόμενα μαζικής βιομηχανοποίησης και αστικοποίησης αποτελούν πηγές ρύπανσης των εδαφών με τοξικά βαρέα μέταλλα. Σε αντίστοιχες βιομηχανικές και αστικές περιοχές, η ανθρώπινη έκθεση σε υψηλές ποσότητες τέτοιων τοξικών μετάλλων και κυρίως τα αρσενικό (As), χρώμιο (Cr), νικέλιο (Ni), χαλκός (Cu), μόλυβδος (Pb) και ψευδάργυρος (Zn), αποτελεί σημαντικό πρόβλημα καθώς μπορεί να προκαλέσει σοβαρές επιπτώσεις στην ανθρώπινη υγεία, ενώ συγχρόνως να προκαλέσει υποβάθμιση του φυσικού περιβάλλοντος.
Στο Κατάρ, όπου και πραγματοποιήθηκε η παρούσα έρευνα, το πρόβλημα είναι ιδιαίτερα έντονο, καθώς τα τελευταία χρόνια σημείωσε άνοδο πληθυσμού περίπου 200% και επιπλέον, έχοντας τις υψηλότερες κατά κεφαλήν εκπομπές διοξειδίου του άνθρακα στον κόσμο, το 2014 κηρύχθηκε από τον Παγκόσμιο Οργανισμό Υγείας ως η δεύτερη ατμοσφαιρικά πιο ρυπασμένη πόλη του κόσμου.
Μέχρι στιγμής, η πρόβλεψη και ο προσδιορισμός συσσώρευσης τοξικών μετάλλων στα εδάφη γινόταν χρησιμοποιώντας μια ποικιλία γεωστατιστικών μεθόδων σε συνδυασμό με διάφορα περιβαλλοντικά δεδομένα (που προκύπτουν από αναλύσεις) σε διάφορες κλίμακες. Το πρόβλημα που προκύπτει όμως από τη χρήση αυτών των μεθόδων είναι ότι είναι ιδιαίτερα περίπλοκες και χρονοβόρες, ειδικά αν λάβει κανείς υπόψη το χρόνο που απαιτείται για τις διάφορες εργαστηριακές αναλύσεις προκειμένου να ληφθούν τα διάφορα περιβαλλοντικά δεδομένα που απαιτούνται.
Σε αντίθεση με τις παραδοσιακές τεχνικές, για τη μοντελοποίηση του εδάφους αλλά και των περιβαλλοντικών ιδιοτήτων και διαδικασιών, πρόσφατες μελέτες άρχισαν να υιοθετούν τη χρήση διάφορων εργαλείων εξόρυξης δεδομένων όπως είναι το Cubist [https://www.rulequest.com/cubist-info.html data mining with Cubist], το οποίο φέρει πολλά πλεονεκτήματα, ένα εκ των οποίων είναι ότι μπορεί να ποσοτικοποιεί γραμμικές αλλά και μη γραμμικές σχέσεις μεταξύ των μεταβλητών, ενώ επιπλέον, μπορεί και ποσοτικοποιεί τη σημασία των περιβαλλοντικών μεταβλητών που χρησιμοποιούνται στην πρόβλεψη τοξικών μετάλλων στο έδαφος.
Τα τελευταία δέκα χρόνια, με την ανάπτυξη της τηλεπισκόπησης, οι τεχνικές της για τη χαρτογράφηση τοξικών μετάλλων στο έδαφος άρχισαν να βρίσκουν εφαρμογή και μάλιστα ήδη θεωρούνται αρκετά αποτελεσματικές και ακριβείς για την ανίχνευση εδαφικής ρύπανσης από τοξικά μέταλλα, παρότι τα τοξικά μέταλλα στο έδαφος υφίστανται σε πολύ μικρές έως και μέτριες συγκεντρώσεις και μεμονωμένα ως μέταλλα δε διαθέτουν κάποια συγκεκριμένα φασματικά χαρακτηριστικά. Οι τεχνικές ψηφιακής τηλεπισκόπησης εκμεταλλεύονται το γεγονός πως τα τοξικά μέταλλα αλλάζουν τη χημική σύνθεση και την επιφανειακή δραστηριότητά των ορυκτών του εδάφους στα οποία μπορεί να είναι δεσμευμένα, με αποτέλεσμα να αλλάζουν την φασματική ανακλαστική πληροφορία τους. Η αξιοποίηση αυτού του ενδιάμεσου μηχανισμού επιτρέπει την εξαγωγή των σχέσεων μεταξύ φασματικών πληροφοριών και τοξικών μετάλλων στο έδαφος.

==Σκοπός της εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χρήση (α) εικόνων χρονοσειράς από έναν δέκτη Landsat 8 (οι οποίες κάλυπταν εννέα μήνες κατά τη διάρκεια του έτους 2014), (β) επιλεγμένων φασματικών δεικτών (οι οποίοι παράχθηκαν χρησιμοποιώντας τις εικόνες χρονοσειράς Landsat 8) και (γ) περιβαλλοντικών μεταβλητών, για τη χαρτογράφηση της χωρικής κατανομής έξι επιλεγμένων τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος) στην περιοχή μελέτης που ήταν το Κατάρ. Απώτερος σκοπός της παρούσας έρευνας ήταν η διευκόλυνση της χαρτογράφησης της εδαφικής συσσώρευσης των παραπάνω μετάλλων αλλά και η παραδοχή ότι η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης (Κατάρ), παρουσιάζεται στην Εικόνα 1.

===Δειγματοληψία εδάφους===

Συνολικά συλλέχθηκαν 300 δείγματα εδάφους σε βάθος 0-30 cm από πολλά σημεία, με στόχο να καλυφθούν όλα τα περιβαλλοντικά και ανθρωπογενή ενδιαιτήματα του Κατάρ. Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System) με ακρίβεια 5 m. Τα σημεία δειγματοληψίας παρουσιάζονται στην Εικόνα 1.

===Προκατεργασία δειγμάτων===

Πριν την οποιαδήποτε ανάλυση προηγήθηκε προκατεργασία των δειγμάτων η οποία περιλάμβανε αεροξήρανση των δειγμάτων για διάρκεια τριών ημερών σε θερμοκρασία δωματίου και έπειτα κοσκίνισμα 2 mm.

===Χημική ανάλυση===

Για τη χημική ανάλυση των δειγμάτων ως προς τον προσδιορισμό των συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος), χρησιμοποιήθηκαν 0.5 g εδάφους από το κάθε δείγμα για πέψη με μίγμα HNO3 – HClO4 στους 200 οC για τρεις ώρες και στη συνέχεια με επιπλέον προσθήκη HNO3 για μια ώρα στους 70 οC. Έπειτα το κάθε δείγμα υπέστη φυγοκέντριση στις 3500 rpm για 10 λεπτά. Οι συγκεντρώσεις των τοξικών μετάλλων μετρήθηκαν με τη χρήση φασματοφωτομετρίας ατομικής εκπομπής πλάσματος με επαγωγική συσχέτιση (Inductively-Coupled Plasma-Atomic Emission Spectrometry, ICP-AES) [https://en.wikipedia.org/wiki/Inductively_coupled_plasma_atomic_emission_spectroscopy ICP-AES].

===Περιβαλλοντικοί παράμετροι===

Για τον προσδιορισμό της κατανομής των υπό εξέταση τοξικών μετάλλων στο έδαφος χρησιμοποιήθηκαν διάφοροι περιβαλλοντικοί παράμετροι, μεταξύ των οποίων γεωλογικά και εδαφολογικά δεδομένα (π.χ. τύπος εδάφους κ.α.), γεωμορφολογικά δεδομένα (π.χ. υψόμετρο, κλίση, προσανατολισμός κ.α.) και ανθρωπογενή δεδομένα (π.χ. εγγύτητα στους δρόμους, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.) (βλ. Εικόνα 2 και Εικόνα 3). Η ψηφιοποίηση των περιβαλλοντικών παραμέτρων σε επίπεδα (layers), πραγματοποιήθηκε με τη χρήση δευτερογενών βοηθητικών δεδομένων όπως το DEM (Digital Elevation Model – ψηφιακό μοντέλο εδάφους), το οποίο δημιουργήθηκε με επεξεργασία μέσω της τεχνολογίας LiDAR (Light Detection and Ranging).

===Εικόνες ψηφιακής τηλεπισκόπησης και φασματικοί δείκτες===

Στην παρούσα μελέτη χρησιμοποιήθηκαν ατμοσφαιρικά διορθωμένες δορυφορικές εικόνες του δέκτη LDCM (Landsat Data Continuity Mission) του δορυφόρου Landsat 8 οι οποίες σκοπό είχαν να δημιουργήσουν μια χρονοσειρά ενός έτους, αλλά εξαιτίας ορισμένων θεμάτων που σχετίζονταν με νεφοκάλυψη χρησιμοποιήθηκαν μόνο εννέα από αυτές (Ιανουαρίου, Φεβρουαρίου, Απριλίου, Μαΐου, Ιουνίου, Ιουλίου, Αυγούστου, Σεπτεμβρίου και Οκτωβρίου) για το έτος 2015.
Επιπλέον, για τη βελτιστοποίηση της δυνατότητας πρόβλεψης των τοξικών μετάλλων στα υπό εξέταση εδάφη υπολογίστηκαν οι εξής φασματικοί δείκτες:
* Tasseled cap transformation [http://desktop.arcgis.com/en/arcmap/10.3/manage-data/raster-and-images/tasseled-cap-transformation.htm tasseled cap function]
Brightness – ταξινόμηση αστικών περιοχών
Greenness – επίπεδα βλάστησης
Wetness – επίπεδα υγρασίας στο έδαφος
* BCI – Biophysical Composition Index – αφθονία βλάστησης
* EVI – Enhanced Vegetation Index
* LSWI – Land Surface Water Index
* NDVI – Normalized Difference Vegetation Index
* SATVI – Soil-Adjusted Total Vegetation Index
* SAVI – Soil-Adjusted Vegetation Index
* TVI – Transformed Vegetation Index
* WDVI – Weighted Difference Vegetation Index
Οι εξισώσεις με βάση τις οποίες πραγματοποιήθηκε ο υπολογισμός των παραπάνω δεικτών παρουσιάζονται στην Εικόνα 4.

===Χωρική μοντελοποίηση===

Από το σύνολο των δεδομένων που συλλέχθηκαν πραγματοποιήθηκε τυχαία κατανομή και ένα 75 % χρησιμοποιήθηκε για τη βαθμονόμηση και το υπόλοιπο 25 % για τον έλεγχο του μοντέλου (βλ. Εικόνα 6). Εν τέλει, χρησιμοποιώντας το εργαλείο Cubist που προαναφέρθηκε και στην Εισαγωγή, αναπτύχθηκε ένα μοντέλο πρόβλεψης για κάθε υπό εξέταση τοξικό μέταλλο.
Για τη βαθμονόμηση, το εργαλείο Cubist δημιούργησε πλήθος γραμμικών εξισώσεων για κάθε υπό εξέταση μέταλλο βασισμένο σε διαφορετικούς κανόνες. Οι συνθήκες του αρχικού κανόνα κάθε φορά βασίστηκαν σε συνδυασμό κάποιων εκ των δεδομένων. Για παράδειγμα στο χρώμιο και στο νικέλιο το 60 % των εκτελέσεων του μοντέλου επέλεξε σαν συνθήκες του αρχικού κανόνα τα δεδομένα: τύπος εδάφους και γεωλογικός χάρτης. Παράδειγμα κανόνα για το νικέλιο παρουσιάζεται στην Εικόνα 7.
Τα μοντέλα πρόβλεψης/προσομοίωσης/προσδιορισμού εκτιμήθηκαν με βάση της εξής παραμέτρους: R2 (coefficient of determination), RMSE (root mean square error), RPD (ratio of performance to deviation) και RPIQ (ratio of performance to interquartile distance).

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων===

Με βάση τα αποτελέσματα των χημικών αναλύσεων παράχθηκαν τα αντίστοιχα διαγράμματα (histogram, box-plot) για το κάθε υπό εξέταση μέταλλο. Τα διαγράμματα (βλ. Εικόνα 5) έδειξαν πως η κατανομή των μετάλλων είχε θετική καμπυλότητα σε όλες τις περιπτώσεις, ενώ συγχρόνως παρατηρήθηκε ένα ευρύ φάσμα μεταβλητότητας σε όλα τα τοξικά μέταλλα και κυρίως στα ψευδάργυρο, χρώμιο και νικέλιο.
Η προαναφερθείσα μεταβλητότητα της περιεκτικότητας των υπό εξέταση εδαφών σε τοξικά μέταλλα αποδίδεται στη διαφορετική ένταση ανά περιοχή των φαινομένων της γεωργίας, της αστικοποίησης και της βιομηχανοποίησης και επηρεάζει τη σχέση μεταξύ περιβαλλοντικών παραμέτρων και ρύπανσης.
Επιπλέον, ορισμένα εδαφικά δείγματα συγκεκριμένων περιοχών που αναλύθηκαν έδωσαν ιδιαίτερα υψηλές συγκεντρώσεις για διάφορα μέταλλα (βλ. Εικόνα 1), πράγμα που αποδόθηκε στο γεγονός ότι μάλλον οι συγκεκριμένες περιοχές αποτελούν κέντρα ρύπανσης και είναι πολύ επιβαρυμένες (hotspots) με τοξικά μέταλλα σε σχέση με τις υπόλοιπες περιοχές μελέτης. Εν τέλει, οι τιμές αυτές απορρίφθηκαν και δε χρησιμοποιήθηκαν στη χωρική μοντελοποίηση καθώς θα επηρέαζαν αρνητικά την ικανότητα πρόβλεψης/προσδιορισμού του μοντέλου. Έτσι μετά από την απόρριψη των τιμών αυτών, χρησιμοποιήθηκαν τελικά για τη μοντελοποίηση (βαθμονόμηση και έλεγχος) 299 δείγματα για το ψευδάργυρο και το μόλυβδο, 298 δείγματα για το χαλκό, 297 δείγματα για το χρώμιο και το νικέλιο και 300 δείγματα για το αρσενικό (βλ. Εικόνα 6).

===Χωρική μοντελοποίηση===

Τα αποτελέσματα της χωρικής πρόβλεψης των υπό εξέταση τοξικών μετάλλων παρουσιάζονται στην Εικόνα 8. Σε γενικές γραμμές, όλα τα μοντέλα βαθμονόμησης έδωσαν καλά αποτελέσματα όσον αφορά τις ικανότητες πρόβλεψης/προσδιορισμού των υπό εξέταση μετάλλων. Ο χαλκός είχε τις υψηλότερες τιμές R2 και RPD, ακολουθούμενος από το αρσενικό, το μόλυβδο, το χρώμιο, τον ψευδάργυρο και το νικέλιο. Παρόλ’ αυτά, εξαιτίας κάποιων παραγόντων οι τιμές RPIQ απέδωσαν μεγαλύτερη ακρίβεια προσδιορισμού σε σχέση με τις τιμές RPD.

===Σημασία μεταβλητότητας των παραγόμενων μοντέλων Cubist για την πρόβλεψη των υπό εξέταση μετάλλων===

Οι εκτελέσεις των μοντέλων μέσω του εργαλείου Cubist δε χρησιμοποίησαν όλες τις μεταβλητές για τη βαθμονόμηση. Όπως φαίνεται και στην Εικόνα 9, η οποία πρακτικά δείχνει τη χρήση της κάθε μεταβλητής/δεδομένου για κάθε υπό εξέταση μέταλλο, το σύνολο των εκτελέσεων των μοντέλων για όλα τα μέταλλα χρησιμοποίησε τηλεπισκοπικά δεδομένα (κανάλια, δείκτες κ.α.) μόνο για τους μήνες Ιανουάριο και Φεβρουάριο, σε συνδυασμό με διάφορα άλλα δεδομένα όπως κλίση, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α. Επιπλέον, με εξαίρεση τα τηλεπισκοπικά δεδομένα, οι αμέσως επόμενες πιο σημαντικές μεταβλητές (υψηλά ποσοστά), όπως επιλέχθηκαν από τα μοντέλα ήταν η δορυφορική εικόνα νυχτερινού φωτισμού της περιοχής και η εγγύτητα στους δρόμους.
Με βάση την Εικόνα 9:
* Τα μέταλλα χρώμιο και νικέλιο επηρεάζονταν ιδιαίτερα από γεωλογικούς και εδαφολογικούς παράγοντες
* Τα μέταλλα ψευδάργυρος, μόλυβδος και χαλκός επηρεάζονταν ιδιαίτερα από τοπολογικούς-ανθρωπογενείς παραμέτρους, όπως η εγγύτητα στους δρόμους, η απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.
Από τα παραπάνω προκύπτει πως οι συγκεντρώσεις των μετάλλων χρώμιο και νικέλιο επηρεάζονται κυρίως από περιβαλλοντικούς παράγοντες ενώ οι συγκεντρώσεις των μετάλλων ψευδάργυρος, μόλυβδος και χαλκός κυρίως από ανθρώπινες δραστηριότητες.

===Φασματικοί/τηλεσκοπικοί δείκτες===

Από τους τηλεπισκοπικούς δείκτες που υπολογίσθηκαν, αυτοί που χρησιμοποιήθηκαν περισσότερο ήταν ο tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index (η δημιουργία του οποίου βασίζεται στον πρώτο). Συγκεκριμένα, ο tasseled cap transformation ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα αρσενικό, ψευδάργυρο, μόλυβδο και χαλκό, ενώ ο BCI ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα χρώμιο, νικέλιο, ψευδάργυρο και μόλυβδο. Αυτό φαίνεται να οφείλεται στο γεγονός ότι αυτοί οι δύο δείκτες είναι οι μόνοι οι οποίοι μπορούν να προσδώσουν πληροφορίες τόσο για την ταξινόμηση των αστικών περιοχών (οι οποίες θεωρούνται αδιαπέραστες επιφάνειες) όσο και για τα επίπεδα και την αφθονία βλάστησης αλλά και τα επίπεδα υγρασίας των εδαφών στην υπό μελέτη περιοχή.
Από την άλλη οι δείκτες NDVI, EVI, SAVI ήταν στις δέκα κορυφαίες μεταβλητές μόνο για το μοντέλο του αρσενικού, πράγμα το οποίο αποδίδεται στο γεγονός ότι οι κύριες πηγές εδαφικής ρύπανσης με αρσενικό είναι τα γεωργικά φάρμακα και τα λιπάσματα που χρησιμοποιούνται στη γεωργία. Συγκεκριμένα, ανεξέλεγκτη χρήση γεωργικών φαρμάκων και λιπασμάτων παράγουν πιο «πράσινη» βιομάζα ενώ συγχρόνως αυξάνουν τις συγκεντρώσεις αρσενικού στα εδάφη. Πράγματι, ο συντελεστής συσχέτισης Pearson μεταξύ αρσενικού και των τριών δεικτών ήταν πάνω από 0.3, πράγμα που υποδεικνύει θετική σχέση μεταξύ της εδαφικής ρύπανσης με αρσενικό και του επιπέδου πράσινης βιομάζας στις αγροτικές περιοχές του Κατάρ.

===Προβλεπόμενοι χάρτες των υπό εξέταση μετάλλων===

Οι τελικοί χάρτες που προέκυψαν από τις εκτελέσεις των μοντέλων για τα υπό εξέταση μέταλλα παρουσιάζονται στην Εικόνα 10. Όλοι οι χάρτες εμφάνισαν παρόμοια χωρική κατανομή των μετάλλων και ξεκάθαρα υποδεικνύουν υψηλή συσσώρευση αυτών στο βόρειο τμήμα του Κατάρ. Αυτό αποδίδεται σε ανθρωπογενείς δραστηριότητες και γεωλογικές κυρίως παραμέτρους. Στο βόρειο τμήμα του Κατάρ υπάγονται το μεγαλύτερο μέρος της βιομηχανίας και της γεωργίας της χώρας ενώ συγχρόνως η γεωλογία της συγκεκριμένης περιοχής επηρεάζει θετικά την απορρόφηση και τη συσσώρευση των μετάλλων αυτών στο έδαφος.
Επιπρόσθετα, οι χάρτες πρόβλεψης για τα μέταλλα ψευδάργυρο, μόλυβδο και χαλκό υποδεικνύουν υψηλή συσσώρευση στο ανατολικό κομμάτι του Κατάρ, όπου βρίσκεται η πόλη Ντόχα. Αυτό αποδίδεται στη ραγδαία αστικοποίηση που εμφάνισε η πόλη τα τελευταία χρόνια. Πιθανώς, οφείλεται στην κατάθεση σωματιδίων μετάλλων από τον υπέρογκο πληθυσμό μηχανοκίνητων οχημάτων της περιοχής.

==Συμπεράσματα==

* Η χρήση πολυφασματικών δεδομένων (εικόνες Landsat 8, τηλεπισκοπικοί δείκτες) σε συνδυασμό με περιβαλλοντικές παραμέτρους (γεωλογικής, εδαφολογικής, γεωμορφολογικής, ανθρωπογενής φύσεως) διαμέσου της μοντελοποίησης που προσφέρει το Cubist έδωσαν ιδιαίτερα ικανοποιητικά αποτελέσματα πρόβλεψης εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων.
* Τα τηλεπισκοπικά δεδομένα Ιανουαρίου και Φεβρουαρίου, ήταν αυτά που επιλέχθηκαν και χρησιμοποιήθηκαν περισσότερο από τα μοντέλα, εξαιτίας της εποχιακής μεταβλητότητας του κλίματος του Κατάρ.
* Το θέμα με τη νεφοκάλυψη στις τηλεπισκοπικές απεικονίσεις ήταν ο κυριότερος περιορισμός της έρευνας, καθώς οι τηλεπισκοπικές απεικονίσεις με έντονο το φαινόμενο της νεφοκάλυψης απορρίφθηκαν. Μεταξύ αυτών ήταν και η απεικόνιση του Κατάρ για το μήνα Μάρτιο που όπως ερευνήθηκε ήταν η μεταβλητή που θα συνέβαλε περισσότερο στη βαθμονόμηση των μοντέλων.
* Οι δείκτες που χρησιμοποιήθηκαν σε μεγαλύτερο ποσοστό από τα μοντέλα ήταν οι tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων χαλκός, ψευδάργυρος και μόλυβδος επηρεάζονταν κυρίως από ανθρωπογενείς παραμέτρους.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων αρσενικό, χρώμιο και νικέλιο επηρεάζονταν κυρίως από γεωλογικούς και εδαφολογικούς παραμέτρους.
* Χρήση περισσότερων μεταβλητών/δεδομένων μπορεί να αυξήσει την ακρίβεια πρόβλεψης των μοντέλων.
* Η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.
* Για την εξακρίβωση της ποιότητας των αποτελεσμάτων απαιτούνται παρόμοιες έρευνες με τηλεπισκοπικά δεδομένα μεγαλύτερης ανάλυσης, ακρίβειας και χρονικής κάλυψης (π.χ. Sentinel 2).

[[category:Υποβάθμιση εδαφών]]

Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων

2019-01-23T11:58:56Z

Christos mamaloudis:

[[Εικόνα: wiki4_cm1.png|thumb|right|Εικόνα 1: Σημεία δειγματοληψίας της περιοχής μελέτης και περιοχές με πολύ υψηλές τιμές διαφορετικών τοξικών μετάλλων στα εδάφη του Κατάρ]]
[[Εικόνα: wiki4_cm2.png|thumb|right|Εικόνα 2: Βοηθητικοί ψηφιδωτοί (raster) χάρτες που χρησιμοποιήθηκαν ως μέσο πρόβλεψης για την κατανομή των υπό εξέταση μετάλλων στο έδαφος]]
[[Εικόνα: wiki4_cm3.png|thumb|right|Εικόνα 3: Περιβαλλοντικές μεταβλητές που χρησιμοποιήθηκαν]]
[[Εικόνα: wiki4_cm4.png|thumb|right|Εικόνα 4: Περιγραφή των καναλιών Landsat 8 αλλά και των φασματικών δεικτών που χρησιμοποιήθηκαν για τον προσδιορισμό των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm5.png|thumb|right|Εικόνα 5: Διαγράμματα των εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm6.png|thumb|right|Εικόνα 6: Συγκεντρώσεις των υπό εξέταση μετάλλων που χρησιμοποιήθηκαν (α) στη βαθμονόμηση – 75% και (β) στον έλεγχο του μοντέλου – 25%]]
[[Εικόνα: wiki4_cm7.png|thumb|right|Εικόνα 7: Παράδειγμα του κανόνα που χρησιμοποιήθηκε στο μοντέλο για τις προβλέψεις νικελίου]]
[[Εικόνα: wiki4_cm8.png|thumb|right|Εικόνα 8: Αποτελέσματα ελέγχου μοντελοποίησης για τα υπό εξέταση μέταλλα]]
[[Εικόνα: wiki4_cm9.png|thumb|right|Εικόνα 9: Τα 10 κορυφαία δεδομένα (παράγοντες πρόβλεψης) που χρησιμοποιήθηκαν από το Cubist για τη βαθμονόμηση των μοντέλων και η ποσοστιαία χρήση του καθενός ανά υπό εξέταση μέταλλο]]
[[Εικόνα: wiki4_cm10.png|thumb|right|Εικόνα 10: Χάρτες ανάλυσης 30 m εδαφικών (0-30 cm) συγκεντρώσεων για τα μέταλλα χρώμιο, αρσενικό, νικέλιο, ψευδάργυρος, μόλυβδος και χαλκός της περιοχής μελέτης (Κατάρ)]]

'''Πρότυπος τίτλος: ''Digital Mapping of Toxic Metals in Qatari Soils Using Remote Sensing and Ancillary Data'''''

'''Συγγραφείς: Yi Peng, Rania Bou Kheir, Kabindra Adhikari, Radosław Malinowski, Mette B. Greve, Maria Knadel and Mogens H. Greve'''

'''Link: https://www.mdpi.com/2072-4292/8/12/1003/htm'''

==Εισαγωγή==

Ανά τον κόσμο, διάφορες δραστηριότητες αλλά και φαινόμενα μαζικής βιομηχανοποίησης και αστικοποίησης αποτελούν πηγές ρύπανσης των εδαφών με τοξικά βαρέα μέταλλα. Σε αντίστοιχες βιομηχανικές και αστικές περιοχές, η ανθρώπινη έκθεση σε υψηλές ποσότητες τέτοιων τοξικών μετάλλων και κυρίως τα αρσενικό (As), χρώμιο (Cr), νικέλιο (Ni), χαλκός (Cu), μόλυβδος (Pb) και ψευδάργυρος (Zn), αποτελεί σημαντικό πρόβλημα καθώς μπορεί να προκαλέσει σοβαρές επιπτώσεις στην ανθρώπινη υγεία, ενώ συγχρόνως να προκαλέσει υποβάθμιση του φυσικού περιβάλλοντος.
Στο Κατάρ, όπου και πραγματοποιήθηκε η παρούσα έρευνα, το πρόβλημα είναι ιδιαίτερα έντονο, καθώς τα τελευταία χρόνια σημείωσε άνοδο πληθυσμού περίπου 200% και επιπλέον, έχοντας τις υψηλότερες κατά κεφαλήν εκπομπές διοξειδίου του άνθρακα στον κόσμο, το 2014 κηρύχθηκε από τον Παγκόσμιο Οργανισμό Υγείας ως η δεύτερη ατμοσφαιρικά πιο ρυπασμένη πόλη του κόσμου.
Μέχρι στιγμής, η πρόβλεψη και ο προσδιορισμός συσσώρευσης τοξικών μετάλλων στα εδάφη γινόταν χρησιμοποιώντας μια ποικιλία γεωστατιστικών μεθόδων σε συνδυασμό με διάφορα περιβαλλοντικά δεδομένα (που προκύπτουν από αναλύσεις) σε διάφορες κλίμακες. Το πρόβλημα που προκύπτει όμως από τη χρήση αυτών των μεθόδων είναι ότι είναι ιδιαίτερα περίπλοκες και χρονοβόρες, ειδικά αν λάβει κανείς υπόψη το χρόνο που απαιτείται για τις διάφορες εργαστηριακές αναλύσεις προκειμένου να ληφθούν τα διάφορα περιβαλλοντικά δεδομένα που απαιτούνται.
Σε αντίθεση με τις παραδοσιακές τεχνικές, για τη μοντελοποίηση του εδάφους αλλά και των περιβαλλοντικών ιδιοτήτων και διαδικασιών, πρόσφατες μελέτες άρχισαν να υιοθετούν τη χρήση διάφορων εργαλείων εξόρυξης δεδομένων όπως είναι το Cubist, το οποίο φέρει πολλά πλεονεκτήματα, ένα εκ των οποίων είναι ότι μπορεί να ποσοτικοποιεί γραμμικές αλλά και μη γραμμικές σχέσεις μεταξύ των μεταβλητών, ενώ επιπλέον, μπορεί και ποσοτικοποιεί τη σημασία των περιβαλλοντικών μεταβλητών που χρησιμοποιούνται στην πρόβλεψη τοξικών μετάλλων στο έδαφος.
Τα τελευταία δέκα χρόνια, με την ανάπτυξη της τηλεπισκόπησης, οι τεχνικές της για τη χαρτογράφηση τοξικών μετάλλων στο έδαφος άρχισαν να βρίσκουν εφαρμογή και μάλιστα ήδη θεωρούνται αρκετά αποτελεσματικές και ακριβείς για την ανίχνευση εδαφικής ρύπανσης από τοξικά μέταλλα, παρότι τα τοξικά μέταλλα στο έδαφος υφίστανται σε πολύ μικρές έως και μέτριες συγκεντρώσεις και μεμονωμένα ως μέταλλα δε διαθέτουν κάποια συγκεκριμένα φασματικά χαρακτηριστικά. Οι τεχνικές ψηφιακής τηλεπισκόπησης εκμεταλλεύονται το γεγονός πως τα τοξικά μέταλλα αλλάζουν τη χημική σύνθεση και την επιφανειακή δραστηριότητά των ορυκτών του εδάφους στα οποία μπορεί να είναι δεσμευμένα, με αποτέλεσμα να αλλάζουν την φασματική ανακλαστική πληροφορία τους. Η αξιοποίηση αυτού του ενδιάμεσου μηχανισμού επιτρέπει την εξαγωγή των σχέσεων μεταξύ φασματικών πληροφοριών και τοξικών μετάλλων στο έδαφος.

==Σκοπός της εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χρήση (α) εικόνων χρονοσειράς από έναν δέκτη Landsat 8 (οι οποίες κάλυπταν εννέα μήνες κατά τη διάρκεια του έτους 2014), (β) επιλεγμένων φασματικών δεικτών (οι οποίοι παράχθηκαν χρησιμοποιώντας τις εικόνες χρονοσειράς Landsat 8) και (γ) περιβαλλοντικών μεταβλητών, για τη χαρτογράφηση της χωρικής κατανομής έξι επιλεγμένων τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος) στην περιοχή μελέτης που ήταν το Κατάρ. Απώτερος σκοπός της παρούσας έρευνας ήταν η διευκόλυνση της χαρτογράφησης της εδαφικής συσσώρευσης των παραπάνω μετάλλων αλλά και η παραδοχή ότι η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης (Κατάρ), παρουσιάζεται στην Εικόνα 1.

===Δειγματοληψία εδάφους===

Συνολικά συλλέχθηκαν 300 δείγματα εδάφους σε βάθος 0-30 cm από πολλά σημεία, με στόχο να καλυφθούν όλα τα περιβαλλοντικά και ανθρωπογενή ενδιαιτήματα του Κατάρ. Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System) με ακρίβεια 5 m. Τα σημεία δειγματοληψίας παρουσιάζονται στην Εικόνα 1.

===Προκατεργασία δειγμάτων===

Πριν την οποιαδήποτε ανάλυση προηγήθηκε προκατεργασία των δειγμάτων η οποία περιλάμβανε αεροξήρανση των δειγμάτων για διάρκεια τριών ημερών σε θερμοκρασία δωματίου και έπειτα κοσκίνισμα 2 mm.

===Χημική ανάλυση===

Για τη χημική ανάλυση των δειγμάτων ως προς τον προσδιορισμό των συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος), χρησιμοποιήθηκαν 0.5 g εδάφους από το κάθε δείγμα για πέψη με μίγμα HNO3 – HClO4 στους 200 οC για τρεις ώρες και στη συνέχεια με επιπλέον προσθήκη HNO3 για μια ώρα στους 70 οC. Έπειτα το κάθε δείγμα υπέστη φυγοκέντριση στις 3500 rpm για 10 λεπτά. Οι συγκεντρώσεις των τοξικών μετάλλων μετρήθηκαν με τη χρήση φασματοφωτομετρίας ατομικής εκπομπής πλάσματος με επαγωγική συσχέτιση (Inductively-Coupled Plasma-Atomic Emission Spectrometry, ICP-AES).

===Περιβαλλοντικοί παράμετροι===

Για τον προσδιορισμό της κατανομής των υπό εξέταση τοξικών μετάλλων στο έδαφος χρησιμοποιήθηκαν διάφοροι περιβαλλοντικοί παράμετροι, μεταξύ των οποίων γεωλογικά και εδαφολογικά δεδομένα (π.χ. τύπος εδάφους κ.α.), γεωμορφολογικά δεδομένα (π.χ. υψόμετρο, κλίση, προσανατολισμός κ.α.) και ανθρωπογενή δεδομένα (π.χ. εγγύτητα στους δρόμους, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.) (βλ. Εικόνα 2 και Εικόνα 3). Η ψηφιοποίηση των περιβαλλοντικών παραμέτρων σε επίπεδα (layers), πραγματοποιήθηκε με τη χρήση δευτερογενών βοηθητικών δεδομένων όπως το DEM (Digital Elevation Model – ψηφιακό μοντέλο εδάφους), το οποίο δημιουργήθηκε με επεξεργασία μέσω της τεχνολογίας LiDAR (Light Detection and Ranging).

===Εικόνες ψηφιακής τηλεπισκόπησης και φασματικοί δείκτες===

Στην παρούσα μελέτη χρησιμοποιήθηκαν ατμοσφαιρικά διορθωμένες δορυφορικές εικόνες του δέκτη LDCM (Landsat Data Continuity Mission) του δορυφόρου Landsat 8 οι οποίες σκοπό είχαν να δημιουργήσουν μια χρονοσειρά ενός έτους, αλλά εξαιτίας ορισμένων θεμάτων που σχετίζονταν με νεφοκάλυψη χρησιμοποιήθηκαν μόνο εννέα από αυτές (Ιανουαρίου, Φεβρουαρίου, Απριλίου, Μαΐου, Ιουνίου, Ιουλίου, Αυγούστου, Σεπτεμβρίου και Οκτωβρίου) για το έτος 2015.
Επιπλέον, για τη βελτιστοποίηση της δυνατότητας πρόβλεψης των τοξικών μετάλλων στα υπό εξέταση εδάφη υπολογίστηκαν οι εξής φασματικοί δείκτες:
* Tasseled cap transformation [http://desktop.arcgis.com/en/arcmap/10.3/manage-data/raster-and-images/tasseled-cap-transformation.htm tasseled cap function]
Brightness – ταξινόμηση αστικών περιοχών
Greenness – επίπεδα βλάστησης
Wetness – επίπεδα υγρασίας στο έδαφος
* BCI – Biophysical Composition Index – αφθονία βλάστησης
* EVI – Enhanced Vegetation Index
* LSWI – Land Surface Water Index
* NDVI – Normalized Difference Vegetation Index
* SATVI – Soil-Adjusted Total Vegetation Index
* SAVI – Soil-Adjusted Vegetation Index
* TVI – Transformed Vegetation Index
* WDVI – Weighted Difference Vegetation Index
Οι εξισώσεις με βάση τις οποίες πραγματοποιήθηκε ο υπολογισμός των παραπάνω δεικτών παρουσιάζονται στην Εικόνα 4.

===Χωρική μοντελοποίηση===

Από το σύνολο των δεδομένων που συλλέχθηκαν πραγματοποιήθηκε τυχαία κατανομή και ένα 75 % χρησιμοποιήθηκε για τη βαθμονόμηση και το υπόλοιπο 25 % για τον έλεγχο του μοντέλου (βλ. Εικόνα 6). Εν τέλει, χρησιμοποιώντας το εργαλείο Cubist που προαναφέρθηκε και στην Εισαγωγή, αναπτύχθηκε ένα μοντέλο πρόβλεψης για κάθε υπό εξέταση τοξικό μέταλλο.
Για τη βαθμονόμηση, το εργαλείο Cubist δημιούργησε πλήθος γραμμικών εξισώσεων για κάθε υπό εξέταση μέταλλο βασισμένο σε διαφορετικούς κανόνες. Οι συνθήκες του αρχικού κανόνα κάθε φορά βασίστηκαν σε συνδυασμό κάποιων εκ των δεδομένων. Για παράδειγμα στο χρώμιο και στο νικέλιο το 60 % των εκτελέσεων του μοντέλου επέλεξε σαν συνθήκες του αρχικού κανόνα τα δεδομένα: τύπος εδάφους και γεωλογικός χάρτης. Παράδειγμα κανόνα για το νικέλιο παρουσιάζεται στην Εικόνα 7.
Τα μοντέλα πρόβλεψης/προσομοίωσης/προσδιορισμού εκτιμήθηκαν με βάση της εξής παραμέτρους: R2 (coefficient of determination), RMSE (root mean square error), RPD (ratio of performance to deviation) και RPIQ (ratio of performance to interquartile distance).

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων===

Με βάση τα αποτελέσματα των χημικών αναλύσεων παράχθηκαν τα αντίστοιχα διαγράμματα (histogram, box-plot) για το κάθε υπό εξέταση μέταλλο. Τα διαγράμματα (βλ. Εικόνα 5) έδειξαν πως η κατανομή των μετάλλων είχε θετική καμπυλότητα σε όλες τις περιπτώσεις, ενώ συγχρόνως παρατηρήθηκε ένα ευρύ φάσμα μεταβλητότητας σε όλα τα τοξικά μέταλλα και κυρίως στα ψευδάργυρο, χρώμιο και νικέλιο.
Η προαναφερθείσα μεταβλητότητα της περιεκτικότητας των υπό εξέταση εδαφών σε τοξικά μέταλλα αποδίδεται στη διαφορετική ένταση ανά περιοχή των φαινομένων της γεωργίας, της αστικοποίησης και της βιομηχανοποίησης και επηρεάζει τη σχέση μεταξύ περιβαλλοντικών παραμέτρων και ρύπανσης.
Επιπλέον, ορισμένα εδαφικά δείγματα συγκεκριμένων περιοχών που αναλύθηκαν έδωσαν ιδιαίτερα υψηλές συγκεντρώσεις για διάφορα μέταλλα (βλ. Εικόνα 1), πράγμα που αποδόθηκε στο γεγονός ότι μάλλον οι συγκεκριμένες περιοχές αποτελούν κέντρα ρύπανσης και είναι πολύ επιβαρυμένες (hotspots) με τοξικά μέταλλα σε σχέση με τις υπόλοιπες περιοχές μελέτης. Εν τέλει, οι τιμές αυτές απορρίφθηκαν και δε χρησιμοποιήθηκαν στη χωρική μοντελοποίηση καθώς θα επηρέαζαν αρνητικά την ικανότητα πρόβλεψης/προσδιορισμού του μοντέλου. Έτσι μετά από την απόρριψη των τιμών αυτών, χρησιμοποιήθηκαν τελικά για τη μοντελοποίηση (βαθμονόμηση και έλεγχος) 299 δείγματα για το ψευδάργυρο και το μόλυβδο, 298 δείγματα για το χαλκό, 297 δείγματα για το χρώμιο και το νικέλιο και 300 δείγματα για το αρσενικό (βλ. Εικόνα 6).

===Χωρική μοντελοποίηση===

Τα αποτελέσματα της χωρικής πρόβλεψης των υπό εξέταση τοξικών μετάλλων παρουσιάζονται στην Εικόνα 8. Σε γενικές γραμμές, όλα τα μοντέλα βαθμονόμησης έδωσαν καλά αποτελέσματα όσον αφορά τις ικανότητες πρόβλεψης/προσδιορισμού των υπό εξέταση μετάλλων. Ο χαλκός είχε τις υψηλότερες τιμές R2 και RPD, ακολουθούμενος από το αρσενικό, το μόλυβδο, το χρώμιο, τον ψευδάργυρο και το νικέλιο. Παρόλ’ αυτά, εξαιτίας κάποιων παραγόντων οι τιμές RPIQ απέδωσαν μεγαλύτερη ακρίβεια προσδιορισμού σε σχέση με τις τιμές RPD.

===Σημασία μεταβλητότητας των παραγόμενων μοντέλων Cubist για την πρόβλεψη των υπό εξέταση μετάλλων===

Οι εκτελέσεις των μοντέλων μέσω του εργαλείου Cubist δε χρησιμοποίησαν όλες τις μεταβλητές για τη βαθμονόμηση. Όπως φαίνεται και στην Εικόνα 9, η οποία πρακτικά δείχνει τη χρήση της κάθε μεταβλητής/δεδομένου για κάθε υπό εξέταση μέταλλο, το σύνολο των εκτελέσεων των μοντέλων για όλα τα μέταλλα χρησιμοποίησε τηλεπισκοπικά δεδομένα (κανάλια, δείκτες κ.α.) μόνο για τους μήνες Ιανουάριο και Φεβρουάριο, σε συνδυασμό με διάφορα άλλα δεδομένα όπως κλίση, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α. Επιπλέον, με εξαίρεση τα τηλεπισκοπικά δεδομένα, οι αμέσως επόμενες πιο σημαντικές μεταβλητές (υψηλά ποσοστά), όπως επιλέχθηκαν από τα μοντέλα ήταν η δορυφορική εικόνα νυχτερινού φωτισμού της περιοχής και η εγγύτητα στους δρόμους.
Με βάση την Εικόνα 9:
* Τα μέταλλα χρώμιο και νικέλιο επηρεάζονταν ιδιαίτερα από γεωλογικούς και εδαφολογικούς παράγοντες
* Τα μέταλλα ψευδάργυρος, μόλυβδος και χαλκός επηρεάζονταν ιδιαίτερα από τοπολογικούς-ανθρωπογενείς παραμέτρους, όπως η εγγύτητα στους δρόμους, η απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.
Από τα παραπάνω προκύπτει πως οι συγκεντρώσεις των μετάλλων χρώμιο και νικέλιο επηρεάζονται κυρίως από περιβαλλοντικούς παράγοντες ενώ οι συγκεντρώσεις των μετάλλων ψευδάργυρος, μόλυβδος και χαλκός κυρίως από ανθρώπινες δραστηριότητες.

===Φασματικοί/τηλεσκοπικοί δείκτες===

Από τους τηλεπισκοπικούς δείκτες που υπολογίσθηκαν, αυτοί που χρησιμοποιήθηκαν περισσότερο ήταν ο tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index (η δημιουργία του οποίου βασίζεται στον πρώτο). Συγκεκριμένα, ο tasseled cap transformation ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα αρσενικό, ψευδάργυρο, μόλυβδο και χαλκό, ενώ ο BCI ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα χρώμιο, νικέλιο, ψευδάργυρο και μόλυβδο. Αυτό φαίνεται να οφείλεται στο γεγονός ότι αυτοί οι δύο δείκτες είναι οι μόνοι οι οποίοι μπορούν να προσδώσουν πληροφορίες τόσο για την ταξινόμηση των αστικών περιοχών (οι οποίες θεωρούνται αδιαπέραστες επιφάνειες) όσο και για τα επίπεδα και την αφθονία βλάστησης αλλά και τα επίπεδα υγρασίας των εδαφών στην υπό μελέτη περιοχή.
Από την άλλη οι δείκτες NDVI, EVI, SAVI ήταν στις δέκα κορυφαίες μεταβλητές μόνο για το μοντέλο του αρσενικού, πράγμα το οποίο αποδίδεται στο γεγονός ότι οι κύριες πηγές εδαφικής ρύπανσης με αρσενικό είναι τα γεωργικά φάρμακα και τα λιπάσματα που χρησιμοποιούνται στη γεωργία. Συγκεκριμένα, ανεξέλεγκτη χρήση γεωργικών φαρμάκων και λιπασμάτων παράγουν πιο «πράσινη» βιομάζα ενώ συγχρόνως αυξάνουν τις συγκεντρώσεις αρσενικού στα εδάφη. Πράγματι, ο συντελεστής συσχέτισης Pearson μεταξύ αρσενικού και των τριών δεικτών ήταν πάνω από 0.3, πράγμα που υποδεικνύει θετική σχέση μεταξύ της εδαφικής ρύπανσης με αρσενικό και του επιπέδου πράσινης βιομάζας στις αγροτικές περιοχές του Κατάρ.

===Προβλεπόμενοι χάρτες των υπό εξέταση μετάλλων===

Οι τελικοί χάρτες που προέκυψαν από τις εκτελέσεις των μοντέλων για τα υπό εξέταση μέταλλα παρουσιάζονται στην Εικόνα 10. Όλοι οι χάρτες εμφάνισαν παρόμοια χωρική κατανομή των μετάλλων και ξεκάθαρα υποδεικνύουν υψηλή συσσώρευση αυτών στο βόρειο τμήμα του Κατάρ. Αυτό αποδίδεται σε ανθρωπογενείς δραστηριότητες και γεωλογικές κυρίως παραμέτρους. Στο βόρειο τμήμα του Κατάρ υπάγονται το μεγαλύτερο μέρος της βιομηχανίας και της γεωργίας της χώρας ενώ συγχρόνως η γεωλογία της συγκεκριμένης περιοχής επηρεάζει θετικά την απορρόφηση και τη συσσώρευση των μετάλλων αυτών στο έδαφος.
Επιπρόσθετα, οι χάρτες πρόβλεψης για τα μέταλλα ψευδάργυρο, μόλυβδο και χαλκό υποδεικνύουν υψηλή συσσώρευση στο ανατολικό κομμάτι του Κατάρ, όπου βρίσκεται η πόλη Ντόχα. Αυτό αποδίδεται στη ραγδαία αστικοποίηση που εμφάνισε η πόλη τα τελευταία χρόνια. Πιθανώς, οφείλεται στην κατάθεση σωματιδίων μετάλλων από τον υπέρογκο πληθυσμό μηχανοκίνητων οχημάτων της περιοχής.

==Συμπεράσματα==

* Η χρήση πολυφασματικών δεδομένων (εικόνες Landsat 8, τηλεπισκοπικοί δείκτες) σε συνδυασμό με περιβαλλοντικές παραμέτρους (γεωλογικής, εδαφολογικής, γεωμορφολογικής, ανθρωπογενής φύσεως) διαμέσου της μοντελοποίησης που προσφέρει το Cubist έδωσαν ιδιαίτερα ικανοποιητικά αποτελέσματα πρόβλεψης εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων.
* Τα τηλεπισκοπικά δεδομένα Ιανουαρίου και Φεβρουαρίου, ήταν αυτά που επιλέχθηκαν και χρησιμοποιήθηκαν περισσότερο από τα μοντέλα, εξαιτίας της εποχιακής μεταβλητότητας του κλίματος του Κατάρ.
* Το θέμα με τη νεφοκάλυψη στις τηλεπισκοπικές απεικονίσεις ήταν ο κυριότερος περιορισμός της έρευνας, καθώς οι τηλεπισκοπικές απεικονίσεις με έντονο το φαινόμενο της νεφοκάλυψης απορρίφθηκαν. Μεταξύ αυτών ήταν και η απεικόνιση του Κατάρ για το μήνα Μάρτιο που όπως ερευνήθηκε ήταν η μεταβλητή που θα συνέβαλε περισσότερο στη βαθμονόμηση των μοντέλων.
* Οι δείκτες που χρησιμοποιήθηκαν σε μεγαλύτερο ποσοστό από τα μοντέλα ήταν οι tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων χαλκός, ψευδάργυρος και μόλυβδος επηρεάζονταν κυρίως από ανθρωπογενείς παραμέτρους.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων αρσενικό, χρώμιο και νικέλιο επηρεάζονταν κυρίως από γεωλογικούς και εδαφολογικούς παραμέτρους.
* Χρήση περισσότερων μεταβλητών/δεδομένων μπορεί να αυξήσει την ακρίβεια πρόβλεψης των μοντέλων.
* Η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.
* Για την εξακρίβωση της ποιότητας των αποτελεσμάτων απαιτούνται παρόμοιες έρευνες με τηλεπισκοπικά δεδομένα μεγαλύτερης ανάλυσης, ακρίβειας και χρονικής κάλυψης (π.χ. Sentinel 2).

[[category:Υποβάθμιση εδαφών]]

Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων

2019-01-23T11:47:13Z

Christos mamaloudis:

[[Εικόνα: wiki4_cm1.png|thumb|right|Εικόνα 1: Σημεία δειγματοληψίας της περιοχής μελέτης και περιοχές με πολύ υψηλές τιμές διαφορετικών τοξικών μετάλλων στα εδάφη του Κατάρ]]
[[Εικόνα: wiki4_cm2.png|thumb|right|Εικόνα 2: Βοηθητικοί ψηφιδωτοί (raster) χάρτες που χρησιμοποιήθηκαν ως μέσο πρόβλεψης για την κατανομή των υπό εξέταση μετάλλων στο έδαφος]]
[[Εικόνα: wiki4_cm3.png|thumb|right|Εικόνα 3: Περιβαλλοντικές μεταβλητές που χρησιμοποιήθηκαν]]
[[Εικόνα: wiki4_cm4.png|thumb|right|Εικόνα 4: Περιγραφή των καναλιών Landsat 8 αλλά και των φασματικών δεικτών που χρησιμοποιήθηκαν για τον προσδιορισμό των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm5.png|thumb|right|Εικόνα 5: Διαγράμματα των εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm6.png|thumb|right|Εικόνα 6: Συγκεντρώσεις των υπό εξέταση μετάλλων που χρησιμοποιήθηκαν (α) στη βαθμονόμηση – 75% και (β) στον έλεγχο του μοντέλου – 25%]]
[[Εικόνα: wiki4_cm7.png|thumb|right|Εικόνα 7: Παράδειγμα του κανόνα που χρησιμοποιήθηκε στο μοντέλο για τις προβλέψεις νικελίου]]
[[Εικόνα: wiki4_cm8.png|thumb|right|Εικόνα 8: Αποτελέσματα ελέγχου μοντελοποίησης για τα υπό εξέταση μέταλλα]]
[[Εικόνα: wiki4_cm9.png|thumb|right|Εικόνα 9: Τα 10 κορυφαία δεδομένα (παράγοντες πρόβλεψης) που χρησιμοποιήθηκαν από το Cubist για τη βαθμονόμηση των μοντέλων και η ποσοστιαία χρήση του καθενός ανά υπό εξέταση μέταλλο]]
[[Εικόνα: wiki4_cm10.png|thumb|right|Εικόνα 10: Χάρτες ανάλυσης 30 m εδαφικών (0-30 cm) συγκεντρώσεων για τα μέταλλα χρώμιο, αρσενικό, νικέλιο, ψευδάργυρος, μόλυβδος και χαλκός της περιοχής μελέτης (Κατάρ)]]

'''Πρότυπος τίτλος: ''Digital Mapping of Toxic Metals in Qatari Soils Using Remote Sensing and Ancillary Data'''''

'''Συγγραφείς: Yi Peng, Rania Bou Kheir, Kabindra Adhikari, Radosław Malinowski, Mette B. Greve, Maria Knadel and Mogens H. Greve'''

'''Link: https://www.mdpi.com/2072-4292/8/12/1003/htm'''

==Εισαγωγή==

Ανά τον κόσμο, διάφορες δραστηριότητες αλλά και φαινόμενα μαζικής βιομηχανοποίησης και αστικοποίησης αποτελούν πηγές ρύπανσης των εδαφών με τοξικά βαρέα μέταλλα. Σε αντίστοιχες βιομηχανικές και αστικές περιοχές, η ανθρώπινη έκθεση σε υψηλές ποσότητες τέτοιων τοξικών μετάλλων και κυρίως τα αρσενικό (As), χρώμιο (Cr), νικέλιο (Ni), χαλκός (Cu), μόλυβδος (Pb) και ψευδάργυρος (Zn), αποτελεί σημαντικό πρόβλημα καθώς μπορεί να προκαλέσει σοβαρές επιπτώσεις στην ανθρώπινη υγεία, ενώ συγχρόνως να προκαλέσει υποβάθμιση του φυσικού περιβάλλοντος.
Στο Κατάρ, όπου και πραγματοποιήθηκε η παρούσα έρευνα, το πρόβλημα είναι ιδιαίτερα έντονο, καθώς τα τελευταία χρόνια σημείωσε άνοδο πληθυσμού περίπου 200% και επιπλέον, έχοντας τις υψηλότερες κατά κεφαλήν εκπομπές διοξειδίου του άνθρακα στον κόσμο, το 2014 κηρύχθηκε από τον Παγκόσμιο Οργανισμό Υγείας ως η δεύτερη ατμοσφαιρικά πιο ρυπασμένη πόλη του κόσμου.
Μέχρι στιγμής, η πρόβλεψη και ο προσδιορισμός συσσώρευσης τοξικών μετάλλων στα εδάφη γινόταν χρησιμοποιώντας μια ποικιλία γεωστατιστικών μεθόδων σε συνδυασμό με διάφορα περιβαλλοντικά δεδομένα (που προκύπτουν από αναλύσεις) σε διάφορες κλίμακες. Το πρόβλημα που προκύπτει όμως από τη χρήση αυτών των μεθόδων είναι ότι είναι ιδιαίτερα περίπλοκες και χρονοβόρες, ειδικά αν λάβει κανείς υπόψη το χρόνο που απαιτείται για τις διάφορες εργαστηριακές αναλύσεις προκειμένου να ληφθούν τα διάφορα περιβαλλοντικά δεδομένα που απαιτούνται.
Σε αντίθεση με τις παραδοσιακές τεχνικές, για τη μοντελοποίηση του εδάφους αλλά και των περιβαλλοντικών ιδιοτήτων και διαδικασιών, πρόσφατες μελέτες άρχισαν να υιοθετούν τη χρήση διάφορων εργαλείων εξόρυξης δεδομένων όπως είναι το Cubist, το οποίο φέρει πολλά πλεονεκτήματα, ένα εκ των οποίων είναι ότι μπορεί να ποσοτικοποιεί γραμμικές αλλά και μη γραμμικές σχέσεις μεταξύ των μεταβλητών, ενώ επιπλέον, μπορεί και ποσοτικοποιεί τη σημασία των περιβαλλοντικών μεταβλητών που χρησιμοποιούνται στην πρόβλεψη τοξικών μετάλλων στο έδαφος.
Τα τελευταία δέκα χρόνια, με την ανάπτυξη της τηλεπισκόπησης, οι τεχνικές της για τη χαρτογράφηση τοξικών μετάλλων στο έδαφος άρχισαν να βρίσκουν εφαρμογή και μάλιστα ήδη θεωρούνται αρκετά αποτελεσματικές και ακριβείς για την ανίχνευση εδαφικής ρύπανσης από τοξικά μέταλλα, παρότι τα τοξικά μέταλλα στο έδαφος υφίστανται σε πολύ μικρές έως και μέτριες συγκεντρώσεις και μεμονωμένα ως μέταλλα δε διαθέτουν κάποια συγκεκριμένα φασματικά χαρακτηριστικά. Οι τεχνικές ψηφιακής τηλεπισκόπησης εκμεταλλεύονται το γεγονός πως τα τοξικά μέταλλα αλλάζουν τη χημική σύνθεση και την επιφανειακή δραστηριότητά των ορυκτών του εδάφους στα οποία μπορεί να είναι δεσμευμένα, με αποτέλεσμα να αλλάζουν την φασματική ανακλαστική πληροφορία τους. Η αξιοποίηση αυτού του ενδιάμεσου μηχανισμού επιτρέπει την εξαγωγή των σχέσεων μεταξύ φασματικών πληροφοριών και τοξικών μετάλλων στο έδαφος.

==Σκοπός της εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χρήση (α) εικόνων χρονοσειράς από έναν δέκτη Landsat 8 (οι οποίες κάλυπταν εννέα μήνες κατά τη διάρκεια του έτους 2014), (β) επιλεγμένων φασματικών δεικτών (οι οποίοι παράχθηκαν χρησιμοποιώντας τις εικόνες χρονοσειράς Landsat 8) και (γ) περιβαλλοντικών μεταβλητών, για τη χαρτογράφηση της χωρικής κατανομής έξι επιλεγμένων τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος) στην περιοχή μελέτης που ήταν το Κατάρ. Απώτερος σκοπός της παρούσας έρευνας ήταν η διευκόλυνση της χαρτογράφησης της εδαφικής συσσώρευσης των παραπάνω μετάλλων αλλά και η παραδοχή ότι η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης (Κατάρ), παρουσιάζεται στην Εικόνα 1.

===Δειγματοληψία εδάφους===

Συνολικά συλλέχθηκαν 300 δείγματα εδάφους σε βάθος 0-30 cm από πολλά σημεία, με στόχο να καλυφθούν όλα τα περιβαλλοντικά και ανθρωπογενή ενδιαιτήματα του Κατάρ. Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System) με ακρίβεια 5 m. Τα σημεία δειγματοληψίας παρουσιάζονται στην Εικόνα 1.

===Προκατεργασία δειγμάτων===

Πριν την οποιαδήποτε ανάλυση προηγήθηκε προκατεργασία των δειγμάτων η οποία περιλάμβανε αεροξήρανση των δειγμάτων για διάρκεια τριών ημερών σε θερμοκρασία δωματίου και έπειτα κοσκίνισμα 2 mm.

===Χημική ανάλυση===

Για τη χημική ανάλυση των δειγμάτων ως προς τον προσδιορισμό των συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος), χρησιμοποιήθηκαν 0.5 g εδάφους από το κάθε δείγμα για πέψη με μίγμα HNO3 – HClO4 στους 200 οC για τρεις ώρες και στη συνέχεια με επιπλέον προσθήκη HNO3 για μια ώρα στους 70 οC. Έπειτα το κάθε δείγμα υπέστη φυγοκέντριση στις 3500 rpm για 10 λεπτά. Οι συγκεντρώσεις των τοξικών μετάλλων μετρήθηκαν με τη χρήση φασματοφωτομετρίας ατομικής εκπομπής πλάσματος με επαγωγική συσχέτιση (Inductively-Coupled Plasma-Atomic Emission Spectrometry, ICP-AES).

===Περιβαλλοντικοί παράμετροι===

Για τον προσδιορισμό της κατανομής των υπό εξέταση τοξικών μετάλλων στο έδαφος χρησιμοποιήθηκαν διάφοροι περιβαλλοντικοί παράμετροι, μεταξύ των οποίων γεωλογικά και εδαφολογικά δεδομένα (π.χ. τύπος εδάφους κ.α.), γεωμορφολογικά δεδομένα (π.χ. υψόμετρο, κλίση, προσανατολισμός κ.α.) και ανθρωπογενή δεδομένα (π.χ. εγγύτητα στους δρόμους, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.) (βλ. Εικόνα 2 και Εικόνα 3). Η ψηφιοποίηση των περιβαλλοντικών παραμέτρων σε επίπεδα (layers), πραγματοποιήθηκε με τη χρήση δευτερογενών βοηθητικών δεδομένων όπως το DEM (Digital Elevation Model – ψηφιακό μοντέλο εδάφους), το οποίο δημιουργήθηκε με επεξεργασία μέσω της τεχνολογίας LiDAR (Light Detection and Ranging).

===Εικόνες ψηφιακής τηλεπισκόπησης και φασματικοί δείκτες===

Στην παρούσα μελέτη χρησιμοποιήθηκαν ατμοσφαιρικά διορθωμένες δορυφορικές εικόνες του δέκτη LDCM (Landsat Data Continuity Mission) του δορυφόρου Landsat 8 οι οποίες σκοπό είχαν να δημιουργήσουν μια χρονοσειρά ενός έτους, αλλά εξαιτίας ορισμένων θεμάτων που σχετίζονταν με νεφοκάλυψη χρησιμοποιήθηκαν μόνο εννέα από αυτές (Ιανουαρίου, Φεβρουαρίου, Απριλίου, Μαΐου, Ιουνίου, Ιουλίου, Αυγούστου, Σεπτεμβρίου και Οκτωβρίου) για το έτος 2015.
Επιπλέον, για τη βελτιστοποίηση της δυνατότητας πρόβλεψης των τοξικών μετάλλων στα υπό εξέταση εδάφη υπολογίστηκαν οι εξής φασματικοί δείκτες:
* Tasseled cap transformation
Brightness – ταξινόμηση αστικών περιοχών
Greenness – επίπεδα βλάστησης
Wetness – επίπεδα υγρασίας στο έδαφος
* BCI – Biophysical Composition Index – αφθονία βλάστησης
* EVI – Enhanced Vegetation Index
* LSWI – Land Surface Water Index
* NDVI – Normalized Difference Vegetation Index
* SATVI – Soil-Adjusted Total Vegetation Index
* SAVI – Soil-Adjusted Vegetation Index
* TVI – Transformed Vegetation Index
* WDVI – Weighted Difference Vegetation Index
Οι εξισώσεις με βάση τις οποίες πραγματοποιήθηκε ο υπολογισμός των παραπάνω δεικτών παρουσιάζονται στην Εικόνα 4.

===Χωρική μοντελοποίηση===

Από το σύνολο των δεδομένων που συλλέχθηκαν πραγματοποιήθηκε τυχαία κατανομή και ένα 75 % χρησιμοποιήθηκε για τη βαθμονόμηση και το υπόλοιπο 25 % για τον έλεγχο του μοντέλου (βλ. Εικόνα 6). Εν τέλει, χρησιμοποιώντας το εργαλείο Cubist που προαναφέρθηκε και στην Εισαγωγή, αναπτύχθηκε ένα μοντέλο πρόβλεψης για κάθε υπό εξέταση τοξικό μέταλλο.
Για τη βαθμονόμηση, το εργαλείο Cubist δημιούργησε πλήθος γραμμικών εξισώσεων για κάθε υπό εξέταση μέταλλο βασισμένο σε διαφορετικούς κανόνες. Οι συνθήκες του αρχικού κανόνα κάθε φορά βασίστηκαν σε συνδυασμό κάποιων εκ των δεδομένων. Για παράδειγμα στο χρώμιο και στο νικέλιο το 60 % των εκτελέσεων του μοντέλου επέλεξε σαν συνθήκες του αρχικού κανόνα τα δεδομένα: τύπος εδάφους και γεωλογικός χάρτης. Παράδειγμα κανόνα για το νικέλιο παρουσιάζεται στην Εικόνα 7.
Τα μοντέλα πρόβλεψης/προσομοίωσης/προσδιορισμού εκτιμήθηκαν με βάση της εξής παραμέτρους: R2 (coefficient of determination), RMSE (root mean square error), RPD (ratio of performance to deviation) και RPIQ (ratio of performance to interquartile distance).

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων===

Με βάση τα αποτελέσματα των χημικών αναλύσεων παράχθηκαν τα αντίστοιχα διαγράμματα (histogram, box-plot) για το κάθε υπό εξέταση μέταλλο. Τα διαγράμματα (βλ. Εικόνα 5) έδειξαν πως η κατανομή των μετάλλων είχε θετική καμπυλότητα σε όλες τις περιπτώσεις, ενώ συγχρόνως παρατηρήθηκε ένα ευρύ φάσμα μεταβλητότητας σε όλα τα τοξικά μέταλλα και κυρίως στα ψευδάργυρο, χρώμιο και νικέλιο.
Η προαναφερθείσα μεταβλητότητα της περιεκτικότητας των υπό εξέταση εδαφών σε τοξικά μέταλλα αποδίδεται στη διαφορετική ένταση ανά περιοχή των φαινομένων της γεωργίας, της αστικοποίησης και της βιομηχανοποίησης και επηρεάζει τη σχέση μεταξύ περιβαλλοντικών παραμέτρων και ρύπανσης.
Επιπλέον, ορισμένα εδαφικά δείγματα συγκεκριμένων περιοχών που αναλύθηκαν έδωσαν ιδιαίτερα υψηλές συγκεντρώσεις για διάφορα μέταλλα (βλ. Εικόνα 1), πράγμα που αποδόθηκε στο γεγονός ότι μάλλον οι συγκεκριμένες περιοχές αποτελούν κέντρα ρύπανσης και είναι πολύ επιβαρυμένες (hotspots) με τοξικά μέταλλα σε σχέση με τις υπόλοιπες περιοχές μελέτης. Εν τέλει, οι τιμές αυτές απορρίφθηκαν και δε χρησιμοποιήθηκαν στη χωρική μοντελοποίηση καθώς θα επηρέαζαν αρνητικά την ικανότητα πρόβλεψης/προσδιορισμού του μοντέλου. Έτσι μετά από την απόρριψη των τιμών αυτών, χρησιμοποιήθηκαν τελικά για τη μοντελοποίηση (βαθμονόμηση και έλεγχος) 299 δείγματα για το ψευδάργυρο και το μόλυβδο, 298 δείγματα για το χαλκό, 297 δείγματα για το χρώμιο και το νικέλιο και 300 δείγματα για το αρσενικό (βλ. Εικόνα 6).

===Χωρική μοντελοποίηση===

Τα αποτελέσματα της χωρικής πρόβλεψης των υπό εξέταση τοξικών μετάλλων παρουσιάζονται στην Εικόνα 8. Σε γενικές γραμμές, όλα τα μοντέλα βαθμονόμησης έδωσαν καλά αποτελέσματα όσον αφορά τις ικανότητες πρόβλεψης/προσδιορισμού των υπό εξέταση μετάλλων. Ο χαλκός είχε τις υψηλότερες τιμές R2 και RPD, ακολουθούμενος από το αρσενικό, το μόλυβδο, το χρώμιο, τον ψευδάργυρο και το νικέλιο. Παρόλ’ αυτά, εξαιτίας κάποιων παραγόντων οι τιμές RPIQ απέδωσαν μεγαλύτερη ακρίβεια προσδιορισμού σε σχέση με τις τιμές RPD.

===Σημασία μεταβλητότητας των παραγόμενων μοντέλων Cubist για την πρόβλεψη των υπό εξέταση μετάλλων===

Οι εκτελέσεις των μοντέλων μέσω του εργαλείου Cubist δε χρησιμοποίησαν όλες τις μεταβλητές για τη βαθμονόμηση. Όπως φαίνεται και στην Εικόνα 9, η οποία πρακτικά δείχνει τη χρήση της κάθε μεταβλητής/δεδομένου για κάθε υπό εξέταση μέταλλο, το σύνολο των εκτελέσεων των μοντέλων για όλα τα μέταλλα χρησιμοποίησε τηλεπισκοπικά δεδομένα (κανάλια, δείκτες κ.α.) μόνο για τους μήνες Ιανουάριο και Φεβρουάριο, σε συνδυασμό με διάφορα άλλα δεδομένα όπως κλίση, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α. Επιπλέον, με εξαίρεση τα τηλεπισκοπικά δεδομένα, οι αμέσως επόμενες πιο σημαντικές μεταβλητές (υψηλά ποσοστά), όπως επιλέχθηκαν από τα μοντέλα ήταν η δορυφορική εικόνα νυχτερινού φωτισμού της περιοχής και η εγγύτητα στους δρόμους.
Με βάση την Εικόνα 9:
* Τα μέταλλα χρώμιο και νικέλιο επηρεάζονταν ιδιαίτερα από γεωλογικούς και εδαφολογικούς παράγοντες
* Τα μέταλλα ψευδάργυρος, μόλυβδος και χαλκός επηρεάζονταν ιδιαίτερα από τοπολογικούς-ανθρωπογενείς παραμέτρους, όπως η εγγύτητα στους δρόμους, η απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.
Από τα παραπάνω προκύπτει πως οι συγκεντρώσεις των μετάλλων χρώμιο και νικέλιο επηρεάζονται κυρίως από περιβαλλοντικούς παράγοντες ενώ οι συγκεντρώσεις των μετάλλων ψευδάργυρος, μόλυβδος και χαλκός κυρίως από ανθρώπινες δραστηριότητες.

===Φασματικοί/τηλεσκοπικοί δείκτες===

Από τους τηλεπισκοπικούς δείκτες που υπολογίσθηκαν, αυτοί που χρησιμοποιήθηκαν περισσότερο ήταν ο tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index (η δημιουργία του οποίου βασίζεται στον πρώτο). Συγκεκριμένα, ο tasseled cap transformation ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα αρσενικό, ψευδάργυρο, μόλυβδο και χαλκό, ενώ ο BCI ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα χρώμιο, νικέλιο, ψευδάργυρο και μόλυβδο. Αυτό φαίνεται να οφείλεται στο γεγονός ότι αυτοί οι δύο δείκτες είναι οι μόνοι οι οποίοι μπορούν να προσδώσουν πληροφορίες τόσο για την ταξινόμηση των αστικών περιοχών (οι οποίες θεωρούνται αδιαπέραστες επιφάνειες) όσο και για τα επίπεδα και την αφθονία βλάστησης αλλά και τα επίπεδα υγρασίας των εδαφών στην υπό μελέτη περιοχή.
Από την άλλη οι δείκτες NDVI, EVI, SAVI ήταν στις δέκα κορυφαίες μεταβλητές μόνο για το μοντέλο του αρσενικού, πράγμα το οποίο αποδίδεται στο γεγονός ότι οι κύριες πηγές εδαφικής ρύπανσης με αρσενικό είναι τα γεωργικά φάρμακα και τα λιπάσματα που χρησιμοποιούνται στη γεωργία. Συγκεκριμένα, ανεξέλεγκτη χρήση γεωργικών φαρμάκων και λιπασμάτων παράγουν πιο «πράσινη» βιομάζα ενώ συγχρόνως αυξάνουν τις συγκεντρώσεις αρσενικού στα εδάφη. Πράγματι, ο συντελεστής συσχέτισης Pearson μεταξύ αρσενικού και των τριών δεικτών ήταν πάνω από 0.3, πράγμα που υποδεικνύει θετική σχέση μεταξύ της εδαφικής ρύπανσης με αρσενικό και του επιπέδου πράσινης βιομάζας στις αγροτικές περιοχές του Κατάρ.

===Προβλεπόμενοι χάρτες των υπό εξέταση μετάλλων===

Οι τελικοί χάρτες που προέκυψαν από τις εκτελέσεις των μοντέλων για τα υπό εξέταση μέταλλα παρουσιάζονται στην Εικόνα 10. Όλοι οι χάρτες εμφάνισαν παρόμοια χωρική κατανομή των μετάλλων και ξεκάθαρα υποδεικνύουν υψηλή συσσώρευση αυτών στο βόρειο τμήμα του Κατάρ. Αυτό αποδίδεται σε ανθρωπογενείς δραστηριότητες και γεωλογικές κυρίως παραμέτρους. Στο βόρειο τμήμα του Κατάρ υπάγονται το μεγαλύτερο μέρος της βιομηχανίας και της γεωργίας της χώρας ενώ συγχρόνως η γεωλογία της συγκεκριμένης περιοχής επηρεάζει θετικά την απορρόφηση και τη συσσώρευση των μετάλλων αυτών στο έδαφος.
Επιπρόσθετα, οι χάρτες πρόβλεψης για τα μέταλλα ψευδάργυρο, μόλυβδο και χαλκό υποδεικνύουν υψηλή συσσώρευση στο ανατολικό κομμάτι του Κατάρ, όπου βρίσκεται η πόλη Ντόχα. Αυτό αποδίδεται στη ραγδαία αστικοποίηση που εμφάνισε η πόλη τα τελευταία χρόνια. Πιθανώς, οφείλεται στην κατάθεση σωματιδίων μετάλλων από τον υπέρογκο πληθυσμό μηχανοκίνητων οχημάτων της περιοχής.

==Συμπεράσματα==

* Η χρήση πολυφασματικών δεδομένων (εικόνες Landsat 8, τηλεπισκοπικοί δείκτες) σε συνδυασμό με περιβαλλοντικές παραμέτρους (γεωλογικής, εδαφολογικής, γεωμορφολογικής, ανθρωπογενής φύσεως) διαμέσου της μοντελοποίησης που προσφέρει το Cubist έδωσαν ιδιαίτερα ικανοποιητικά αποτελέσματα πρόβλεψης εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων.
* Τα τηλεπισκοπικά δεδομένα Ιανουαρίου και Φεβρουαρίου, ήταν αυτά που επιλέχθηκαν και χρησιμοποιήθηκαν περισσότερο από τα μοντέλα, εξαιτίας της εποχιακής μεταβλητότητας του κλίματος του Κατάρ.
* Το θέμα με τη νεφοκάλυψη στις τηλεπισκοπικές απεικονίσεις ήταν ο κυριότερος περιορισμός της έρευνας, καθώς οι τηλεπισκοπικές απεικονίσεις με έντονο το φαινόμενο της νεφοκάλυψης απορρίφθηκαν. Μεταξύ αυτών ήταν και η απεικόνιση του Κατάρ για το μήνα Μάρτιο που όπως ερευνήθηκε ήταν η μεταβλητή που θα συνέβαλε περισσότερο στη βαθμονόμηση των μοντέλων.
* Οι δείκτες που χρησιμοποιήθηκαν σε μεγαλύτερο ποσοστό από τα μοντέλα ήταν οι tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων χαλκός, ψευδάργυρος και μόλυβδος επηρεάζονταν κυρίως από ανθρωπογενείς παραμέτρους.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων αρσενικό, χρώμιο και νικέλιο επηρεάζονταν κυρίως από γεωλογικούς και εδαφολογικούς παραμέτρους.
* Χρήση περισσότερων μεταβλητών/δεδομένων μπορεί να αυξήσει την ακρίβεια πρόβλεψης των μοντέλων.
* Η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.
* Για την εξακρίβωση της ποιότητας των αποτελεσμάτων απαιτούνται παρόμοιες έρευνες με τηλεπισκοπικά δεδομένα μεγαλύτερης ανάλυσης, ακρίβειας και χρονικής κάλυψης (π.χ. Sentinel 2).

[[category:Υποβάθμιση εδαφών]]

Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων

2019-01-23T11:46:20Z

Christos mamaloudis:

[[Εικόνα: wiki4_cm1.png|thumb|right|Εικόνα 1: Σημεία δειγματοληψίας της περιοχής μελέτης και περιοχές με πολύ υψηλές τιμές διαφορετικών τοξικών μετάλλων στα εδάφη του Κατάρ]]
[[Εικόνα: wiki4_cm2.png|thumb|right|Εικόνα 2: Βοηθητικοί ψηφιδωτοί (raster) χάρτες που χρησιμοποιήθηκαν ως μέσο πρόβλεψης για την κατανομή των υπό εξέταση μετάλλων στο έδαφος]]
[[Εικόνα: wiki4_cm3.png|thumb|right|Εικόνα 3: Περιβαλλοντικές μεταβλητές που χρησιμοποιήθηκαν]]
[[Εικόνα: wiki4_cm4.png|thumb|right|Εικόνα 4: Περιγραφή των καναλιών Landsat 8 αλλά και των φασματικών δεικτών που χρησιμοποιήθηκαν για τον προσδιορισμό των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm5.png|thumb|right|Εικόνα 5: Διαγράμματα των εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm6.png|thumb|right|Εικόνα 6: Συγκεντρώσεις των υπό εξέταση μετάλλων που χρησιμοποιήθηκαν (α) στη βαθμονόμηση – 75% και (β) στον έλεγχο του μοντέλου – 25%]]
[[Εικόνα: wiki4_cm7.png|thumb|right|Εικόνα 7: Παράδειγμα του κανόνα που χρησιμοποιήθηκε στο μοντέλο για τις προβλέψεις νικελίου]]
[[Εικόνα: wiki4_cm8.png|thumb|right|Εικόνα 8: Αποτελέσματα ελέγχου μοντελοποίησης για τα υπό εξέταση μέταλλα]]
[[Εικόνα: wiki4_cm9.png|thumb|right|Εικόνα 9: Τα 10 κορυφαία δεδομένα (παράγοντες πρόβλεψης) που χρησιμοποιήθηκαν από το Cubist για τη βαθμονόμηση των μοντέλων και η ποσοστιαία χρήση του καθενός ανά υπό εξέταση μέταλλο]]
[[Εικόνα: wiki4_cm10.png|thumb|right|Εικόνα 10: Χάρτες ανάλυσης 30 m εδαφικών (0-30 cm) συγκεντρώσεων για τα μέταλλα χρώμιο, αρσενικό, νικέλιο, ψευδάργυρος, μόλυβδος και χαλκός της περιοχής μελέτης (Κατάρ)]]

'''Πρότυπος τίτλος: ''Digital Mapping of Toxic Metals in Qatari Soils Using Remote Sensing and Ancillary Data'''''

'''Συγγραφείς: Yi Peng, Rania Bou Kheir, Kabindra Adhikari, Radosław Malinowski, Mette B. Greve, Maria Knadel and Mogens H. Greve'''

'''Link: https://www.mdpi.com/2072-4292/8/12/1003/htm'''

==Εισαγωγή==

Ανά τον κόσμο, διάφορες δραστηριότητες αλλά και φαινόμενα μαζικής βιομηχανοποίησης και αστικοποίησης αποτελούν πηγές ρύπανσης των εδαφών με τοξικά βαρέα μέταλλα. Σε αντίστοιχες βιομηχανικές και αστικές περιοχές, η ανθρώπινη έκθεση σε υψηλές ποσότητες τέτοιων τοξικών μετάλλων και κυρίως τα αρσενικό (As), χρώμιο (Cr), νικέλιο (Ni), χαλκός (Cu), μόλυβδος (Pb) και ψευδάργυρος (Zn), αποτελεί σημαντικό πρόβλημα καθώς μπορεί να προκαλέσει σοβαρές επιπτώσεις στην ανθρώπινη υγεία, ενώ συγχρόνως να προκαλέσει υποβάθμιση του φυσικού περιβάλλοντος.
Στο Κατάρ, όπου και πραγματοποιήθηκε η παρούσα έρευνα, το πρόβλημα είναι ιδιαίτερα έντονο, καθώς τα τελευταία χρόνια σημείωσε άνοδο πληθυσμού περίπου 200% και επιπλέον, έχοντας τις υψηλότερες κατά κεφαλήν εκπομπές διοξειδίου του άνθρακα στον κόσμο, το 2014 κηρύχθηκε από τον Παγκόσμιο Οργανισμό Υγείας ως η δεύτερη ατμοσφαιρικά πιο ρυπασμένη πόλη του κόσμου.
Μέχρι στιγμής, η πρόβλεψη και ο προσδιορισμός συσσώρευσης τοξικών μετάλλων στα εδάφη γινόταν χρησιμοποιώντας μια ποικιλία γεωστατιστικών μεθόδων σε συνδυασμό με διάφορα περιβαλλοντικά δεδομένα (που προκύπτουν από αναλύσεις) σε διάφορες κλίμακες. Το πρόβλημα που προκύπτει όμως από τη χρήση αυτών των μεθόδων είναι ότι είναι ιδιαίτερα περίπλοκες και χρονοβόρες, ειδικά αν λάβει κανείς υπόψη το χρόνο που απαιτείται για τις διάφορες εργαστηριακές αναλύσεις προκειμένου να ληφθούν τα διάφορα περιβαλλοντικά δεδομένα που απαιτούνται.
Σε αντίθεση με τις παραδοσιακές τεχνικές, για τη μοντελοποίηση του εδάφους αλλά και των περιβαλλοντικών ιδιοτήτων και διαδικασιών, πρόσφατες μελέτες άρχισαν να υιοθετούν τη χρήση διάφορων εργαλείων εξόρυξης δεδομένων όπως είναι το Cubist, το οποίο φέρει πολλά πλεονεκτήματα, ένα εκ των οποίων είναι ότι μπορεί να ποσοτικοποιεί γραμμικές αλλά και μη γραμμικές σχέσεις μεταξύ των μεταβλητών, ενώ επιπλέον, μπορεί και ποσοτικοποιεί τη σημασία των περιβαλλοντικών μεταβλητών που χρησιμοποιούνται στην πρόβλεψη τοξικών μετάλλων στο έδαφος.
Τα τελευταία δέκα χρόνια, με την ανάπτυξη της τηλεπισκόπησης, οι τεχνικές της για τη χαρτογράφηση τοξικών μετάλλων στο έδαφος άρχισαν να βρίσκουν εφαρμογή και μάλιστα ήδη θεωρούνται αρκετά αποτελεσματικές και ακριβείς για την ανίχνευση εδαφικής ρύπανσης από τοξικά μέταλλα, παρότι τα τοξικά μέταλλα στο έδαφος υφίστανται σε πολύ μικρές έως και μέτριες συγκεντρώσεις και μεμονωμένα ως μέταλλα δε διαθέτουν κάποια συγκεκριμένα φασματικά χαρακτηριστικά. Οι τεχνικές ψηφιακής τηλεπισκόπησης εκμεταλλεύονται το γεγονός πως τα τοξικά μέταλλα αλλάζουν τη χημική σύνθεση και την επιφανειακή δραστηριότητά των ορυκτών του εδάφους στα οποία μπορεί να είναι δεσμευμένα, με αποτέλεσμα να αλλάζουν την φασματική ανακλαστική πληροφορία τους. Η αξιοποίηση αυτού του ενδιάμεσου μηχανισμού επιτρέπει την εξαγωγή των σχέσεων μεταξύ φασματικών πληροφοριών και τοξικών μετάλλων στο έδαφος.

==Σκοπός της εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χρήση (α) εικόνων χρονοσειράς από έναν δέκτη Landsat 8 (οι οποίες κάλυπταν εννέα μήνες κατά τη διάρκεια του έτους 2014), (β) επιλεγμένων φασματικών δεικτών (οι οποίοι παράχθηκαν χρησιμοποιώντας τις εικόνες χρονοσειράς Landsat 8) και (γ) περιβαλλοντικών μεταβλητών, για τη χαρτογράφηση της χωρικής κατανομής έξι επιλεγμένων τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος) στην περιοχή μελέτης που ήταν το Κατάρ. Απώτερος σκοπός της παρούσας έρευνας ήταν η διευκόλυνση της χαρτογράφησης της εδαφικής συσσώρευσης των παραπάνω μετάλλων αλλά και η παραδοχή ότι η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης (Κατάρ), παρουσιάζεται στην Εικόνα 1.

===Δειγματοληψία εδάφους===

Συνολικά συλλέχθηκαν 300 δείγματα εδάφους σε βάθος 0-30 cm από πολλά σημεία, με στόχο να καλυφθούν όλα τα περιβαλλοντικά και ανθρωπογενή ενδιαιτήματα του Κατάρ. Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System) με ακρίβεια 5 m. Τα σημεία δειγματοληψίας παρουσιάζονται στην Εικόνα 1.

===Προκατεργασία δειγμάτων===

Πριν την οποιαδήποτε ανάλυση προηγήθηκε προκατεργασία των δειγμάτων η οποία περιλάμβανε αεροξήρανση των δειγμάτων για διάρκεια τριών ημερών σε θερμοκρασία δωματίου και έπειτα κοσκίνισμα 2 mm.

===Χημική ανάλυση===

Για τη χημική ανάλυση των δειγμάτων ως προς τον προσδιορισμό των συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος), χρησιμοποιήθηκαν 0.5 g εδάφους από το κάθε δείγμα για πέψη με μίγμα<math>Εισαγωγή τύπου εδώ<HNO3 – HClO4 στους 200 οC/math> για τρεις ώρες και στη συνέχεια με επιπλέον προσθήκη HNO3 για μια ώρα στους 70 οC. Έπειτα το κάθε δείγμα υπέστη φυγοκέντριση στις 3500 rpm για 10 λεπτά. Οι συγκεντρώσεις των τοξικών μετάλλων μετρήθηκαν με τη χρήση φασματοφωτομετρίας ατομικής εκπομπής πλάσματος με επαγωγική συσχέτιση (Inductively-Coupled Plasma-Atomic Emission Spectrometry, ICP-AES).

===Περιβαλλοντικοί παράμετροι===

Για τον προσδιορισμό της κατανομής των υπό εξέταση τοξικών μετάλλων στο έδαφος χρησιμοποιήθηκαν διάφοροι περιβαλλοντικοί παράμετροι, μεταξύ των οποίων γεωλογικά και εδαφολογικά δεδομένα (π.χ. τύπος εδάφους κ.α.), γεωμορφολογικά δεδομένα (π.χ. υψόμετρο, κλίση, προσανατολισμός κ.α.) και ανθρωπογενή δεδομένα (π.χ. εγγύτητα στους δρόμους, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.) (βλ. Εικόνα 2 και Εικόνα 3). Η ψηφιοποίηση των περιβαλλοντικών παραμέτρων σε επίπεδα (layers), πραγματοποιήθηκε με τη χρήση δευτερογενών βοηθητικών δεδομένων όπως το DEM (Digital Elevation Model – ψηφιακό μοντέλο εδάφους), το οποίο δημιουργήθηκε με επεξεργασία μέσω της τεχνολογίας LiDAR (Light Detection and Ranging).

===Εικόνες ψηφιακής τηλεπισκόπησης και φασματικοί δείκτες===

Στην παρούσα μελέτη χρησιμοποιήθηκαν ατμοσφαιρικά διορθωμένες δορυφορικές εικόνες του δέκτη LDCM (Landsat Data Continuity Mission) του δορυφόρου Landsat 8 οι οποίες σκοπό είχαν να δημιουργήσουν μια χρονοσειρά ενός έτους, αλλά εξαιτίας ορισμένων θεμάτων που σχετίζονταν με νεφοκάλυψη χρησιμοποιήθηκαν μόνο εννέα από αυτές (Ιανουαρίου, Φεβρουαρίου, Απριλίου, Μαΐου, Ιουνίου, Ιουλίου, Αυγούστου, Σεπτεμβρίου και Οκτωβρίου) για το έτος 2015.
Επιπλέον, για τη βελτιστοποίηση της δυνατότητας πρόβλεψης των τοξικών μετάλλων στα υπό εξέταση εδάφη υπολογίστηκαν οι εξής φασματικοί δείκτες:
* Tasseled cap transformation
Brightness – ταξινόμηση αστικών περιοχών
Greenness – επίπεδα βλάστησης
Wetness – επίπεδα υγρασίας στο έδαφος
* BCI – Biophysical Composition Index – αφθονία βλάστησης
* EVI – Enhanced Vegetation Index
* LSWI – Land Surface Water Index
* NDVI – Normalized Difference Vegetation Index
* SATVI – Soil-Adjusted Total Vegetation Index
* SAVI – Soil-Adjusted Vegetation Index
* TVI – Transformed Vegetation Index
* WDVI – Weighted Difference Vegetation Index
Οι εξισώσεις με βάση τις οποίες πραγματοποιήθηκε ο υπολογισμός των παραπάνω δεικτών παρουσιάζονται στην Εικόνα 4.

===Χωρική μοντελοποίηση===

Από το σύνολο των δεδομένων που συλλέχθηκαν πραγματοποιήθηκε τυχαία κατανομή και ένα 75 % χρησιμοποιήθηκε για τη βαθμονόμηση και το υπόλοιπο 25 % για τον έλεγχο του μοντέλου (βλ. Εικόνα 6). Εν τέλει, χρησιμοποιώντας το εργαλείο Cubist που προαναφέρθηκε και στην Εισαγωγή, αναπτύχθηκε ένα μοντέλο πρόβλεψης για κάθε υπό εξέταση τοξικό μέταλλο.
Για τη βαθμονόμηση, το εργαλείο Cubist δημιούργησε πλήθος γραμμικών εξισώσεων για κάθε υπό εξέταση μέταλλο βασισμένο σε διαφορετικούς κανόνες. Οι συνθήκες του αρχικού κανόνα κάθε φορά βασίστηκαν σε συνδυασμό κάποιων εκ των δεδομένων. Για παράδειγμα στο χρώμιο και στο νικέλιο το 60 % των εκτελέσεων του μοντέλου επέλεξε σαν συνθήκες του αρχικού κανόνα τα δεδομένα: τύπος εδάφους και γεωλογικός χάρτης. Παράδειγμα κανόνα για το νικέλιο παρουσιάζεται στην Εικόνα 7.
Τα μοντέλα πρόβλεψης/προσομοίωσης/προσδιορισμού εκτιμήθηκαν με βάση της εξής παραμέτρους: R2 (coefficient of determination), RMSE (root mean square error), RPD (ratio of performance to deviation) και RPIQ (ratio of performance to interquartile distance).

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων===

Με βάση τα αποτελέσματα των χημικών αναλύσεων παράχθηκαν τα αντίστοιχα διαγράμματα (histogram, box-plot) για το κάθε υπό εξέταση μέταλλο. Τα διαγράμματα (βλ. Εικόνα 5) έδειξαν πως η κατανομή των μετάλλων είχε θετική καμπυλότητα σε όλες τις περιπτώσεις, ενώ συγχρόνως παρατηρήθηκε ένα ευρύ φάσμα μεταβλητότητας σε όλα τα τοξικά μέταλλα και κυρίως στα ψευδάργυρο, χρώμιο και νικέλιο.
Η προαναφερθείσα μεταβλητότητα της περιεκτικότητας των υπό εξέταση εδαφών σε τοξικά μέταλλα αποδίδεται στη διαφορετική ένταση ανά περιοχή των φαινομένων της γεωργίας, της αστικοποίησης και της βιομηχανοποίησης και επηρεάζει τη σχέση μεταξύ περιβαλλοντικών παραμέτρων και ρύπανσης.
Επιπλέον, ορισμένα εδαφικά δείγματα συγκεκριμένων περιοχών που αναλύθηκαν έδωσαν ιδιαίτερα υψηλές συγκεντρώσεις για διάφορα μέταλλα (βλ. Εικόνα 1), πράγμα που αποδόθηκε στο γεγονός ότι μάλλον οι συγκεκριμένες περιοχές αποτελούν κέντρα ρύπανσης και είναι πολύ επιβαρυμένες (hotspots) με τοξικά μέταλλα σε σχέση με τις υπόλοιπες περιοχές μελέτης. Εν τέλει, οι τιμές αυτές απορρίφθηκαν και δε χρησιμοποιήθηκαν στη χωρική μοντελοποίηση καθώς θα επηρέαζαν αρνητικά την ικανότητα πρόβλεψης/προσδιορισμού του μοντέλου. Έτσι μετά από την απόρριψη των τιμών αυτών, χρησιμοποιήθηκαν τελικά για τη μοντελοποίηση (βαθμονόμηση και έλεγχος) 299 δείγματα για το ψευδάργυρο και το μόλυβδο, 298 δείγματα για το χαλκό, 297 δείγματα για το χρώμιο και το νικέλιο και 300 δείγματα για το αρσενικό (βλ. Εικόνα 6).

===Χωρική μοντελοποίηση===

Τα αποτελέσματα της χωρικής πρόβλεψης των υπό εξέταση τοξικών μετάλλων παρουσιάζονται στην Εικόνα 8. Σε γενικές γραμμές, όλα τα μοντέλα βαθμονόμησης έδωσαν καλά αποτελέσματα όσον αφορά τις ικανότητες πρόβλεψης/προσδιορισμού των υπό εξέταση μετάλλων. Ο χαλκός είχε τις υψηλότερες τιμές R2 και RPD, ακολουθούμενος από το αρσενικό, το μόλυβδο, το χρώμιο, τον ψευδάργυρο και το νικέλιο. Παρόλ’ αυτά, εξαιτίας κάποιων παραγόντων οι τιμές RPIQ απέδωσαν μεγαλύτερη ακρίβεια προσδιορισμού σε σχέση με τις τιμές RPD.

===Σημασία μεταβλητότητας των παραγόμενων μοντέλων Cubist για την πρόβλεψη των υπό εξέταση μετάλλων===

Οι εκτελέσεις των μοντέλων μέσω του εργαλείου Cubist δε χρησιμοποίησαν όλες τις μεταβλητές για τη βαθμονόμηση. Όπως φαίνεται και στην Εικόνα 9, η οποία πρακτικά δείχνει τη χρήση της κάθε μεταβλητής/δεδομένου για κάθε υπό εξέταση μέταλλο, το σύνολο των εκτελέσεων των μοντέλων για όλα τα μέταλλα χρησιμοποίησε τηλεπισκοπικά δεδομένα (κανάλια, δείκτες κ.α.) μόνο για τους μήνες Ιανουάριο και Φεβρουάριο, σε συνδυασμό με διάφορα άλλα δεδομένα όπως κλίση, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α. Επιπλέον, με εξαίρεση τα τηλεπισκοπικά δεδομένα, οι αμέσως επόμενες πιο σημαντικές μεταβλητές (υψηλά ποσοστά), όπως επιλέχθηκαν από τα μοντέλα ήταν η δορυφορική εικόνα νυχτερινού φωτισμού της περιοχής και η εγγύτητα στους δρόμους.
Με βάση την Εικόνα 9:
* Τα μέταλλα χρώμιο και νικέλιο επηρεάζονταν ιδιαίτερα από γεωλογικούς και εδαφολογικούς παράγοντες
* Τα μέταλλα ψευδάργυρος, μόλυβδος και χαλκός επηρεάζονταν ιδιαίτερα από τοπολογικούς-ανθρωπογενείς παραμέτρους, όπως η εγγύτητα στους δρόμους, η απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.
Από τα παραπάνω προκύπτει πως οι συγκεντρώσεις των μετάλλων χρώμιο και νικέλιο επηρεάζονται κυρίως από περιβαλλοντικούς παράγοντες ενώ οι συγκεντρώσεις των μετάλλων ψευδάργυρος, μόλυβδος και χαλκός κυρίως από ανθρώπινες δραστηριότητες.

===Φασματικοί/τηλεσκοπικοί δείκτες===

Από τους τηλεπισκοπικούς δείκτες που υπολογίσθηκαν, αυτοί που χρησιμοποιήθηκαν περισσότερο ήταν ο tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index (η δημιουργία του οποίου βασίζεται στον πρώτο). Συγκεκριμένα, ο tasseled cap transformation ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα αρσενικό, ψευδάργυρο, μόλυβδο και χαλκό, ενώ ο BCI ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα χρώμιο, νικέλιο, ψευδάργυρο και μόλυβδο. Αυτό φαίνεται να οφείλεται στο γεγονός ότι αυτοί οι δύο δείκτες είναι οι μόνοι οι οποίοι μπορούν να προσδώσουν πληροφορίες τόσο για την ταξινόμηση των αστικών περιοχών (οι οποίες θεωρούνται αδιαπέραστες επιφάνειες) όσο και για τα επίπεδα και την αφθονία βλάστησης αλλά και τα επίπεδα υγρασίας των εδαφών στην υπό μελέτη περιοχή.
Από την άλλη οι δείκτες NDVI, EVI, SAVI ήταν στις δέκα κορυφαίες μεταβλητές μόνο για το μοντέλο του αρσενικού, πράγμα το οποίο αποδίδεται στο γεγονός ότι οι κύριες πηγές εδαφικής ρύπανσης με αρσενικό είναι τα γεωργικά φάρμακα και τα λιπάσματα που χρησιμοποιούνται στη γεωργία. Συγκεκριμένα, ανεξέλεγκτη χρήση γεωργικών φαρμάκων και λιπασμάτων παράγουν πιο «πράσινη» βιομάζα ενώ συγχρόνως αυξάνουν τις συγκεντρώσεις αρσενικού στα εδάφη. Πράγματι, ο συντελεστής συσχέτισης Pearson μεταξύ αρσενικού και των τριών δεικτών ήταν πάνω από 0.3, πράγμα που υποδεικνύει θετική σχέση μεταξύ της εδαφικής ρύπανσης με αρσενικό και του επιπέδου πράσινης βιομάζας στις αγροτικές περιοχές του Κατάρ.

===Προβλεπόμενοι χάρτες των υπό εξέταση μετάλλων===

Οι τελικοί χάρτες που προέκυψαν από τις εκτελέσεις των μοντέλων για τα υπό εξέταση μέταλλα παρουσιάζονται στην Εικόνα 10. Όλοι οι χάρτες εμφάνισαν παρόμοια χωρική κατανομή των μετάλλων και ξεκάθαρα υποδεικνύουν υψηλή συσσώρευση αυτών στο βόρειο τμήμα του Κατάρ. Αυτό αποδίδεται σε ανθρωπογενείς δραστηριότητες και γεωλογικές κυρίως παραμέτρους. Στο βόρειο τμήμα του Κατάρ υπάγονται το μεγαλύτερο μέρος της βιομηχανίας και της γεωργίας της χώρας ενώ συγχρόνως η γεωλογία της συγκεκριμένης περιοχής επηρεάζει θετικά την απορρόφηση και τη συσσώρευση των μετάλλων αυτών στο έδαφος.
Επιπρόσθετα, οι χάρτες πρόβλεψης για τα μέταλλα ψευδάργυρο, μόλυβδο και χαλκό υποδεικνύουν υψηλή συσσώρευση στο ανατολικό κομμάτι του Κατάρ, όπου βρίσκεται η πόλη Ντόχα. Αυτό αποδίδεται στη ραγδαία αστικοποίηση που εμφάνισε η πόλη τα τελευταία χρόνια. Πιθανώς, οφείλεται στην κατάθεση σωματιδίων μετάλλων από τον υπέρογκο πληθυσμό μηχανοκίνητων οχημάτων της περιοχής.

==Συμπεράσματα==

* Η χρήση πολυφασματικών δεδομένων (εικόνες Landsat 8, τηλεπισκοπικοί δείκτες) σε συνδυασμό με περιβαλλοντικές παραμέτρους (γεωλογικής, εδαφολογικής, γεωμορφολογικής, ανθρωπογενής φύσεως) διαμέσου της μοντελοποίησης που προσφέρει το Cubist έδωσαν ιδιαίτερα ικανοποιητικά αποτελέσματα πρόβλεψης εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων.
* Τα τηλεπισκοπικά δεδομένα Ιανουαρίου και Φεβρουαρίου, ήταν αυτά που επιλέχθηκαν και χρησιμοποιήθηκαν περισσότερο από τα μοντέλα, εξαιτίας της εποχιακής μεταβλητότητας του κλίματος του Κατάρ.
* Το θέμα με τη νεφοκάλυψη στις τηλεπισκοπικές απεικονίσεις ήταν ο κυριότερος περιορισμός της έρευνας, καθώς οι τηλεπισκοπικές απεικονίσεις με έντονο το φαινόμενο της νεφοκάλυψης απορρίφθηκαν. Μεταξύ αυτών ήταν και η απεικόνιση του Κατάρ για το μήνα Μάρτιο που όπως ερευνήθηκε ήταν η μεταβλητή που θα συνέβαλε περισσότερο στη βαθμονόμηση των μοντέλων.
* Οι δείκτες που χρησιμοποιήθηκαν σε μεγαλύτερο ποσοστό από τα μοντέλα ήταν οι tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων χαλκός, ψευδάργυρος και μόλυβδος επηρεάζονταν κυρίως από ανθρωπογενείς παραμέτρους.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων αρσενικό, χρώμιο και νικέλιο επηρεάζονταν κυρίως από γεωλογικούς και εδαφολογικούς παραμέτρους.
* Χρήση περισσότερων μεταβλητών/δεδομένων μπορεί να αυξήσει την ακρίβεια πρόβλεψης των μοντέλων.
* Η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.
* Για την εξακρίβωση της ποιότητας των αποτελεσμάτων απαιτούνται παρόμοιες έρευνες με τηλεπισκοπικά δεδομένα μεγαλύτερης ανάλυσης, ακρίβειας και χρονικής κάλυψης (π.χ. Sentinel 2).

[[category:Υποβάθμιση εδαφών]]

Χαρτογράφηση εδαφικών ρυπάνσεων Cu και Pb, με συνδυασμό γεωχημείας, τοπογραφίας και ψηφιακής τηλεπισκόπησης στον ποταμό Le’an, Κίνα

2019-01-23T00:17:49Z

Christos mamaloudis:

[[Εικόνα: wiki5_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης, σημεία δειγματοληψίας και υψόμετρο περιοχής]]
[[Εικόνα: wiki5_cm2.png|thumb|right|Εικόνα 2: Διάγραμμα ροής για τη χαρτογράφηση των ολικών ρυπάνσεων χαλκού και μόλυβδου που ακολουθήθηκε στην παρούσα έρευνα. (α) Με χρωματισμένα παραλληλόγραμμα απεικονίζονται τα δεδομένα που χρησιμοποιήθηκαν, (β) με ορθογώνια παραλληλόγραμμα απεικονίζονται τα στάδια της διαδικασίας και (γ) με λευκά παραλληλόγραμμα απεικονίζονται τα παραγόμενα δεδομένα και αποτελέσματα.]]
[[Εικόνα: wiki5_cm3.png|thumb|right|Εικόνα 3: Εικόνες ALOS στις οποίες εμπεριέχεται η περιοχή μελέτης της έρευνας]]
[[Εικόνα: wiki5_cm4.png|thumb|right|Εικόνα 4: Χαρακτηριστικά των μετρημένων ολικών συγκεντρώσεων χαλκού και μόλυβδου των εδαφικών δειγμάτων (n=71)]]
[[Εικόνα: wiki5_cm5.png|thumb|right|Εικόνα 5: Αποτελέσματα στατιστικών αναλύσεων]]
[[Εικόνα: wiki5_cm6.png|thumb|right|Εικόνα 6: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου χαλκού (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm7.png|thumb|right|Εικόνα 7: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου μόλυβδου (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm8.png|thumb|right|Εικόνα 8: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου χαλκού]]
[[Εικόνα: wiki5_cm9.png|thumb|right|Εικόνα 9: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου μόλυβδου]]

'''Πρότυπος τίτλος: Mapping of Cu and Pb Contaminations in Soil Using Combined Geochemistry, Topography, and Remote Sensing: A Case Study in the Le’an River Floodplain, China'''

'''Συγγραφείς: Yiyun Chen, Yaolin Liu, Yanfang Liu, Aiwen Lin, Xuesong Kong, Dianfeng Liu, Xiran Li, Yang Zhang, Yin Gao, Dun Wang'''

'''Link: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3386593/'''

==Εισαγωγή==

Τα βαρέα μέταλλα όταν υφίστανται σε υψηλές συγκεντρώσεις στο έδαφος, είτε λόγω φυσικών παραγόντων είτε εξαιτίας ανθρωπογενών παρεμβάσεων, είναι ιδιαίτερα επιβλαβή για το περιβάλλον και την ανθρώπινη υγεία, τόσο άμεσα όσο και έμμεσα. Για το λόγο αυτό, η χαρτογράφηση της κατανομής και η απεικόνιση τυχόν εδαφικών ρυπάνσεων σε μια περιοχή είναι πολύ σημαντική ειδικά όταν πρόκειται για περιοχές εξόρυξης. Η χαρτογράφηση δίνει τη δυνατότητα καλύτερου προσδιορισμού της εδαφικής ρύπανσης και συγχρόνως καλύτερη κατανόηση των τρόπων μεταφοράς και εγκατάστασης / απορρόφησης των εδαφικών ρύπων από και προς το έδαφος.
Για τη διαδικασία της χαρτογράφησης εδαφικών ρυπάνσεων με βαρέα μέταλλα, οι δύο σημαντικότεροι παράγοντες που λαμβάνονται υπόψη είναι (α) η χρήση γης και (β) η τοπογραφία μια περιοχής. Όσον αφορά τη χρήση γης, οι διαφορετικές χρήσεις καθορίζουν το είδος και τον τύπο μιας ενδεχόμενης έκθεσης στο έδαφος αλλά και των κινδύνων που μπορεί να ελλοχεύουν. Αυτό είναι εφικτό με τη χρήση χαρτών χρήσης γης ή εναλλακτικά σε περίπτωση απουσίας τέτοιων χαρτών με τη χρήση ψηφιακών τηλεπισκοπικών απεικονίσεων. Από την άλλη, η τοπογραφία είναι υψίστης σημασίας καθώς καθορίζει τις διαδρομές ροής του νερού. Αυτό ισχύει ακόμη περισσότερο για τη χαρτογράφηση εδαφικών ρυπάνσεων με βαρέα μέταλλα σε ορεινές περιοχές όπου υφίστανται διεργασίες εξόρυξης, και αυτό γιατί τα ορυχεία δύνανται να ξεπλυθούν από τα υδάτινα κατακρημνίσματα και ρεύματα, με αποτέλεσμα να προκαλέσουν σοβαρά προβλήματα.

==Σκοπός εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χαρτογράφηση της χωρικής κατανομής εδαφικών ρυπάνσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση εδάφους κατά μήκος του ποταμού Le’an αλλά και των παραποτάμων του. Αυτό επιτεύχθηκε με τη χρήση:
* Ολικών συγκεντρώσεων χαλκού και μόλυβδου στο έδαφος
* Δεδομένων ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM)
* Ψηφιακών τηλεπισκοπικών απεικονίσεων
* Ερμηνευμένων δεδομένων χρήσεων γης,
σε συνδυασμό με γεωγραφική ανάλυση αλλά και οριοθέτηση των λεκανών απορροής. Συγχρόνως, προσδιορίστηκαν οι πηγές και η μεταφορά των ρυπάνσεων, αλλά και οι περιοχές με υψηλό κίνδυνο ρύπανσης.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης καλύπτει τον ποταμό Le’an και την κάλυψη του στην επαρχία Jiangxi στην Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1.

===Δειγματοληψία===

Συνολικά συλλέχθηκαν 71 δείγματα εδάφους από την περιοχή κάλυψης του ποταμού Le’an σε βάθος 0-15 cm, εκ των οποίων 53 από αυτά (75 %) συλλέχθηκαν στις μεσαίες και ανώτερες δυνητικές στάθμες του ποταμού, όπου βρίσκονται το ορυχείο χαλκού Dexing και η εγκατάσταση εξαγωγής μόλυβδου-ψευδαργύρου Yinshan. Τα σημεία δειγματοληψίας καταγραφήκαν με τη χρήση GPS (Global Positioning System) με σφάλμα θέσης μικρότερο από 10 m (παρουσιάζονται στην Εικόνα 1).

===Προκατεργασία===

Πριν από τη χρήση των εδαφικών δειγμάτων για εργαστηριακή ανάλυση, προηγήθηκε προκατεργασία αυτών η οποία περιλάμβανε αεροξήρανση στους 20-25 oC για δύο ημέρες, ήπιο άλεσμα για τη διάσπαση των μεγάλων εδαφικών συσσωματωμάτων, κοσκίνισμα στα 0.2 mm, ομογενοποίηση των δειγμάτων και τελικώς δημιουργία ομοιόμορφων pellet διαμέτρου 45 mm από 40 g εδάφους για το κάθε δείγμα.

===Εργαστηριακή ανάλυση===

Για τον υπολογισμό των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα υπό εξέταση εδαφικά δείγματα χρησιμοποιήθηκε φασματοσκοπία φθορισμού ακτίνων X με διασπορά μήκους κύματος [wavelength-dispersive X-ray fluorescence (XRF) spectroscopy] στα προαναφερθέντα pellet. Ο λόγος που προτιμήθηκε η φασματοσκοπία XRF έναντι του κλασικού συνδυασμού χημικών αναλύσεων και φασματοσκοπίας ατομικής απορρόφησης (AAS – Atomic Absorption Spectroscopy) είναι για την αποφυγή δημιουργίας χημικών καταλοίπων αλλά και το γεγονός ότι επιτρέπει τον ταυτόχρονο υπολογισμό διάφορων μετάλλων. Τα αποτελέσματα παρουσιάζονται στην Εικόνα 4.

===Στατιστικές αναλύσεις===

Στα πλαίσια αυτής της μελέτης υιοθετήθηκαν στατιστικές αναλύσεις, περιλαμβανομένων περιγραφικών στατιστικών, ιστογραμμάτων, διαγραμμάτων πιθανότητας, Q-Q διαγραμμάτων (normal quantile-quantile plots) και τη δοκιμή ομαλότητας Lilliefors, το σύνολο των οποίων έγιναν σε περιβάλλον Matlab.
* Τα περιγραφικά στατιστικά χρησιμοποιήθηκαν για το σχολιασμό των κύριων χαρακτηριστικών των ολικών συγκεντρώσεων χαλκού και μόλυβδου για το κάθε εδαφικό δείγμα.
* Τα ιστογράμματα χρησιμοποιήθηκαν για την οπτική απεικόνιση των δεδομένων κατανομής των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Τα διαγράμματα πιθανότητας και Q-Q χρησιμοποιήθηκαν για τη γραφική εκτίμηση της ομαλότητας των δεδομένων των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Η δοκιμή ομαλότητας Lilliefors χρησιμοποιήθηκε για τη δοκιμή της μηδενικής υπόθεσης ότι τα δεδομένα προέρχονται από έναν κανονικά κατανεμημένο πληθυσμό, όταν η μηδενική υπόθεση δεν προσδιορίζει τον τύπο της κανονικής κατανομής.
Τα αποτελέσματα παρουσιάζονται στην Εικόνα 5.

===Οριοθέτηση λεκανών απορροής===

Οι λεκάνες απορροής των δύο κύριων παραποτάμων του ποταμού Le’an (Jishui, Dawu) παράχθηκαν με τη χρήση δεδομένων που προέκυψαν από το ψηφιακό μοντέλο εδάφους της περιοχής (GDEM), χρησιμοποιώντας την εργαλειοθήκη υδρολογίας του ArcGIS. Συγκεκριμένα, για το σχηματισμό των λεκανών απορροής, αφού εντοπίστηκαν και συμπληρώθηκαν οι περιοχές εσωτερικών αποστραγγίσεων, παράχθηκαν οι χάρτες (α) κατεύθυνσης ροής των υδάτων και (β) συσσώρευσης των υδάτων (βλ. Εικόνες 8 και 9), ενώ ως σημεία εξόδου ή ροής των υδάτων χρησιμοποιήθηκαν σημεία κατάντη των δύο παραποτάμων και κοντά στα σημεία δειγματοληψίας.

===Διάγραμμα ροής για την περάτωση της μελέτης===

Το διάγραμμα ροής για την παραγωγή των τελικών χαρτών των ολικών συγκεντρώσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση του εδάφους για την περιοχή μελέτης παρουσιάζεται στην Εικόνα 2.

===Διαδικασίες διαγράμματος ροής και τρόπος επίτευξης===

* Σχηματισμός ψηφιδωτού μοντέλου της περιοχής μελέτης → Μέσω χρήσης δύο εικόνων ALOS AVNIR-2 (Advanced Visible and Near-Infrared Radiometer type 2) σε επίπεδο 1Β2 στις οποίες είχε προηγηθεί ραδιομετρική και γεωμετρική διόρθωση (βλ. Εικόνα 3).
* Σχηματισμός χάρτη χρήσης γης της περιοχής μελέτης → Μέσω χρήσης εικόνας RGB πραγματικών χρωμάτων, με το κόκκινο να αντιστοιχεί στο κανάλι 3 με εύρος 0.61-0.69 μm, το πράσινο στο κανάλι 2 με εύρος 0.52-0.60 μm και το μπλε στο κανάλι 1 με εύρος 0.42-0.50 μm, η οποία προέκυψε από το συνδυασμό των εικόνων ALOS. Συνολικά, προέκυψαν οι εξής 3 κύριες χρήσεις γης: (1) αγροτική/γεωργική, (2) ανθρωπογενής και (3) εξόρυξης, ενώ συγχρόνως προσδιορίστηκε και η κάλυψη της περιοχής από ποτάμια.
* Σχεδιασμός εκτάσεων εδαφικής ζώνης των πλημμυρικών περιοχών → Μέσω χρήσης ζωνών buffer των ποταμών, οι οποίες προέκυψαν από την κάλυψη της περιοχής από ποτάμια, που προηγήθηκε στο προηγούμενο βήμα.
* Δημιουργία τρισδιάστατου μοντέλου εδάφους και αναλύσεων συσσώρευσης ροής υδάτων → Μέσω χρήσης του ASTER GDEM (Global Digital Elevation Map) – ψηφιακού μοντέλου εδάφους της περιοχής μελέτης.
* Αντίστροφη σταθμική παρεμβολή (IDWI – Inverse Distance Weighted Interpolation) → Μέσω χρήσης των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Η συγκεκριμένη διαδικασία πραγματοποιήθηκε, καθώς επιτρέπει πρόχειρη εκτίμηση των εδαφικών περιεχομένων βαρέων μετάλλων σε περιοχές, όπου δεν έχει προηγηθεί μέτρηση.
* Δημιουργία δισδιάστατου χάρτη → Μέσω χρήσης (α) της συνολικής εικόνας ALOS, (β) των επιμέρους χαρτών χρήσης γης που δημιουργήθηκαν, (γ) των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα πλημμυρικά εδάφη του ποταμού Le’an και των παραποτάμων του και (δ) διάφορων GIS δεδομένων (π.χ. διοικητικά όρια, τοποθεσία πόλεων).
Οι παραπάνω διαδικασίες εκτελέσθηκαν σε περιβάλλον ArcGIS.

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων (εργαστηριακών, στατιστικών)===

Τα αποτελέσματα των αναλύσεων περιγράφονται και απεικονίζονται στην Εικόνα 4 και στην Εικόνα 5.

===Χαρτογράφηση εδαφικού περιεχομένου χαλκού και μόλυβδου===

Με βάση τα παραπάνω, προέκυψαν τελικώς δύο σειρές χαρτών, οι οποίοι δείχνουν το πρότυπο χωρικής κατανομής των συνολικών εδαφικών συγκεντρώσεων χαλκού (Εικόνα 6) και μόλυβδου (Εικόνα 7) κατά μήκος του ποταμού Le’an, το χρώμα των οποίων κυμαίνεται από μπλε για χαμηλές ολικές συγκεντρώσεις έως και κόκκινο για υψηλές ολικές συγκεντρώσεις. Επιπλέον, στους παραγόμενους χάρτες απεικονίζονται τα σημεία δειγματοληψίας, οι πόλεις που υπάρχουν στην περιοχή μελέτης αλλά και οι επιμέρους χρήσεις γης. Συγκεκριμένα, οι ανθρωπογενείς περιοχές εμφανίζονται με γκρι χρώμα, οι αγροτικές περιοχές με πράσινο χρώμα και οι περιοχές εξόρυξης με πορτοκαλί χρώμα.

===Ανάλυση περιοχών δειγματοληψίας===

'''Χαλκός'''

Στην Εικόνα 6 παρουσιάζεται η χωρική κατανομή του χαλκού για την περιοχή μελέτης, όπου σημαντικές περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Συγκεκριμένα:
* Στην περιοχή 1 βρέθηκαν υψηλές ολικές συγκεντρώσεις χαλκού (μέγιστη τα 2262 mg/kg), πράγμα που αποδόθηκε στην πιθανότητα ότι η ταχύτητα του ποταμού στο σημείο αυτό να ήταν χαμηλή με αποτέλεσμα τα πλούσια σε χαλκό ιζήματα να κατατέθηκαν στην περιοχή, χωρίς όμως αυτό να είναι απόλυτο (απαιτείται περαιτέρω έρευνα). Η περιοχή 1 πρόκειται για αγροτική περιοχή και άρα ο κίνδυνος μεταφοράς χαλκού και άλλων βαρέων μετάλλων προς τον άνθρωπο διαμέσου της τροφικής αλυσίδας είναι μεγάλος.
* Στην περιοχή 2 βρέθηκε μέση τιμή ολικών συγκεντρώσεων χαλκού περίπου 800 mg/kg (τιμή ιδιαίτερα υψηλή). Τα ευρήματα αποδόθηκαν κυρίως στις εξορυκτικές δραστηριότητες της περιοχής (πορτοκαλί χρώμα) αλλά και στο γεγονός ύπαρξης επιβαρυμένης ατμοσφαιρικής σκόνης από άλλες βιομηχανικές δραστηριότητες και την οδική κίνηση των οχημάτων. Για την περιοχή 2 απαιτείται έλεγχος των σωματιδιακών ρύπων και προστασία για την αποφυγή εισπνοής σκόνης.
* Στην περιοχή 3, τα ευρήματα για τις ολικές συγκεντρώσεις χαλκού έδωσαν υψηλά αλλά όχι τόσο ανησυχητικά αποτελέσματα και αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων, οι οποίες μπορεί να εμπλούτιζαν τα νερά των ποταμών με χαλκό, ο οποίος τελικά κατακαθόταν στα εδάφη της περιοχής.
* Στην περιοχή 4, ισχύουν τα ίδια όπως και στην περιοχή 3. (Τα ευρήματα αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων)
Κύριος υπαίτιος θεωρήθηκε το ορυχείο χαλκού Dexing.

'''Μόλυβδος'''

Σε γενικές γραμμές, τα εδαφικά δείγματα που συλλέχθηκαν και αναλύθηκαν εργαστηριακά έδωσαν σχετικά υψηλές ολικές συγκεντρώσεις μόλυβδου, με παρόμοια χωρική κατανομή με την περίπτωση του χαλκού. Στην Εικόνα 7 παρουσιάζεται η χωρική κατανομή του μόλυβδου για την περιοχή μελέτης, όπου οι σημαντικότερες επιβαρυμένες περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Στην περίπτωση του μόλυβδου κύριος υπαίτιος θεωρήθηκε η μονάδα εγκατάστασης εξαγωγής μόλυβδου και ψευδαργύρου Yinshan.

===Λεκάνες απορροής και συσχετισμός===

Στις Εικόνες 8 (χαλκός) και 9 (μόλυβδος) παρουσιάζεται η χωρική συσχέτιση των λεκανών απορροής της περιοχής μελέτης με τις περιοχές όπου υφίστανται εξορυκτικές δραστηριότητες αλλά και με το εδαφικό περιεχόμενο χαλκού και μόλυβδου.

==Συμπεράσματα==

Η περάτωση της συγκεκριμένης έρευνας / μελέτης είχε σαν απώτερο στόχο να προσπαθήσει να προωθήσει την κατανόηση της εξαιρετικής σημασίας της τοπογραφίας αλλά και της κάλυψης και χρήσης γης όσον αφορά τις εδαφικές ρυπάνσεις σε περιοχές εξόρυξης και των κατάντη περιοχών. Με την ενσωμάτωση και χρήση εργαστηριακών δεδομένων ολικών συγκεντρώσεων, ψηφιακών τηλεπισκοπικών απεικονίσεων, τοπογραφικών δεδομένων, δευτερογενών βοηθητικών δεδομένων και γεωγραφικών αναλύσεων χαρτογραφήθηκε η χωρική κατανομή χαλκού και μόλυβδου στην περιοχή μελέτης (ποταμός Le’an και παραπόταμοι). Επιπλέον, με τη δημιουργία και την ανάλυση τρισδιάστατων χαρτών της περιοχής εντοπίστηκαν οι πιθανές πηγές των εδαφικών ρυπάνσεων χαλκού και μόλυβδου, αλλά και οι πιθανές διαδρομές μεταφοράς αυτών, δεδομένα που επαληθεύτηκαν με το σχηματισμό των χαρτών συσχετισμού λεκανών απορροής, εξορυκτικών περιοχών και εδαφικών περιεχομένων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Τέλος, ο ρόλος της τοπογραφίας και της ροής των υδάτινων ρευμάτων στη μεταφορά χαλκού και μόλυβδου κατά μήκος των ποταμών απεικονίστηκαν γραφικά από όπου και προέκυψε πως η ροή που δημιουργείται από τις βροχοπτώσεις είναι μάλλον και ο κύριος φορέας των μεταλλικών ρύπων. Σε κάθε περίπτωση απαιτείται περαιτέρω έρευνα για την εξακρίβωση των αποτελεσμάτων.

[[category:Υποβάθμιση εδαφών]]

Χαρτογράφηση εδαφικών ρυπάνσεων Cu και Pb, με συνδυασμό γεωχημείας, τοπογραφίας και ψηφιακής τηλεπισκόπησης στον ποταμό Le’an, Κίνα

2019-01-23T00:17:30Z

Christos mamaloudis:

[[Εικόνα: wiki5_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης, σημεία δειγματοληψίας και υψόμετρο περιοχής]]
[[Εικόνα: wiki5_cm2.png|thumb|right|Εικόνα 2: Διάγραμμα ροής για τη χαρτογράφηση των ολικών ρυπάνσεων χαλκού και μόλυβδου που ακολουθήθηκε στην παρούσα έρευνα. (α) Με χρωματισμένα παραλληλόγραμμα απεικονίζονται τα δεδομένα που χρησιμοποιήθηκαν, (β) με ορθογώνια παραλληλόγραμμα απεικονίζονται τα στάδια της διαδικασίας και (γ) με λευκά παραλληλόγραμμα απεικονίζονται τα παραγόμενα δεδομένα και αποτελέσματα.]]
[[Εικόνα: wiki5_cm3.png|thumb|right|Εικόνα 3: Εικόνες ALOS στις οποίες εμπεριέχεται η περιοχή μελέτης της έρευνας]]
[[Εικόνα: wiki5_cm4.png|thumb|right|Εικόνα 4: Χαρακτηριστικά των μετρημένων ολικών συγκεντρώσεων χαλκού και μόλυβδου των εδαφικών δειγμάτων (n=71)]]
[[Εικόνα: wiki5_cm5.png|thumb|right|Εικόνα 5: Αποτελέσματα στατιστικών αναλύσεων]]
[[Εικόνα: wiki5_cm6.png|thumb|right|Εικόνα 6: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου χαλκού (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm7.png|thumb|right|Εικόνα 7: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου μόλυβδου (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm8.png|thumb|right|Εικόνα 8: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου χαλκού]]
[[Εικόνα: wiki5_cm9.png|thumb|right|Εικόνα 9: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου μόλυβδου]]

'''Πρότυπος τίτλος: Mapping of Cu and Pb Contaminations in Soil Using Combined Geochemistry, Topography, and Remote Sensing: A Case Study in the Le’an River Floodplain, China'''

'''Συγγραφείς: Yiyun Chen, Yaolin Liu, Yanfang Liu, Aiwen Lin, Xuesong Kong, Dianfeng Liu, Xiran Li, Yang Zhang, Yin Gao, Dun Wang'''

'''Link: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3386593/'''

==Εισαγωγή==

Τα βαρέα μέταλλα όταν υφίστανται σε υψηλές συγκεντρώσεις στο έδαφος, είτε λόγω φυσικών παραγόντων είτε εξαιτίας ανθρωπογενών παρεμβάσεων, είναι ιδιαίτερα επιβλαβή για το περιβάλλον και την ανθρώπινη υγεία, τόσο άμεσα όσο και έμμεσα. Για το λόγο αυτό, η χαρτογράφηση της κατανομής και η απεικόνιση τυχόν εδαφικών ρυπάνσεων σε μια περιοχή είναι πολύ σημαντική ειδικά όταν πρόκειται για περιοχές εξόρυξης. Η χαρτογράφηση δίνει τη δυνατότητα καλύτερου προσδιορισμού της εδαφικής ρύπανσης και συγχρόνως καλύτερη κατανόηση των τρόπων μεταφοράς και εγκατάστασης / απορρόφησης των εδαφικών ρύπων από και προς το έδαφος.
Για τη διαδικασία της χαρτογράφησης εδαφικών ρυπάνσεων με βαρέα μέταλλα, οι δύο σημαντικότεροι παράγοντες που λαμβάνονται υπόψη είναι (α) η χρήση γης και (β) η τοπογραφία μια περιοχής. Όσον αφορά τη χρήση γης, οι διαφορετικές χρήσεις καθορίζουν το είδος και τον τύπο μιας ενδεχόμενης έκθεσης στο έδαφος αλλά και των κινδύνων που μπορεί να ελλοχεύουν. Αυτό είναι εφικτό με τη χρήση χαρτών χρήσης γης ή εναλλακτικά σε περίπτωση απουσίας τέτοιων χαρτών με τη χρήση ψηφιακών τηλεπισκοπικών απεικονίσεων. Από την άλλη, η τοπογραφία είναι υψίστης σημασίας καθώς καθορίζει τις διαδρομές ροής του νερού. Αυτό ισχύει ακόμη περισσότερο για τη χαρτογράφηση εδαφικών ρυπάνσεων με βαρέα μέταλλα σε ορεινές περιοχές όπου υφίστανται διεργασίες εξόρυξης, και αυτό γιατί τα ορυχεία δύνανται να ξεπλυθούν από τα υδάτινα κατακρημνίσματα και ρεύματα, με αποτέλεσμα να προκαλέσουν σοβαρά προβλήματα.

==Σκοπός εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χαρτογράφηση της χωρικής κατανομής εδαφικών ρυπάνσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση εδάφους κατά μήκος του ποταμού Le’an αλλά και των παραποτάμων του. Αυτό επιτεύχθηκε με τη χρήση:
* Ολικών συγκεντρώσεων χαλκού και μόλυβδου στο έδαφος
* Δεδομένων ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM)
* Ψηφιακών τηλεπισκοπικών απεικονίσεων
* Ερμηνευμένων δεδομένων χρήσεων γης,
σε συνδυασμό με γεωγραφική ανάλυση αλλά και οριοθέτηση των λεκανών απορροής. Συγχρόνως, προσδιορίστηκαν οι πηγές και η μεταφορά των ρυπάνσεων, αλλά και οι περιοχές με υψηλό κίνδυνο ρύπανσης.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης καλύπτει τον ποταμό Le’an και την κάλυψη του στην επαρχία Jiangxi στην Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1.

===Δειγματοληψία===

Συνολικά συλλέχθηκαν 71 δείγματα εδάφους από την περιοχή κάλυψης του ποταμού Le’an σε βάθος 0-15 cm, εκ των οποίων 53 από αυτά (75 %) συλλέχθηκαν στις μεσαίες και ανώτερες δυνητικές στάθμες του ποταμού, όπου βρίσκονται το ορυχείο χαλκού Dexing και η εγκατάσταση εξαγωγής μόλυβδου-ψευδαργύρου Yinshan. Τα σημεία δειγματοληψίας καταγραφήκαν με τη χρήση GPS (Global Positioning System) με σφάλμα θέσης μικρότερο από 10 m (παρουσιάζονται στην Εικόνα 1).

===Προκατεργασία===

Πριν από τη χρήση των εδαφικών δειγμάτων για εργαστηριακή ανάλυση, προηγήθηκε προκατεργασία αυτών η οποία περιλάμβανε αεροξήρανση στους 20-25 oC για δύο ημέρες, ήπιο άλεσμα για τη διάσπαση των μεγάλων εδαφικών συσσωματωμάτων, κοσκίνισμα στα 0.2 mm, ομογενοποίηση των δειγμάτων και τελικώς δημιουργία ομοιόμορφων pellet διαμέτρου 45 mm από 40 g εδάφους για το κάθε δείγμα.

===Εργαστηριακή ανάλυση===

Για τον υπολογισμό των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα υπό εξέταση εδαφικά δείγματα χρησιμοποιήθηκε φασματοσκοπία φθορισμού ακτίνων X με διασπορά μήκους κύματος [wavelength-dispersive X-ray fluorescence (XRF) spectroscopy] στα προαναφερθέντα pellet. Ο λόγος που προτιμήθηκε η φασματοσκοπία XRF έναντι του κλασικού συνδυασμού χημικών αναλύσεων και φασματοσκοπίας ατομικής απορρόφησης (AAS – Atomic Absorption Spectroscopy) είναι για την αποφυγή δημιουργίας χημικών καταλοίπων αλλά και το γεγονός ότι επιτρέπει τον ταυτόχρονο υπολογισμό διάφορων μετάλλων. Τα αποτελέσματα παρουσιάζονται στην Εικόνα 4.

===Στατιστικές αναλύσεις===

Στα πλαίσια αυτής της μελέτης υιοθετήθηκαν στατιστικές αναλύσεις, περιλαμβανομένων περιγραφικών στατιστικών, ιστογραμμάτων, διαγραμμάτων πιθανότητας, Q-Q διαγραμμάτων (normal quantile-quantile plots) και τη δοκιμή ομαλότητας Lilliefors, το σύνολο των οποίων έγιναν σε περιβάλλον Matlab.
* Τα περιγραφικά στατιστικά χρησιμοποιήθηκαν για το σχολιασμό των κύριων χαρακτηριστικών των ολικών συγκεντρώσεων χαλκού και μόλυβδου για το κάθε εδαφικό δείγμα.
* Τα ιστογράμματα χρησιμοποιήθηκαν για την οπτική απεικόνιση των δεδομένων κατανομής των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Τα διαγράμματα πιθανότητας και Q-Q χρησιμοποιήθηκαν για τη γραφική εκτίμηση της ομαλότητας των δεδομένων των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Η δοκιμή ομαλότητας Lilliefors χρησιμοποιήθηκε για τη δοκιμή της μηδενικής υπόθεσης ότι τα δεδομένα προέρχονται από έναν κανονικά κατανεμημένο πληθυσμό, όταν η μηδενική υπόθεση δεν προσδιορίζει τον τύπο της κανονικής κατανομής.
Τα αποτελέσματα παρουσιάζονται στην Εικόνα 5.

===Οριοθέτηση λεκανών απορροής===

Οι λεκάνες απορροής των δύο κύριων παραποτάμων του ποταμού Le’an (Jishui, Dawu) παράχθηκαν με τη χρήση δεδομένων που προέκυψαν από το ψηφιακό μοντέλο εδάφους της περιοχής (GDEM), χρησιμοποιώντας την εργαλειοθήκη υδρολογίας του ArcGIS. Συγκεκριμένα, για το σχηματισμό των λεκανών απορροής, αφού εντοπίστηκαν και συμπληρώθηκαν οι περιοχές εσωτερικών αποστραγγίσεων, παράχθηκαν οι χάρτες (α) κατεύθυνσης ροής των υδάτων και (β) συσσώρευσης των υδάτων (βλ. Εικόνες 8 και 9), ενώ ως σημεία εξόδου ή ροής των υδάτων χρησιμοποιήθηκαν σημεία κατάντη των δύο παραποτάμων και κοντά στα σημεία δειγματοληψίας.

===Διάγραμμα ροής για την περάτωση της μελέτης===

Το διάγραμμα ροής για την παραγωγή των τελικών χαρτών των ολικών συγκεντρώσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση του εδάφους για την περιοχή μελέτης παρουσιάζεται στην Εικόνα 2.

===Διαδικασίες διαγράμματος ροής και τρόπος επίτευξης===

* Σχηματισμός ψηφιδωτού μοντέλου της περιοχής μελέτης → Μέσω χρήσης δύο εικόνων ALOS AVNIR-2 (Advanced Visible and Near-Infrared Radiometer type 2) σε επίπεδο 1Β2 στις οποίες είχε προηγηθεί ραδιομετρική και γεωμετρική διόρθωση (βλ. Εικόνα 3).
* Σχηματισμός χάρτη χρήσης γης της περιοχής μελέτης → Μέσω χρήσης εικόνας RGB πραγματικών χρωμάτων, με το κόκκινο να αντιστοιχεί στο κανάλι 3 με εύρος 0.61-0.69 μm, το πράσινο στο κανάλι 2 με εύρος 0.52-0.60 μm και το μπλε στο κανάλι 1 με εύρος 0.42-0.50 μm, η οποία προέκυψε από το συνδυασμό των εικόνων ALOS. Συνολικά, προέκυψαν οι εξής 3 κύριες χρήσεις γης: (1) αγροτική/γεωργική, (2) ανθρωπογενής και (3) εξόρυξης, ενώ συγχρόνως προσδιορίστηκε και η κάλυψη της περιοχής από ποτάμια.
* Σχεδιασμός εκτάσεων εδαφικής ζώνης των πλημμυρικών περιοχών → Μέσω χρήσης ζωνών buffer των ποταμών, οι οποίες προέκυψαν από την κάλυψη της περιοχής από ποτάμια, που προηγήθηκε στο προηγούμενο βήμα.
* Δημιουργία τρισδιάστατου μοντέλου εδάφους και αναλύσεων συσσώρευσης ροής υδάτων → Μέσω χρήσης του ASTER GDEM (Global Digital Elevation Map) – ψηφιακού μοντέλου εδάφους της περιοχής μελέτης.
* Αντίστροφη σταθμική παρεμβολή (IDWI – Inverse Distance Weighted Interpolation) → Μέσω χρήσης των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Η συγκεκριμένη διαδικασία πραγματοποιήθηκε, καθώς επιτρέπει πρόχειρη εκτίμηση των εδαφικών περιεχομένων βαρέων μετάλλων σε περιοχές, όπου δεν έχει προηγηθεί μέτρηση.
* Δημιουργία δισδιάστατου χάρτη → Μέσω χρήσης (α) της συνολικής εικόνας ALOS, (β) των επιμέρους χαρτών χρήσης γης που δημιουργήθηκαν, (γ) των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα πλημμυρικά εδάφη του ποταμού Le’an και των παραποτάμων του και (δ) διάφορων GIS δεδομένων (π.χ. διοικητικά όρια, τοποθεσία πόλεων).
Οι παραπάνω διαδικασίες εκτελέσθηκαν σε περιβάλλον ArcGIS.

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων (εργαστηριακών, στατιστικών)===

Τα αποτελέσματα των αναλύσεων περιγράφονται και απεικονίζονται στην Εικόνα 4 και στην Εικόνα 5.

===Χαρτογράφηση εδαφικού περιεχομένου χαλκού και μόλυβδου===

Με βάση τα παραπάνω, προέκυψαν τελικώς δύο σειρές χαρτών, οι οποίοι δείχνουν το πρότυπο χωρικής κατανομής των συνολικών εδαφικών συγκεντρώσεων χαλκού (Εικόνα 6) και μόλυβδου (Εικόνα 7) κατά μήκος του ποταμού Le’an, το χρώμα των οποίων κυμαίνεται από μπλε για χαμηλές ολικές συγκεντρώσεις έως και κόκκινο για υψηλές ολικές συγκεντρώσεις. Επιπλέον, στους παραγόμενους χάρτες απεικονίζονται τα σημεία δειγματοληψίας, οι πόλεις που υπάρχουν στην περιοχή μελέτης αλλά και οι επιμέρους χρήσεις γης. Συγκεκριμένα, οι ανθρωπογενείς περιοχές εμφανίζονται με γκρι χρώμα, οι αγροτικές περιοχές με πράσινο χρώμα και οι περιοχές εξόρυξης με πορτοκαλί χρώμα.

===Ανάλυση περιοχών δειγματοληψίας===

'''Χαλκός'''

Στην Εικόνα 6 παρουσιάζεται η χωρική κατανομή του χαλκού για την περιοχή μελέτης, όπου σημαντικές περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Συγκεκριμένα:
* Στην περιοχή 1 βρέθηκαν υψηλές ολικές συγκεντρώσεις χαλκού (μέγιστη τα 2262 mg/kg), πράγμα που αποδόθηκε στην πιθανότητα ότι η ταχύτητα του ποταμού στο σημείο αυτό να ήταν χαμηλή με αποτέλεσμα τα πλούσια σε χαλκό ιζήματα να κατατέθηκαν στην περιοχή, χωρίς όμως αυτό να είναι απόλυτο (απαιτείται περαιτέρω έρευνα). Η περιοχή 1 πρόκειται για αγροτική περιοχή και άρα ο κίνδυνος μεταφοράς χαλκού και άλλων βαρέων μετάλλων προς τον άνθρωπο διαμέσου της τροφικής αλυσίδας είναι μεγάλος.
* Στην περιοχή 2 βρέθηκε μέση τιμή ολικών συγκεντρώσεων χαλκού περίπου 800 mg/kg (τιμή ιδιαίτερα υψηλή). Τα ευρήματα αποδόθηκαν κυρίως στις εξορυκτικές δραστηριότητες της περιοχής (πορτοκαλί χρώμα) αλλά και στο γεγονός ύπαρξης επιβαρυμένης ατμοσφαιρικής σκόνης από άλλες βιομηχανικές δραστηριότητες και την οδική κίνηση των οχημάτων. Για την περιοχή 2 απαιτείται έλεγχος των σωματιδιακών ρύπων και προστασία για την αποφυγή εισπνοής σκόνης.
* Στην περιοχή 3, τα ευρήματα για τις ολικές συγκεντρώσεις χαλκού έδωσαν υψηλά αλλά όχι τόσο ανησυχητικά αποτελέσματα και αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων, οι οποίες μπορεί να εμπλούτιζαν τα νερά των ποταμών με χαλκό, ο οποίος τελικά κατακαθόταν στα εδάφη της περιοχής.
* Στην περιοχή 4, ισχύουν τα ίδια όπως και στην περιοχή 3. (Τα ευρήματα αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων)
Κύριος υπαίτιος θεωρήθηκε το ορυχείο χαλκού Dexing.

'''Μόλυβδος'''

Σε γενικές γραμμές, τα εδαφικά δείγματα που συλλέχθηκαν και αναλύθηκαν εργαστηριακά έδωσαν σχετικά υψηλές ολικές συγκεντρώσεις μόλυβδου, με παρόμοια χωρική κατανομή με την περίπτωση του χαλκού. Στην Εικόνα 7 παρουσιάζεται η χωρική κατανομή του μόλυβδου για την περιοχή μελέτης, όπου οι σημαντικότερες επιβαρυμένες περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Στην περίπτωση του μόλυβδου κύριος υπαίτιος θεωρήθηκε η μονάδα εγκατάστασης εξαγωγής μόλυβδου και ψευδαργύρου Yinshan.

===Λεκάνες απορροής και συσχετισμός===

Στις Εικόνες 8 (χαλκός) και 9 (μόλυβδος) παρουσιάζεται η χωρική συσχέτιση των λεκανών απορροής της περιοχής μελέτης με τις περιοχές όπου υφίστανται εξορυκτικές δραστηριότητες αλλά και με το εδαφικό περιεχόμενο χαλκού και μόλυβδου.

==Συμπεράσματα==

Η περάτωση της συγκεκριμένης έρευνας / μελέτης είχε σαν απώτερο στόχο να προσπαθήσει να προωθήσει την κατανόηση της εξαιρετικής σημασίας της τοπογραφίας αλλά και της κάλυψης και χρήσης γης όσον αφορά τις εδαφικές ρυπάνσεις σε περιοχές εξόρυξης και των κατάντη περιοχών. Με την ενσωμάτωση και χρήση εργαστηριακών δεδομένων ολικών συγκεντρώσεων, ψηφιακών τηλεπισκοπικών απεικονίσεων, τοπογραφικών δεδομένων, δευτερογενών βοηθητικών δεδομένων και γεωγραφικών αναλύσεων χαρτογραφήθηκε η χωρική κατανομή χαλκού και μόλυβδου στην περιοχή μελέτης (ποταμός Le’an και παραπόταμοι). Επιπλέον, με τη δημιουργία και την ανάλυση τρισδιάστατων χαρτών της περιοχής να εντοπίστηκαν οι πιθανές πηγές των εδαφικών ρυπάνσεων χαλκού και μόλυβδου, αλλά και οι πιθανές διαδρομές μεταφοράς αυτών, δεδομένα που επαληθεύτηκαν με το σχηματισμό των χαρτών συσχετισμού λεκανών απορροής, εξορυκτικών περιοχών και εδαφικών περιεχομένων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Τέλος, ο ρόλος της τοπογραφίας και της ροής των υδάτινων ρευμάτων στη μεταφορά χαλκού και μόλυβδου κατά μήκος των ποταμών απεικονίστηκαν γραφικά από όπου και προέκυψε πως η ροή που δημιουργείται από τις βροχοπτώσεις είναι μάλλον και ο κύριος φορέας των μεταλλικών ρύπων. Σε κάθε περίπτωση απαιτείται περαιτέρω έρευνα για την εξακρίβωση των αποτελεσμάτων.

[[category:Υποβάθμιση εδαφών]]

Χαρτογράφηση εδαφικών ρυπάνσεων Cu και Pb, με συνδυασμό γεωχημείας, τοπογραφίας και ψηφιακής τηλεπισκόπησης στον ποταμό Le’an, Κίνα

2019-01-23T00:14:30Z

Christos mamaloudis:

[[Εικόνα: wiki5_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης, σημεία δειγματοληψίας και υψόμετρο περιοχής]]
[[Εικόνα: wiki5_cm2.png|thumb|right|Εικόνα 2: Διάγραμμα ροής για τη χαρτογράφηση των ολικών ρυπάνσεων χαλκού και μόλυβδου που ακολουθήθηκε στην παρούσα έρευνα. (α) Με χρωματισμένα παραλληλόγραμμα απεικονίζονται τα δεδομένα που χρησιμοποιήθηκαν, (β) με ορθογώνια παραλληλόγραμμα απεικονίζονται τα στάδια της διαδικασίας και (γ) με λευκά παραλληλόγραμμα απεικονίζονται τα παραγόμενα δεδομένα και αποτελέσματα.]]
[[Εικόνα: wiki5_cm3.png|thumb|right|Εικόνα 3: Εικόνες ALOS στις οποίες εμπεριέχεται η περιοχή μελέτης της έρευνας]]
[[Εικόνα: wiki5_cm4.png|thumb|right|Εικόνα 4: Χαρακτηριστικά των μετρημένων ολικών συγκεντρώσεων χαλκού και μόλυβδου των εδαφικών δειγμάτων (n=71)]]
[[Εικόνα: wiki5_cm5.png|thumb|right|Εικόνα 5: Αποτελέσματα στατιστικών αναλύσεων]]
[[Εικόνα: wiki5_cm6.png|thumb|right|Εικόνα 6: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου χαλκού (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm7.png|thumb|right|Εικόνα 7: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου μόλυβδου (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm8.png|thumb|right|Εικόνα 8: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου χαλκού]]
[[Εικόνα: wiki5_cm9.png|thumb|right|Εικόνα 9: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου μόλυβδου]]

'''Πρότυπος τίτλος: Mapping of Cu and Pb Contaminations in Soil Using Combined Geochemistry, Topography, and Remote Sensing: A Case Study in the Le’an River Floodplain, China'''

'''Συγγραφείς: Yiyun Chen, Yaolin Liu, Yanfang Liu, Aiwen Lin, Xuesong Kong, Dianfeng Liu, Xiran Li, Yang Zhang, Yin Gao, Dun Wang'''

'''Link: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3386593/'''

==Εισαγωγή==

Τα βαρέα μέταλλα όταν υφίστανται σε υψηλές συγκεντρώσεις στο έδαφος, είτε λόγω φυσικών παραγόντων είτε εξαιτίας ανθρωπογενών παρεμβάσεων, είναι ιδιαίτερα επιβλαβή για το περιβάλλον και την ανθρώπινη υγεία, τόσο άμεσα όσο και έμμεσα. Για το λόγο αυτό, η χαρτογράφηση της κατανομής και η απεικόνιση τυχόν εδαφικών ρυπάνσεων σε μια περιοχή είναι πολύ σημαντική ειδικά όταν πρόκειται για περιοχές εξόρυξης. Η χαρτογράφηση δίνει τη δυνατότητα καλύτερου προσδιορισμού της εδαφικής ρύπανσης και συγχρόνως καλύτερη κατανόηση των τρόπων μεταφοράς και εγκατάστασης / απορρόφησης των εδαφικών ρύπων από και προς το έδαφος.
Για τη διαδικασία της χαρτογράφησης εδαφικών ρυπάνσεων με βαρέα μέταλλα, οι δύο σημαντικότεροι παράγοντες που λαμβάνονται υπόψη είναι (α) η χρήση γης και (β) η τοπογραφία μια περιοχής. Όσον αφορά τη χρήση γης, οι διαφορετικές χρήσεις καθορίζουν το είδος και τον τύπο μιας ενδεχόμενης έκθεσης στο έδαφος αλλά και των κινδύνων που μπορεί να ελλοχεύουν. Αυτό είναι εφικτό με τη χρήση χαρτών χρήσης γης ή εναλλακτικά σε περίπτωση απουσίας τέτοιων χαρτών με τη χρήση ψηφιακών τηλεπισκοπικών απεικονίσεων. Από την άλλη, η τοπογραφία είναι υψίστης σημασίας καθώς καθορίζει τις διαδρομές ροής του νερού. Αυτό ισχύει ακόμη περισσότερο για τη χαρτογράφηση εδαφικών ρυπάνσεων με βαρέα μέταλλα σε ορεινές περιοχές όπου υφίστανται διεργασίες εξόρυξης, και αυτό γιατί τα ορυχεία δύνανται να ξεπλυθούν από τα υδάτινα κατακρημνίσματα και ρεύματα, με αποτέλεσμα να προκαλέσουν σοβαρά προβλήματα.

==Σκοπός εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χαρτογράφηση της χωρικής κατανομής εδαφικών ρυπάνσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση εδάφους κατά μήκος του ποταμού Le’an αλλά και των παραποτάμων του. Αυτό επιτεύχθηκε με τη χρήση:
* Ολικών συγκεντρώσεων χαλκού και μόλυβδου στο έδαφος
* Δεδομένων ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM)
* Ψηφιακών τηλεπισκοπικών απεικονίσεων
* Ερμηνευμένων δεδομένων χρήσεων γης,
σε συνδυασμό με γεωγραφική ανάλυση αλλά και οριοθέτηση των λεκανών απορροής. Συγχρόνως, προσδιορίστηκαν οι πηγές και η μεταφορά των ρυπάνσεων, αλλά και οι περιοχές με υψηλό κίνδυνο ρύπανσης.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης καλύπτει τον ποταμό Le’an και την κάλυψη του στην επαρχία Jiangxi στην Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1.

===Δειγματοληψία===

Συνολικά συλλέχθηκαν 71 δείγματα εδάφους από την περιοχή κάλυψης του ποταμού Le’an σε βάθος 0-15 cm, εκ των οποίων 53 από αυτά (75 %) συλλέχθηκαν στις μεσαίες και ανώτερες δυνητικές στάθμες του ποταμού, όπου βρίσκονται το ορυχείο χαλκού Dexing και η εγκατάσταση εξαγωγής μόλυβδου-ψευδαργύρου Yinshan. Τα σημεία δειγματοληψίας καταγραφήκαν με τη χρήση GPS (Global Positioning System) με σφάλμα θέσης μικρότερο από 10 m (παρουσιάζονται στην Εικόνα 1).

===Προκατεργασία===

Πριν από τη χρήση των εδαφικών δειγμάτων για εργαστηριακή ανάλυση, προηγήθηκε προκατεργασία αυτών η οποία περιλάμβανε αεροξήρανση στους 20-25 oC για δύο ημέρες, ήπιο άλεσμα για τη διάσπαση των μεγάλων εδαφικών συσσωματωμάτων, κοσκίνισμα στα 0.2 mm, ομογενοποίηση των δειγμάτων και τελικώς δημιουργία ομοιόμορφων pellet διαμέτρου 45 mm από 40 g εδάφους για το κάθε δείγμα.

===Εργαστηριακή ανάλυση===

Για τον υπολογισμό των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα υπό εξέταση εδαφικά δείγματα χρησιμοποιήθηκε φασματοσκοπία φθορισμού ακτίνων X με διασπορά μήκους κύματος [wavelength-dispersive X-ray fluorescence (XRF) spectroscopy] στα προαναφερθέντα pellet. Ο λόγος που προτιμήθηκε η φασματοσκοπία XRF έναντι του κλασικού συνδυασμού χημικών αναλύσεων και φασματοσκοπίας ατομικής απορρόφησης (AAS – Atomic Absorption Spectroscopy) είναι για την αποφυγή δημιουργίας χημικών καταλοίπων αλλά και το γεγονός ότι επιτρέπει τον ταυτόχρονο υπολογισμό διάφορων μετάλλων. Τα αποτελέσματα παρουσιάζονται στην Εικόνα 4.

===Στατιστικές αναλύσεις===

Στα πλαίσια αυτής της μελέτης υιοθετήθηκαν στατιστικές αναλύσεις, περιλαμβανομένων περιγραφικών στατιστικών, ιστογραμμάτων, διαγραμμάτων πιθανότητας, Q-Q διαγραμμάτων (normal quantile-quantile plots) και τη δοκιμή ομαλότητας Lilliefors, το σύνολο των οποίων έγιναν σε περιβάλλον Matlab.
* Τα περιγραφικά στατιστικά χρησιμοποιήθηκαν για το σχολιασμό των κύριων χαρακτηριστικών των ολικών συγκεντρώσεων χαλκού και μόλυβδου για το κάθε εδαφικό δείγμα.
* Τα ιστογράμματα χρησιμοποιήθηκαν για την οπτική απεικόνιση των δεδομένων κατανομής των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Τα διαγράμματα πιθανότητας και Q-Q χρησιμοποιήθηκαν για τη γραφική εκτίμηση της ομαλότητας των δεδομένων των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Η δοκιμή ομαλότητας Lilliefors χρησιμοποιήθηκε για τη δοκιμή της μηδενικής υπόθεσης ότι τα δεδομένα προέρχονται από έναν κανονικά κατανεμημένο πληθυσμό, όταν η μηδενική υπόθεση δεν προσδιορίζει τον τύπο της κανονικής κατανομής.
Τα αποτελέσματα παρουσιάζονται στην Εικόνα 5.

===Οριοθέτηση λεκανών απορροής===

Οι λεκάνες απορροής των δύο κύριων παραποτάμων του ποταμού Le’an (Jishui, Dawu) παράχθηκαν με τη χρήση δεδομένων που προέκυψαν από το ψηφιακό μοντέλο εδάφους της περιοχής (GDEM), χρησιμοποιώντας την εργαλειοθήκη υδρολογίας του ArcGIS. Συγκεκριμένα, για το σχηματισμό των λεκανών απορροής, αφού εντοπίστηκαν και συμπληρώθηκαν οι περιοχές εσωτερικών αποστραγγίσεων, παράχθηκαν οι χάρτες (α) κατεύθυνσης ροής των υδάτων και (β) συσσώρευσης των υδάτων (βλ. Εικόνες 8 και 9), ενώ ως σημεία εξόδου ή ροής των υδάτων χρησιμοποιήθηκαν σημεία κατάντη των δύο παραποτάμων και κοντά στα σημεία δειγματοληψίας.

===Διάγραμμα ροής για την περάτωση της μελέτης===

Το διάγραμμα ροής για την παραγωγή των τελικών χαρτών των ολικών συγκεντρώσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση του εδάφους για την περιοχή μελέτης παρουσιάζεται στην Εικόνα 2.

===Διαδικασίες διαγράμματος ροής και τρόπος επίτευξης===

* Σχηματισμός ψηφιδωτού μοντέλου της περιοχής μελέτης → Μέσω χρήσης δύο εικόνων ALOS AVNIR-2 (Advanced Visible and Near-Infrared Radiometer type 2) σε επίπεδο 1Β2 στις οποίες είχε προηγηθεί ραδιομετρική και γεωμετρική διόρθωση (βλ. Εικόνα 3).
* Σχηματισμός χάρτη χρήσης γης της περιοχής μελέτης → Μέσω χρήσης εικόνας RGB πραγματικών χρωμάτων, με το κόκκινο να αντιστοιχεί στο κανάλι 3 με εύρος 0.61-0.69 μm, το πράσινο στο κανάλι 2 με εύρος 0.52-0.60 μm και το μπλε στο κανάλι 1 με εύρος 0.42-0.50 μm, η οποία προέκυψε από το συνδυασμό των εικόνων ALOS. Συνολικά, προέκυψαν οι εξής 3 κύριες χρήσεις γης: (1) αγροτική/γεωργική, (2) ανθρωπογενής και (3) εξόρυξης, ενώ συγχρόνως προσδιορίστηκε και η κάλυψη της περιοχής από ποτάμια.
* Σχεδιασμός εκτάσεων εδαφικής ζώνης των πλημμυρικών περιοχών → Μέσω χρήσης ζωνών buffer των ποταμών, οι οποίες προέκυψαν από την κάλυψη της περιοχής από ποτάμια, που προηγήθηκε στο προηγούμενο βήμα.
* Δημιουργία τρισδιάστατου μοντέλου εδάφους και αναλύσεων συσσώρευσης ροής υδάτων → Μέσω χρήσης του ASTER GDEM (Global Digital Elevation Map) – ψηφιακού μοντέλου εδάφους της περιοχής μελέτης.
* Αντίστροφη σταθμική παρεμβολή (IDWI – Inverse Distance Weighted Interpolation) → Μέσω χρήσης των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Η συγκεκριμένη διαδικασία πραγματοποιήθηκε, καθώς επιτρέπει πρόχειρη εκτίμηση των εδαφικών περιεχομένων βαρέων μετάλλων σε περιοχές, όπου δεν έχει προηγηθεί μέτρηση.
* Δημιουργία δισδιάστατου χάρτη → Μέσω χρήσης (α) της συνολικής εικόνας ALOS, (β) των επιμέρους χαρτών χρήσης γης που δημιουργήθηκαν, (γ) των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα πλημμυρικά εδάφη του ποταμού Le’an και των παραποτάμων του και (δ) διάφορων GIS δεδομένων (π.χ. διοικητικά όρια, τοποθεσία πόλεων).
Οι παραπάνω διαδικασίες εκτελέσθηκαν σε περιβάλλον ArcGIS.

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων (εργαστηριακών, στατιστικών)===

Τα αποτελέσματα των αναλύσεων περιγράφονται και απεικονίζονται στην Εικόνα 4 και στην Εικόνα 5.

===Χαρτογράφηση εδαφικού περιεχομένου χαλκού και μόλυβδου===

Με βάση τα παραπάνω, προέκυψαν τελικώς δύο σειρές χαρτών, οι οποίοι δείχνουν το πρότυπο χωρικής κατανομής των συνολικών εδαφικών συγκεντρώσεων χαλκού (Εικόνα 6) και μόλυβδου (Εικόνα 7) κατά μήκος του ποταμού Le’an, το χρώμα των οποίων κυμαίνεται από μπλε για χαμηλές ολικές συγκεντρώσεις έως και κόκκινο για υψηλές ολικές συγκεντρώσεις. Επιπλέον, στους παραγόμενους χάρτες απεικονίζονται τα σημεία δειγματοληψίας, οι πόλεις που υπάρχουν στην περιοχή μελέτης αλλά και οι επιμέρους χρήσεις γης. Συγκεκριμένα, οι ανθρωπογενείς περιοχές εμφανίζονται με γκρι χρώμα, οι αγροτικές περιοχές με πράσινο χρώμα και οι περιοχές εξόρυξης με πορτοκαλί χρώμα.

===Ανάλυση περιοχών δειγματοληψίας===

'''Χαλκός'''

Στην Εικόνα 6 παρουσιάζεται η χωρική κατανομή του χαλκού για την περιοχή μελέτης, όπου σημαντικές περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Συγκεκριμένα:
* Στην περιοχή 1 βρέθηκαν υψηλές ολικές συγκεντρώσεις χαλκού (μέγιστη τα 2262 mg/kg), πράγμα που αποδόθηκε στην πιθανότητα ότι η ταχύτητα του ποταμού στο σημείο αυτό να ήταν χαμηλή με αποτέλεσμα τα πλούσια σε χαλκό ιζήματα να κατατέθηκαν στην περιοχή, χωρίς όμως αυτό να είναι απόλυτο (απαιτείται περαιτέρω έρευνα). Η περιοχή 1 πρόκειται για αγροτική περιοχή και άρα ο κίνδυνος μεταφοράς χαλκού και άλλων βαρέων μετάλλων προς τον άνθρωπο διαμέσου της τροφικής αλυσίδας είναι μεγάλος.
* Στην περιοχή 2 βρέθηκε μέση τιμή ολικών συγκεντρώσεων χαλκού περίπου 800 mg/kg (τιμή ιδιαίτερα υψηλή). Τα ευρήματα αποδόθηκαν κυρίως στις εξορυκτικές δραστηριότητες της περιοχής (πορτοκαλί χρώμα) αλλά και στο γεγονός ύπαρξης επιβαρυμένης ατμοσφαιρικής σκόνης από άλλες βιομηχανικές δραστηριότητες και την οδική κίνηση των οχημάτων. Για την περιοχή 2 απαιτείται έλεγχος των σωματιδιακών ρύπων και προστασία για την αποφυγή εισπνοής σκόνης.
* Στην περιοχή 3, τα ευρήματα για τις ολικές συγκεντρώσεις χαλκού έδωσαν υψηλά αλλά όχι τόσο ανησυχητικά αποτελέσματα και αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων, οι οποίες μπορεί να εμπλούτιζαν τα νερά των ποταμών με χαλκό, ο οποίος τελικά κατακαθόταν στα εδάφη της περιοχής.
* Στην περιοχή 4, ισχύουν τα ίδια όπως και στην περιοχή 3. (Τα ευρήματα αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων)
Κύριος υπαίτιος θεωρήθηκε το ορυχείο χαλκού Dexing.

'''Μόλυβδος'''

Σε γενικές γραμμές, τα εδαφικά δείγματα που συλλέχθηκαν και αναλύθηκαν εργαστηριακά έδωσαν σχετικά υψηλές ολικές συγκεντρώσεις μόλυβδου, με παρόμοια χωρική κατανομή με την περίπτωση του χαλκού. Στην Εικόνα 7 παρουσιάζεται η χωρική κατανομή του μόλυβδου για την περιοχή μελέτης, όπου οι σημαντικότερες επιβαρυμένες περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Στην περίπτωση του μόλυβδου κύριος υπαίτιος θεωρήθηκε η μονάδα εγκατάστασης εξαγωγής μόλυβδου και ψευδαργύρου Yinshan.

===Λεκάνες απορροής και συσχετισμός===

Στις Εικόνες 8 (χαλκός) και 9 (μόλυβδος) παρουσιάζεται η χωρική συσχέτιση των λεκανών απορροής της περιοχής μελέτης με τις περιοχές όπου υφίστανται εξορυκτικές δραστηριότητες αλλά και με το εδαφικό περιεχόμενο χαλκού και μόλυβδου.

==Συμπεράσματα==

Η περάτωση της συγκεκριμένης έρευνας / μελέτης είχε σαν απώτερο στόχο να προσπαθήσει να προωθήσει την κατανόηση της εξαιρετικής σημασίας της τοπογραφίας αλλά και της κάλυψης και χρήσης γης όσον αφορά τις εδαφικές ρυπάνσεις σε περιοχές εξόρυξης και των κατάντη περιοχών. Με την ενσωμάτωση και χρήση εργαστηριακών δεδομένων ολικών συγκεντρώσεων, ψηφιακών τηλεπισκοπικών απεικονίσεων, τοπογραφικών δεδομένων, δευτερογενών βοηθητικών δεδομένων και γεωγραφικών αναλύσεων χαρτογράφησε τη χωρική κατανομή χαλκού και μόλυβδου στην περιοχή μελέτης (ποταμός Le’an και παραπόταμοι). Επιπλέον, με τη δημιουργία και την ανάλυση τρισδιάστατων χαρτών της περιοχής κατάφερε να εντοπίσει τις πιθανές πηγές των εδαφικών ρυπάνσεων χαλκού και μόλυβδου, αλλά και τις πιθανές διαδρομές μεταφοράς αυτών, δεδομένα που επαληθεύτηκαν με το σχηματισμό των χαρτών συσχετισμού λεκανών απορροής, εξορυκτικών περιοχών και εδαφικών περιεχομένων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Τέλος, ο ρόλος της τοπογραφίας και της ροής των υδάτινων ρευμάτων στη μεταφορά χαλκού και μόλυβδου κατά μήκος των ποταμών απεικονίστηκαν γραφικά από όπου και προέκυψε πως η ροή που δημιουργείται από τις βροχοπτώσεις είναι μάλλον και ο κύριος φορέας των μεταλλικών ρύπων. Σε κάθε περίπτωση απαιτείται περαιτέρω έρευνα για την εξακρίβωση των αποτελεσμάτων.

[[category:Υποβάθμιση εδαφών]]

Χαρτογράφηση εδαφικών ρυπάνσεων Cu και Pb, με συνδυασμό γεωχημείας, τοπογραφίας και ψηφιακής τηλεπισκόπησης στον ποταμό Le’an, Κίνα

2019-01-23T00:13:56Z

Christos mamaloudis:

[[Εικόνα: wiki5_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης, σημεία δειγματοληψίας και υψόμετρο περιοχής]]
[[Εικόνα: wiki5_cm2.png|thumb|right|Εικόνα 2: Διάγραμμα ροής για τη χαρτογράφηση των ολικών ρυπάνσεων χαλκού και μόλυβδου που ακολουθήθηκε στην παρούσα έρευνα. (α) Με χρωματισμένα παραλληλόγραμμα απεικονίζονται τα δεδομένα που χρησιμοποιήθηκαν, (β) με ορθογώνια παραλληλόγραμμα απεικονίζονται τα στάδια της διαδικασίας και (γ) με λευκά παραλληλόγραμμα απεικονίζονται τα παραγόμενα δεδομένα και αποτελέσματα.]]
[[Εικόνα: wiki5_cm3.png|thumb|right|Εικόνα 3: Εικόνες ALOS στις οποίες εμπεριέχεται η περιοχή μελέτης της έρευνας]]
[[Εικόνα: wiki5_cm4.png|thumb|right|Εικόνα 4: Χαρακτηριστικά των μετρημένων ολικών συγκεντρώσεων χαλκού και μόλυβδου των εδαφικών δειγμάτων (n=71)]]
[[Εικόνα: wiki5_cm5.png|thumb|right|Εικόνα 5: Αποτελέσματα στατιστικών αναλύσεων]]
[[Εικόνα: wiki5_cm6.png|thumb|right|Εικόνα 6: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου χαλκού (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm7.png|thumb|right|Εικόνα 7: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου μόλυβδου (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm8.png|thumb|right|Εικόνα 8: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου χαλκού]]
[[Εικόνα: wiki5_cm9.png|thumb|right|Εικόνα 9: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου μόλυβδου]]

'''Πρότυπος τίτλος: Mapping of Cu and Pb Contaminations in Soil Using Combined Geochemistry, Topography, and Remote Sensing: A Case Study in the Le’an River Floodplain, China'''

'''Συγγραφείς: Yiyun Chen, Yaolin Liu, Yanfang Liu, Aiwen Lin, Xuesong Kong, Dianfeng Liu, Xiran Li, Yang Zhang, Yin Gao, Dun Wang'''

'''Link: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3386593/'''

==Εισαγωγή==

Τα βαρέα μέταλλα όταν υφίστανται σε υψηλές συγκεντρώσεις στο έδαφος, είτε λόγω φυσικών παραγόντων είτε εξαιτίας ανθρωπογενών παρεμβάσεων, είναι ιδιαίτερα επιβλαβή για το περιβάλλον και την ανθρώπινη υγεία, τόσο άμεσα όσο και έμμεσα. Για το λόγο αυτό, η χαρτογράφηση της κατανομής και η απεικόνιση τυχόν εδαφικών ρυπάνσεων σε μια περιοχή είναι πολύ σημαντική ειδικά όταν πρόκειται για περιοχές εξόρυξης. Η χαρτογράφηση δίνει τη δυνατότητα καλύτερου προσδιορισμού της εδαφικής ρύπανσης και συγχρόνως καλύτερη κατανόηση των τρόπων μεταφοράς και εγκατάστασης / απορρόφησης των εδαφικών ρύπων από και προς το έδαφος.
Για τη διαδικασία της χαρτογράφησης εδαφικών ρυπάνσεων με βαρέα μέταλλα, οι δύο σημαντικότεροι παράγοντες που λαμβάνονται υπόψη είναι (α) η χρήση γης και (β) η τοπογραφία μια περιοχής. Όσον αφορά τη χρήση γης, οι διαφορετικές χρήσεις καθορίζουν το είδος και τον τύπο μιας ενδεχόμενης έκθεσης στο έδαφος αλλά και των κινδύνων που μπορεί να ελλοχεύουν. Αυτό είναι εφικτό με τη χρήση χαρτών χρήσης γης ή εναλλακτικά σε περίπτωση απουσίας τέτοιων χαρτών με τη χρήση ψηφιακών τηλεπισκοπικών απεικονίσεων. Από την άλλη, η τοπογραφία είναι υψίστης σημασίας καθώς καθορίζει τις διαδρομές ροής του νερού. Αυτό ισχύει ακόμη περισσότερο για τη χαρτογράφηση εδαφικών ρυπάνσεων με βαρέα μέταλλα σε ορεινές περιοχές όπου υφίστανται διεργασίες εξόρυξης, και αυτό γιατί τα ορυχεία δύνανται να ξεπλυθούν από τα υδάτινα κατακρημνίσματα και ρεύματα, με αποτέλεσμα να προκαλέσουν σοβαρά προβλήματα.

==Σκοπός εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χαρτογράφηση της χωρικής κατανομής εδαφικών ρυπάνσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση εδάφους κατά μήκος του ποταμού Le’an αλλά και των παραποτάμων του. Αυτό επιτεύχθηκε με τη χρήση:
* Ολικών συγκεντρώσεων χαλκού και μόλυβδου στο έδαφος
* Δεδομένων ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM)
* Ψηφιακών τηλεπισκοπικών απεικονίσεων
* Ερμηνευμένων δεδομένων χρήσεων γης,
σε συνδυασμό με γεωγραφική ανάλυση αλλά και οριοθέτηση των λεκανών απορροής. Συγχρόνως, προσδιορίστηκαν οι πηγές και η μεταφορά των ρυπάνσεων, αλλά και οι περιοχές με υψηλό κίνδυνο ρύπανσης.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης καλύπτει τον ποταμό Le’an και την κάλυψη του στην επαρχία Jiangxi στην Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1.

===Δειγματοληψία===

Συνολικά συλλέχθηκαν 71 δείγματα εδάφους από την περιοχή κάλυψης του ποταμού Le’an σε βάθος 0-15 cm, εκ των οποίων 53 από αυτά (75 %) συλλέχθηκαν στις μεσαίες και ανώτερες δυνητικές στάθμες του ποταμού, όπου βρίσκονται το ορυχείο χαλκού Dexing και η εγκατάσταση εξαγωγής μόλυβδου-ψευδαργύρου Yinshan. Τα σημεία δειγματοληψίας καταγραφήκαν με τη χρήση GPS (Global Positioning System) με σφάλμα θέσης μικρότερο από 10 m (παρουσιάζονται στην Εικόνα 1).

===Προκατεργασία===

Πριν από τη χρήση των εδαφικών δειγμάτων για εργαστηριακή ανάλυση, προηγήθηκε προκατεργασία αυτών η οποία περιλάμβανε αεροξήρανση στους 20-25 oC για δύο ημέρες, ήπιο άλεσμα για τη διάσπαση των μεγάλων εδαφικών συσσωματωμάτων, κοσκίνισμα στα 0.2 mm, ομογενοποίηση των δειγμάτων και τελικώς δημιουργία ομοιόμορφων pellet διαμέτρου 45 mm από 40 g εδάφους για το κάθε δείγμα.

===Εργαστηριακή ανάλυση===

Για τον υπολογισμό των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα υπό εξέταση εδαφικά δείγματα χρησιμοποιήθηκε φασματοσκοπία φθορισμού ακτίνων X με διασπορά μήκους κύματος [wavelength-dispersive X-ray fluorescence (XRF) spectroscopy] στα προαναφερθέντα pellet. Ο λόγος που προτιμήθηκε η φασματοσκοπία XRF έναντι του κλασικού συνδυασμού χημικών αναλύσεων και φασματοσκοπίας ατομικής απορρόφησης (AAS – Atomic Absorption Spectroscopy) είναι για την αποφυγή δημιουργίας χημικών καταλοίπων αλλά και το γεγονός ότι επιτρέπει τον ταυτόχρονο υπολογισμό διάφορων μετάλλων. Τα αποτελέσματα παρουσιάζονται στην Εικόνα 4.

===Στατιστικές αναλύσεις===

Στα πλαίσια αυτής της μελέτης υιοθετήθηκαν στατιστικές αναλύσεις, περιλαμβανομένων περιγραφικών στατιστικών, ιστογραμμάτων, διαγραμμάτων πιθανότητας, Q-Q διαγραμμάτων (normal quantile-quantile plots) και τη δοκιμή ομαλότητας Lilliefors, το σύνολο των οποίων έγιναν σε περιβάλλον Matlab.
* Τα περιγραφικά στατιστικά χρησιμοποιήθηκαν για το σχολιασμό των κύριων χαρακτηριστικών των ολικών συγκεντρώσεων χαλκού και μόλυβδου για το κάθε εδαφικό δείγμα.
* Τα ιστογράμματα χρησιμοποιήθηκαν για την οπτική απεικόνιση των δεδομένων κατανομής των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Τα διαγράμματα πιθανότητας και Q-Q χρησιμοποιήθηκαν για τη γραφική εκτίμηση της ομαλότητας των δεδομένων των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Η δοκιμή ομαλότητας Lilliefors χρησιμοποιήθηκε για τη δοκιμή της μηδενικής υπόθεσης ότι τα δεδομένα προέρχονται από έναν κανονικά κατανεμημένο πληθυσμό, όταν η μηδενική υπόθεση δεν προσδιορίζει τον τύπο της κανονικής κατανομής.
Τα αποτελέσματα παρουσιάζονται στην Εικόνα 5.

===Οριοθέτηση λεκανών απορροής===

Οι λεκάνες απορροής των δύο κύριων παραποτάμων του ποταμού Le’an (Jishui, Dawu) παράχθηκαν με τη χρήση δεδομένων που προέκυψαν από το ψηφιακό μοντέλο εδάφους της περιοχής (GDEM), χρησιμοποιώντας την εργαλειοθήκη υδρολογίας του ArcGIS. Συγκεκριμένα, για το σχηματισμό των λεκανών απορροής, αφού εντοπίστηκαν και συμπληρώθηκαν οι περιοχές εσωτερικών αποστραγγίσεων, παράχθηκαν οι χάρτες (α) κατεύθυνσης ροής των υδάτων και (β) συσσώρευσης των υδάτων (βλ. Εικόνες 8 και 9), ενώ ως σημεία εξόδου ή ροής των υδάτων χρησιμοποιήθηκαν σημεία κατάντη των δύο παραποτάμων και κοντά στα σημεία δειγματοληψίας.

===Διάγραμμα ροής για την περάτωση της μελέτης===

Το διάγραμμα ροής για την παραγωγή των τελικών χαρτών των ολικών συγκεντρώσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση του εδάφους για την περιοχή μελέτης παρουσιάζεται στην Εικόνα 2.

===Διαδικασίες διαγράμματος ροής και τρόπος επίτευξης===

1* Σχηματισμός ψηφιδωτού μοντέλου της περιοχής μελέτης → Μέσω χρήσης δύο εικόνων ALOS AVNIR-2 (Advanced Visible and Near-Infrared Radiometer type 2) σε επίπεδο 1Β2 στις οποίες είχε προηγηθεί ραδιομετρική και γεωμετρική διόρθωση (βλ. Εικόνα 3).
2 Σχηματισμός χάρτη χρήσης γης της περιοχής μελέτης → Μέσω χρήσης εικόνας RGB πραγματικών χρωμάτων, με το κόκκινο να αντιστοιχεί στο κανάλι 3 με εύρος 0.61-0.69 μm, το πράσινο στο κανάλι 2 με εύρος 0.52-0.60 μm και το μπλε στο κανάλι 1 με εύρος 0.42-0.50 μm, η οποία προέκυψε από το συνδυασμό των εικόνων ALOS. Συνολικά, προέκυψαν οι εξής 3 κύριες χρήσεις γης: (1) αγροτική/γεωργική, (2) ανθρωπογενής και (3) εξόρυξης, ενώ συγχρόνως προσδιορίστηκε και η κάλυψη της περιοχής από ποτάμια.
3 Σχεδιασμός εκτάσεων εδαφικής ζώνης των πλημμυρικών περιοχών → Μέσω χρήσης ζωνών buffer των ποταμών, οι οποίες προέκυψαν από την κάλυψη της περιοχής από ποτάμια, που προηγήθηκε στο προηγούμενο βήμα.
4 Δημιουργία τρισδιάστατου μοντέλου εδάφους και αναλύσεων συσσώρευσης ροής υδάτων → Μέσω χρήσης του ASTER GDEM (Global Digital Elevation Map) – ψηφιακού μοντέλου εδάφους της περιοχής μελέτης.
5 Αντίστροφη σταθμική παρεμβολή (IDWI – Inverse Distance Weighted Interpolation) → Μέσω χρήσης των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Η συγκεκριμένη διαδικασία πραγματοποιήθηκε, καθώς επιτρέπει πρόχειρη εκτίμηση των εδαφικών περιεχομένων βαρέων μετάλλων σε περιοχές, όπου δεν έχει προηγηθεί μέτρηση.
6 Δημιουργία δισδιάστατου χάρτη → Μέσω χρήσης (α) της συνολικής εικόνας ALOS, (β) των επιμέρους χαρτών χρήσης γης που δημιουργήθηκαν, (γ) των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα πλημμυρικά εδάφη του ποταμού Le’an και των παραποτάμων του και (δ) διάφορων GIS δεδομένων (π.χ. διοικητικά όρια, τοποθεσία πόλεων).
Οι παραπάνω διαδικασίες εκτελέσθηκαν σε περιβάλλον ArcGIS.

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων (εργαστηριακών, στατιστικών)===

Τα αποτελέσματα των αναλύσεων περιγράφονται και απεικονίζονται στην Εικόνα 4 και στην Εικόνα 5.

===Χαρτογράφηση εδαφικού περιεχομένου χαλκού και μόλυβδου===

Με βάση τα παραπάνω, προέκυψαν τελικώς δύο σειρές χαρτών, οι οποίοι δείχνουν το πρότυπο χωρικής κατανομής των συνολικών εδαφικών συγκεντρώσεων χαλκού (Εικόνα 6) και μόλυβδου (Εικόνα 7) κατά μήκος του ποταμού Le’an, το χρώμα των οποίων κυμαίνεται από μπλε για χαμηλές ολικές συγκεντρώσεις έως και κόκκινο για υψηλές ολικές συγκεντρώσεις. Επιπλέον, στους παραγόμενους χάρτες απεικονίζονται τα σημεία δειγματοληψίας, οι πόλεις που υπάρχουν στην περιοχή μελέτης αλλά και οι επιμέρους χρήσεις γης. Συγκεκριμένα, οι ανθρωπογενείς περιοχές εμφανίζονται με γκρι χρώμα, οι αγροτικές περιοχές με πράσινο χρώμα και οι περιοχές εξόρυξης με πορτοκαλί χρώμα.

===Ανάλυση περιοχών δειγματοληψίας===

'''Χαλκός'''

Στην Εικόνα 6 παρουσιάζεται η χωρική κατανομή του χαλκού για την περιοχή μελέτης, όπου σημαντικές περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Συγκεκριμένα:
* Στην περιοχή 1 βρέθηκαν υψηλές ολικές συγκεντρώσεις χαλκού (μέγιστη τα 2262 mg/kg), πράγμα που αποδόθηκε στην πιθανότητα ότι η ταχύτητα του ποταμού στο σημείο αυτό να ήταν χαμηλή με αποτέλεσμα τα πλούσια σε χαλκό ιζήματα να κατατέθηκαν στην περιοχή, χωρίς όμως αυτό να είναι απόλυτο (απαιτείται περαιτέρω έρευνα). Η περιοχή 1 πρόκειται για αγροτική περιοχή και άρα ο κίνδυνος μεταφοράς χαλκού και άλλων βαρέων μετάλλων προς τον άνθρωπο διαμέσου της τροφικής αλυσίδας είναι μεγάλος.
* Στην περιοχή 2 βρέθηκε μέση τιμή ολικών συγκεντρώσεων χαλκού περίπου 800 mg/kg (τιμή ιδιαίτερα υψηλή). Τα ευρήματα αποδόθηκαν κυρίως στις εξορυκτικές δραστηριότητες της περιοχής (πορτοκαλί χρώμα) αλλά και στο γεγονός ύπαρξης επιβαρυμένης ατμοσφαιρικής σκόνης από άλλες βιομηχανικές δραστηριότητες και την οδική κίνηση των οχημάτων. Για την περιοχή 2 απαιτείται έλεγχος των σωματιδιακών ρύπων και προστασία για την αποφυγή εισπνοής σκόνης.
* Στην περιοχή 3, τα ευρήματα για τις ολικές συγκεντρώσεις χαλκού έδωσαν υψηλά αλλά όχι τόσο ανησυχητικά αποτελέσματα και αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων, οι οποίες μπορεί να εμπλούτιζαν τα νερά των ποταμών με χαλκό, ο οποίος τελικά κατακαθόταν στα εδάφη της περιοχής.
* Στην περιοχή 4, ισχύουν τα ίδια όπως και στην περιοχή 3. (Τα ευρήματα αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων)
Κύριος υπαίτιος θεωρήθηκε το ορυχείο χαλκού Dexing.

'''Μόλυβδος'''

Σε γενικές γραμμές, τα εδαφικά δείγματα που συλλέχθηκαν και αναλύθηκαν εργαστηριακά έδωσαν σχετικά υψηλές ολικές συγκεντρώσεις μόλυβδου, με παρόμοια χωρική κατανομή με την περίπτωση του χαλκού. Στην Εικόνα 7 παρουσιάζεται η χωρική κατανομή του μόλυβδου για την περιοχή μελέτης, όπου οι σημαντικότερες επιβαρυμένες περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Στην περίπτωση του μόλυβδου κύριος υπαίτιος θεωρήθηκε η μονάδα εγκατάστασης εξαγωγής μόλυβδου και ψευδαργύρου Yinshan.

===Λεκάνες απορροής και συσχετισμός===

Στις Εικόνες 8 (χαλκός) και 9 (μόλυβδος) παρουσιάζεται η χωρική συσχέτιση των λεκανών απορροής της περιοχής μελέτης με τις περιοχές όπου υφίστανται εξορυκτικές δραστηριότητες αλλά και με το εδαφικό περιεχόμενο χαλκού και μόλυβδου.

==Συμπεράσματα==

Η περάτωση της συγκεκριμένης έρευνας / μελέτης είχε σαν απώτερο στόχο να προσπαθήσει να προωθήσει την κατανόηση της εξαιρετικής σημασίας της τοπογραφίας αλλά και της κάλυψης και χρήσης γης όσον αφορά τις εδαφικές ρυπάνσεις σε περιοχές εξόρυξης και των κατάντη περιοχών. Με την ενσωμάτωση και χρήση εργαστηριακών δεδομένων ολικών συγκεντρώσεων, ψηφιακών τηλεπισκοπικών απεικονίσεων, τοπογραφικών δεδομένων, δευτερογενών βοηθητικών δεδομένων και γεωγραφικών αναλύσεων χαρτογράφησε τη χωρική κατανομή χαλκού και μόλυβδου στην περιοχή μελέτης (ποταμός Le’an και παραπόταμοι). Επιπλέον, με τη δημιουργία και την ανάλυση τρισδιάστατων χαρτών της περιοχής κατάφερε να εντοπίσει τις πιθανές πηγές των εδαφικών ρυπάνσεων χαλκού και μόλυβδου, αλλά και τις πιθανές διαδρομές μεταφοράς αυτών, δεδομένα που επαληθεύτηκαν με το σχηματισμό των χαρτών συσχετισμού λεκανών απορροής, εξορυκτικών περιοχών και εδαφικών περιεχομένων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Τέλος, ο ρόλος της τοπογραφίας και της ροής των υδάτινων ρευμάτων στη μεταφορά χαλκού και μόλυβδου κατά μήκος των ποταμών απεικονίστηκαν γραφικά από όπου και προέκυψε πως η ροή που δημιουργείται από τις βροχοπτώσεις είναι μάλλον και ο κύριος φορέας των μεταλλικών ρύπων. Σε κάθε περίπτωση απαιτείται περαιτέρω έρευνα για την εξακρίβωση των αποτελεσμάτων.

[[category:Υποβάθμιση εδαφών]]

Χαρτογράφηση εδαφικών ρυπάνσεων Cu και Pb, με συνδυασμό γεωχημείας, τοπογραφίας και ψηφιακής τηλεπισκόπησης στον ποταμό Le’an, Κίνα

2019-01-23T00:13:36Z

Christos mamaloudis:

[[Εικόνα: wiki5_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης, σημεία δειγματοληψίας και υψόμετρο περιοχής]]
[[Εικόνα: wiki5_cm2.png|thumb|right|Εικόνα 2: Διάγραμμα ροής για τη χαρτογράφηση των ολικών ρυπάνσεων χαλκού και μόλυβδου που ακολουθήθηκε στην παρούσα έρευνα. (α) Με χρωματισμένα παραλληλόγραμμα απεικονίζονται τα δεδομένα που χρησιμοποιήθηκαν, (β) με ορθογώνια παραλληλόγραμμα απεικονίζονται τα στάδια της διαδικασίας και (γ) με λευκά παραλληλόγραμμα απεικονίζονται τα παραγόμενα δεδομένα και αποτελέσματα.]]
[[Εικόνα: wiki5_cm3.png|thumb|right|Εικόνα 3: Εικόνες ALOS στις οποίες εμπεριέχεται η περιοχή μελέτης της έρευνας]]
[[Εικόνα: wiki5_cm4.png|thumb|right|Εικόνα 4: Χαρακτηριστικά των μετρημένων ολικών συγκεντρώσεων χαλκού και μόλυβδου των εδαφικών δειγμάτων (n=71)]]
[[Εικόνα: wiki5_cm5.png|thumb|right|Εικόνα 5: Αποτελέσματα στατιστικών αναλύσεων]]
[[Εικόνα: wiki5_cm6.png|thumb|right|Εικόνα 6: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου χαλκού (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm7.png|thumb|right|Εικόνα 7: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου μόλυβδου (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm8.png|thumb|right|Εικόνα 8: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου χαλκού]]
[[Εικόνα: wiki5_cm9.png|thumb|right|Εικόνα 9: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου μόλυβδου]]

'''Πρότυπος τίτλος: Mapping of Cu and Pb Contaminations in Soil Using Combined Geochemistry, Topography, and Remote Sensing: A Case Study in the Le’an River Floodplain, China'''

'''Συγγραφείς: Yiyun Chen, Yaolin Liu, Yanfang Liu, Aiwen Lin, Xuesong Kong, Dianfeng Liu, Xiran Li, Yang Zhang, Yin Gao, Dun Wang'''

'''Link: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3386593/'''

==Εισαγωγή==

Τα βαρέα μέταλλα όταν υφίστανται σε υψηλές συγκεντρώσεις στο έδαφος, είτε λόγω φυσικών παραγόντων είτε εξαιτίας ανθρωπογενών παρεμβάσεων, είναι ιδιαίτερα επιβλαβή για το περιβάλλον και την ανθρώπινη υγεία, τόσο άμεσα όσο και έμμεσα. Για το λόγο αυτό, η χαρτογράφηση της κατανομής και η απεικόνιση τυχόν εδαφικών ρυπάνσεων σε μια περιοχή είναι πολύ σημαντική ειδικά όταν πρόκειται για περιοχές εξόρυξης. Η χαρτογράφηση δίνει τη δυνατότητα καλύτερου προσδιορισμού της εδαφικής ρύπανσης και συγχρόνως καλύτερη κατανόηση των τρόπων μεταφοράς και εγκατάστασης / απορρόφησης των εδαφικών ρύπων από και προς το έδαφος.
Για τη διαδικασία της χαρτογράφησης εδαφικών ρυπάνσεων με βαρέα μέταλλα, οι δύο σημαντικότεροι παράγοντες που λαμβάνονται υπόψη είναι (α) η χρήση γης και (β) η τοπογραφία μια περιοχής. Όσον αφορά τη χρήση γης, οι διαφορετικές χρήσεις καθορίζουν το είδος και τον τύπο μιας ενδεχόμενης έκθεσης στο έδαφος αλλά και των κινδύνων που μπορεί να ελλοχεύουν. Αυτό είναι εφικτό με τη χρήση χαρτών χρήσης γης ή εναλλακτικά σε περίπτωση απουσίας τέτοιων χαρτών με τη χρήση ψηφιακών τηλεπισκοπικών απεικονίσεων. Από την άλλη, η τοπογραφία είναι υψίστης σημασίας καθώς καθορίζει τις διαδρομές ροής του νερού. Αυτό ισχύει ακόμη περισσότερο για τη χαρτογράφηση εδαφικών ρυπάνσεων με βαρέα μέταλλα σε ορεινές περιοχές όπου υφίστανται διεργασίες εξόρυξης, και αυτό γιατί τα ορυχεία δύνανται να ξεπλυθούν από τα υδάτινα κατακρημνίσματα και ρεύματα, με αποτέλεσμα να προκαλέσουν σοβαρά προβλήματα.

==Σκοπός εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χαρτογράφηση της χωρικής κατανομής εδαφικών ρυπάνσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση εδάφους κατά μήκος του ποταμού Le’an αλλά και των παραποτάμων του. Αυτό επιτεύχθηκε με τη χρήση:
* Ολικών συγκεντρώσεων χαλκού και μόλυβδου στο έδαφος
* Δεδομένων ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM)
* Ψηφιακών τηλεπισκοπικών απεικονίσεων
* Ερμηνευμένων δεδομένων χρήσεων γης,
σε συνδυασμό με γεωγραφική ανάλυση αλλά και οριοθέτηση των λεκανών απορροής. Συγχρόνως, προσδιορίστηκαν οι πηγές και η μεταφορά των ρυπάνσεων, αλλά και οι περιοχές με υψηλό κίνδυνο ρύπανσης.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης καλύπτει τον ποταμό Le’an και την κάλυψη του στην επαρχία Jiangxi στην Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1.

===Δειγματοληψία===

Συνολικά συλλέχθηκαν 71 δείγματα εδάφους από την περιοχή κάλυψης του ποταμού Le’an σε βάθος 0-15 cm, εκ των οποίων 53 από αυτά (75 %) συλλέχθηκαν στις μεσαίες και ανώτερες δυνητικές στάθμες του ποταμού, όπου βρίσκονται το ορυχείο χαλκού Dexing και η εγκατάσταση εξαγωγής μόλυβδου-ψευδαργύρου Yinshan. Τα σημεία δειγματοληψίας καταγραφήκαν με τη χρήση GPS (Global Positioning System) με σφάλμα θέσης μικρότερο από 10 m (παρουσιάζονται στην Εικόνα 1).

===Προκατεργασία===

Πριν από τη χρήση των εδαφικών δειγμάτων για εργαστηριακή ανάλυση, προηγήθηκε προκατεργασία αυτών η οποία περιλάμβανε αεροξήρανση στους 20-25 oC για δύο ημέρες, ήπιο άλεσμα για τη διάσπαση των μεγάλων εδαφικών συσσωματωμάτων, κοσκίνισμα στα 0.2 mm, ομογενοποίηση των δειγμάτων και τελικώς δημιουργία ομοιόμορφων pellet διαμέτρου 45 mm από 40 g εδάφους για το κάθε δείγμα.

===Εργαστηριακή ανάλυση===

Για τον υπολογισμό των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα υπό εξέταση εδαφικά δείγματα χρησιμοποιήθηκε φασματοσκοπία φθορισμού ακτίνων X με διασπορά μήκους κύματος [wavelength-dispersive X-ray fluorescence (XRF) spectroscopy] στα προαναφερθέντα pellet. Ο λόγος που προτιμήθηκε η φασματοσκοπία XRF έναντι του κλασικού συνδυασμού χημικών αναλύσεων και φασματοσκοπίας ατομικής απορρόφησης (AAS – Atomic Absorption Spectroscopy) είναι για την αποφυγή δημιουργίας χημικών καταλοίπων αλλά και το γεγονός ότι επιτρέπει τον ταυτόχρονο υπολογισμό διάφορων μετάλλων. Τα αποτελέσματα παρουσιάζονται στην Εικόνα 4.

===Στατιστικές αναλύσεις===

Στα πλαίσια αυτής της μελέτης υιοθετήθηκαν στατιστικές αναλύσεις, περιλαμβανομένων περιγραφικών στατιστικών, ιστογραμμάτων, διαγραμμάτων πιθανότητας, Q-Q διαγραμμάτων (normal quantile-quantile plots) και τη δοκιμή ομαλότητας Lilliefors, το σύνολο των οποίων έγιναν σε περιβάλλον Matlab.
* Τα περιγραφικά στατιστικά χρησιμοποιήθηκαν για το σχολιασμό των κύριων χαρακτηριστικών των ολικών συγκεντρώσεων χαλκού και μόλυβδου για το κάθε εδαφικό δείγμα.
* Τα ιστογράμματα χρησιμοποιήθηκαν για την οπτική απεικόνιση των δεδομένων κατανομής των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Τα διαγράμματα πιθανότητας και Q-Q χρησιμοποιήθηκαν για τη γραφική εκτίμηση της ομαλότητας των δεδομένων των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Η δοκιμή ομαλότητας Lilliefors χρησιμοποιήθηκε για τη δοκιμή της μηδενικής υπόθεσης ότι τα δεδομένα προέρχονται από έναν κανονικά κατανεμημένο πληθυσμό, όταν η μηδενική υπόθεση δεν προσδιορίζει τον τύπο της κανονικής κατανομής.
Τα αποτελέσματα παρουσιάζονται στην Εικόνα 5.

===Οριοθέτηση λεκανών απορροής===

Οι λεκάνες απορροής των δύο κύριων παραποτάμων του ποταμού Le’an (Jishui, Dawu) παράχθηκαν με τη χρήση δεδομένων που προέκυψαν από το ψηφιακό μοντέλο εδάφους της περιοχής (GDEM), χρησιμοποιώντας την εργαλειοθήκη υδρολογίας του ArcGIS. Συγκεκριμένα, για το σχηματισμό των λεκανών απορροής, αφού εντοπίστηκαν και συμπληρώθηκαν οι περιοχές εσωτερικών αποστραγγίσεων, παράχθηκαν οι χάρτες (α) κατεύθυνσης ροής των υδάτων και (β) συσσώρευσης των υδάτων (βλ. Εικόνες 8 και 9), ενώ ως σημεία εξόδου ή ροής των υδάτων χρησιμοποιήθηκαν σημεία κατάντη των δύο παραποτάμων και κοντά στα σημεία δειγματοληψίας.

===Διάγραμμα ροής για την περάτωση της μελέτης===

Το διάγραμμα ροής για την παραγωγή των τελικών χαρτών των ολικών συγκεντρώσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση του εδάφους για την περιοχή μελέτης παρουσιάζεται στην Εικόνα 2.

===Διαδικασίες διαγράμματος ροής και τρόπος επίτευξης===

*1 Σχηματισμός ψηφιδωτού μοντέλου της περιοχής μελέτης → Μέσω χρήσης δύο εικόνων ALOS AVNIR-2 (Advanced Visible and Near-Infrared Radiometer type 2) σε επίπεδο 1Β2 στις οποίες είχε προηγηθεί ραδιομετρική και γεωμετρική διόρθωση (βλ. Εικόνα 3).
2 Σχηματισμός χάρτη χρήσης γης της περιοχής μελέτης → Μέσω χρήσης εικόνας RGB πραγματικών χρωμάτων, με το κόκκινο να αντιστοιχεί στο κανάλι 3 με εύρος 0.61-0.69 μm, το πράσινο στο κανάλι 2 με εύρος 0.52-0.60 μm και το μπλε στο κανάλι 1 με εύρος 0.42-0.50 μm, η οποία προέκυψε από το συνδυασμό των εικόνων ALOS. Συνολικά, προέκυψαν οι εξής 3 κύριες χρήσεις γης: (1) αγροτική/γεωργική, (2) ανθρωπογενής και (3) εξόρυξης, ενώ συγχρόνως προσδιορίστηκε και η κάλυψη της περιοχής από ποτάμια.
3 Σχεδιασμός εκτάσεων εδαφικής ζώνης των πλημμυρικών περιοχών → Μέσω χρήσης ζωνών buffer των ποταμών, οι οποίες προέκυψαν από την κάλυψη της περιοχής από ποτάμια, που προηγήθηκε στο προηγούμενο βήμα.
4 Δημιουργία τρισδιάστατου μοντέλου εδάφους και αναλύσεων συσσώρευσης ροής υδάτων → Μέσω χρήσης του ASTER GDEM (Global Digital Elevation Map) – ψηφιακού μοντέλου εδάφους της περιοχής μελέτης.
5 Αντίστροφη σταθμική παρεμβολή (IDWI – Inverse Distance Weighted Interpolation) → Μέσω χρήσης των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Η συγκεκριμένη διαδικασία πραγματοποιήθηκε, καθώς επιτρέπει πρόχειρη εκτίμηση των εδαφικών περιεχομένων βαρέων μετάλλων σε περιοχές, όπου δεν έχει προηγηθεί μέτρηση.
6 Δημιουργία δισδιάστατου χάρτη → Μέσω χρήσης (α) της συνολικής εικόνας ALOS, (β) των επιμέρους χαρτών χρήσης γης που δημιουργήθηκαν, (γ) των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα πλημμυρικά εδάφη του ποταμού Le’an και των παραποτάμων του και (δ) διάφορων GIS δεδομένων (π.χ. διοικητικά όρια, τοποθεσία πόλεων).
Οι παραπάνω διαδικασίες εκτελέσθηκαν σε περιβάλλον ArcGIS.

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων (εργαστηριακών, στατιστικών)===

Τα αποτελέσματα των αναλύσεων περιγράφονται και απεικονίζονται στην Εικόνα 4 και στην Εικόνα 5.

===Χαρτογράφηση εδαφικού περιεχομένου χαλκού και μόλυβδου===

Με βάση τα παραπάνω, προέκυψαν τελικώς δύο σειρές χαρτών, οι οποίοι δείχνουν το πρότυπο χωρικής κατανομής των συνολικών εδαφικών συγκεντρώσεων χαλκού (Εικόνα 6) και μόλυβδου (Εικόνα 7) κατά μήκος του ποταμού Le’an, το χρώμα των οποίων κυμαίνεται από μπλε για χαμηλές ολικές συγκεντρώσεις έως και κόκκινο για υψηλές ολικές συγκεντρώσεις. Επιπλέον, στους παραγόμενους χάρτες απεικονίζονται τα σημεία δειγματοληψίας, οι πόλεις που υπάρχουν στην περιοχή μελέτης αλλά και οι επιμέρους χρήσεις γης. Συγκεκριμένα, οι ανθρωπογενείς περιοχές εμφανίζονται με γκρι χρώμα, οι αγροτικές περιοχές με πράσινο χρώμα και οι περιοχές εξόρυξης με πορτοκαλί χρώμα.

===Ανάλυση περιοχών δειγματοληψίας===

'''Χαλκός'''

Στην Εικόνα 6 παρουσιάζεται η χωρική κατανομή του χαλκού για την περιοχή μελέτης, όπου σημαντικές περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Συγκεκριμένα:
* Στην περιοχή 1 βρέθηκαν υψηλές ολικές συγκεντρώσεις χαλκού (μέγιστη τα 2262 mg/kg), πράγμα που αποδόθηκε στην πιθανότητα ότι η ταχύτητα του ποταμού στο σημείο αυτό να ήταν χαμηλή με αποτέλεσμα τα πλούσια σε χαλκό ιζήματα να κατατέθηκαν στην περιοχή, χωρίς όμως αυτό να είναι απόλυτο (απαιτείται περαιτέρω έρευνα). Η περιοχή 1 πρόκειται για αγροτική περιοχή και άρα ο κίνδυνος μεταφοράς χαλκού και άλλων βαρέων μετάλλων προς τον άνθρωπο διαμέσου της τροφικής αλυσίδας είναι μεγάλος.
* Στην περιοχή 2 βρέθηκε μέση τιμή ολικών συγκεντρώσεων χαλκού περίπου 800 mg/kg (τιμή ιδιαίτερα υψηλή). Τα ευρήματα αποδόθηκαν κυρίως στις εξορυκτικές δραστηριότητες της περιοχής (πορτοκαλί χρώμα) αλλά και στο γεγονός ύπαρξης επιβαρυμένης ατμοσφαιρικής σκόνης από άλλες βιομηχανικές δραστηριότητες και την οδική κίνηση των οχημάτων. Για την περιοχή 2 απαιτείται έλεγχος των σωματιδιακών ρύπων και προστασία για την αποφυγή εισπνοής σκόνης.
* Στην περιοχή 3, τα ευρήματα για τις ολικές συγκεντρώσεις χαλκού έδωσαν υψηλά αλλά όχι τόσο ανησυχητικά αποτελέσματα και αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων, οι οποίες μπορεί να εμπλούτιζαν τα νερά των ποταμών με χαλκό, ο οποίος τελικά κατακαθόταν στα εδάφη της περιοχής.
* Στην περιοχή 4, ισχύουν τα ίδια όπως και στην περιοχή 3. (Τα ευρήματα αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων)
Κύριος υπαίτιος θεωρήθηκε το ορυχείο χαλκού Dexing.

'''Μόλυβδος'''

Σε γενικές γραμμές, τα εδαφικά δείγματα που συλλέχθηκαν και αναλύθηκαν εργαστηριακά έδωσαν σχετικά υψηλές ολικές συγκεντρώσεις μόλυβδου, με παρόμοια χωρική κατανομή με την περίπτωση του χαλκού. Στην Εικόνα 7 παρουσιάζεται η χωρική κατανομή του μόλυβδου για την περιοχή μελέτης, όπου οι σημαντικότερες επιβαρυμένες περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Στην περίπτωση του μόλυβδου κύριος υπαίτιος θεωρήθηκε η μονάδα εγκατάστασης εξαγωγής μόλυβδου και ψευδαργύρου Yinshan.

===Λεκάνες απορροής και συσχετισμός===

Στις Εικόνες 8 (χαλκός) και 9 (μόλυβδος) παρουσιάζεται η χωρική συσχέτιση των λεκανών απορροής της περιοχής μελέτης με τις περιοχές όπου υφίστανται εξορυκτικές δραστηριότητες αλλά και με το εδαφικό περιεχόμενο χαλκού και μόλυβδου.

==Συμπεράσματα==

Η περάτωση της συγκεκριμένης έρευνας / μελέτης είχε σαν απώτερο στόχο να προσπαθήσει να προωθήσει την κατανόηση της εξαιρετικής σημασίας της τοπογραφίας αλλά και της κάλυψης και χρήσης γης όσον αφορά τις εδαφικές ρυπάνσεις σε περιοχές εξόρυξης και των κατάντη περιοχών. Με την ενσωμάτωση και χρήση εργαστηριακών δεδομένων ολικών συγκεντρώσεων, ψηφιακών τηλεπισκοπικών απεικονίσεων, τοπογραφικών δεδομένων, δευτερογενών βοηθητικών δεδομένων και γεωγραφικών αναλύσεων χαρτογράφησε τη χωρική κατανομή χαλκού και μόλυβδου στην περιοχή μελέτης (ποταμός Le’an και παραπόταμοι). Επιπλέον, με τη δημιουργία και την ανάλυση τρισδιάστατων χαρτών της περιοχής κατάφερε να εντοπίσει τις πιθανές πηγές των εδαφικών ρυπάνσεων χαλκού και μόλυβδου, αλλά και τις πιθανές διαδρομές μεταφοράς αυτών, δεδομένα που επαληθεύτηκαν με το σχηματισμό των χαρτών συσχετισμού λεκανών απορροής, εξορυκτικών περιοχών και εδαφικών περιεχομένων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Τέλος, ο ρόλος της τοπογραφίας και της ροής των υδάτινων ρευμάτων στη μεταφορά χαλκού και μόλυβδου κατά μήκος των ποταμών απεικονίστηκαν γραφικά από όπου και προέκυψε πως η ροή που δημιουργείται από τις βροχοπτώσεις είναι μάλλον και ο κύριος φορέας των μεταλλικών ρύπων. Σε κάθε περίπτωση απαιτείται περαιτέρω έρευνα για την εξακρίβωση των αποτελεσμάτων.

[[category:Υποβάθμιση εδαφών]]

Χαρτογράφηση εδαφικών ρυπάνσεων Cu και Pb, με συνδυασμό γεωχημείας, τοπογραφίας και ψηφιακής τηλεπισκόπησης στον ποταμό Le’an, Κίνα

2019-01-23T00:13:07Z

Christos mamaloudis:

[[Εικόνα: wiki5_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης, σημεία δειγματοληψίας και υψόμετρο περιοχής]]
[[Εικόνα: wiki5_cm2.png|thumb|right|Εικόνα 2: Διάγραμμα ροής για τη χαρτογράφηση των ολικών ρυπάνσεων χαλκού και μόλυβδου που ακολουθήθηκε στην παρούσα έρευνα. (α) Με χρωματισμένα παραλληλόγραμμα απεικονίζονται τα δεδομένα που χρησιμοποιήθηκαν, (β) με ορθογώνια παραλληλόγραμμα απεικονίζονται τα στάδια της διαδικασίας και (γ) με λευκά παραλληλόγραμμα απεικονίζονται τα παραγόμενα δεδομένα και αποτελέσματα.]]
[[Εικόνα: wiki5_cm3.png|thumb|right|Εικόνα 3: Εικόνες ALOS στις οποίες εμπεριέχεται η περιοχή μελέτης της έρευνας]]
[[Εικόνα: wiki5_cm4.png|thumb|right|Εικόνα 4: Χαρακτηριστικά των μετρημένων ολικών συγκεντρώσεων χαλκού και μόλυβδου των εδαφικών δειγμάτων (n=71)]]
[[Εικόνα: wiki5_cm5.png|thumb|right|Εικόνα 5: Αποτελέσματα στατιστικών αναλύσεων]]
[[Εικόνα: wiki5_cm6.png|thumb|right|Εικόνα 6: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου χαλκού (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm7.png|thumb|right|Εικόνα 7: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου μόλυβδου (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm8.png|thumb|right|Εικόνα 8: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου χαλκού]]
[[Εικόνα: wiki5_cm9.png|thumb|right|Εικόνα 9: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου μόλυβδου]]

'''Πρότυπος τίτλος: Mapping of Cu and Pb Contaminations in Soil Using Combined Geochemistry, Topography, and Remote Sensing: A Case Study in the Le’an River Floodplain, China'''

'''Συγγραφείς: Yiyun Chen, Yaolin Liu, Yanfang Liu, Aiwen Lin, Xuesong Kong, Dianfeng Liu, Xiran Li, Yang Zhang, Yin Gao, Dun Wang'''

'''Link: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3386593/'''

==Εισαγωγή==

Τα βαρέα μέταλλα όταν υφίστανται σε υψηλές συγκεντρώσεις στο έδαφος, είτε λόγω φυσικών παραγόντων είτε εξαιτίας ανθρωπογενών παρεμβάσεων, είναι ιδιαίτερα επιβλαβή για το περιβάλλον και την ανθρώπινη υγεία, τόσο άμεσα όσο και έμμεσα. Για το λόγο αυτό, η χαρτογράφηση της κατανομής και η απεικόνιση τυχόν εδαφικών ρυπάνσεων σε μια περιοχή είναι πολύ σημαντική ειδικά όταν πρόκειται για περιοχές εξόρυξης. Η χαρτογράφηση δίνει τη δυνατότητα καλύτερου προσδιορισμού της εδαφικής ρύπανσης και συγχρόνως καλύτερη κατανόηση των τρόπων μεταφοράς και εγκατάστασης / απορρόφησης των εδαφικών ρύπων από και προς το έδαφος.
Για τη διαδικασία της χαρτογράφησης εδαφικών ρυπάνσεων με βαρέα μέταλλα, οι δύο σημαντικότεροι παράγοντες που λαμβάνονται υπόψη είναι (α) η χρήση γης και (β) η τοπογραφία μια περιοχής. Όσον αφορά τη χρήση γης, οι διαφορετικές χρήσεις καθορίζουν το είδος και τον τύπο μιας ενδεχόμενης έκθεσης στο έδαφος αλλά και των κινδύνων που μπορεί να ελλοχεύουν. Αυτό είναι εφικτό με τη χρήση χαρτών χρήσης γης ή εναλλακτικά σε περίπτωση απουσίας τέτοιων χαρτών με τη χρήση ψηφιακών τηλεπισκοπικών απεικονίσεων. Από την άλλη, η τοπογραφία είναι υψίστης σημασίας καθώς καθορίζει τις διαδρομές ροής του νερού. Αυτό ισχύει ακόμη περισσότερο για τη χαρτογράφηση εδαφικών ρυπάνσεων με βαρέα μέταλλα σε ορεινές περιοχές όπου υφίστανται διεργασίες εξόρυξης, και αυτό γιατί τα ορυχεία δύνανται να ξεπλυθούν από τα υδάτινα κατακρημνίσματα και ρεύματα, με αποτέλεσμα να προκαλέσουν σοβαρά προβλήματα.

==Σκοπός εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χαρτογράφηση της χωρικής κατανομής εδαφικών ρυπάνσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση εδάφους κατά μήκος του ποταμού Le’an αλλά και των παραποτάμων του. Αυτό επιτεύχθηκε με τη χρήση:
* Ολικών συγκεντρώσεων χαλκού και μόλυβδου στο έδαφος
* Δεδομένων ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM)
* Ψηφιακών τηλεπισκοπικών απεικονίσεων
* Ερμηνευμένων δεδομένων χρήσεων γης,
σε συνδυασμό με γεωγραφική ανάλυση αλλά και οριοθέτηση των λεκανών απορροής. Συγχρόνως, προσδιορίστηκαν οι πηγές και η μεταφορά των ρυπάνσεων, αλλά και οι περιοχές με υψηλό κίνδυνο ρύπανσης.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης καλύπτει τον ποταμό Le’an και την κάλυψη του στην επαρχία Jiangxi στην Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1.

===Δειγματοληψία===

Συνολικά συλλέχθηκαν 71 δείγματα εδάφους από την περιοχή κάλυψης του ποταμού Le’an σε βάθος 0-15 cm, εκ των οποίων 53 από αυτά (75 %) συλλέχθηκαν στις μεσαίες και ανώτερες δυνητικές στάθμες του ποταμού, όπου βρίσκονται το ορυχείο χαλκού Dexing και η εγκατάσταση εξαγωγής μόλυβδου-ψευδαργύρου Yinshan. Τα σημεία δειγματοληψίας καταγραφήκαν με τη χρήση GPS (Global Positioning System) με σφάλμα θέσης μικρότερο από 10 m (παρουσιάζονται στην Εικόνα 1).

===Προκατεργασία===

Πριν από τη χρήση των εδαφικών δειγμάτων για εργαστηριακή ανάλυση, προηγήθηκε προκατεργασία αυτών η οποία περιλάμβανε αεροξήρανση στους 20-25 oC για δύο ημέρες, ήπιο άλεσμα για τη διάσπαση των μεγάλων εδαφικών συσσωματωμάτων, κοσκίνισμα στα 0.2 mm, ομογενοποίηση των δειγμάτων και τελικώς δημιουργία ομοιόμορφων pellet διαμέτρου 45 mm από 40 g εδάφους για το κάθε δείγμα.

===Εργαστηριακή ανάλυση===

Για τον υπολογισμό των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα υπό εξέταση εδαφικά δείγματα χρησιμοποιήθηκε φασματοσκοπία φθορισμού ακτίνων X με διασπορά μήκους κύματος [wavelength-dispersive X-ray fluorescence (XRF) spectroscopy] στα προαναφερθέντα pellet. Ο λόγος που προτιμήθηκε η φασματοσκοπία XRF έναντι του κλασικού συνδυασμού χημικών αναλύσεων και φασματοσκοπίας ατομικής απορρόφησης (AAS – Atomic Absorption Spectroscopy) είναι για την αποφυγή δημιουργίας χημικών καταλοίπων αλλά και το γεγονός ότι επιτρέπει τον ταυτόχρονο υπολογισμό διάφορων μετάλλων. Τα αποτελέσματα παρουσιάζονται στην Εικόνα 4.

===Στατιστικές αναλύσεις===

Στα πλαίσια αυτής της μελέτης υιοθετήθηκαν στατιστικές αναλύσεις, περιλαμβανομένων περιγραφικών στατιστικών, ιστογραμμάτων, διαγραμμάτων πιθανότητας, Q-Q διαγραμμάτων (normal quantile-quantile plots) και τη δοκιμή ομαλότητας Lilliefors, το σύνολο των οποίων έγιναν σε περιβάλλον Matlab.
* Τα περιγραφικά στατιστικά χρησιμοποιήθηκαν για το σχολιασμό των κύριων χαρακτηριστικών των ολικών συγκεντρώσεων χαλκού και μόλυβδου για το κάθε εδαφικό δείγμα.
* Τα ιστογράμματα χρησιμοποιήθηκαν για την οπτική απεικόνιση των δεδομένων κατανομής των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Τα διαγράμματα πιθανότητας και Q-Q χρησιμοποιήθηκαν για τη γραφική εκτίμηση της ομαλότητας των δεδομένων των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Η δοκιμή ομαλότητας Lilliefors χρησιμοποιήθηκε για τη δοκιμή της μηδενικής υπόθεσης ότι τα δεδομένα προέρχονται από έναν κανονικά κατανεμημένο πληθυσμό, όταν η μηδενική υπόθεση δεν προσδιορίζει τον τύπο της κανονικής κατανομής.
Τα αποτελέσματα παρουσιάζονται στην Εικόνα 5.

===Οριοθέτηση λεκανών απορροής===

Οι λεκάνες απορροής των δύο κύριων παραποτάμων του ποταμού Le’an (Jishui, Dawu) παράχθηκαν με τη χρήση δεδομένων που προέκυψαν από το ψηφιακό μοντέλο εδάφους της περιοχής (GDEM), χρησιμοποιώντας την εργαλειοθήκη υδρολογίας του ArcGIS. Συγκεκριμένα, για το σχηματισμό των λεκανών απορροής, αφού εντοπίστηκαν και συμπληρώθηκαν οι περιοχές εσωτερικών αποστραγγίσεων, παράχθηκαν οι χάρτες (α) κατεύθυνσης ροής των υδάτων και (β) συσσώρευσης των υδάτων (βλ. Εικόνες 8 και 9), ενώ ως σημεία εξόδου ή ροής των υδάτων χρησιμοποιήθηκαν σημεία κατάντη των δύο παραποτάμων και κοντά στα σημεία δειγματοληψίας.

===Διάγραμμα ροής για την περάτωση της μελέτης===

Το διάγραμμα ροής για την παραγωγή των τελικών χαρτών των ολικών συγκεντρώσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση του εδάφους για την περιοχή μελέτης παρουσιάζεται στην Εικόνα 2.

===Διαδικασίες διαγράμματος ροής και τρόπος επίτευξης===

1 Σχηματισμός ψηφιδωτού μοντέλου της περιοχής μελέτης → Μέσω χρήσης δύο εικόνων ALOS AVNIR-2 (Advanced Visible and Near-Infrared Radiometer type 2) σε επίπεδο 1Β2 στις οποίες είχε προηγηθεί ραδιομετρική και γεωμετρική διόρθωση (βλ. Εικόνα 3).
2 Σχηματισμός χάρτη χρήσης γης της περιοχής μελέτης → Μέσω χρήσης εικόνας RGB πραγματικών χρωμάτων, με το κόκκινο να αντιστοιχεί στο κανάλι 3 με εύρος 0.61-0.69 μm, το πράσινο στο κανάλι 2 με εύρος 0.52-0.60 μm και το μπλε στο κανάλι 1 με εύρος 0.42-0.50 μm, η οποία προέκυψε από το συνδυασμό των εικόνων ALOS. Συνολικά, προέκυψαν οι εξής 3 κύριες χρήσεις γης: (1) αγροτική/γεωργική, (2) ανθρωπογενής και (3) εξόρυξης, ενώ συγχρόνως προσδιορίστηκε και η κάλυψη της περιοχής από ποτάμια.
3 Σχεδιασμός εκτάσεων εδαφικής ζώνης των πλημμυρικών περιοχών → Μέσω χρήσης ζωνών buffer των ποταμών, οι οποίες προέκυψαν από την κάλυψη της περιοχής από ποτάμια, που προηγήθηκε στο προηγούμενο βήμα.
4 Δημιουργία τρισδιάστατου μοντέλου εδάφους και αναλύσεων συσσώρευσης ροής υδάτων → Μέσω χρήσης του ASTER GDEM (Global Digital Elevation Map) – ψηφιακού μοντέλου εδάφους της περιοχής μελέτης.
5 Αντίστροφη σταθμική παρεμβολή (IDWI – Inverse Distance Weighted Interpolation) → Μέσω χρήσης των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Η συγκεκριμένη διαδικασία πραγματοποιήθηκε, καθώς επιτρέπει πρόχειρη εκτίμηση των εδαφικών περιεχομένων βαρέων μετάλλων σε περιοχές, όπου δεν έχει προηγηθεί μέτρηση.
6 Δημιουργία δισδιάστατου χάρτη → Μέσω χρήσης (α) της συνολικής εικόνας ALOS, (β) των επιμέρους χαρτών χρήσης γης που δημιουργήθηκαν, (γ) των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα πλημμυρικά εδάφη του ποταμού Le’an και των παραποτάμων του και (δ) διάφορων GIS δεδομένων (π.χ. διοικητικά όρια, τοποθεσία πόλεων).
Οι παραπάνω διαδικασίες εκτελέσθηκαν σε περιβάλλον ArcGIS.

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων (εργαστηριακών, στατιστικών)===

Τα αποτελέσματα των αναλύσεων περιγράφονται και απεικονίζονται στην Εικόνα 4 και στην Εικόνα 5.

===Χαρτογράφηση εδαφικού περιεχομένου χαλκού και μόλυβδου===

Με βάση τα παραπάνω, προέκυψαν τελικώς δύο σειρές χαρτών, οι οποίοι δείχνουν το πρότυπο χωρικής κατανομής των συνολικών εδαφικών συγκεντρώσεων χαλκού (Εικόνα 6) και μόλυβδου (Εικόνα 7) κατά μήκος του ποταμού Le’an, το χρώμα των οποίων κυμαίνεται από μπλε για χαμηλές ολικές συγκεντρώσεις έως και κόκκινο για υψηλές ολικές συγκεντρώσεις. Επιπλέον, στους παραγόμενους χάρτες απεικονίζονται τα σημεία δειγματοληψίας, οι πόλεις που υπάρχουν στην περιοχή μελέτης αλλά και οι επιμέρους χρήσεις γης. Συγκεκριμένα, οι ανθρωπογενείς περιοχές εμφανίζονται με γκρι χρώμα, οι αγροτικές περιοχές με πράσινο χρώμα και οι περιοχές εξόρυξης με πορτοκαλί χρώμα.

===Ανάλυση περιοχών δειγματοληψίας===

'''Χαλκός'''

Στην Εικόνα 6 παρουσιάζεται η χωρική κατανομή του χαλκού για την περιοχή μελέτης, όπου σημαντικές περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Συγκεκριμένα:
* Στην περιοχή 1 βρέθηκαν υψηλές ολικές συγκεντρώσεις χαλκού (μέγιστη τα 2262 mg/kg), πράγμα που αποδόθηκε στην πιθανότητα ότι η ταχύτητα του ποταμού στο σημείο αυτό να ήταν χαμηλή με αποτέλεσμα τα πλούσια σε χαλκό ιζήματα να κατατέθηκαν στην περιοχή, χωρίς όμως αυτό να είναι απόλυτο (απαιτείται περαιτέρω έρευνα). Η περιοχή 1 πρόκειται για αγροτική περιοχή και άρα ο κίνδυνος μεταφοράς χαλκού και άλλων βαρέων μετάλλων προς τον άνθρωπο διαμέσου της τροφικής αλυσίδας είναι μεγάλος.
* Στην περιοχή 2 βρέθηκε μέση τιμή ολικών συγκεντρώσεων χαλκού περίπου 800 mg/kg (τιμή ιδιαίτερα υψηλή). Τα ευρήματα αποδόθηκαν κυρίως στις εξορυκτικές δραστηριότητες της περιοχής (πορτοκαλί χρώμα) αλλά και στο γεγονός ύπαρξης επιβαρυμένης ατμοσφαιρικής σκόνης από άλλες βιομηχανικές δραστηριότητες και την οδική κίνηση των οχημάτων. Για την περιοχή 2 απαιτείται έλεγχος των σωματιδιακών ρύπων και προστασία για την αποφυγή εισπνοής σκόνης.
* Στην περιοχή 3, τα ευρήματα για τις ολικές συγκεντρώσεις χαλκού έδωσαν υψηλά αλλά όχι τόσο ανησυχητικά αποτελέσματα και αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων, οι οποίες μπορεί να εμπλούτιζαν τα νερά των ποταμών με χαλκό, ο οποίος τελικά κατακαθόταν στα εδάφη της περιοχής.
* Στην περιοχή 4, ισχύουν τα ίδια όπως και στην περιοχή 3. (Τα ευρήματα αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων)
Κύριος υπαίτιος θεωρήθηκε το ορυχείο χαλκού Dexing.

'''Μόλυβδος'''

Σε γενικές γραμμές, τα εδαφικά δείγματα που συλλέχθηκαν και αναλύθηκαν εργαστηριακά έδωσαν σχετικά υψηλές ολικές συγκεντρώσεις μόλυβδου, με παρόμοια χωρική κατανομή με την περίπτωση του χαλκού. Στην Εικόνα 7 παρουσιάζεται η χωρική κατανομή του μόλυβδου για την περιοχή μελέτης, όπου οι σημαντικότερες επιβαρυμένες περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Στην περίπτωση του μόλυβδου κύριος υπαίτιος θεωρήθηκε η μονάδα εγκατάστασης εξαγωγής μόλυβδου και ψευδαργύρου Yinshan.

===Λεκάνες απορροής και συσχετισμός===

Στις Εικόνες 8 (χαλκός) και 9 (μόλυβδος) παρουσιάζεται η χωρική συσχέτιση των λεκανών απορροής της περιοχής μελέτης με τις περιοχές όπου υφίστανται εξορυκτικές δραστηριότητες αλλά και με το εδαφικό περιεχόμενο χαλκού και μόλυβδου.

==Συμπεράσματα==

Η περάτωση της συγκεκριμένης έρευνας / μελέτης είχε σαν απώτερο στόχο να προσπαθήσει να προωθήσει την κατανόηση της εξαιρετικής σημασίας της τοπογραφίας αλλά και της κάλυψης και χρήσης γης όσον αφορά τις εδαφικές ρυπάνσεις σε περιοχές εξόρυξης και των κατάντη περιοχών. Με την ενσωμάτωση και χρήση εργαστηριακών δεδομένων ολικών συγκεντρώσεων, ψηφιακών τηλεπισκοπικών απεικονίσεων, τοπογραφικών δεδομένων, δευτερογενών βοηθητικών δεδομένων και γεωγραφικών αναλύσεων χαρτογράφησε τη χωρική κατανομή χαλκού και μόλυβδου στην περιοχή μελέτης (ποταμός Le’an και παραπόταμοι). Επιπλέον, με τη δημιουργία και την ανάλυση τρισδιάστατων χαρτών της περιοχής κατάφερε να εντοπίσει τις πιθανές πηγές των εδαφικών ρυπάνσεων χαλκού και μόλυβδου, αλλά και τις πιθανές διαδρομές μεταφοράς αυτών, δεδομένα που επαληθεύτηκαν με το σχηματισμό των χαρτών συσχετισμού λεκανών απορροής, εξορυκτικών περιοχών και εδαφικών περιεχομένων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Τέλος, ο ρόλος της τοπογραφίας και της ροής των υδάτινων ρευμάτων στη μεταφορά χαλκού και μόλυβδου κατά μήκος των ποταμών απεικονίστηκαν γραφικά από όπου και προέκυψε πως η ροή που δημιουργείται από τις βροχοπτώσεις είναι μάλλον και ο κύριος φορέας των μεταλλικών ρύπων. Σε κάθε περίπτωση απαιτείται περαιτέρω έρευνα για την εξακρίβωση των αποτελεσμάτων.

[[category:Υποβάθμιση εδαφών]]

Χαρτογράφηση εδαφικών ρυπάνσεων Cu και Pb, με συνδυασμό γεωχημείας, τοπογραφίας και ψηφιακής τηλεπισκόπησης στον ποταμό Le’an, Κίνα

2019-01-23T00:11:47Z

Christos mamaloudis: Νέα σελίδα με '[[Εικόνα: wiki5_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης, σημεία δειγματοληψίας και υψόμετρο περιοχής...'

[[Εικόνα: wiki5_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης, σημεία δειγματοληψίας και υψόμετρο περιοχής]]
[[Εικόνα: wiki5_cm2.png|thumb|right|Εικόνα 2: Διάγραμμα ροής για τη χαρτογράφηση των ολικών ρυπάνσεων χαλκού και μόλυβδου που ακολουθήθηκε στην παρούσα έρευνα. (α) Με χρωματισμένα παραλληλόγραμμα απεικονίζονται τα δεδομένα που χρησιμοποιήθηκαν, (β) με ορθογώνια παραλληλόγραμμα απεικονίζονται τα στάδια της διαδικασίας και (γ) με λευκά παραλληλόγραμμα απεικονίζονται τα παραγόμενα δεδομένα και αποτελέσματα.]]
[[Εικόνα: wiki5_cm3.png|thumb|right|Εικόνα 3: Εικόνες ALOS στις οποίες εμπεριέχεται η περιοχή μελέτης της έρευνας]]
[[Εικόνα: wiki5_cm4.png|thumb|right|Εικόνα 4: Χαρακτηριστικά των μετρημένων ολικών συγκεντρώσεων χαλκού και μόλυβδου των εδαφικών δειγμάτων (n=71)]]
[[Εικόνα: wiki5_cm5.png|thumb|right|Εικόνα 5: Αποτελέσματα στατιστικών αναλύσεων]]
[[Εικόνα: wiki5_cm6.png|thumb|right|Εικόνα 6: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου χαλκού (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm7.png|thumb|right|Εικόνα 7: Χάρτες χωρικής κατανομής ολικού εδαφικού περιεχομένου μόλυβδου (α) στο έδαφος κατά μήκος του ποταμού Le’an και των παραποτάμων του (αριστερά) και (β) στο έδαφος περιμετρικά της περιοχής εξόρυξης (δεξιά). Τα βέλη υποδηλώνουν τις πιθανές διαδρομές μεταφοράς.]]
[[Εικόνα: wiki5_cm8.png|thumb|right|Εικόνα 8: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου χαλκού]]
[[Εικόνα: wiki5_cm9.png|thumb|right|Εικόνα 9: Χωρική συσχέτιση μεταξύ λεκανών απορροής, περιοχών εξόρυξης και εδαφικού περιεχομένου μόλυβδου]]

'''Πρότυπος τίτλος: Mapping of Cu and Pb Contaminations in Soil Using Combined Geochemistry, Topography, and Remote Sensing: A Case Study in the Le’an River Floodplain, China'''

'''Συγγραφείς: Yiyun Chen, Yaolin Liu, Yanfang Liu, Aiwen Lin, Xuesong Kong, Dianfeng Liu, Xiran Li, Yang Zhang, Yin Gao, Dun Wang'''

'''Link: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3386593/'''

==Εισαγωγή==

Τα βαρέα μέταλλα όταν υφίστανται σε υψηλές συγκεντρώσεις στο έδαφος, είτε λόγω φυσικών παραγόντων είτε εξαιτίας ανθρωπογενών παρεμβάσεων, είναι ιδιαίτερα επιβλαβή για το περιβάλλον και την ανθρώπινη υγεία, τόσο άμεσα όσο και έμμεσα. Για το λόγο αυτό, η χαρτογράφηση της κατανομής και η απεικόνιση τυχόν εδαφικών ρυπάνσεων σε μια περιοχή είναι πολύ σημαντική ειδικά όταν πρόκειται για περιοχές εξόρυξης. Η χαρτογράφηση δίνει τη δυνατότητα καλύτερου προσδιορισμού της εδαφικής ρύπανσης και συγχρόνως καλύτερη κατανόηση των τρόπων μεταφοράς και εγκατάστασης / απορρόφησης των εδαφικών ρύπων από και προς το έδαφος.
Για τη διαδικασία της χαρτογράφησης εδαφικών ρυπάνσεων με βαρέα μέταλλα, οι δύο σημαντικότεροι παράγοντες που λαμβάνονται υπόψη είναι (α) η χρήση γης και (β) η τοπογραφία μια περιοχής. Όσον αφορά τη χρήση γης, οι διαφορετικές χρήσεις καθορίζουν το είδος και τον τύπο μιας ενδεχόμενης έκθεσης στο έδαφος αλλά και των κινδύνων που μπορεί να ελλοχεύουν. Αυτό είναι εφικτό με τη χρήση χαρτών χρήσης γης ή εναλλακτικά σε περίπτωση απουσίας τέτοιων χαρτών με τη χρήση ψηφιακών τηλεπισκοπικών απεικονίσεων. Από την άλλη, η τοπογραφία είναι υψίστης σημασίας καθώς καθορίζει τις διαδρομές ροής του νερού. Αυτό ισχύει ακόμη περισσότερο για τη χαρτογράφηση εδαφικών ρυπάνσεων με βαρέα μέταλλα σε ορεινές περιοχές όπου υφίστανται διεργασίες εξόρυξης, και αυτό γιατί τα ορυχεία δύνανται να ξεπλυθούν από τα υδάτινα κατακρημνίσματα και ρεύματα, με αποτέλεσμα να προκαλέσουν σοβαρά προβλήματα.

==Σκοπός εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χαρτογράφηση της χωρικής κατανομής εδαφικών ρυπάνσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση εδάφους κατά μήκος του ποταμού Le’an αλλά και των παραποτάμων του. Αυτό επιτεύχθηκε με τη χρήση:
* Ολικών συγκεντρώσεων χαλκού και μόλυβδου στο έδαφος
* Δεδομένων ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM)
* Ψηφιακών τηλεπισκοπικών απεικονίσεων
* Ερμηνευμένων δεδομένων χρήσεων γης,
σε συνδυασμό με γεωγραφική ανάλυση αλλά και οριοθέτηση των λεκανών απορροής. Συγχρόνως, προσδιορίστηκαν οι πηγές και η μεταφορά των ρυπάνσεων, αλλά και οι περιοχές με υψηλό κίνδυνο ρύπανσης.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης καλύπτει τον ποταμό Le’an και την κάλυψη του στην επαρχία Jiangxi στην Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1.

===Δειγματοληψία===

Συνολικά συλλέχθηκαν 71 δείγματα εδάφους από την περιοχή κάλυψης του ποταμού Le’an σε βάθος 0-15 cm, εκ των οποίων 53 από αυτά (75 %) συλλέχθηκαν στις μεσαίες και ανώτερες δυνητικές στάθμες του ποταμού, όπου βρίσκονται το ορυχείο χαλκού Dexing και η εγκατάσταση εξαγωγής μόλυβδου-ψευδαργύρου Yinshan. Τα σημεία δειγματοληψίας καταγραφήκαν με τη χρήση GPS (Global Positioning System) με σφάλμα θέσης μικρότερο από 10 m (παρουσιάζονται στην Εικόνα 1).

===Προκατεργασία===

Πριν από τη χρήση των εδαφικών δειγμάτων για εργαστηριακή ανάλυση, προηγήθηκε προκατεργασία αυτών η οποία περιλάμβανε αεροξήρανση στους 20-25 oC για δύο ημέρες, ήπιο άλεσμα για τη διάσπαση των μεγάλων εδαφικών συσσωματωμάτων, κοσκίνισμα στα 0.2 mm, ομογενοποίηση των δειγμάτων και τελικώς δημιουργία ομοιόμορφων pellet διαμέτρου 45 mm από 40 g εδάφους για το κάθε δείγμα.

===Εργαστηριακή ανάλυση===

Για τον υπολογισμό των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα υπό εξέταση εδαφικά δείγματα χρησιμοποιήθηκε φασματοσκοπία φθορισμού ακτίνων X με διασπορά μήκους κύματος [wavelength-dispersive X-ray fluorescence (XRF) spectroscopy] στα προαναφερθέντα pellet. Ο λόγος που προτιμήθηκε η φασματοσκοπία XRF έναντι του κλασικού συνδυασμού χημικών αναλύσεων και φασματοσκοπίας ατομικής απορρόφησης (AAS – Atomic Absorption Spectroscopy) είναι για την αποφυγή δημιουργίας χημικών καταλοίπων αλλά και το γεγονός ότι επιτρέπει τον ταυτόχρονο υπολογισμό διάφορων μετάλλων. Τα αποτελέσματα παρουσιάζονται στην Εικόνα 4.

===Στατιστικές αναλύσεις===

Στα πλαίσια αυτής της μελέτης υιοθετήθηκαν στατιστικές αναλύσεις, περιλαμβανομένων περιγραφικών στατιστικών, ιστογραμμάτων, διαγραμμάτων πιθανότητας, Q-Q διαγραμμάτων (normal quantile-quantile plots) και τη δοκιμή ομαλότητας Lilliefors, το σύνολο των οποίων έγιναν σε περιβάλλον Matlab.
* Τα περιγραφικά στατιστικά χρησιμοποιήθηκαν για το σχολιασμό των κύριων χαρακτηριστικών των ολικών συγκεντρώσεων χαλκού και μόλυβδου για το κάθε εδαφικό δείγμα.
* Τα ιστογράμματα χρησιμοποιήθηκαν για την οπτική απεικόνιση των δεδομένων κατανομής των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Τα διαγράμματα πιθανότητας και Q-Q χρησιμοποιήθηκαν για τη γραφική εκτίμηση της ομαλότητας των δεδομένων των ολικών συγκεντρώσεων χαλκού και μόλυβδου.
* Η δοκιμή ομαλότητας Lilliefors χρησιμοποιήθηκε για τη δοκιμή της μηδενικής υπόθεσης ότι τα δεδομένα προέρχονται από έναν κανονικά κατανεμημένο πληθυσμό, όταν η μηδενική υπόθεση δεν προσδιορίζει τον τύπο της κανονικής κατανομής.
Τα αποτελέσματα παρουσιάζονται στην Εικόνα 5.

===Οριοθέτηση λεκανών απορροής===

Οι λεκάνες απορροής των δύο κύριων παραποτάμων του ποταμού Le’an (Jishui, Dawu) παράχθηκαν με τη χρήση δεδομένων που προέκυψαν από το ψηφιακό μοντέλο εδάφους της περιοχής (GDEM), χρησιμοποιώντας την εργαλειοθήκη υδρολογίας του ArcGIS. Συγκεκριμένα, για το σχηματισμό των λεκανών απορροής, αφού εντοπίστηκαν και συμπληρώθηκαν οι περιοχές εσωτερικών αποστραγγίσεων, παράχθηκαν οι χάρτες (α) κατεύθυνσης ροής των υδάτων και (β) συσσώρευσης των υδάτων (βλ. Εικόνες 8 και 9), ενώ ως σημεία εξόδου ή ροής των υδάτων χρησιμοποιήθηκαν σημεία κατάντη των δύο παραποτάμων και κοντά στα σημεία δειγματοληψίας.

===Διάγραμμα ροής για την περάτωση της μελέτης===

Το διάγραμμα ροής για την παραγωγή των τελικών χαρτών των ολικών συγκεντρώσεων χαλκού και μόλυβδου στην ανώτερη στρωμάτωση του εδάφους για την περιοχή μελέτης παρουσιάζεται στην Εικόνα 2.

===Διαδικασίες διαγράμματος ροής και τρόπος επίτευξης===

1. Σχηματισμός ψηφιδωτού μοντέλου της περιοχής μελέτης → Μέσω χρήσης δύο εικόνων ALOS AVNIR-2 (Advanced Visible and Near-Infrared Radiometer type 2) σε επίπεδο 1Β2 στις οποίες είχε προηγηθεί ραδιομετρική και γεωμετρική διόρθωση (βλ. Εικόνα 3).
2. Σχηματισμός χάρτη χρήσης γης της περιοχής μελέτης → Μέσω χρήσης εικόνας RGB πραγματικών χρωμάτων, με το κόκκινο να αντιστοιχεί στο κανάλι 3 με εύρος 0.61-0.69 μm, το πράσινο στο κανάλι 2 με εύρος 0.52-0.60 μm και το μπλε στο κανάλι 1 με εύρος 0.42-0.50 μm, η οποία προέκυψε από το συνδυασμό των εικόνων ALOS. Συνολικά, προέκυψαν οι εξής 3 κύριες χρήσεις γης: (1) αγροτική/γεωργική, (2) ανθρωπογενής και (3) εξόρυξης, ενώ συγχρόνως προσδιορίστηκε και η κάλυψη της περιοχής από ποτάμια.
3. Σχεδιασμός εκτάσεων εδαφικής ζώνης των πλημμυρικών περιοχών → Μέσω χρήσης ζωνών buffer των ποταμών, οι οποίες προέκυψαν από την κάλυψη της περιοχής από ποτάμια, που προηγήθηκε στο προηγούμενο βήμα.
4. Δημιουργία τρισδιάστατου μοντέλου εδάφους και αναλύσεων συσσώρευσης ροής υδάτων → Μέσω χρήσης του ASTER GDEM (Global Digital Elevation Map) – ψηφιακού μοντέλου εδάφους της περιοχής μελέτης.
5. Αντίστροφη σταθμική παρεμβολή (IDWI – Inverse Distance Weighted Interpolation) → Μέσω χρήσης των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Η συγκεκριμένη διαδικασία πραγματοποιήθηκε, καθώς επιτρέπει πρόχειρη εκτίμηση των εδαφικών περιεχομένων βαρέων μετάλλων σε περιοχές, όπου δεν έχει προηγηθεί μέτρηση.
6. Δημιουργία δισδιάστατου χάρτη → Μέσω χρήσης (α) της συνολικής εικόνας ALOS, (β) των επιμέρους χαρτών χρήσης γης που δημιουργήθηκαν, (γ) των ολικών συγκεντρώσεων χαλκού και μόλυβδου στα πλημμυρικά εδάφη του ποταμού Le’an και των παραποτάμων του και (δ) διάφορων GIS δεδομένων (π.χ. διοικητικά όρια, τοποθεσία πόλεων).
Οι παραπάνω διαδικασίες εκτελέσθηκαν σε περιβάλλον ArcGIS.

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων (εργαστηριακών, στατιστικών)===

Τα αποτελέσματα των αναλύσεων περιγράφονται και απεικονίζονται στην Εικόνα 4 και στην Εικόνα 5.

===Χαρτογράφηση εδαφικού περιεχομένου χαλκού και μόλυβδου===

Με βάση τα παραπάνω, προέκυψαν τελικώς δύο σειρές χαρτών, οι οποίοι δείχνουν το πρότυπο χωρικής κατανομής των συνολικών εδαφικών συγκεντρώσεων χαλκού (Εικόνα 6) και μόλυβδου (Εικόνα 7) κατά μήκος του ποταμού Le’an, το χρώμα των οποίων κυμαίνεται από μπλε για χαμηλές ολικές συγκεντρώσεις έως και κόκκινο για υψηλές ολικές συγκεντρώσεις. Επιπλέον, στους παραγόμενους χάρτες απεικονίζονται τα σημεία δειγματοληψίας, οι πόλεις που υπάρχουν στην περιοχή μελέτης αλλά και οι επιμέρους χρήσεις γης. Συγκεκριμένα, οι ανθρωπογενείς περιοχές εμφανίζονται με γκρι χρώμα, οι αγροτικές περιοχές με πράσινο χρώμα και οι περιοχές εξόρυξης με πορτοκαλί χρώμα.

===Ανάλυση περιοχών δειγματοληψίας===

'''Χαλκός'''

Στην Εικόνα 6 παρουσιάζεται η χωρική κατανομή του χαλκού για την περιοχή μελέτης, όπου σημαντικές περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Συγκεκριμένα:
* Στην περιοχή 1 βρέθηκαν υψηλές ολικές συγκεντρώσεις χαλκού (μέγιστη τα 2262 mg/kg), πράγμα που αποδόθηκε στην πιθανότητα ότι η ταχύτητα του ποταμού στο σημείο αυτό να ήταν χαμηλή με αποτέλεσμα τα πλούσια σε χαλκό ιζήματα να κατατέθηκαν στην περιοχή, χωρίς όμως αυτό να είναι απόλυτο (απαιτείται περαιτέρω έρευνα). Η περιοχή 1 πρόκειται για αγροτική περιοχή και άρα ο κίνδυνος μεταφοράς χαλκού και άλλων βαρέων μετάλλων προς τον άνθρωπο διαμέσου της τροφικής αλυσίδας είναι μεγάλος.
* Στην περιοχή 2 βρέθηκε μέση τιμή ολικών συγκεντρώσεων χαλκού περίπου 800 mg/kg (τιμή ιδιαίτερα υψηλή). Τα ευρήματα αποδόθηκαν κυρίως στις εξορυκτικές δραστηριότητες της περιοχής (πορτοκαλί χρώμα) αλλά και στο γεγονός ύπαρξης επιβαρυμένης ατμοσφαιρικής σκόνης από άλλες βιομηχανικές δραστηριότητες και την οδική κίνηση των οχημάτων. Για την περιοχή 2 απαιτείται έλεγχος των σωματιδιακών ρύπων και προστασία για την αποφυγή εισπνοής σκόνης.
* Στην περιοχή 3, τα ευρήματα για τις ολικές συγκεντρώσεις χαλκού έδωσαν υψηλά αλλά όχι τόσο ανησυχητικά αποτελέσματα και αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων, οι οποίες μπορεί να εμπλούτιζαν τα νερά των ποταμών με χαλκό, ο οποίος τελικά κατακαθόταν στα εδάφη της περιοχής.
* Στην περιοχή 4, ισχύουν τα ίδια όπως και στην περιοχή 3. (Τα ευρήματα αποδόθηκαν στα κατάλοιπα εξορυκτικών δραστηριοτήτων)
Κύριος υπαίτιος θεωρήθηκε το ορυχείο χαλκού Dexing.

'''Μόλυβδος'''

Σε γενικές γραμμές, τα εδαφικά δείγματα που συλλέχθηκαν και αναλύθηκαν εργαστηριακά έδωσαν σχετικά υψηλές ολικές συγκεντρώσεις μόλυβδου, με παρόμοια χωρική κατανομή με την περίπτωση του χαλκού. Στην Εικόνα 7 παρουσιάζεται η χωρική κατανομή του μόλυβδου για την περιοχή μελέτης, όπου οι σημαντικότερες επιβαρυμένες περιοχές έχουν επισημανθεί με κόκκινα περιγράμματα. Στην περίπτωση του μόλυβδου κύριος υπαίτιος θεωρήθηκε η μονάδα εγκατάστασης εξαγωγής μόλυβδου και ψευδαργύρου Yinshan.

===Λεκάνες απορροής και συσχετισμός===

Στις Εικόνες 8 (χαλκός) και 9 (μόλυβδος) παρουσιάζεται η χωρική συσχέτιση των λεκανών απορροής της περιοχής μελέτης με τις περιοχές όπου υφίστανται εξορυκτικές δραστηριότητες αλλά και με το εδαφικό περιεχόμενο χαλκού και μόλυβδου.

==Συμπεράσματα==

Η περάτωση της συγκεκριμένης έρευνας / μελέτης είχε σαν απώτερο στόχο να προσπαθήσει να προωθήσει την κατανόηση της εξαιρετικής σημασίας της τοπογραφίας αλλά και της κάλυψης και χρήσης γης όσον αφορά τις εδαφικές ρυπάνσεις σε περιοχές εξόρυξης και των κατάντη περιοχών. Με την ενσωμάτωση και χρήση εργαστηριακών δεδομένων ολικών συγκεντρώσεων, ψηφιακών τηλεπισκοπικών απεικονίσεων, τοπογραφικών δεδομένων, δευτερογενών βοηθητικών δεδομένων και γεωγραφικών αναλύσεων χαρτογράφησε τη χωρική κατανομή χαλκού και μόλυβδου στην περιοχή μελέτης (ποταμός Le’an και παραπόταμοι). Επιπλέον, με τη δημιουργία και την ανάλυση τρισδιάστατων χαρτών της περιοχής κατάφερε να εντοπίσει τις πιθανές πηγές των εδαφικών ρυπάνσεων χαλκού και μόλυβδου, αλλά και τις πιθανές διαδρομές μεταφοράς αυτών, δεδομένα που επαληθεύτηκαν με το σχηματισμό των χαρτών συσχετισμού λεκανών απορροής, εξορυκτικών περιοχών και εδαφικών περιεχομένων χαλκού και μόλυβδου στα σημεία δειγματοληψίας. Τέλος, ο ρόλος της τοπογραφίας και της ροής των υδάτινων ρευμάτων στη μεταφορά χαλκού και μόλυβδου κατά μήκος των ποταμών απεικονίστηκαν γραφικά από όπου και προέκυψε πως η ροή που δημιουργείται από τις βροχοπτώσεις είναι μάλλον και ο κύριος φορέας των μεταλλικών ρύπων. Σε κάθε περίπτωση απαιτείται περαιτέρω έρευνα για την εξακρίβωση των αποτελεσμάτων.

[[category:Υποβάθμιση εδαφών]]

Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων

2019-01-22T23:56:41Z

Christos mamaloudis:

[[Εικόνα: wiki4_cm1.png|thumb|right|Εικόνα 1: Σημεία δειγματοληψίας της περιοχής μελέτης και περιοχές με πολύ υψηλές τιμές διαφορετικών τοξικών μετάλλων στα εδάφη του Κατάρ]]
[[Εικόνα: wiki4_cm2.png|thumb|right|Εικόνα 2: Βοηθητικοί ψηφιδωτοί (raster) χάρτες που χρησιμοποιήθηκαν ως μέσο πρόβλεψης για την κατανομή των υπό εξέταση μετάλλων στο έδαφος]]
[[Εικόνα: wiki4_cm3.png|thumb|right|Εικόνα 3: Περιβαλλοντικές μεταβλητές που χρησιμοποιήθηκαν]]
[[Εικόνα: wiki4_cm4.png|thumb|right|Εικόνα 4: Περιγραφή των καναλιών Landsat 8 αλλά και των φασματικών δεικτών που χρησιμοποιήθηκαν για τον προσδιορισμό των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm5.png|thumb|right|Εικόνα 5: Διαγράμματα των εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm6.png|thumb|right|Εικόνα 6: Συγκεντρώσεις των υπό εξέταση μετάλλων που χρησιμοποιήθηκαν (α) στη βαθμονόμηση – 75% και (β) στον έλεγχο του μοντέλου – 25%]]
[[Εικόνα: wiki4_cm7.png|thumb|right|Εικόνα 7: Παράδειγμα του κανόνα που χρησιμοποιήθηκε στο μοντέλο για τις προβλέψεις νικελίου]]
[[Εικόνα: wiki4_cm8.png|thumb|right|Εικόνα 8: Αποτελέσματα ελέγχου μοντελοποίησης για τα υπό εξέταση μέταλλα]]
[[Εικόνα: wiki4_cm9.png|thumb|right|Εικόνα 9: Τα 10 κορυφαία δεδομένα (παράγοντες πρόβλεψης) που χρησιμοποιήθηκαν από το Cubist για τη βαθμονόμηση των μοντέλων και η ποσοστιαία χρήση του καθενός ανά υπό εξέταση μέταλλο]]
[[Εικόνα: wiki4_cm10.png|thumb|right|Εικόνα 10: Χάρτες ανάλυσης 30 m εδαφικών (0-30 cm) συγκεντρώσεων για τα μέταλλα χρώμιο, αρσενικό, νικέλιο, ψευδάργυρος, μόλυβδος και χαλκός της περιοχής μελέτης (Κατάρ)]]

'''Πρότυπος τίτλος: ''Digital Mapping of Toxic Metals in Qatari Soils Using Remote Sensing and Ancillary Data'''''

'''Συγγραφείς: Yi Peng, Rania Bou Kheir, Kabindra Adhikari, Radosław Malinowski, Mette B. Greve, Maria Knadel and Mogens H. Greve'''

'''Link: https://www.mdpi.com/2072-4292/8/12/1003/htm'''

==Εισαγωγή==

Ανά τον κόσμο, διάφορες δραστηριότητες αλλά και φαινόμενα μαζικής βιομηχανοποίησης και αστικοποίησης αποτελούν πηγές ρύπανσης των εδαφών με τοξικά βαρέα μέταλλα. Σε αντίστοιχες βιομηχανικές και αστικές περιοχές, η ανθρώπινη έκθεση σε υψηλές ποσότητες τέτοιων τοξικών μετάλλων και κυρίως τα αρσενικό (As), χρώμιο (Cr), νικέλιο (Ni), χαλκός (Cu), μόλυβδος (Pb) και ψευδάργυρος (Zn), αποτελεί σημαντικό πρόβλημα καθώς μπορεί να προκαλέσει σοβαρές επιπτώσεις στην ανθρώπινη υγεία, ενώ συγχρόνως να προκαλέσει υποβάθμιση του φυσικού περιβάλλοντος.
Στο Κατάρ, όπου και πραγματοποιήθηκε η παρούσα έρευνα, το πρόβλημα είναι ιδιαίτερα έντονο, καθώς τα τελευταία χρόνια σημείωσε άνοδο πληθυσμού περίπου 200% και επιπλέον, έχοντας τις υψηλότερες κατά κεφαλήν εκπομπές διοξειδίου του άνθρακα στον κόσμο, το 2014 κηρύχθηκε από τον Παγκόσμιο Οργανισμό Υγείας ως η δεύτερη ατμοσφαιρικά πιο ρυπασμένη πόλη του κόσμου.
Μέχρι στιγμής, η πρόβλεψη και ο προσδιορισμός συσσώρευσης τοξικών μετάλλων στα εδάφη γινόταν χρησιμοποιώντας μια ποικιλία γεωστατιστικών μεθόδων σε συνδυασμό με διάφορα περιβαλλοντικά δεδομένα (που προκύπτουν από αναλύσεις) σε διάφορες κλίμακες. Το πρόβλημα που προκύπτει όμως από τη χρήση αυτών των μεθόδων είναι ότι είναι ιδιαίτερα περίπλοκες και χρονοβόρες, ειδικά αν λάβει κανείς υπόψη το χρόνο που απαιτείται για τις διάφορες εργαστηριακές αναλύσεις προκειμένου να ληφθούν τα διάφορα περιβαλλοντικά δεδομένα που απαιτούνται.
Σε αντίθεση με τις παραδοσιακές τεχνικές, για τη μοντελοποίηση του εδάφους αλλά και των περιβαλλοντικών ιδιοτήτων και διαδικασιών, πρόσφατες μελέτες άρχισαν να υιοθετούν τη χρήση διάφορων εργαλείων εξόρυξης δεδομένων όπως είναι το Cubist, το οποίο φέρει πολλά πλεονεκτήματα, ένα εκ των οποίων είναι ότι μπορεί να ποσοτικοποιεί γραμμικές αλλά και μη γραμμικές σχέσεις μεταξύ των μεταβλητών, ενώ επιπλέον, μπορεί και ποσοτικοποιεί τη σημασία των περιβαλλοντικών μεταβλητών που χρησιμοποιούνται στην πρόβλεψη τοξικών μετάλλων στο έδαφος.
Τα τελευταία δέκα χρόνια, με την ανάπτυξη της τηλεπισκόπησης, οι τεχνικές της για τη χαρτογράφηση τοξικών μετάλλων στο έδαφος άρχισαν να βρίσκουν εφαρμογή και μάλιστα ήδη θεωρούνται αρκετά αποτελεσματικές και ακριβείς για την ανίχνευση εδαφικής ρύπανσης από τοξικά μέταλλα, παρότι τα τοξικά μέταλλα στο έδαφος υφίστανται σε πολύ μικρές έως και μέτριες συγκεντρώσεις και μεμονωμένα ως μέταλλα δε διαθέτουν κάποια συγκεκριμένα φασματικά χαρακτηριστικά. Οι τεχνικές ψηφιακής τηλεπισκόπησης εκμεταλλεύονται το γεγονός πως τα τοξικά μέταλλα αλλάζουν τη χημική σύνθεση και την επιφανειακή δραστηριότητά των ορυκτών του εδάφους στα οποία μπορεί να είναι δεσμευμένα, με αποτέλεσμα να αλλάζουν την φασματική ανακλαστική πληροφορία τους. Η αξιοποίηση αυτού του ενδιάμεσου μηχανισμού επιτρέπει την εξαγωγή των σχέσεων μεταξύ φασματικών πληροφοριών και τοξικών μετάλλων στο έδαφος.

==Σκοπός της εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χρήση (α) εικόνων χρονοσειράς από έναν δέκτη Landsat 8 (οι οποίες κάλυπταν εννέα μήνες κατά τη διάρκεια του έτους 2014), (β) επιλεγμένων φασματικών δεικτών (οι οποίοι παράχθηκαν χρησιμοποιώντας τις εικόνες χρονοσειράς Landsat 8) και (γ) περιβαλλοντικών μεταβλητών, για τη χαρτογράφηση της χωρικής κατανομής έξι επιλεγμένων τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος) στην περιοχή μελέτης που ήταν το Κατάρ. Απώτερος σκοπός της παρούσας έρευνας ήταν η διευκόλυνση της χαρτογράφησης της εδαφικής συσσώρευσης των παραπάνω μετάλλων αλλά και η παραδοχή ότι η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης (Κατάρ), παρουσιάζεται στην Εικόνα 1.

===Δειγματοληψία εδάφους===

Συνολικά συλλέχθηκαν 300 δείγματα εδάφους σε βάθος 0-30 cm από πολλά σημεία, με στόχο να καλυφθούν όλα τα περιβαλλοντικά και ανθρωπογενή ενδιαιτήματα του Κατάρ. Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System) με ακρίβεια 5 m. Τα σημεία δειγματοληψίας παρουσιάζονται στην Εικόνα 1.

===Προκατεργασία δειγμάτων===

Πριν την οποιαδήποτε ανάλυση προηγήθηκε προκατεργασία των δειγμάτων η οποία περιλάμβανε αεροξήρανση των δειγμάτων για διάρκεια τριών ημερών σε θερμοκρασία δωματίου και έπειτα κοσκίνισμα 2 mm.

===Χημική ανάλυση===

Για τη χημική ανάλυση των δειγμάτων ως προς τον προσδιορισμό των συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος), χρησιμοποιήθηκαν 0.5 g εδάφους από το κάθε δείγμα για πέψη με μίγμα HNO3 – HClO4 στους 200 οC για τρεις ώρες και στη συνέχεια με επιπλέον προσθήκη HNO3 για μια ώρα στους 70 οC. Έπειτα το κάθε δείγμα υπέστη φυγοκέντριση στις 3500 rpm για 10 λεπτά. Οι συγκεντρώσεις των τοξικών μετάλλων μετρήθηκαν με τη χρήση φασματοφωτομετρίας ατομικής εκπομπής πλάσματος με επαγωγική συσχέτιση (Inductively-Coupled Plasma-Atomic Emission Spectrometry, ICP-AES).

===Περιβαλλοντικοί παράμετροι===

Για τον προσδιορισμό της κατανομής των υπό εξέταση τοξικών μετάλλων στο έδαφος χρησιμοποιήθηκαν διάφοροι περιβαλλοντικοί παράμετροι, μεταξύ των οποίων γεωλογικά και εδαφολογικά δεδομένα (π.χ. τύπος εδάφους κ.α.), γεωμορφολογικά δεδομένα (π.χ. υψόμετρο, κλίση, προσανατολισμός κ.α.) και ανθρωπογενή δεδομένα (π.χ. εγγύτητα στους δρόμους, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.) (βλ. Εικόνα 2 και Εικόνα 3). Η ψηφιοποίηση των περιβαλλοντικών παραμέτρων σε επίπεδα (layers), πραγματοποιήθηκε με τη χρήση δευτερογενών βοηθητικών δεδομένων όπως το DEM (Digital Elevation Model – ψηφιακό μοντέλο εδάφους), το οποίο δημιουργήθηκε με επεξεργασία μέσω της τεχνολογίας LiDAR (Light Detection and Ranging).

===Εικόνες ψηφιακής τηλεπισκόπησης και φασματικοί δείκτες===

Στην παρούσα μελέτη χρησιμοποιήθηκαν ατμοσφαιρικά διορθωμένες δορυφορικές εικόνες του δέκτη LDCM (Landsat Data Continuity Mission) του δορυφόρου Landsat 8 οι οποίες σκοπό είχαν να δημιουργήσουν μια χρονοσειρά ενός έτους, αλλά εξαιτίας ορισμένων θεμάτων που σχετίζονταν με νεφοκάλυψη χρησιμοποιήθηκαν μόνο εννέα από αυτές (Ιανουαρίου, Φεβρουαρίου, Απριλίου, Μαΐου, Ιουνίου, Ιουλίου, Αυγούστου, Σεπτεμβρίου και Οκτωβρίου) για το έτος 2015.
Επιπλέον, για τη βελτιστοποίηση της δυνατότητας πρόβλεψης των τοξικών μετάλλων στα υπό εξέταση εδάφη υπολογίστηκαν οι εξής φασματικοί δείκτες:
* Tasseled cap transformation
Brightness – ταξινόμηση αστικών περιοχών
Greenness – επίπεδα βλάστησης
Wetness – επίπεδα υγρασίας στο έδαφος
* BCI – Biophysical Composition Index – αφθονία βλάστησης
* EVI – Enhanced Vegetation Index
* LSWI – Land Surface Water Index
* NDVI – Normalized Difference Vegetation Index
* SATVI – Soil-Adjusted Total Vegetation Index
* SAVI – Soil-Adjusted Vegetation Index
* TVI – Transformed Vegetation Index
* WDVI – Weighted Difference Vegetation Index
Οι εξισώσεις με βάση τις οποίες πραγματοποιήθηκε ο υπολογισμός των παραπάνω δεικτών παρουσιάζονται στην Εικόνα 4.

===Χωρική μοντελοποίηση===

Από το σύνολο των δεδομένων που συλλέχθηκαν πραγματοποιήθηκε τυχαία κατανομή και ένα 75 % χρησιμοποιήθηκε για τη βαθμονόμηση και το υπόλοιπο 25 % για τον έλεγχο του μοντέλου (βλ. Εικόνα 6). Εν τέλει, χρησιμοποιώντας το εργαλείο Cubist που προαναφέρθηκε και στην Εισαγωγή, αναπτύχθηκε ένα μοντέλο πρόβλεψης για κάθε υπό εξέταση τοξικό μέταλλο.
Για τη βαθμονόμηση, το εργαλείο Cubist δημιούργησε πλήθος γραμμικών εξισώσεων για κάθε υπό εξέταση μέταλλο βασισμένο σε διαφορετικούς κανόνες. Οι συνθήκες του αρχικού κανόνα κάθε φορά βασίστηκαν σε συνδυασμό κάποιων εκ των δεδομένων. Για παράδειγμα στο χρώμιο και στο νικέλιο το 60 % των εκτελέσεων του μοντέλου επέλεξε σαν συνθήκες του αρχικού κανόνα τα δεδομένα: τύπος εδάφους και γεωλογικός χάρτης. Παράδειγμα κανόνα για το νικέλιο παρουσιάζεται στην Εικόνα 7.
Τα μοντέλα πρόβλεψης/προσομοίωσης/προσδιορισμού εκτιμήθηκαν με βάση της εξής παραμέτρους: R2 (coefficient of determination), RMSE (root mean square error), RPD (ratio of performance to deviation) και RPIQ (ratio of performance to interquartile distance).

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα αναλύσεων===

Με βάση τα αποτελέσματα των χημικών αναλύσεων παράχθηκαν τα αντίστοιχα διαγράμματα (histogram, box-plot) για το κάθε υπό εξέταση μέταλλο. Τα διαγράμματα (βλ. Εικόνα 5) έδειξαν πως η κατανομή των μετάλλων είχε θετική καμπυλότητα σε όλες τις περιπτώσεις, ενώ συγχρόνως παρατηρήθηκε ένα ευρύ φάσμα μεταβλητότητας σε όλα τα τοξικά μέταλλα και κυρίως στα ψευδάργυρο, χρώμιο και νικέλιο.
Η προαναφερθείσα μεταβλητότητα της περιεκτικότητας των υπό εξέταση εδαφών σε τοξικά μέταλλα αποδίδεται στη διαφορετική ένταση ανά περιοχή των φαινομένων της γεωργίας, της αστικοποίησης και της βιομηχανοποίησης και επηρεάζει τη σχέση μεταξύ περιβαλλοντικών παραμέτρων και ρύπανσης.
Επιπλέον, ορισμένα εδαφικά δείγματα συγκεκριμένων περιοχών που αναλύθηκαν έδωσαν ιδιαίτερα υψηλές συγκεντρώσεις για διάφορα μέταλλα (βλ. Εικόνα 1), πράγμα που αποδόθηκε στο γεγονός ότι μάλλον οι συγκεκριμένες περιοχές αποτελούν κέντρα ρύπανσης και είναι πολύ επιβαρυμένες (hotspots) με τοξικά μέταλλα σε σχέση με τις υπόλοιπες περιοχές μελέτης. Εν τέλει, οι τιμές αυτές απορρίφθηκαν και δε χρησιμοποιήθηκαν στη χωρική μοντελοποίηση καθώς θα επηρέαζαν αρνητικά την ικανότητα πρόβλεψης/προσδιορισμού του μοντέλου. Έτσι μετά από την απόρριψη των τιμών αυτών, χρησιμοποιήθηκαν τελικά για τη μοντελοποίηση (βαθμονόμηση και έλεγχος) 299 δείγματα για το ψευδάργυρο και το μόλυβδο, 298 δείγματα για το χαλκό, 297 δείγματα για το χρώμιο και το νικέλιο και 300 δείγματα για το αρσενικό (βλ. Εικόνα 6).

===Χωρική μοντελοποίηση===

Τα αποτελέσματα της χωρικής πρόβλεψης των υπό εξέταση τοξικών μετάλλων παρουσιάζονται στην Εικόνα 8. Σε γενικές γραμμές, όλα τα μοντέλα βαθμονόμησης έδωσαν καλά αποτελέσματα όσον αφορά τις ικανότητες πρόβλεψης/προσδιορισμού των υπό εξέταση μετάλλων. Ο χαλκός είχε τις υψηλότερες τιμές R2 και RPD, ακολουθούμενος από το αρσενικό, το μόλυβδο, το χρώμιο, τον ψευδάργυρο και το νικέλιο. Παρόλ’ αυτά, εξαιτίας κάποιων παραγόντων οι τιμές RPIQ απέδωσαν μεγαλύτερη ακρίβεια προσδιορισμού σε σχέση με τις τιμές RPD.

===Σημασία μεταβλητότητας των παραγόμενων μοντέλων Cubist για την πρόβλεψη των υπό εξέταση μετάλλων===

Οι εκτελέσεις των μοντέλων μέσω του εργαλείου Cubist δε χρησιμοποίησαν όλες τις μεταβλητές για τη βαθμονόμηση. Όπως φαίνεται και στην Εικόνα 9, η οποία πρακτικά δείχνει τη χρήση της κάθε μεταβλητής/δεδομένου για κάθε υπό εξέταση μέταλλο, το σύνολο των εκτελέσεων των μοντέλων για όλα τα μέταλλα χρησιμοποίησε τηλεπισκοπικά δεδομένα (κανάλια, δείκτες κ.α.) μόνο για τους μήνες Ιανουάριο και Φεβρουάριο, σε συνδυασμό με διάφορα άλλα δεδομένα όπως κλίση, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α. Επιπλέον, με εξαίρεση τα τηλεπισκοπικά δεδομένα, οι αμέσως επόμενες πιο σημαντικές μεταβλητές (υψηλά ποσοστά), όπως επιλέχθηκαν από τα μοντέλα ήταν η δορυφορική εικόνα νυχτερινού φωτισμού της περιοχής και η εγγύτητα στους δρόμους.
Με βάση την Εικόνα 9:
* Τα μέταλλα χρώμιο και νικέλιο επηρεάζονταν ιδιαίτερα από γεωλογικούς και εδαφολογικούς παράγοντες
* Τα μέταλλα ψευδάργυρος, μόλυβδος και χαλκός επηρεάζονταν ιδιαίτερα από τοπολογικούς-ανθρωπογενείς παραμέτρους, όπως η εγγύτητα στους δρόμους, η απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.
Από τα παραπάνω προκύπτει πως οι συγκεντρώσεις των μετάλλων χρώμιο και νικέλιο επηρεάζονται κυρίως από περιβαλλοντικούς παράγοντες ενώ οι συγκεντρώσεις των μετάλλων ψευδάργυρος, μόλυβδος και χαλκός κυρίως από ανθρώπινες δραστηριότητες.

===Φασματικοί/τηλεσκοπικοί δείκτες===

Από τους τηλεπισκοπικούς δείκτες που υπολογίσθηκαν, αυτοί που χρησιμοποιήθηκαν περισσότερο ήταν ο tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index (η δημιουργία του οποίου βασίζεται στον πρώτο). Συγκεκριμένα, ο tasseled cap transformation ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα αρσενικό, ψευδάργυρο, μόλυβδο και χαλκό, ενώ ο BCI ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα χρώμιο, νικέλιο, ψευδάργυρο και μόλυβδο. Αυτό φαίνεται να οφείλεται στο γεγονός ότι αυτοί οι δύο δείκτες είναι οι μόνοι οι οποίοι μπορούν να προσδώσουν πληροφορίες τόσο για την ταξινόμηση των αστικών περιοχών (οι οποίες θεωρούνται αδιαπέραστες επιφάνειες) όσο και για τα επίπεδα και την αφθονία βλάστησης αλλά και τα επίπεδα υγρασίας των εδαφών στην υπό μελέτη περιοχή.
Από την άλλη οι δείκτες NDVI, EVI, SAVI ήταν στις δέκα κορυφαίες μεταβλητές μόνο για το μοντέλο του αρσενικού, πράγμα το οποίο αποδίδεται στο γεγονός ότι οι κύριες πηγές εδαφικής ρύπανσης με αρσενικό είναι τα γεωργικά φάρμακα και τα λιπάσματα που χρησιμοποιούνται στη γεωργία. Συγκεκριμένα, ανεξέλεγκτη χρήση γεωργικών φαρμάκων και λιπασμάτων παράγουν πιο «πράσινη» βιομάζα ενώ συγχρόνως αυξάνουν τις συγκεντρώσεις αρσενικού στα εδάφη. Πράγματι, ο συντελεστής συσχέτισης Pearson μεταξύ αρσενικού και των τριών δεικτών ήταν πάνω από 0.3, πράγμα που υποδεικνύει θετική σχέση μεταξύ της εδαφικής ρύπανσης με αρσενικό και του επιπέδου πράσινης βιομάζας στις αγροτικές περιοχές του Κατάρ.

===Προβλεπόμενοι χάρτες των υπό εξέταση μετάλλων===

Οι τελικοί χάρτες που προέκυψαν από τις εκτελέσεις των μοντέλων για τα υπό εξέταση μέταλλα παρουσιάζονται στην Εικόνα 10. Όλοι οι χάρτες εμφάνισαν παρόμοια χωρική κατανομή των μετάλλων και ξεκάθαρα υποδεικνύουν υψηλή συσσώρευση αυτών στο βόρειο τμήμα του Κατάρ. Αυτό αποδίδεται σε ανθρωπογενείς δραστηριότητες και γεωλογικές κυρίως παραμέτρους. Στο βόρειο τμήμα του Κατάρ υπάγονται το μεγαλύτερο μέρος της βιομηχανίας και της γεωργίας της χώρας ενώ συγχρόνως η γεωλογία της συγκεκριμένης περιοχής επηρεάζει θετικά την απορρόφηση και τη συσσώρευση των μετάλλων αυτών στο έδαφος.
Επιπρόσθετα, οι χάρτες πρόβλεψης για τα μέταλλα ψευδάργυρο, μόλυβδο και χαλκό υποδεικνύουν υψηλή συσσώρευση στο ανατολικό κομμάτι του Κατάρ, όπου βρίσκεται η πόλη Ντόχα. Αυτό αποδίδεται στη ραγδαία αστικοποίηση που εμφάνισε η πόλη τα τελευταία χρόνια. Πιθανώς, οφείλεται στην κατάθεση σωματιδίων μετάλλων από τον υπέρογκο πληθυσμό μηχανοκίνητων οχημάτων της περιοχής.

==Συμπεράσματα==

* Η χρήση πολυφασματικών δεδομένων (εικόνες Landsat 8, τηλεπισκοπικοί δείκτες) σε συνδυασμό με περιβαλλοντικές παραμέτρους (γεωλογικής, εδαφολογικής, γεωμορφολογικής, ανθρωπογενής φύσεως) διαμέσου της μοντελοποίησης που προσφέρει το Cubist έδωσαν ιδιαίτερα ικανοποιητικά αποτελέσματα πρόβλεψης εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων.
* Τα τηλεπισκοπικά δεδομένα Ιανουαρίου και Φεβρουαρίου, ήταν αυτά που επιλέχθηκαν και χρησιμοποιήθηκαν περισσότερο από τα μοντέλα, εξαιτίας της εποχιακής μεταβλητότητας του κλίματος του Κατάρ.
* Το θέμα με τη νεφοκάλυψη στις τηλεπισκοπικές απεικονίσεις ήταν ο κυριότερος περιορισμός της έρευνας, καθώς οι τηλεπισκοπικές απεικονίσεις με έντονο το φαινόμενο της νεφοκάλυψης απορρίφθηκαν. Μεταξύ αυτών ήταν και η απεικόνιση του Κατάρ για το μήνα Μάρτιο που όπως ερευνήθηκε ήταν η μεταβλητή που θα συνέβαλε περισσότερο στη βαθμονόμηση των μοντέλων.
* Οι δείκτες που χρησιμοποιήθηκαν σε μεγαλύτερο ποσοστό από τα μοντέλα ήταν οι tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων χαλκός, ψευδάργυρος και μόλυβδος επηρεάζονταν κυρίως από ανθρωπογενείς παραμέτρους.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων αρσενικό, χρώμιο και νικέλιο επηρεάζονταν κυρίως από γεωλογικούς και εδαφολογικούς παραμέτρους.
* Χρήση περισσότερων μεταβλητών/δεδομένων μπορεί να αυξήσει την ακρίβεια πρόβλεψης των μοντέλων.
* Η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.
* Για την εξακρίβωση της ποιότητας των αποτελεσμάτων απαιτούνται παρόμοιες έρευνες με τηλεπισκοπικά δεδομένα μεγαλύτερης ανάλυσης, ακρίβειας και χρονικής κάλυψης (π.χ. Sentinel 2).

[[category:Υποβάθμιση εδαφών]]

Μέθοδοι εκτίμησης περιεκτικότητας εδαφικού υδραργύρου χρησιμοποιώντας πολυφασματική ψηφιακή τηλεπισκόπηση

2019-01-22T23:54:30Z

Christos mamaloudis:

[[Εικόνα: wiki3_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης και σημεία εδαφικής δειγματοληψίας]]
[[Εικόνα: wiki3_cm2.png|thumb|right|Εικόνα 2: Περιγραφικά δεδομένα εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm3.png|thumb|right|Εικόνα 3: Οι φασματικές καμπύλες ανακλαστικότητας μετά από μαθηματική διόρθωση με: (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL)]]
[[Εικόνα: wiki3_cm4.png|thumb|right|Εικόνα 4: Δομή του μοντέλου GA-BPNN]]
[[Εικόνα: wiki3_cm5.png|thumb|right|Εικόνα 5: Διάγραμμα ροής για τον προσδιορισμό της βέλτιστης μεθόδου προσομοίωσης εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm6.png|thumb|right|Εικόνα 6: Συντελεστές συσχέτισης μεταξύ εδαφικού υδραργύρου και των εδαφικών φασματικών δεικτών (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL)]]
[[Εικόνα: wiki3_cm7.png|thumb|right|Εικόνα 7: Τα επιλεγμένα κανάλια και οι αντίστοιχοι συντελεστές συσχέτισης]]
[[Εικόνα: wiki3_cm8.png|thumb|right|Εικόνα 8: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο MLR συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm9.png|thumb|right|Εικόνα 9: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο BPNN συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm10.png|thumb|right|Εικόνα 10: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο GA-BPNN συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm11.png|thumb|right|Εικόνα 11: Αποτελέσματα των υπό εξέταση μοντέλων (MLR, BPNN, GA-BPNN) σε σχέση με τις μετρήσεις των χημικών αναλύσεων]]
[[Εικόνα: wiki3_cm12.png|thumb|right|Εικόνα 12: Δείκτες ακρίβειας των υπό εξέταση μοντέλων (MLR, BPNN, GA-BPNN)]]

'''Πρότυπος τίτλος: ''Estimation Methods for Soil Mercury Content Using Hyperspectral Remote Sensing'''''

'''Συγγραφείς: Li Zhao, Yue-Ming Hu, Wu Zhou, Zhen-Hua Liu, Yu-Chun Pan, Zhou Shi, Lu Wang, Guang-Xing Wang'''

'''Link: https://www.mdpi.com/2071-1050/10/7/2474'''

==Εισαγωγή==

Ο υδράργυρος (Hg) είναι ένα από τα πιο τοξικά βαρέα μέταλλα που υπάγονται στον πλανήτη, αφού διαθέτει υψηλή νευροτοξικότητα και μεγάλη πιθανότητα τερατογενέσεων. Στο έδαφος εμφανίζεται με διάφορες μορφές τόσο από φυσικές όσο και από ανθρωπογενείς εκπομπές και χάρη στην ικανότητα του, ως βαρύ μέταλλο, να μην διασπάται εύκολα από βιολογικές διεργασίες μπορεί και βιοσυσσωρεύεται σε μεγαλύτερες συγκεντρώσεις. Αυτό έχει σαν αποτέλεσμα να επηρεάζει αρνητικά την ποιότητα των υπόγειων και επιφανειακών υδάτων, την ανάπτυξη των καλλιεργειών και εν τέλει τους ζωντανούς οργανισμούς αλλά και τον άνθρωπο. Ως εκ τούτου, η συνεχής παρακολούθηση των επιπέδων υδραργύρου στο έδαφος αλλά και των ενδεχόμενων εδαφικών ρυπάνσεων είναι υψίστης σημασίας.
Οι παραδοσιακές μέθοδοι παρακολούθησης διαθέτουν υψηλή ακρίβεια και συνήθως περιλαμβάνουν πολλαπλές εδαφικές δειγματοληψίες, εργαστηριακές χημικές αναλύσεις και γεωστατιστικές μεθόδους παρεμβολής. Παρόλ’ αυτά είναι ιδιαίτερα χρονοβόρες και κοστοβόρες, ενώ συγχρόνως είναι ανακριβείς στην περίπτωση παρακολούθησης μεγάλων περιοχών.
Από την άλλη με την ανάπτυξη της ψηφιακής τηλεπισκόπησης και των πολυφασματικών τεχνικών, υπάρχουν πλέον μέθοδοι που διαθέτουν ταχεία και μεγάλης κλίμακας δυναμική παρακολούθησης και μπορούν να ανιχνεύσουν αποτελεσματικά, γρήγορα και με ακρίβεια τα επίπεδα βαρέων μετάλλων στο έδαφος ακόμη και σε μεγάλης κλίμακας περιοχές.

==Σκοπός της εργασίας==

Η συγκεκριμένη μελέτη έχει στόχο να προσδιορίσει τη βέλτιστη μέθοδο προσομοίωσης του περιεχόμενου υδραργύρου στο έδαφος, συγκρίνοντας τα αποτελέσματα περιεκτικότητας υδραργύρου τριών διαφορετικών και συχνά εφαρμοσμένων στατιστικών μεθόδων ανάλυσης (MLR, BPNN και GA-BPNN) μεταξύ τους αλλά και με τα αποτελέσματα των χημικών αναλύσεων. Απώτερος σκοπός είναι η προσπάθεια επίλυσης των υφιστάμενων προβλημάτων στην πολυφασματική εκτίμηση επιπέδων βαρέων μετάλλων στο έδαφος, χρησιμοποιώντας μοντέλα στατιστικής ανάλυσης και μεθόδους τεχνητής μάθησης.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης καλύπτει την επαρχία Guangdong στη Ν. Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1. Η επαρχία Guangdong τα τελευταία χρόνια έχει σημειώσει πολύ μεγάλη οικονομική ανάπτυξη και τόσο η αστικοποίηση όσο και η βιομηχανοποίηση έχουν αυξηθεί κατά κόρον, με αποτέλεσμα το πρόβλημα ρύπανσης των εδαφών να είναι πολύ σοβαρό.

===Δειγματοληψία===

Συνολικά συλλέχθηκαν 75 δείγματα εδάφους βάρους περίπου 300 g το καθένα από την επαρχία Guangdong σε βάθος 0 – 20 cm. Τα σημεία δειγματοληψίας κοντά σε αγροτικές περιοχές συλλέχθηκαν σε κλίμακα 50 km x 50 km, ενώ τα σημεία κοντά σε πυκνοκατοικημένες και πιθανώς περισσότερο ρυπασμένες περιοχές σε κλίμακα 30 km x 30 km (Εικόνα 1). Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System). Τα δείγματα στη συνέχεια μεταφέρθηκαν στο εργαστήριο όπου υποβλήθηκαν σε προκατεργασία η οποία περιλάμβανε αεροξήρανση, αφαίρεση μη εδαφικών στοιχείων, άλεση και τελικώς κοσκίνισμα στα 0.2 mm. Μετά την προκατεργασία το κάθε δείγμα χωρίστηκε σε δύο ισομερείς ποσότητες∙ μια για τις χημικές και μια για τις φασματικές αναλύσεις.

===Χημική ανάλυση===

Για τη χημική ανάλυση, χρησιμοποιήθηκαν 0.2 g από το κάθε δείγμα για πέψη με μείγμα H2SO4-HNO3-KMnO4. Η ανίχνευση του περιεχόμενου υδραργύρου στα παραγόμενα διαλύματα πραγματοποιήθηκε με τη χρήση φασματοσκοπίας ατομικής απορρόφησης. Τα περιγραφικά δεδομένα του εδαφικού υδραργύρου παρουσιάζονται στην Εικόνα 2.
Συλλογή και επεξεργασία εδαφικών φασματικών δεδομένων
Τα εδαφικά φασματικά δεδομένα συλλέχθηκαν μετρώντας τη φασματική ανακλαστικότητα των εδαφικών δειγμάτων με τη χρήση ενός φορητού φασματόμετρου (AvaField, Avantes, Holland), το οποίο διέθετε κανάλια με εύρος από 340.316 έως 2511.179 nm και διάστημα φασματικής δειγματοληψίας 0.6 nm. Κάθε δείγμα εδάφους μετρήθηκε πέντε φορές και με τη χρήση του προγράμματος AvaReader διορθώθηκαν οι όποιες ανωμαλίες των δεδομένων, ενώ ως τιμή ανάκλασης του κάθε εδαφικού δείγματος χρησιμοποιήθηκε η μέση τιμή ανάκλασης εκ των πέντε μετρήσεων.
Οι φασματικές μετρήσεις όμως επηρεάζονται εύκολα από διάφορους παράγοντες και άρα πρέπει να διορθώνονται προκειμένου να απαλειφθεί ο θόρυβος υποβάθρου και να επισημανθούν τα χαρακτηριστικά απορρόφησης και ανάκλασης της φασματικής καμπύλης που παράγεται. Στη συγκεκριμένη μελέτη, για την εξομάλυνση και τη βελτιστοποίηση της φασματικής καμπύλης κάθε εδαφικού δείγματος, χρησιμοποιήθηκε το φίλτρο εξομάλυνσης Savitzky-Golay. Η παραγόμενη εξομαλυμένη καμπύλη επεξεργάστηκε με τις μεθόδους: α) αφαίρεση συνεχούς (Continuum Removed –CR), β) διαφορά πρώτης τάξης (First-order Differential – FD) και γ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL) και παράχθηκαν οι αντίστοιχες καμπύλες (Εικόνα 3).

===Επιλογή καναλιών===

Για την επιλογή των κατάλληλων καναλιών, δηλαδή αυτών με τους υψηλότερους συντελεστές συσχέτισης, όσον αφορά τη σχέση μεταξύ ανακλαστικότητας και εδαφικής συγκέντρωσης υδραργύρου, χρησιμοποιήθηκε ανάλυση συσχέτισης Pearson μεταξύ (α) των τεσσάρων προαναφερθέντων εδαφικών φασματικών δεικτών [(1) εξομαλυμένη φασματική ανακλαστικότητα, (2) CR φασματική ανακλαστικότητα, (3) FD φασματική ανακλαστικότητα και (4) RL φασματική ανακλαστικότητα] και (β) του εδαφικού υδραργύρου, για τον προσδιορισμό τους σε επίπεδο σημασία p=0.01.

===Στατιστικές μέθοδοι προσομοίωσης για τον υπολογισμό του εδαφικού υδραργύρου===

'''MLR'''

Αποτελεί μια κλασική μέθοδο στατιστικής ανάλυσης που χρησιμοποιείται για τη δημιουργία γραμμικής εξίσωσης που στόχο έχει να εξηγήσει τη σχέση μεταξύ δύο ή περισσότερων ανεξάρτητων μεταβλητών και μιας εξαρτημένης μεταβλητής.

'''BPNN'''

Η μέθοδος BPNN αποτελεί μια μέθοδο τεχνητής μάθησης, που στόχο έχει να προβλέψει τη συσχέτιση μεταξύ οποιασδήποτε μη γραμμικής μεταβλητής εισόδου και μεταβλητής εξόδου.

'''GA-BPNN'''

Αποτελεί συνδυασμό δύο μεθόδων στατιστικής ανάλυσης (GA + BPNN) που στη συγκεκριμένη έρευνα χρησιμοποιήθηκε για τη βελτιστοποίηση των αποτελεσμάτων πρόβλεψης και προσδιορισμού των εδαφικών συγκεντρώσεων υδραργύρου. Η δομή που ακολουθήθηκε για τη μέθοδο στη συγκεκριμένη έρευνα παρουσιάζεται στην Εικόνα 4.
Για την επιλογή της καταλληλότερης μεθόδου ακολουθήθηκε η δομή που παρουσιάζεται στην Εικόνα 5.

==Αποτελέσματα και συζήτηση==

===Αποτελέσματα από τη διαδικασία επιλογής των κατάλληλων καναλιών===

Τα αποτελέσματα παρουσιάζονται στην Εικόνα 6. Αυτό που προκύπτει είναι ότι η απόλυτη τιμή του συντελεστή συσχέτισης μεταξύ φασματικής ανακλαστικότητας και εδαφικού υδραργύρου ήταν πάνω από 0.260 για επίπεδο σημασίας p=0.01, πράγμα που σημαίνει πως η συσχέτιση ήταν σημαντική. Συγκεκριμένα:
* Η εξομαλυμένη φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 350-695 και 2216-2228 nm
* Η CR φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 356-685 και 2200-2228 nm
* Η FD φασματική ανακλαστικότητα έδωσε υψηλότερη θετική συσχέτιση στα 465.351 nm, 799.18 nm, 1373.48 nm, 2114.978 nm και υψηλότερη αρνητική συσχέτιση στα 587.705 nm, 1035.788 και 1975.4 nm, όπου οι απόλυτες τιμές των συντελεστών συσχέτισης, για p=0.01 ήταν πάνω από 0.300
* Η RL φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 355-674 και 2171-2500 nm
Όπως προκύπτει, τα καλύτερα αποτελέσματα έδωσε ο συντελεστής συσχέτισης μεταξύ της FD φασματικής ανακλαστικότητας και του εδαφικού υδραργύρου, αφού έδωσε μεγαλύτερο πλήθος καναλιών με συντελεστή συσχέτισης πάνω από 0.260 αλλά και υψηλότερες τιμές συντελεστών συσχέτισης σε σχέση με τους άλλους δείκτες.
Συνολικά, για την έρευνα επιλέχθηκαν 13 κανάλια, τα οποία παρουσιάζονται στην Εικόνα 7, μαζί με τους αντίστοιχους συντελεστές συσχέτισης.

===Αποτελέσματα στατιστικών μεθόδων προσομοίωσης για τον υπολογισμό του εδαφικού υδραργύρου===

'''MLR'''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 8 και στην Εικόνα 11.

'''BPNN'''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 9 και στην Εικόνα 11.

'''GA-BPNN'''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 10 και στην Εικόνα 11.

===Σύγκριση των μοντέλων===

Σύμφωνα με τους δείκτες ακρίβειας των μοντέλων οι οποίοι παρουσιάζονται στην Εικόνα 12, προκύπτει ότι το γραμμικό μοντέλο MLR είναι κατώτερο από τα υπόλοιπα δύο μοντέλα τεχνητής μάθησης, πράγμα που υποδεικνύει ότι υπάρχει μια ξεκάθαρη μη γραμμική σχέση μεταξύ των επιλεγμένων καναλιών και του εδαφικού υδραργύρου. Εν τέλει το μοντέλο GA-BPNN είναι αυτό που απέδωσε καλύτερα σε σύγκριση με τα υπόλοιπα, εξαιτίας του GA αλγόριθμου, ο οποίος βελτιστοποιεί τις παραμέτρους της BPNN μεθόδου (βλ. Εικόνα 12).

==Συνόψιση και Συμπεράσματα==

Η συγκεκριμένη έρευνα είχε στόχο να προσδιορίσει τη βέλτιστη μέθοδο προσομοίωσης και υπολογισμού συγκεντρώσεων εδαφικού υδραργύρου μέσω φασματικών δεδομένων. Για το λόγο αυτό πραγματοποιήθηκε μαθηματική μετατροπή της εδαφικής φασματικής ανακλαστικότητας των εδαφικών δειγμάτων με τέσσερις διαφορετικές μεθόδους: (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL). Έπειτα, πραγματοποιήθηκε ανάλυση συσχέτισης Pearson στα επεξεργασμένα φασματικά δεδομένα και στις χημικά μετρημένες συγκεντρώσεις χαλκού. Με βάση αυτά επιλέχθηκαν τα 13 πιο κατάλληλα κανάλια που διέθεταν τις υψηλότερες απόλυτες τιμές συντελεστή συσχέτισης. Για τον προσδιορισμό του εδαφικού υδραργύρου χρησιμοποιήθηκαν τα μοντέλα MLR, BPNN και GA-BPNN, τα αποτελέσματα των οποίων έδειξαν πως το πιο αποδοτικό εξ αυτών είναι το μοντέλο GA-BPNN καθώς έδωσε τα καλύτερα αποτελέσματα και το οποίο εν τέλει θα μπορούσε να εφαρμοσθεί και στην πράξη ως εναλλακτικός τρόπος προσδιορισμού εδαφικού υδραργύρου έναντι των χημικών μεθόδων ανάλυσης.

[[category:Υποβάθμιση εδαφών]]

Δυνατότητες ορατής και εγγύς υπέρυθρης φασματοσκοπίας και φασματικών δεδομένων για την πρόβλεψη βαρέων μετάλλων σε ρυπασμένα εδάφη (Ιράν)

2019-01-22T23:50:21Z

Christos mamaloudis:

[[Εικόνα: wiki1_cm1.png|thumb|right|Εικόνα 1: Θέση της περιοχής μελέτης]]
[[Εικόνα: wiki1_cm2.png|thumb|right|Εικόνα 2: Φυσικοχημικές ιδιότητες των εδαφικών δειγμάτων]]
[[Εικόνα: wiki1_cm3.png|thumb|right|Εικόνα 3: Συντελεστής συσχέτισης μεταξύ CRS και περιεχομένων βαρέων μετάλλων στο έδαφος]]
[[Εικόνα: wiki1_cm4.png|thumb|right|Εικόνα 4: Διαγράμματα συσχέτισης των χημικά μετρούμενων συγκεντρώσεων Ni, Cd, Pb και As στο έδαφος με τις προβλεπόμενες συγκεντρώσεις τους χρησιμοποιώντας τα CRS]]
[[Εικόνα: wiki1_cm5.png|thumb|right|Εικόνα 5: Συντελεστής συσχέτισης μεταξύ FDS και περιεχομένων βαρέων μετάλλων στο έδαφος]]
[[Εικόνα: wiki1_cm6.png|thumb|right|Εικόνα 6: Διαγράμματα συσχέτισης των χημικά μετρούμενων συγκεντρώσεων Ni, Cd, Pb και As στο έδαφος με τις προβλεπόμενες συγκεντρώσεις τους χρησιμοποιώντας τα FDS]]
[[Εικόνα: wiki1_cm7.png|thumb|right|Εικόνα 7: Αναλυτικά συγκριτικά αποτελέσματα χρήσης CRS και FDS στην ανίχνευση Ni, Cd, Pb και As στο έδαφος με εφαρμογή άμεσης φασματοσκοπίας ανάκλασης]]
[[Εικόνα: wiki1_cm8.png|thumb|right|Εικόνα 8: Συντελεστές συσχέτισης μεταξύ εδαφικού οργανικού άνθρακα και (α) φάσματα πλήρους μήκους κύματος, (β) CRS και (γ) FDS]]
[[Εικόνα: wiki1_cm9.png|thumb|right|Εικόνα 9: Διαγράμματα του χημικά υπολογισμένου εδαφικού οργανικού άνθρακα σε σχέση με τον προβλεπόμενο εδαφικό οργανικό άνθρακα με (α) CRS και (β) FDS]]
[[Εικόνα: wiki1_cm10.png|thumb|right|Εικόνα 10: Σύγκριση αποτελεσματικότητας CRS και FDS στην εκτίμηση του εδαφικού οργανικού άνθρακα]]
[[Εικόνα: wiki1_cm11.png|thumb|right|Εικόνα 11: Αναλυτικά συγκριτικά αποτελέσματα χρήσης CRS και FDS στην ανίχνευση Ni, Cd, Pb και As στο έδαφος με εφαρμογή φασματοσκοπίας ανάκλασης εδαφικού οργανικού άνθρακα και μαθηματικές εξισώσεις για τη μετατροπή του προβλεπόμενου εδαφικού οργανικού άνθρακα σε συγκεντρώσεις βαρέων μετάλλων]]
[[Εικόνα: wiki1_cm12.png|thumb|right|Εικόνα 12: Χάρτες κατανομής συγκεντρώσεων Ni, Cd, Pb και As και περιεκτικότητας οργανικού άνθρακα στο έδαφος στην υπό εξέταση περιοχή με την άμεση ανίχνευση σε εικόνες Landsat 8]]
[[Εικόνα: wiki1_cm13.png|thumb|right|Εικόνα 13: Χάρτες κατανομής συγκεντρώσεων Ni, Cd, Pb και As στο έδαφος στην υπό εξέταση περιοχή με την έμμεση ανίχνευση σε εικόνες Landsat 8]]
[[Εικόνα: wiki1_cm14.png|thumb|right|Εικόνα 14: Αναλυτικά συγκριτικά αποτελέσματα άμεσης και έμμεσης ανίχνευσης Ni, Cd, Pb και As στο έδαφος με τη χρήση φασμάτων εικόνων Landsat 8]]
[[Εικόνα: wiki1_cm15.png|thumb|right|Εικόνα 15: Χάρτες κατανομής συγκεντρώσεων Ni, Cd, Pb και As στο έδαφος στην υπό εξέταση χρησιμοποιώντας το μοντέλο τεχνητού νευρωνικού δικτύου σε εικόνες Landsat 8]]
[[Εικόνα: wiki1_cm16.png|thumb|right|Εικόνα 16: Αναλυτικά αποτελέσματα ανίχνευσης Ni, Cd, Pb και As στο έδαφος, με τη χρήση τεχνητού νευρωνικού δικτύου (ANN)]]

'''Πρότυπος τίτλος: ''Capability of vis-NIR spectroscopy and Landsat 8 spectral data to predict soil heavy metals in polluted agricultural land (Iran)'''''

'''Συγγραφείς: Ramin Samiei Fard & Hamid Reza Matinfar'''

'''Link: https://link.springer.com/article/10.1007/s12517-016-2780-4'''

==Εισαγωγή==

Τα τελευταία χρόνια η ρύπανση του περιβάλλοντος με βαρέα μέταλλα είναι ένα πολύ διαδεδομένο πρόβλημα και αναλόγως την ένταση στην οποία υφίσταται μπορεί να έχει άμεσα ή έμμεσα πολύ αρνητικές συνέπειες στα οικοσυστήματα και στην ανθρώπινη υγεία. Ορισμένα βαρέα μέταλλα, όπως ο χαλκός (Cu) και ο ψευδάργυρος (Zn) (ιχνοστοιχεία) είναι απαραίτητα σε συγκεκριμένες συγκεντρώσεις τόσο στα φυτά όσο και στον άνθρωπο αλλά και σε όλους τους ζωντανούς οργανισμούς. Παρόλ’ αυτά όταν συγκεκριμένες μορφές των βαρέων μετάλλων βρεθούν σε υψηλά επίπεδα στο έδαφος μπορεί να προκαλέσουν τοξικότητα και ρύπανση του εδάφους, η οποία μπορεί με τη σειρά της να αποδοθεί και να μεταφερθεί στα υπόγεια ύδατα, στις καλλιέργειες και εν δυνάμει στον άνθρωπο.
Για το λόγο αυτό, κρίνεται απαραίτητος ο υπολογισμός των συγκεντρώσεων των βαρέων μετάλλων στο έδαφος ειδικά σε περιοχές με έντονη βιομηχανία και γεωργία, καθώς τέτοιου είδους δραστηριότητες τείνουν να αυξάνουν αισθητά τα επίπεδά τους στο έδαφος με διάφορους τρόπους.
Ο υπολογισμός των βαρέων μετάλλων στο έδαφος αλλά και σε υδρόβια συστήματα μπορεί να επιτευχθεί με τη χρήση πολλών μεθόδων. Οι παραδοσιακές μέθοδοι που χρησιμοποιούνται για την ανίχνευση της κατανομής των βαρέων μετάλλων στο έδαφος περιλαμβάνουν χρονοβόρες εργαστηριακές χημικές αναλύσεις και παραστατικές δειγματοληψίες (π.χ. δειγματοληψία + χημικές αναλύσεις + φασματοσκοπία ατομικής απορρόφησης (AAS)). Ωστόσο, με την ανάπτυξη της τηλεπισκόπησης, διάφορες τεχνικές έχουν χρησιμοποιηθεί σε έρευνες για την ταχύτερη κατανομή των βαρέων μετάλλων στις προκαταρκτικές αναλύσεις των εδαφών και πλέον είναι δεδομένο πως η ορατή και εγγύς υπέρυθρη φασματοσκοπία (VNIRS – Visible Near-Infrared Reflectance Spectroscopy) σε φασματική περιοχή από 400 έως 2500 nm μπορεί να χρησιμοποιηθεί για άμεση ανίχνευση συγκεντρώσεων βαρέων μετάλλων στο έδαφος.

==Σκοπός της εργασίας==

Η παρούσα έρευνα επικεντρώνεται στην ανίχνευση Ni (νικελίου), Cd (καδμίου), Pb (μόλυβδου) και As (αρσενικού) σε ρυπασμένα αγροτικά εδάφη στο Ιράν, με την εφαρμογή ανακλαστικής φασματοσκοπίας σε φασματική περιοχή από 350 έως 2500 nm, χρησιμοποιώντας (α) γραμμικό μοντέλο μερικής γραμμικής παλινδρόμησης (PLSR – Partial Least Square Regression) και (β) μη γραμμικό μοντέλο τεχνητού νευρωνικού δικτύου (ANN – Artificial Neural Network) για την αξιολόγηση των συσχετισμένων δεδομένων των καναλιών προσρόφησης στο εύρος ορατού εγγύς υπέρυθρου (VNIR), με τις μετρούμενες συγκεντρώσεις των βαρέων μετάλλων.
Επιπλέον στόχος της παρούσας έρευνας ήταν η χαρτογράφηση της κατανομής των προαναφερθέντων βαρέων μετάλλων μέσω ενός μοντέλου παλινδρόμησης, με τις προβλεπόμενες τιμές και στη συνέχεια η σύγκριση των αξιολογήσεων με τις συγκεντρώσεις των βαρέων μετάλλων που υπολογίσθηκαν με τη χρήση της φασματοσκοπίας ατομικής απορρόφησης (AAS). Τελικώς, (α) αξιολογήθηκαν οι δυνατότητες εικόνων Landsat 8 για την ανίχνευση Ni, Cd, Pb και As σε εδάφη, (β) αναγνωρίστηκαν τα έγκυρα κανάλια εικόνων Landsat για την ανίχνευση αυτών των μετάλλων και (γ) συγκρίθηκαν τα αποτελέσματα μεταξύ γραμμικών και μη γραμμικών μοντέλων για την εκτίμηση των παραπάνω μετάλλων. Εν τέλει απώτερος σκοπός της συγκεκριμένης εργασίας ήταν η επιλογή της καλύτερης μεθόδου για την ανίχνευση βαρέων μετάλλων και συγκεκριμένα του νικελίου, καδμίου, μόλυβδου και αρσενικού, μετά από σύγκριση των αποτελεσμάτων της καθεμιάς.

==Υλικά και μέθοδοι==

===Κανάλια Landsat 8 που χρησιμοποιήθηκαν===

Συνολικά, από τα 11 κανάλια που διαθέτει ο Landsat 8 χρησιμοποιήθηκαν μόνο τα πρώτα 7 (1 – 7), τα οποία έχουν ανάλυση 30 m (30 m × 30 m = 900 m2) και μικρό εύρος όσον αφορά τα μήκη προσρόφησης, ενώ παραλείφθηκαν τα θερμικά κανάλια, το παγχρωματικό (ασπρόμαυρο) κανάλι και το κανάλι 9 που χρησιμοποιείται για την ανίχνευση θυσάνων (ειδική κατηγορία νεφών).
Συγκεκριμένα,
* 1 – 4 → 430 – 680 nm
* 5 → 845 – 885 nm
* 6 → 1500 – 1660 nm
* 7 → 2100 – 2300 nm

===Δειγματοληψία εδάφους===

Η δειγματοληψία πραγματοποιήθηκε σε 36 σημεία (Εικόνα 1), τα οποία ανήκουν σε 36 αντίστοιχες διαφορετικές περιοχές του Ιράν, καθεμιά από της οποίες καλύπτει περίπου 900 m2. Τα εδαφικά δείγματα πέρασαν επιτόπου από κόσκινο 200 mm για καλύτερη ομογενοποίηση και έπειτα χωρίστηκαν σε δύο ισομερείς ποσότητες εκ των οποίων μία χρησιμοποιήθηκε για χημικές αναλύσεις και η άλλη για φασματικές αναλύσεις. Τέλος, καταγράφηκε η θέση του κάθε σημείου με GPS (Global Positioning System), θεωρώντας πως το κάθε σημείο βρίσκεται ακριβώς στο κέντρο κάθε περιοχής. Πριν τις χημικές και φασματικές αναλύσεις προηγήθηκε προκατεργασία των εδαφικών δειγμάτων η οποία περιλάμβανε ξήρανση σε φούρνο και περαιτέρω κοσκίνισμα μέχρι 2 mm, με στόχο την εξαγωγή ακριβέστερων αποτελεσμάτων και την παράκαμψη μικροσκοπικών φαινομένων από μακρο-συσσωματώματα αντίστοιχα.

===Χημική ανάλυση===

Για τα 36 εδαφικά δείγματα, αρχικά υπολογίστηκαν διάφορες φυσικές εδαφικές ιδιότητες, μεταξύ των οποίων η οργανική ουσία του εδάφους, το pH του εδάφους, η ηλεκτρική αγωγιμότητα του εδάφους, η υφή του εδάφους και η περιεκτικότητα του εδάφους σε άργιλο, ιλύ και άμμο. Εν τέλει προσδιορίστηκαν οι συγκεντρώσεις Ni, Cd, Pb και As με τη χρήση φασματοσκοπίας ατομικής απορρόφησης (AAS) σε διαλύματα που παρασκευάστηκαν με τη μέθοδο Aqua Regia (βασιλικό νερό), προκειμένου να συγκριθούν οι ποσότητες πρόβλεψης βαρέων μετάλλων χρησιμοποιώντας φασματοσκοπία εγγύς υπέρυθρου.

===Φασματική ανάλυση===

Τα 36 εδαφικά δείγματα μετρήθηκαν φασματικά στο εργαστήριο, χρησιμοποιώντας το φασματοφωτόμετρο SVC (Spectra Vista Corporation), HR-1024 / HR-768, το οποίο καλύπτει τα μήκη κύματος του υπεριώδους, ορατού και εγγύς υπέρυθρου από 350 έως 2500 nm με φασματικό διάστημα 1 nm. Το SVC HR-1024 / HR-768 χρησιμοποιεί τρία φασματόμετρα πλέγματος περίθλασης, ένα πυριτίου με 512 διακριτούς ανιχνευτές και δύο InGaAs με 256 διακριτούς ανιχνευτές ο καθένας, με αποτέλεσμα να έχει τη δυνατότητα ανάγνωσης 1024 διαφορετικών καναλιών.

===Γραμμικό μοντέλο PLSR (Partial Least Square Regression)===

Στη συγκεκριμένη εργασία η προσέγγιση PLSR χρησιμοποιήθηκε με στόχο να αξιολογηθούν τα συσχετισμένα δεδομένα των καναλιών προσρόφησης στο εύρος του ορατού και εγγύς υπέρυθρου, με τις χημικώς μετρούμενες συγκεντρώσεις των υπό εξέταση μετάλλων (Ni, Cd, Pb και As). Η όλη διαδικασία πραγματοποιήθηκε με τη χρήση του προγράμματος MATLAB.
Μη γραμμικό μοντέλο ANN (Artificial Neural Network – Τεχνητό Νευρωνικό Δίκτυο)
Το μοντέλο ANN στη συγκεκριμένη έρευνα χρησιμοποιήθηκε για τον ίδιο λόγο όπως και η προσέγγιση PLSR. Συγκριτικά όμως, το μοντέλο ANN στην παρούσα έρευνα ήταν ένα μη γραμμικό μοντέλο πιο ευέλικτο από το PLSR.

==Αποτελέσματα και συζήτηση==

===Χημική ανάλυση===

Τα αποτελέσματα των χημικών εργαστηριακών αναλύσεων παρουσιάζονται στην Εικόνα 2.

===Άμεση ανίχνευση Ni, Cd, Pb και As με φασματοσκοπία ανάκλασης βαρέων μετάλλων (CRS – Continuum Removed Spectra, FDS - First Derivative Spectra)===

'''Αφαίρεση προσροφητικών φασματικών καναλιών'''

Τα κανάλια με εύρος 950 έως 1000, 1350 έως 1440 και 1850 έως 2100 nm, αφαιρέθηκαν, καθώς είναι ιδιαίτερα ευαίσθητα στην απορρόφηση νερού, η οποία τα επηρεάζει δραματικά.

'''CRS (Continuum Removed Spectra)'''

* Οι εμφανείς συσχετίσεις για το νικέλιο έγιναν στο φασματικό εύρος από 500 έως 850 nm αλλά και στα 1300, 1700 και 2100 nm, όπου οι συντελεστές συσχέτισης (Pearson) ήταν ≥ 0.35 (Εικόνα 3).
* Οι εμφανείς συσχετίσεις για το κάδμιο έγιναν στα φασματικά εύρη από 350 έως 400 και από 800 έως 850 nm , όπου οι συντελεστές συσχέτισης (Pearson) ήταν ≥ 0.35 (Εικόνα 3).
* Οι εμφανείς συσχετίσεις για το μόλυβδο έγιναν στα φασματικά εύρη από 350 έως 400 και 1300 έως 1800 nm, όπου οι συντελεστές συσχέτισης (Pearson) ήταν ≥ 0.3 (Εικόνα 3).
* Οι εμφανείς συσχετίσεις για το αρσενικό έγιναν στο φασματικό εύρος από 1600 έως 2400 nm, όπου ο συντελεστής συσχέτισης (Pearson) ήταν ≥ 0.3 (Εικόνα 3).

'''FDS (First Derivative Spectra)'''

Παρατηρώντας την Εικόνα 5 και συγκρίνοντάς την με την Εικόνα 3 προκύπτει πως η εξέχουσα συσχέτιση μεταξύ των υπό εξέταση μετάλλων (Ni, Cd, Pb, As) και των FDS είναι μεγαλύτερη από τις συσχετίσεις των βαρέων μετάλλων και των CRS, πράγμα που επαληθεύεται και από το συντελεστή συσχέτισης (Pearson), ο οποίος κατά μέσο όρο κυμάνθηκε γύρω στο 0.45.

'''Συνολικά'''

Τα αποτελέσματα της άμεσης ανίχνευσης Ni, Cd, Pb και As με φασματοσκοπία ανάκλασης συνοψίζονται στην Εικόνα 7, ο οποίος σε συνδυασμό με την Εικόνα 4 και την Εικόνα 6, δείχνουν πως τα FDS είναι πιο αποτελεσματικά στην ανίχνευση βαρέων μετάλλων συγκριτικά με τα CRS, καθώς προσεγγίζουν καλύτερα τις μετρήσεις από τη φασματοσκοπία ατομικής απορρόφησης (AAS) (χημική ανάλυση). Συγκεκριμένα, για το νικέλιο τα CRS ήταν πιο αποτελεσματικά, ενώ για το κάδμιο και το μόλυβδο τα FDS έδωσαν καλύτερα αποτελέσματα ανίχνευσης. Όσον αφορά το αρσενικό καμία από τις προσεγγίσεις δεν ήταν ιδιαίτερα αποτελεσματική λόγω χαμηλού συντελεστή προσδιορισμού (R2) ή υψηλής ρίζας μέσης τετραγωνικής απόκλισης (Root Mean Square Error).

===Έμμεση ανίχνευση Ni, Cd, Pb και As με φασματοσκοπία ανάκλασης εδαφικού οργανικού άνθρακα (CRS – Continuum Removed Spectra, FDS – First Derivative Spectra)===

Όπως και με την άμεση ανίχνευση Ni, Cd, Pb και As με τη χρήση φασματοσκοπίας ανάκλασης βαρέων μετάλλων, έτσι και στην έμμεση ανίχνευσή τους με φασματοσκοπία ανάκλασης εδαφικού οργανικού άνθρακα, αφού πρώτα αφαιρέθηκαν τα κανάλια προσρόφησης του νερού (950, 1400 και 1900 nm), χρησιμοποιήθηκαν η ανάλυση του συντελεστή συσχέτισης Pearson και το μοντέλο PLSR προκειμένου να προσδιοριστούν οι συντελεστές συσχέτισης μεταξύ φασματικών καναλιών και εδαφικού οργανικού άνθρακα. Έπειτα από τον υπολογισμό του προβλεπόμενου εδαφικού οργανικού άνθρακα και τη σύγκρισή του με τον χημικά μετρούμενο οργανικό άνθρακα με τη χρήση τόσο CRS και FDS, υπολογίστηκαν μέσω μοντέλου PLSR και μαθηματικών εξισώσεων οι προβλεπόμενες συγκεντρώσεις Ni, Cd, Pb και As. Σύμφωνα με τις Εικόνες 8 και 10 τα FDS ξεκάθαρα φαίνεται πως έχουν μεγαλύτερη ικανότητα ανίχνευσης εδαφικού οργανικού άνθρακα σε σχέση με τα CRS αφού ο συντελεστής προσδιορισμού (R2) στην περίπτωση των FDS ήταν υψηλός και γύρω στο 0.78. Όσον αφορά τις συγκεντρώσεις των υπό εξέταση μετάλλων (Ni, Cd, Pb, As) με την μέθοδο της φασματοσκοπίας ανάκλασης εδαφικού οργανικού άνθρακα, τα αποτελέσματά τους φαίνονται στην Εικόνα 11 και όπως ήταν αναμενόμενο τα FDS ήταν πιο αποτελεσματικά από τα CRS (μεγαλύτερα R2).

===Άμεση ανίχνευση Ni, Cd, Pb και As με τη χρήση εικόνων Landsat 8===

Όπως προαναφέρθηκε (βλ. Κανάλια Landsat 8 που χρησιμοποιήθηκαν) για την ανίχνευση Ni, Cd, Pb και As στο έδαφος με τη χρήση εικόνων Landsat 8, από τα 11 συνολικά κανάλια του δορυφόρου, χρησιμοποιήθηκαν τα πρώτα 7 με εύρος στο ορατό και εγγύς υπέρυθρο αλλά και στο βραχύ υπέρυθρο. Συγκεκριμένα, (α) οι πληροφορίες των 36 εδαφικών δειγμάτων περαστήκαν σε εικόνες δια μέσου του προγράμματος ENVI 4.8, (β) τα φάσματά τους υποδιαιρέθηκαν στις εικόνες και (γ) εφαρμόστηκαν τα μοντέλα παλινδρόμησης μεταξύ των φασματικών δεδομένων των εικόνων και των συγκεντρώσεων των υπό εξέταση βαρέων μετάλλων καθένα ξεχωριστά. Αυτό συντέλεσε στην παραγωγή ορισμένων συντελεστών, οι οποίοι χρησιμοποιήθηκαν για την απεικόνιση των εικονοστοιχείων στις εικόνες. Έτσι, δημιουργήθηκαν οι χάρτες της κατανομής βαρέων μετάλλων οι οποίοι παρουσιάζονται στην Εικόνα 12.

===Έμμεση ανίχνευση Ni, Cd, Pb και As με τη χρήση εικόνων Landsat 8===

Για την έμμεση ανίχνευση Ni, Cd, Pb και As με τη χρήση εικόνων Landsat 8 σε σχέση με τον εδαφικό οργανικό άνθρακα ακολουθήθηκε η ίδια διαδικασία με πριν. Οι χάρτες που παρήχθησαν με τη συγκεκριμένη μέθοδο παρουσιάζονται στην Εικόνα 13.
Σύγκριση άμεσης και έμμεσης ανίχνευσης Ni, Cd, Pb και As με τη χρήση εικόνων Landsat 8
Τα συγκριτικά αποτελέσματα φαίνονται στην Εικόνα 14. Παρατηρώντας την Εικόνα 14 αλλά και τις Εικόνες 12 και 13, φαίνεται ξεκάθαρα ότι η έμμεση μέθοδος ανίχνευσης με τη χρήση εικόνων Landsat 8 είναι δραματικά λιγότερο αποτελεσματική σε σχέση με την άμεση (χαμηλά R2).

===Χρήση τεχνητού νευρωνικού δικτύου (ANN) για την ανίχνευση βαρέων μετάλλων χρησιμοποιώντας εικόνες Landsat 8===

Η χρήση του ANN στις εικόνες Landsat 8 της συγκεκριμένης έρευνας έδωσαν χάρτες που παρουσιάζονται στην Εικόνα 15 αλλά και θετικά αποτελέσματα τα οποία φαίνονται στην Εικόνα 16.

==Συμπεράσματα==

Συνολικά από την έρευνα προκύπτει πως από όλες τις μεθόδους που χρησιμοποιήθηκαν, η άμεση ανίχνευση βαρέων μετάλλων και κυρίως του νικελίου, καδμίου, μόλυβδου και αρσενικού μέσω εικόνων Landsat 8 είναι πιο ακριβής και αποτελεσματική σε σχέση με τις έμμεσες μεθόδους ανίχνευσης. Παρόλ’ αυτά η φασματική ανάλυση με άμεση φασματοσκοπία ανάκλασης (κυρίως FDS) στο ορατό και εγγύς υπέρυθρο που πραγματοποιήθηκε στο εργαστήριο, είχε εξίσου πολύ ακριβή αποτελέσματα που συμφωνούσαν με τις τιμές που προέκυψαν από τη χημική ανάλυση και τη φασματοσκοπία ατομικής απορρόφησης (AAS). Από την άλλη, το μοντέλο ANN έδωσε ικανοποιητικά αποτελέσματα στην ανίχνευση βαρέων μετάλλων. Αυτό σε συνδυασμό με το γεγονός ότι πρόκειται για ένα μη γραμμικό μοντέλο, το καθιστά πολύ πιο ευέλικτο από τα κλασσικά χρησιμοποιούμενα γραμμικά μοντέλα, με αποτέλεσμα να μπορεί να αντιμετωπίζει ορθότερα τον συνεχώς μεταβαλλόμενο πολυδιάστατο χαρακτήρα του εδάφους. Όμως το πρόβλημα που προκύπτει από τη χρήση του μοντέλου ANN είναι ότι οι διεργασίες του είναι τυχαίες και έτσι κάθε φορά προκύπτουν διαφορετικά αποτελέσματα. Σε κάθε περίπτωση, η ανίχνευση βαρέων μετάλλων στο έδαφος μπορεί να επιτευχθεί με πολλές διαφορετικές μεθόδους και χρήσεις της ψηφιακής τηλεπισκόπησης, με επικρατέστερες τις τρεις που μόλις προαναφέρθηκαν, καθώς αυτές προσεγγίζουν σε μεγαλύτερο βαθμό την ακρίβεια των χημικών αναλύσεων και της φασματοσκοπίας ατομικής απορρόφησης (AAS).

[[category:Υποβάθμιση εδαφών]]

Ανάκτηση και χαρτογράφηση συγκέντρωσης βαρέων μετάλλων στο έδαφος χρησιμοποιώντας χρονοσειρά εικόνων Landsat 8

2019-01-22T23:46:59Z

Christos mamaloudis:

[[Εικόνα: wiki2_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης και τρισδιάστατη απεικόνιση της εικόνας ψηφιακής τηλεπισκόπησης]]
[[Εικόνα: wiki2_cm2.png|thumb|right|Εικόνα 2: Στατιστικά δεδομένα των ριζών μέσου τετραγωνικού σφάλματος των τριών μοντέλων (PLSR, ANN, SVR)]]
[[Εικόνα: wiki2_cm3.png|thumb|right|Εικόνα 3: Στατιστικά δεδομένα των συντελεστών προσδιορισμού των τριών μοντέλων (PLSR, ANN, SVR)]]
[[Εικόνα: wiki2_cm4.png|thumb|right|Εικόνα 4: (α) Χάρτης κατανομής εδαφικού χαλκού και (β) χάρτης ταξινόμησης]]
[[Εικόνα: wiki2_cm5.png|thumb|right|Εικόνα 5: Βέλτιστες εκτελέσεις των τριών μοντέλων (PLSR, ANN, SVR)]]

'''Πρότυπος τίτλος: ''Retrieval and mapping of heavy metal concentration in soil using time series Landsat 8 imagery'''''

'''Συγγραφείς: Yuan Fang, Linlin Xu, Junhuan Peng, Hongshuo Wang, Alexander Wong, David A. Clausi'''

'''Link: https://www.researchgate.net/publication/324854395_RETRIEVAL_AND_MAPPING_OF_HEAVY_METAL_CONCENTRATION_IN_SOIL_USING_TIME_SERIES_LANDSAT_8_IMAGERY'''

==Εισαγωγή==

Η ρύπανση των εδαφών αλλά και του περιβάλλοντος γενικότερα με βαρέα μέταλλα, ήταν πάντοτε ένα πολύ σοβαρό φαινόμενο. Τα τελευταία χρόνια όμως, με τη ραγδαία ανάπτυξη του σύγχρονου κόσμου, το φαινόμενο έχει αποκτήσει επικίνδυνες διαστάσεις, με αποτέλεσμα να απειλεί τόσο άμεσα όσο και έμμεσα την ανθρώπινη υγεία. Έτσι, κρίνεται απαραίτητος ο προσδιορισμός των επιπέδων βαρέων μετάλλων στο έδαφος, αλλά και η χρονική παρακολούθηση της εδαφικής υποβάθμισης, προκειμένου να προσδιορίζονται το είδος και η βαρύτητα της ρύπανσης. Η παραδοσιακή προσέγγιση για την ανίχνευση των συγκεντρώσεων των βαρέων μετάλλων στο έδαφος είναι δαπανηρή και χρονοβόρα, καθώς βασίζεται σε πολλαπλές δειγματοληψίες μια συγκεκριμένης περιοχής και σε κοστοβόρες εργαστηριακές αναλύσεις. Ανά φάσεις, πολλές παρόμοιες έρευνες χρησιμοποιούν φασματοσκοπικά δεδομένα για να δημιουργήσουν μοντέλα συσχέτισης μεταξύ συγκεντρώσεων βαρέων μετάλλων και φασματικών πληροφοριών και κατόπιν χρησιμοποιούν το μοντέλο για πρόβλεψη της ρύπανσης με τη χρήση πολυφασματικών εικόνων. Όμως, τα φασματοσκοπικά δεδομένα διαφέρουν κατά πολύ από τις εικόνες ψηφιακής τηλεπισκόπησης και έτσι η ανίχνευση και η χαρτογράφηση βαρέων μετάλλων στο έδαφος με αυτόν τον τρόπο καθίσταται δύσκολη και ανακριβής. Η συγκεκριμένη εργασία προσπαθεί να απαλείψει το πρόβλημα αυτό χρησιμοποιώντας εικόνες Landsat 8 μιας περιοχής σε ένα χρονικό εύρος, για την κατασκευή χρονοσειράς εικόνων, προκειμένου να ενισχυθεί η φασματική πληροφορία και να ελαχιστοποιηθούν τα μειονεκτήματα των Landsat 8 δεδομένων (χαμηλότερη πολυφασματική ανάλυση, λιγότερα κανάλια και μικρότερη φασματική πληροφορία) σε σύγκριση με τα εργαστηριακά φασματοφωτομετρικά δεδομένα.

==Σκοπός της εργασίας==

Η συγκεκριμένη εργασία έχει στόχο τη χαρτογράφηση της κατανομής εδαφικού χαλκού στην περιοχή Shiping στην Κίνα, χρησιμοποιώντας χρονοσειρά εικόνων Landsat 8 και χημικώς μετρήσιμα εδαφικά δεδομένα, τα οποία χρησιμοποιήθηκαν στο αποδοτικότερο, ύστερα από έλεγχο μοντέλο, για την ανάκτηση και πρόβλεψη των συγκεντρώσεων χαλκού στο έδαφος.

==Υλικά και μέθοδοι==

===Περιοχή μελέτης===

Η περιοχή μελέτης (Shiping village, Luzhou city, Sichuan province, China) και η τρισδιάστατη απεικόνισή της φαίνονται στην Εικόνα 1.

===Δειγματοληψία===

Tο 2015 από την περιοχή μελέτης συλλέχθηκαν 138 εδαφικά δείγματα, στα οποία ύστερα από προκατεργασία, ελέγχθηκε με εργαστηριακές χημικές αναλύσεις η συγκέντρωση του χαλκού (Cu). Τα δεδομένα αυτά στη συνέχεια χρησιμοποιήθηκαν σε συνδυασμό με την καλύτερη πρόβλεψη του πιο βέλτιστου μοντέλου από τα τρία που δοκιμάστηκαν (PLSR, SVR, ANN), για την κατασκευή του χάρτη κατανομής χαλκού στην υπό εξέταση περιοχή.

===Δορυφορικά δεδομένα===

Τα δορυφορικά δεδομένα που χρησιμοποιήθηκαν για τη συγκεκριμένη εργασία περιλάμβαναν 11 εικόνες μεμονωμένων ημερομηνιών Landsat 8 με χαμηλή νεφοκάλυψη, με χρονικό εύρος από το 2013 έως το 2017, με στόχο το σχηματισμό χρονοσειράς για την υπό εξέταση περιοχή.
Όσον αφορά τα κανάλια, το κανάλι 8 (παγχρωματικό) διαθέτει χωρική ανάλυση 15 μέτρων και έτσι διαφέρει από τα υπόλοιπα κανάλια που διαθέτουν ανάλυση 30 μέτρων. Για το λόγο αυτό στη συγκεκριμένη εργασία το παγχρωματικό κανάλι υποβαθμίστηκε σε καθεμιά από τις εικόνες, με στόχο να επιτευχθεί χωρική ανάλυση 30 μέτρων όπως και στα υπόλοιπα κανάλια.

===Μοντέλα===

Οι μέθοδοι (μοντέλα) που χρησιμοποιήθηκαν στη συγκεκριμένη έρευνα για το σχηματισμό του μοντέλου παλινδρόμησης των συγκεντρώσεων εδαφικού χαλκού και των φασματικών δεδομένων χρονοσειράς Landsat 8 ήταν τα: PLSR (Partial Least Square Regression), SVR (Support Vector Regression) και ANN (Artificial Neural Network).

'''PLSR'''

Πρόκειται για ένα πολυπαραγοντικό γραμμικό μοντέλο το οποίο βασίζεται στην υπόθεση ότι μια εξαρτημένη μεταβλητή μπορεί να εκτιμηθεί μέσω ενός γραμμικού συνδυασμού επεξηγηματικών μεταβλητών. Το μοντέλο PLSR είναι η πιο συνηθισμένη μέθοδος για πρόβλεψη εδαφικών δεδομένων.

'''SVR'''

Πρόκειται για μια προσέγγιση τεχνητής μάθησης, η οποία χρησιμοποιείται κυρίως στον τομέα ανάκτησης γεωφυσικών παραμέτρων και έχει τα εξής πλεονεκτήματα: (α) καλή εγγενής ικανότητα γενίκευσης και (β) αντοχή στο θόρυβο, σε περίπτωση περιορισμένης διαθεσιμότητας των δειγμάτων αναφοράς. Στη συγκεκριμένη έρευνα υιοθετήθηκε το μοντέλο Epsilon-SVR με λειτουργία σιγμοειδούς πυρήνα.

'''ΑΝΝ'''

Πρόκειται για μια μη γραμμική μέθοδο τεχνητής μάθησης, η οποία χρησιμοποιείται στην ανίχνευση συγκεντρώσεων βαρέων μετάλλων στο έδαφος, που παρά το γεγονός ότι πολλές φορές τα παραγόμενα δεδομένα της μπορεί να είναι ασαφή και θορυβώδη, σαν μοντέλο μπορεί να επεξεργαστεί πολύπλοκα και μη γραμμικά δεδομένα. Στη συγκεκριμένη έρευνα υιοθετήθηκε ένα κρυφό επίπεδο του μοντέλου ANN με αναλογία μάθησης 0.01.
Τρόπος σύγκρισης μοντέλων

Η επίδοση των τριών χρησιμοποιούμενων μοντέλων εκτιμήθηκε υπολογίζοντας τους αντίστοιχους συντελεστές προσδιορισμού (R2) και τις αντίστοιχες ρίζες του μέσου τετραγωνικού σφάλματος (RMSE), δεδομένα που εν τέλει συγκρίθηκαν μεταξύ τους (βλ. Εικόνα 2 και Εικόνα 3).

==Αποτελέσματα και Συζήτηση==

Με βάση τα στατιστικά δεδομένα που προέκυψαν από την έρευνα, τα οποία φαίνονται στις Εικόνες 2 και 3, και τα τρία μοντέλα έδωσαν πολύ καλύτερα αποτελέσματα στις εικόνες χρονοσειράς σε σχέση με τις εικόνες μεμονωμένων ημερομηνιών Landsat 8. Επιπλέον, ο μέσος συντελεστής προσδιορισμού (R2) στο μοντέλο PLSR ήταν αρκετά υψηλότερος συγκρινόμενος με τους μέσους συντελεστές προσδιορισμού (R2) των μοντέλων SVR και ANN, παρόλο που το μοντέλο ANN είχε υψηλότερο συντελεστή προσδιορισμού (R2) και χαμηλότερη ρίζα μέσου τετραγωνικού σφάλματος (RMSE) στη βέλτιστη εκτέλεση του μοντέλου. Αυτό οφείλεται στον αριθμό και την ευαισθησία των παραμέτρων. Το μοντέλο PLSR έχει μία μόνο σημαντική παράμετρο/μεταβλητή που εύκολα μπορεί να βελτιστοποιηθεί, ενώ τα μοντέλα SVR και ANN απαιτούν από τουλάχιστον δύο σχετικά ευαίσθητες παραμέτρους για την εκτέλεσή τους. Έτσι προκύπτει ότι η καλύτερη και πιο πρακτική μέθοδος για την πρόβλεψη εδαφικού χαλκού είναι το μοντέλο PLSR.
Χαρτογράφηση συγκεντρώσεων εδαφικού χαλκού
Η χαρτογράφηση της κατανομής των συγκεντρώσεων εδαφικού χαλκού στην υπό εξέταση περιοχή, πραγματοποιήθηκε με τη χρήση της πιο βέλτιστης εκτέλεσης του καλύτερου μοντέλου (εκτέλεση με τους υψηλότερους συντελεστές προσδιορισμού), που όπως αποδείχθηκε ήταν το μοντέλο PLSR. Ο χάρτης πρόβλεψης συγκεντρώσεων εδαφικού χαλκού παρουσιάζεται στην Εικόνα 4 (α). Για την αξιολόγηση του χάρτη χρησιμοποιήθηκε ένας χάρτης ταξινόμησης εδαφοκάλυψης της περιοχής (Εικόνα 4 (β)), ο οποίος συσχετιζόταν με τον παραγόμενο χάρτη σε ποσοστό 86.26%.

==Συμπεράσματα==

* Τα δεδομένα και οι εικόνες Landsat 8 μπορούν να χρησιμοποιηθούν για την ανίχνευση βαρέων μετάλλων όπως είναι ο χαλκός και μάλιστα με μεγάλη ικανότητα συσχέτισης.
* Η χρονοσειρά εικόνων Landsat 8 αποδίδει πολύ καλύτερα στην ανίχνευση και χαρτογράφηση βαρέων μετάλλων όπως είναι ο χαλκός, σε σχέση με τις εικόνες μεμονωμένων ημερομηνιών Landsat 8 και αυτό γιατί μπορούν να διαχειριστεί καλύτερα τη φασματική πληροφορία.
* Το μοντέλο PLSR ήταν το πιο πρακτικό και αποδοτικό μοντέλο από τα τρία που χρησιμοποιήθηκαν στη συγκεκριμένη έρευνα, καθώς έδωσε τα καλύτερα μέσα αποτελέσματα όσον αφορά τους συντελεστές προσδιορισμού (υψηλοί) και τις ρίζες μέσου τετραγωνικού σφάλματος (χαμηλοί).
* Ο παραγόμενος χάρτης των χημικά μετρούμενων συγκεντρώσεων εδαφικού χαλκού και των φασματικών δεδομένων χρονοσειράς Landsat 8, μέσω της βέλτιστης εκτέλεσης του μοντέλου PLSR είχε αρκετά υψηλή συσχέτιση και συνοχή με το χάρτη ταξινόμησης της περιοχής, πράγμα που σημαίνει ότι το μοντέλο PLSR, μπορεί να εφαρμοστεί ξεκάθαρα ως μέθοδος για την πρόβλεψη βαρέων μετάλλων στο έδαφος.

[[category:Υποβάθμιση εδαφών]]

Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων

2019-01-22T23:44:20Z

Christos mamaloudis: /* Αποτελέσματα και συζήτηση */

[[Εικόνα: wiki4_cm1.png|thumb|right|Εικόνα 1: Σημεία δειγματοληψίας της περιοχής μελέτης και περιοχές με πολύ υψηλές τιμές διαφορετικών τοξικών μετάλλων στα εδάφη του Κατάρ]]
[[Εικόνα: wiki4_cm2.png|thumb|right|Εικόνα 2: Βοηθητικοί ψηφιδωτοί (raster) χάρτες που χρησιμοποιήθηκαν ως μέσο πρόβλεψης για την κατανομή των υπό εξέταση μετάλλων στο έδαφος]]
[[Εικόνα: wiki4_cm3.png|thumb|right|Εικόνα 3: Περιβαλλοντικές μεταβλητές που χρησιμοποιήθηκαν]]
[[Εικόνα: wiki4_cm4.png|thumb|right|Εικόνα 4: Περιγραφή των καναλιών Landsat 8 αλλά και των φασματικών δεικτών που χρησιμοποιήθηκαν για τον προσδιορισμό των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm5.png|thumb|right|Εικόνα 5: Διαγράμματα των εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm6.png|thumb|right|Εικόνα 6: Συγκεντρώσεις των υπό εξέταση μετάλλων που χρησιμοποιήθηκαν (α) στη βαθμονόμηση – 75% και (β) στον έλεγχο του μοντέλου – 25%]]
[[Εικόνα: wiki4_cm7.png|thumb|right|Εικόνα 7: Παράδειγμα του κανόνα που χρησιμοποιήθηκε στο μοντέλο για τις προβλέψεις νικελίου]]
[[Εικόνα: wiki4_cm8.png|thumb|right|Εικόνα 8: Αποτελέσματα ελέγχου μοντελοποίησης για τα υπό εξέταση μέταλλα]]
[[Εικόνα: wiki4_cm9.png|thumb|right|Εικόνα 9: Τα 10 κορυφαία δεδομένα (παράγοντες πρόβλεψης) που χρησιμοποιήθηκαν από το Cubist για τη βαθμονόμηση των μοντέλων και η ποσοστιαία χρήση του καθενός ανά υπό εξέταση μέταλλο]]
[[Εικόνα: wiki4_cm10.png|thumb|right|Εικόνα 10: Χάρτες ανάλυσης 30 m εδαφικών (0-30 cm) συγκεντρώσεων για τα μέταλλα χρώμιο, αρσενικό, νικέλιο, ψευδάργυρος, μόλυβδος και χαλκός της περιοχής μελέτης (Κατάρ)]]

'''Πρότυπος τίτλος: ''Digital Mapping of Toxic Metals in Qatari Soils Using Remote Sensing and Ancillary Data'''''

'''Συγγραφείς: Yi Peng, Rania Bou Kheir, Kabindra Adhikari, Radosław Malinowski, Mette B. Greve, Maria Knadel and Mogens H. Greve'''

'''Link: https://www.mdpi.com/2072-4292/8/12/1003/htm'''

==Εισαγωγή==

Ανά τον κόσμο, διάφορες δραστηριότητες αλλά και φαινόμενα μαζικής βιομηχανοποίησης και αστικοποίησης αποτελούν πηγές ρύπανσης των εδαφών με τοξικά βαρέα μέταλλα. Σε αντίστοιχες βιομηχανικές και αστικές περιοχές, η ανθρώπινη έκθεση σε υψηλές ποσότητες τέτοιων τοξικών μετάλλων και κυρίως τα αρσενικό (As), χρώμιο (Cr), νικέλιο (Ni), χαλκός (Cu), μόλυβδος (Pb) και ψευδάργυρος (Zn), αποτελεί σημαντικό πρόβλημα καθώς μπορεί να προκαλέσει σοβαρές επιπτώσεις στην ανθρώπινη υγεία, ενώ συγχρόνως να προκαλέσει υποβάθμιση του φυσικού περιβάλλοντος.
Στο Κατάρ, όπου και πραγματοποιήθηκε η παρούσα έρευνα, το πρόβλημα είναι ιδιαίτερα έντονο, καθώς τα τελευταία χρόνια σημείωσε άνοδο πληθυσμού περίπου 200% και επιπλέον, έχοντας τις υψηλότερες κατά κεφαλήν εκπομπές διοξειδίου του άνθρακα στον κόσμο, το 2014 κηρύχθηκε από τον Παγκόσμιο Οργανισμό Υγείας ως η δεύτερη ατμοσφαιρικά πιο ρυπασμένη πόλη του κόσμου.
Μέχρι στιγμής, η πρόβλεψη και ο προσδιορισμός συσσώρευσης τοξικών μετάλλων στα εδάφη γινόταν χρησιμοποιώντας μια ποικιλία γεωστατιστικών μεθόδων σε συνδυασμό με διάφορα περιβαλλοντικά δεδομένα (που προκύπτουν από αναλύσεις) σε διάφορες κλίμακες. Το πρόβλημα που προκύπτει όμως από τη χρήση αυτών των μεθόδων είναι ότι είναι ιδιαίτερα περίπλοκες και χρονοβόρες, ειδικά αν λάβει κανείς υπόψη το χρόνο που απαιτείται για τις διάφορες εργαστηριακές αναλύσεις προκειμένου να ληφθούν τα διάφορα περιβαλλοντικά δεδομένα που απαιτούνται.
Σε αντίθεση με τις παραδοσιακές τεχνικές, για τη μοντελοποίηση του εδάφους αλλά και των περιβαλλοντικών ιδιοτήτων και διαδικασιών, πρόσφατες μελέτες άρχισαν να υιοθετούν τη χρήση διάφορων εργαλείων εξόρυξης δεδομένων όπως είναι το Cubist, το οποίο φέρει πολλά πλεονεκτήματα, ένα εκ των οποίων είναι ότι μπορεί να ποσοτικοποιεί γραμμικές αλλά και μη γραμμικές σχέσεις μεταξύ των μεταβλητών, ενώ επιπλέον, μπορεί και ποσοτικοποιεί τη σημασία των περιβαλλοντικών μεταβλητών που χρησιμοποιούνται στην πρόβλεψη τοξικών μετάλλων στο έδαφος.
Τα τελευταία δέκα χρόνια, με την ανάπτυξη της τηλεπισκόπησης, οι τεχνικές της για τη χαρτογράφηση τοξικών μετάλλων στο έδαφος άρχισαν να βρίσκουν εφαρμογή και μάλιστα ήδη θεωρούνται αρκετά αποτελεσματικές και ακριβείς για την ανίχνευση εδαφικής ρύπανσης από τοξικά μέταλλα, παρότι τα τοξικά μέταλλα στο έδαφος υφίστανται σε πολύ μικρές έως και μέτριες συγκεντρώσεις και μεμονωμένα ως μέταλλα δε διαθέτουν κάποια συγκεκριμένα φασματικά χαρακτηριστικά. Οι τεχνικές ψηφιακής τηλεπισκόπησης εκμεταλλεύονται το γεγονός πως τα τοξικά μέταλλα αλλάζουν τη χημική σύνθεση και την επιφανειακή δραστηριότητά των ορυκτών του εδάφους στα οποία μπορεί να είναι δεσμευμένα, με αποτέλεσμα να αλλάζουν την φασματική ανακλαστική πληροφορία τους. Η αξιοποίηση αυτού του ενδιάμεσου μηχανισμού επιτρέπει την εξαγωγή των σχέσεων μεταξύ φασματικών πληροφοριών και τοξικών μετάλλων στο έδαφος.

==Σκοπός της εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χρήση (α) εικόνων χρονοσειράς από έναν δέκτη Landsat 8 (οι οποίες κάλυπταν εννέα μήνες κατά τη διάρκεια του έτους 2014), (β) επιλεγμένων φασματικών δεικτών (οι οποίοι παράχθηκαν χρησιμοποιώντας τις εικόνες χρονοσειράς Landsat 8) και (γ) περιβαλλοντικών μεταβλητών, για τη χαρτογράφηση της χωρικής κατανομής έξι επιλεγμένων τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος) στην περιοχή μελέτης που ήταν το Κατάρ. Απώτερος σκοπός της παρούσας έρευνας ήταν η διευκόλυνση της χαρτογράφησης της εδαφικής συσσώρευσης των παραπάνω μετάλλων αλλά και η παραδοχή ότι η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.

==Υλικά και μέθοδοι==

'''Περιοχή μελέτης'''

Η περιοχή μελέτης (Κατάρ), παρουσιάζεται στην Εικόνα 1.

'''Δειγματοληψία εδάφους'''

Συνολικά συλλέχθηκαν 300 δείγματα εδάφους σε βάθος 0-30 cm από πολλά σημεία, με στόχο να καλυφθούν όλα τα περιβαλλοντικά και ανθρωπογενή ενδιαιτήματα του Κατάρ. Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System) με ακρίβεια 5 m. Τα σημεία δειγματοληψίας παρουσιάζονται στην Εικόνα 1.

'''Προκατεργασία δειγμάτων'''

Πριν την οποιαδήποτε ανάλυση προηγήθηκε προκατεργασία των δειγμάτων η οποία περιλάμβανε αεροξήρανση των δειγμάτων για διάρκεια τριών ημερών σε θερμοκρασία δωματίου και έπειτα κοσκίνισμα 2 mm.

'''Χημική ανάλυση'''

Για τη χημική ανάλυση των δειγμάτων ως προς τον προσδιορισμό των συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος), χρησιμοποιήθηκαν 0.5 g εδάφους από το κάθε δείγμα για πέψη με μίγμα HNO3 – HClO4 στους 200 οC για τρεις ώρες και στη συνέχεια με επιπλέον προσθήκη HNO3 για μια ώρα στους 70 οC. Έπειτα το κάθε δείγμα υπέστη φυγοκέντριση στις 3500 rpm για 10 λεπτά. Οι συγκεντρώσεις των τοξικών μετάλλων μετρήθηκαν με τη χρήση φασματοφωτομετρίας ατομικής εκπομπής πλάσματος με επαγωγική συσχέτιση (Inductively-Coupled Plasma-Atomic Emission Spectrometry, ICP-AES).

'''Περιβαλλοντικοί παράμετροι'''

Για τον προσδιορισμό της κατανομής των υπό εξέταση τοξικών μετάλλων στο έδαφος χρησιμοποιήθηκαν διάφοροι περιβαλλοντικοί παράμετροι, μεταξύ των οποίων γεωλογικά και εδαφολογικά δεδομένα (π.χ. τύπος εδάφους κ.α.), γεωμορφολογικά δεδομένα (π.χ. υψόμετρο, κλίση, προσανατολισμός κ.α.) και ανθρωπογενή δεδομένα (π.χ. εγγύτητα στους δρόμους, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.) (βλ. Εικόνα 2 και Εικόνα 3). Η ψηφιοποίηση των περιβαλλοντικών παραμέτρων σε επίπεδα (layers), πραγματοποιήθηκε με τη χρήση δευτερογενών βοηθητικών δεδομένων όπως το DEM (Digital Elevation Model – ψηφιακό μοντέλο εδάφους), το οποίο δημιουργήθηκε με επεξεργασία μέσω της τεχνολογίας LiDAR (Light Detection and Ranging).

'''Εικόνες ψηφιακής τηλεπισκόπησης και φασματικοί δείκτες'''

Στην παρούσα μελέτη χρησιμοποιήθηκαν ατμοσφαιρικά διορθωμένες δορυφορικές εικόνες του δέκτη LDCM (Landsat Data Continuity Mission) του δορυφόρου Landsat 8 οι οποίες σκοπό είχαν να δημιουργήσουν μια χρονοσειρά ενός έτους, αλλά εξαιτίας ορισμένων θεμάτων που σχετίζονταν με νεφοκάλυψη χρησιμοποιήθηκαν μόνο εννέα από αυτές (Ιανουαρίου, Φεβρουαρίου, Απριλίου, Μαΐου, Ιουνίου, Ιουλίου, Αυγούστου, Σεπτεμβρίου και Οκτωβρίου) για το έτος 2015.
Επιπλέον, για τη βελτιστοποίηση της δυνατότητας πρόβλεψης των τοξικών μετάλλων στα υπό εξέταση εδάφη υπολογίστηκαν οι εξής φασματικοί δείκτες:
* Tasseled cap transformation
Brightness – ταξινόμηση αστικών περιοχών
Greenness – επίπεδα βλάστησης
Wetness – επίπεδα υγρασίας στο έδαφος
* BCI – Biophysical Composition Index – αφθονία βλάστησης
* EVI – Enhanced Vegetation Index
* LSWI – Land Surface Water Index
* NDVI – Normalized Difference Vegetation Index
* SATVI – Soil-Adjusted Total Vegetation Index
* SAVI – Soil-Adjusted Vegetation Index
* TVI – Transformed Vegetation Index
* WDVI – Weighted Difference Vegetation Index
Οι εξισώσεις με βάση τις οποίες πραγματοποιήθηκε ο υπολογισμός των παραπάνω δεικτών παρουσιάζονται στην Εικόνα 4.

'''Χωρική μοντελοποίηση'''

Από το σύνολο των δεδομένων που συλλέχθηκαν πραγματοποιήθηκε τυχαία κατανομή και ένα 75 % χρησιμοποιήθηκε για τη βαθμονόμηση και το υπόλοιπο 25 % για τον έλεγχο του μοντέλου (βλ. Εικόνα 6). Εν τέλει, χρησιμοποιώντας το εργαλείο Cubist που προαναφέρθηκε και στην Εισαγωγή, αναπτύχθηκε ένα μοντέλο πρόβλεψης για κάθε υπό εξέταση τοξικό μέταλλο.
Για τη βαθμονόμηση, το εργαλείο Cubist δημιούργησε πλήθος γραμμικών εξισώσεων για κάθε υπό εξέταση μέταλλο βασισμένο σε διαφορετικούς κανόνες. Οι συνθήκες του αρχικού κανόνα κάθε φορά βασίστηκαν σε συνδυασμό κάποιων εκ των δεδομένων. Για παράδειγμα στο χρώμιο και στο νικέλιο το 60 % των εκτελέσεων του μοντέλου επέλεξε σαν συνθήκες του αρχικού κανόνα τα δεδομένα: τύπος εδάφους και γεωλογικός χάρτης. Παράδειγμα κανόνα για το νικέλιο παρουσιάζεται στην Εικόνα 7.
Τα μοντέλα πρόβλεψης/προσομοίωσης/προσδιορισμού εκτιμήθηκαν με βάση της εξής παραμέτρους: R2 (coefficient of determination), RMSE (root mean square error), RPD (ratio of performance to deviation) και RPIQ (ratio of performance to interquartile distance).

==Αποτελέσματα και συζήτηση==

'''Αποτελέσματα αναλύσεων'''

Με βάση τα αποτελέσματα των χημικών αναλύσεων παράχθηκαν τα αντίστοιχα διαγράμματα (histogram, box-plot) για το κάθε υπό εξέταση μέταλλο. Τα διαγράμματα (βλ. Εικόνα 5) έδειξαν πως η κατανομή των μετάλλων είχε θετική καμπυλότητα σε όλες τις περιπτώσεις, ενώ συγχρόνως παρατηρήθηκε ένα ευρύ φάσμα μεταβλητότητας σε όλα τα τοξικά μέταλλα και κυρίως στα ψευδάργυρο, χρώμιο και νικέλιο.
Η προαναφερθείσα μεταβλητότητα της περιεκτικότητας των υπό εξέταση εδαφών σε τοξικά μέταλλα αποδίδεται στη διαφορετική ένταση ανά περιοχή των φαινομένων της γεωργίας, της αστικοποίησης και της βιομηχανοποίησης και επηρεάζει τη σχέση μεταξύ περιβαλλοντικών παραμέτρων και ρύπανσης.
Επιπλέον, ορισμένα εδαφικά δείγματα συγκεκριμένων περιοχών που αναλύθηκαν έδωσαν ιδιαίτερα υψηλές συγκεντρώσεις για διάφορα μέταλλα (βλ. Εικόνα 1), πράγμα που αποδόθηκε στο γεγονός ότι μάλλον οι συγκεκριμένες περιοχές αποτελούν κέντρα ρύπανσης και είναι πολύ επιβαρυμένες (hotspots) με τοξικά μέταλλα σε σχέση με τις υπόλοιπες περιοχές μελέτης. Εν τέλει, οι τιμές αυτές απορρίφθηκαν και δε χρησιμοποιήθηκαν στη χωρική μοντελοποίηση καθώς θα επηρέαζαν αρνητικά την ικανότητα πρόβλεψης/προσδιορισμού του μοντέλου. Έτσι μετά από την απόρριψη των τιμών αυτών, χρησιμοποιήθηκαν τελικά για τη μοντελοποίηση (βαθμονόμηση και έλεγχος) 299 δείγματα για το ψευδάργυρο και το μόλυβδο, 298 δείγματα για το χαλκό, 297 δείγματα για το χρώμιο και το νικέλιο και 300 δείγματα για το αρσενικό (βλ. Εικόνα 6).

'''Χωρική μοντελοποίηση'''

Τα αποτελέσματα της χωρικής πρόβλεψης των υπό εξέταση τοξικών μετάλλων παρουσιάζονται στην Εικόνα 8. Σε γενικές γραμμές, όλα τα μοντέλα βαθμονόμησης έδωσαν καλά αποτελέσματα όσον αφορά τις ικανότητες πρόβλεψης/προσδιορισμού των υπό εξέταση μετάλλων. Ο χαλκός είχε τις υψηλότερες τιμές R2 και RPD, ακολουθούμενος από το αρσενικό, το μόλυβδο, το χρώμιο, τον ψευδάργυρο και το νικέλιο. Παρόλ’ αυτά, εξαιτίας κάποιων παραγόντων οι τιμές RPIQ απέδωσαν μεγαλύτερη ακρίβεια προσδιορισμού σε σχέση με τις τιμές RPD.

'''Σημασία μεταβλητότητας των παραγόμενων μοντέλων Cubist για την πρόβλεψη των υπό εξέταση μετάλλων'''

Οι εκτελέσεις των μοντέλων μέσω του εργαλείου Cubist δε χρησιμοποίησαν όλες τις μεταβλητές για τη βαθμονόμηση. Όπως φαίνεται και στην Εικόνα 9, η οποία πρακτικά δείχνει τη χρήση της κάθε μεταβλητής/δεδομένου για κάθε υπό εξέταση μέταλλο, το σύνολο των εκτελέσεων των μοντέλων για όλα τα μέταλλα χρησιμοποίησε τηλεπισκοπικά δεδομένα (κανάλια, δείκτες κ.α.) μόνο για τους μήνες Ιανουάριο και Φεβρουάριο, σε συνδυασμό με διάφορα άλλα δεδομένα όπως κλίση, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α. Επιπλέον, με εξαίρεση τα τηλεπισκοπικά δεδομένα, οι αμέσως επόμενες πιο σημαντικές μεταβλητές (υψηλά ποσοστά), όπως επιλέχθηκαν από τα μοντέλα ήταν η δορυφορική εικόνα νυχτερινού φωτισμού της περιοχής και η εγγύτητα στους δρόμους.
Με βάση την Εικόνα 9:
* Τα μέταλλα χρώμιο και νικέλιο επηρεάζονταν ιδιαίτερα από γεωλογικούς και εδαφολογικούς παράγοντες
* Τα μέταλλα ψευδάργυρος, μόλυβδος και χαλκός επηρεάζονταν ιδιαίτερα από τοπολογικούς-ανθρωπογενείς παραμέτρους, όπως η εγγύτητα στους δρόμους, η απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.
Από τα παραπάνω προκύπτει πως οι συγκεντρώσεις των μετάλλων χρώμιο και νικέλιο επηρεάζονται κυρίως από περιβαλλοντικούς παράγοντες ενώ οι συγκεντρώσεις των μετάλλων ψευδάργυρος, μόλυβδος και χαλκός κυρίως από ανθρώπινες δραστηριότητες.

'''Φασματικοί/τηλεσκοπικοί δείκτες'''

Από τους τηλεπισκοπικούς δείκτες που υπολογίσθηκαν, αυτοί που χρησιμοποιήθηκαν περισσότερο ήταν ο tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index (η δημιουργία του οποίου βασίζεται στον πρώτο). Συγκεκριμένα, ο tasseled cap transformation ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα αρσενικό, ψευδάργυρο, μόλυβδο και χαλκό, ενώ ο BCI ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα χρώμιο, νικέλιο, ψευδάργυρο και μόλυβδο. Αυτό φαίνεται να οφείλεται στο γεγονός ότι αυτοί οι δύο δείκτες είναι οι μόνοι οι οποίοι μπορούν να προσδώσουν πληροφορίες τόσο για την ταξινόμηση των αστικών περιοχών (οι οποίες θεωρούνται αδιαπέραστες επιφάνειες) όσο και για τα επίπεδα και την αφθονία βλάστησης αλλά και τα επίπεδα υγρασίας των εδαφών στην υπό μελέτη περιοχή.
Από την άλλη οι δείκτες NDVI, EVI, SAVI ήταν στις δέκα κορυφαίες μεταβλητές μόνο για το μοντέλο του αρσενικού, πράγμα το οποίο αποδίδεται στο γεγονός ότι οι κύριες πηγές εδαφικής ρύπανσης με αρσενικό είναι τα γεωργικά φάρμακα και τα λιπάσματα που χρησιμοποιούνται στη γεωργία. Συγκεκριμένα, ανεξέλεγκτη χρήση γεωργικών φαρμάκων και λιπασμάτων παράγουν πιο «πράσινη» βιομάζα ενώ συγχρόνως αυξάνουν τις συγκεντρώσεις αρσενικού στα εδάφη. Πράγματι, ο συντελεστής συσχέτισης Pearson μεταξύ αρσενικού και των τριών δεικτών ήταν πάνω από 0.3, πράγμα που υποδεικνύει θετική σχέση μεταξύ της εδαφικής ρύπανσης με αρσενικό και του επιπέδου πράσινης βιομάζας στις αγροτικές περιοχές του Κατάρ.

'''Προβλεπόμενοι χάρτες των υπό εξέταση μετάλλων'''

Οι τελικοί χάρτες που προέκυψαν από τις εκτελέσεις των μοντέλων για τα υπό εξέταση μέταλλα παρουσιάζονται στην Εικόνα 10. Όλοι οι χάρτες εμφάνισαν παρόμοια χωρική κατανομή των μετάλλων και ξεκάθαρα υποδεικνύουν υψηλή συσσώρευση αυτών στο βόρειο τμήμα του Κατάρ. Αυτό αποδίδεται σε ανθρωπογενείς δραστηριότητες και γεωλογικές κυρίως παραμέτρους. Στο βόρειο τμήμα του Κατάρ υπάγονται το μεγαλύτερο μέρος της βιομηχανίας και της γεωργίας της χώρας ενώ συγχρόνως η γεωλογία της συγκεκριμένης περιοχής επηρεάζει θετικά την απορρόφηση και τη συσσώρευση των μετάλλων αυτών στο έδαφος.
Επιπρόσθετα, οι χάρτες πρόβλεψης για τα μέταλλα ψευδάργυρο, μόλυβδο και χαλκό υποδεικνύουν υψηλή συσσώρευση στο ανατολικό κομμάτι του Κατάρ, όπου βρίσκεται η πόλη Ντόχα. Αυτό αποδίδεται στη ραγδαία αστικοποίηση που εμφάνισε η πόλη τα τελευταία χρόνια. Πιθανώς, οφείλεται στην κατάθεση σωματιδίων μετάλλων από τον υπέρογκο πληθυσμό μηχανοκίνητων οχημάτων της περιοχής.

==Συμπεράσματα==

* Η χρήση πολυφασματικών δεδομένων (εικόνες Landsat 8, τηλεπισκοπικοί δείκτες) σε συνδυασμό με περιβαλλοντικές παραμέτρους (γεωλογικής, εδαφολογικής, γεωμορφολογικής, ανθρωπογενής φύσεως) διαμέσου της μοντελοποίησης που προσφέρει το Cubist έδωσαν ιδιαίτερα ικανοποιητικά αποτελέσματα πρόβλεψης εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων.
* Τα τηλεπισκοπικά δεδομένα Ιανουαρίου και Φεβρουαρίου, ήταν αυτά που επιλέχθηκαν και χρησιμοποιήθηκαν περισσότερο από τα μοντέλα, εξαιτίας της εποχιακής μεταβλητότητας του κλίματος του Κατάρ.
* Το θέμα με τη νεφοκάλυψη στις τηλεπισκοπικές απεικονίσεις ήταν ο κυριότερος περιορισμός της έρευνας, καθώς οι τηλεπισκοπικές απεικονίσεις με έντονο το φαινόμενο της νεφοκάλυψης απορρίφθηκαν. Μεταξύ αυτών ήταν και η απεικόνιση του Κατάρ για το μήνα Μάρτιο που όπως ερευνήθηκε ήταν η μεταβλητή που θα συνέβαλε περισσότερο στη βαθμονόμηση των μοντέλων.
* Οι δείκτες που χρησιμοποιήθηκαν σε μεγαλύτερο ποσοστό από τα μοντέλα ήταν οι tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων χαλκός, ψευδάργυρος και μόλυβδος επηρεάζονταν κυρίως από ανθρωπογενείς παραμέτρους.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων αρσενικό, χρώμιο και νικέλιο επηρεάζονταν κυρίως από γεωλογικούς και εδαφολογικούς παραμέτρους.
* Χρήση περισσότερων μεταβλητών/δεδομένων μπορεί να αυξήσει την ακρίβεια πρόβλεψης των μοντέλων.
* Η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.
* Για την εξακρίβωση της ποιότητας των αποτελεσμάτων απαιτούνται παρόμοιες έρευνες με τηλεπισκοπικά δεδομένα μεγαλύτερης ανάλυσης, ακρίβειας και χρονικής κάλυψης (π.χ. Sentinel 2).

[[category:Υποβάθμιση εδαφών]]

Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων

2019-01-22T23:43:07Z

Christos mamaloudis:

[[Εικόνα: wiki4_cm1.png|thumb|right|Εικόνα 1: Σημεία δειγματοληψίας της περιοχής μελέτης και περιοχές με πολύ υψηλές τιμές διαφορετικών τοξικών μετάλλων στα εδάφη του Κατάρ]]
[[Εικόνα: wiki4_cm2.png|thumb|right|Εικόνα 2: Βοηθητικοί ψηφιδωτοί (raster) χάρτες που χρησιμοποιήθηκαν ως μέσο πρόβλεψης για την κατανομή των υπό εξέταση μετάλλων στο έδαφος]]
[[Εικόνα: wiki4_cm3.png|thumb|right|Εικόνα 3: Περιβαλλοντικές μεταβλητές που χρησιμοποιήθηκαν]]
[[Εικόνα: wiki4_cm4.png|thumb|right|Εικόνα 4: Περιγραφή των καναλιών Landsat 8 αλλά και των φασματικών δεικτών που χρησιμοποιήθηκαν για τον προσδιορισμό των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm5.png|thumb|right|Εικόνα 5: Διαγράμματα των εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm6.png|thumb|right|Εικόνα 6: Συγκεντρώσεις των υπό εξέταση μετάλλων που χρησιμοποιήθηκαν (α) στη βαθμονόμηση – 75% και (β) στον έλεγχο του μοντέλου – 25%]]
[[Εικόνα: wiki4_cm7.png|thumb|right|Εικόνα 7: Παράδειγμα του κανόνα που χρησιμοποιήθηκε στο μοντέλο για τις προβλέψεις νικελίου]]
[[Εικόνα: wiki4_cm8.png|thumb|right|Εικόνα 8: Αποτελέσματα ελέγχου μοντελοποίησης για τα υπό εξέταση μέταλλα]]
[[Εικόνα: wiki4_cm9.png|thumb|right|Εικόνα 9: Τα 10 κορυφαία δεδομένα (παράγοντες πρόβλεψης) που χρησιμοποιήθηκαν από το Cubist για τη βαθμονόμηση των μοντέλων και η ποσοστιαία χρήση του καθενός ανά υπό εξέταση μέταλλο]]
[[Εικόνα: wiki4_cm10.png|thumb|right|Εικόνα 10: Χάρτες ανάλυσης 30 m εδαφικών (0-30 cm) συγκεντρώσεων για τα μέταλλα χρώμιο, αρσενικό, νικέλιο, ψευδάργυρος, μόλυβδος και χαλκός της περιοχής μελέτης (Κατάρ)]]

'''Πρότυπος τίτλος: ''Digital Mapping of Toxic Metals in Qatari Soils Using Remote Sensing and Ancillary Data'''''

'''Συγγραφείς: Yi Peng, Rania Bou Kheir, Kabindra Adhikari, Radosław Malinowski, Mette B. Greve, Maria Knadel and Mogens H. Greve'''

'''Link: https://www.mdpi.com/2072-4292/8/12/1003/htm'''

==Εισαγωγή==

Ανά τον κόσμο, διάφορες δραστηριότητες αλλά και φαινόμενα μαζικής βιομηχανοποίησης και αστικοποίησης αποτελούν πηγές ρύπανσης των εδαφών με τοξικά βαρέα μέταλλα. Σε αντίστοιχες βιομηχανικές και αστικές περιοχές, η ανθρώπινη έκθεση σε υψηλές ποσότητες τέτοιων τοξικών μετάλλων και κυρίως τα αρσενικό (As), χρώμιο (Cr), νικέλιο (Ni), χαλκός (Cu), μόλυβδος (Pb) και ψευδάργυρος (Zn), αποτελεί σημαντικό πρόβλημα καθώς μπορεί να προκαλέσει σοβαρές επιπτώσεις στην ανθρώπινη υγεία, ενώ συγχρόνως να προκαλέσει υποβάθμιση του φυσικού περιβάλλοντος.
Στο Κατάρ, όπου και πραγματοποιήθηκε η παρούσα έρευνα, το πρόβλημα είναι ιδιαίτερα έντονο, καθώς τα τελευταία χρόνια σημείωσε άνοδο πληθυσμού περίπου 200% και επιπλέον, έχοντας τις υψηλότερες κατά κεφαλήν εκπομπές διοξειδίου του άνθρακα στον κόσμο, το 2014 κηρύχθηκε από τον Παγκόσμιο Οργανισμό Υγείας ως η δεύτερη ατμοσφαιρικά πιο ρυπασμένη πόλη του κόσμου.
Μέχρι στιγμής, η πρόβλεψη και ο προσδιορισμός συσσώρευσης τοξικών μετάλλων στα εδάφη γινόταν χρησιμοποιώντας μια ποικιλία γεωστατιστικών μεθόδων σε συνδυασμό με διάφορα περιβαλλοντικά δεδομένα (που προκύπτουν από αναλύσεις) σε διάφορες κλίμακες. Το πρόβλημα που προκύπτει όμως από τη χρήση αυτών των μεθόδων είναι ότι είναι ιδιαίτερα περίπλοκες και χρονοβόρες, ειδικά αν λάβει κανείς υπόψη το χρόνο που απαιτείται για τις διάφορες εργαστηριακές αναλύσεις προκειμένου να ληφθούν τα διάφορα περιβαλλοντικά δεδομένα που απαιτούνται.
Σε αντίθεση με τις παραδοσιακές τεχνικές, για τη μοντελοποίηση του εδάφους αλλά και των περιβαλλοντικών ιδιοτήτων και διαδικασιών, πρόσφατες μελέτες άρχισαν να υιοθετούν τη χρήση διάφορων εργαλείων εξόρυξης δεδομένων όπως είναι το Cubist, το οποίο φέρει πολλά πλεονεκτήματα, ένα εκ των οποίων είναι ότι μπορεί να ποσοτικοποιεί γραμμικές αλλά και μη γραμμικές σχέσεις μεταξύ των μεταβλητών, ενώ επιπλέον, μπορεί και ποσοτικοποιεί τη σημασία των περιβαλλοντικών μεταβλητών που χρησιμοποιούνται στην πρόβλεψη τοξικών μετάλλων στο έδαφος.
Τα τελευταία δέκα χρόνια, με την ανάπτυξη της τηλεπισκόπησης, οι τεχνικές της για τη χαρτογράφηση τοξικών μετάλλων στο έδαφος άρχισαν να βρίσκουν εφαρμογή και μάλιστα ήδη θεωρούνται αρκετά αποτελεσματικές και ακριβείς για την ανίχνευση εδαφικής ρύπανσης από τοξικά μέταλλα, παρότι τα τοξικά μέταλλα στο έδαφος υφίστανται σε πολύ μικρές έως και μέτριες συγκεντρώσεις και μεμονωμένα ως μέταλλα δε διαθέτουν κάποια συγκεκριμένα φασματικά χαρακτηριστικά. Οι τεχνικές ψηφιακής τηλεπισκόπησης εκμεταλλεύονται το γεγονός πως τα τοξικά μέταλλα αλλάζουν τη χημική σύνθεση και την επιφανειακή δραστηριότητά των ορυκτών του εδάφους στα οποία μπορεί να είναι δεσμευμένα, με αποτέλεσμα να αλλάζουν την φασματική ανακλαστική πληροφορία τους. Η αξιοποίηση αυτού του ενδιάμεσου μηχανισμού επιτρέπει την εξαγωγή των σχέσεων μεταξύ φασματικών πληροφοριών και τοξικών μετάλλων στο έδαφος.

==Σκοπός της εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χρήση (α) εικόνων χρονοσειράς από έναν δέκτη Landsat 8 (οι οποίες κάλυπταν εννέα μήνες κατά τη διάρκεια του έτους 2014), (β) επιλεγμένων φασματικών δεικτών (οι οποίοι παράχθηκαν χρησιμοποιώντας τις εικόνες χρονοσειράς Landsat 8) και (γ) περιβαλλοντικών μεταβλητών, για τη χαρτογράφηση της χωρικής κατανομής έξι επιλεγμένων τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος) στην περιοχή μελέτης που ήταν το Κατάρ. Απώτερος σκοπός της παρούσας έρευνας ήταν η διευκόλυνση της χαρτογράφησης της εδαφικής συσσώρευσης των παραπάνω μετάλλων αλλά και η παραδοχή ότι η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.

==Υλικά και μέθοδοι==

'''Περιοχή μελέτης'''

Η περιοχή μελέτης (Κατάρ), παρουσιάζεται στην Εικόνα 1.

'''Δειγματοληψία εδάφους'''

Συνολικά συλλέχθηκαν 300 δείγματα εδάφους σε βάθος 0-30 cm από πολλά σημεία, με στόχο να καλυφθούν όλα τα περιβαλλοντικά και ανθρωπογενή ενδιαιτήματα του Κατάρ. Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System) με ακρίβεια 5 m. Τα σημεία δειγματοληψίας παρουσιάζονται στην Εικόνα 1.

'''Προκατεργασία δειγμάτων'''

Πριν την οποιαδήποτε ανάλυση προηγήθηκε προκατεργασία των δειγμάτων η οποία περιλάμβανε αεροξήρανση των δειγμάτων για διάρκεια τριών ημερών σε θερμοκρασία δωματίου και έπειτα κοσκίνισμα 2 mm.

'''Χημική ανάλυση'''

Για τη χημική ανάλυση των δειγμάτων ως προς τον προσδιορισμό των συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος), χρησιμοποιήθηκαν 0.5 g εδάφους από το κάθε δείγμα για πέψη με μίγμα HNO3 – HClO4 στους 200 οC για τρεις ώρες και στη συνέχεια με επιπλέον προσθήκη HNO3 για μια ώρα στους 70 οC. Έπειτα το κάθε δείγμα υπέστη φυγοκέντριση στις 3500 rpm για 10 λεπτά. Οι συγκεντρώσεις των τοξικών μετάλλων μετρήθηκαν με τη χρήση φασματοφωτομετρίας ατομικής εκπομπής πλάσματος με επαγωγική συσχέτιση (Inductively-Coupled Plasma-Atomic Emission Spectrometry, ICP-AES).

'''Περιβαλλοντικοί παράμετροι'''

Για τον προσδιορισμό της κατανομής των υπό εξέταση τοξικών μετάλλων στο έδαφος χρησιμοποιήθηκαν διάφοροι περιβαλλοντικοί παράμετροι, μεταξύ των οποίων γεωλογικά και εδαφολογικά δεδομένα (π.χ. τύπος εδάφους κ.α.), γεωμορφολογικά δεδομένα (π.χ. υψόμετρο, κλίση, προσανατολισμός κ.α.) και ανθρωπογενή δεδομένα (π.χ. εγγύτητα στους δρόμους, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.) (βλ. Εικόνα 2 και Εικόνα 3). Η ψηφιοποίηση των περιβαλλοντικών παραμέτρων σε επίπεδα (layers), πραγματοποιήθηκε με τη χρήση δευτερογενών βοηθητικών δεδομένων όπως το DEM (Digital Elevation Model – ψηφιακό μοντέλο εδάφους), το οποίο δημιουργήθηκε με επεξεργασία μέσω της τεχνολογίας LiDAR (Light Detection and Ranging).

'''Εικόνες ψηφιακής τηλεπισκόπησης και φασματικοί δείκτες'''

Στην παρούσα μελέτη χρησιμοποιήθηκαν ατμοσφαιρικά διορθωμένες δορυφορικές εικόνες του δέκτη LDCM (Landsat Data Continuity Mission) του δορυφόρου Landsat 8 οι οποίες σκοπό είχαν να δημιουργήσουν μια χρονοσειρά ενός έτους, αλλά εξαιτίας ορισμένων θεμάτων που σχετίζονταν με νεφοκάλυψη χρησιμοποιήθηκαν μόνο εννέα από αυτές (Ιανουαρίου, Φεβρουαρίου, Απριλίου, Μαΐου, Ιουνίου, Ιουλίου, Αυγούστου, Σεπτεμβρίου και Οκτωβρίου) για το έτος 2015.
Επιπλέον, για τη βελτιστοποίηση της δυνατότητας πρόβλεψης των τοξικών μετάλλων στα υπό εξέταση εδάφη υπολογίστηκαν οι εξής φασματικοί δείκτες:
* Tasseled cap transformation
Brightness – ταξινόμηση αστικών περιοχών
Greenness – επίπεδα βλάστησης
Wetness – επίπεδα υγρασίας στο έδαφος
* BCI – Biophysical Composition Index – αφθονία βλάστησης
* EVI – Enhanced Vegetation Index
* LSWI – Land Surface Water Index
* NDVI – Normalized Difference Vegetation Index
* SATVI – Soil-Adjusted Total Vegetation Index
* SAVI – Soil-Adjusted Vegetation Index
* TVI – Transformed Vegetation Index
* WDVI – Weighted Difference Vegetation Index
Οι εξισώσεις με βάση τις οποίες πραγματοποιήθηκε ο υπολογισμός των παραπάνω δεικτών παρουσιάζονται στην Εικόνα 4.

'''Χωρική μοντελοποίηση'''

Από το σύνολο των δεδομένων που συλλέχθηκαν πραγματοποιήθηκε τυχαία κατανομή και ένα 75 % χρησιμοποιήθηκε για τη βαθμονόμηση και το υπόλοιπο 25 % για τον έλεγχο του μοντέλου (βλ. Εικόνα 6). Εν τέλει, χρησιμοποιώντας το εργαλείο Cubist που προαναφέρθηκε και στην Εισαγωγή, αναπτύχθηκε ένα μοντέλο πρόβλεψης για κάθε υπό εξέταση τοξικό μέταλλο.
Για τη βαθμονόμηση, το εργαλείο Cubist δημιούργησε πλήθος γραμμικών εξισώσεων για κάθε υπό εξέταση μέταλλο βασισμένο σε διαφορετικούς κανόνες. Οι συνθήκες του αρχικού κανόνα κάθε φορά βασίστηκαν σε συνδυασμό κάποιων εκ των δεδομένων. Για παράδειγμα στο χρώμιο και στο νικέλιο το 60 % των εκτελέσεων του μοντέλου επέλεξε σαν συνθήκες του αρχικού κανόνα τα δεδομένα: τύπος εδάφους και γεωλογικός χάρτης. Παράδειγμα κανόνα για το νικέλιο παρουσιάζεται στην Εικόνα 7.
Τα μοντέλα πρόβλεψης/προσομοίωσης/προσδιορισμού εκτιμήθηκαν με βάση της εξής παραμέτρους: R2 (coefficient of determination), RMSE (root mean square error), RPD (ratio of performance to deviation) και RPIQ (ratio of performance to interquartile distance).

==Αποτελέσματα και συζήτηση==

'''Αποτελέσματα αναλύσεων'''

Με βάση τα αποτελέσματα των χημικών αναλύσεων παράχθηκαν τα αντίστοιχα διαγράμματα (histogram, box-plot) για το κάθε υπό εξέταση μέταλλο. Τα διαγράμματα (βλ. Εικόνα 5) έδειξαν πως η κατανομή των μετάλλων είχε θετική καμπυλότητα σε όλες τις περιπτώσεις, ενώ συγχρόνως παρατηρήθηκε ένα ευρύ φάσμα μεταβλητότητας σε όλα τα τοξικά μέταλλα και κυρίως στα ψευδάργυρο, χρώμιο και νικέλιο.
Η προαναφερθείσα μεταβλητότητα της περιεκτικότητας των υπό εξέταση εδαφών σε τοξικά μέταλλα αποδίδεται στη διαφορετική ένταση ανά περιοχή των φαινομένων της γεωργίας, της αστικοποίησης και της βιομηχανοποίησης και επηρεάζει τη σχέση μεταξύ περιβαλλοντικών παραμέτρων και ρύπανσης.
Επιπλέον, ορισμένα εδαφικά δείγματα συγκεκριμένων περιοχών που αναλύθηκαν έδωσαν ιδιαίτερα υψηλές συγκεντρώσεις για διάφορα μέταλλα (βλ. Εικόνα 1), πράγμα που αποδόθηκε στο γεγονός ότι μάλλον οι συγκεκριμένες περιοχές αποτελούν κέντρα ρύπανσης και είναι πολύ επιβαρυμένες (hotspots) με τοξικά μέταλλα σε σχέση με τις υπόλοιπες περιοχές μελέτης. Εν τέλει, οι τιμές αυτές απορρίφθηκαν και δε χρησιμοποιήθηκαν στη χωρική μοντελοποίηση καθώς θα επηρέαζαν αρνητικά την ικανότητα πρόβλεψης/προσδιορισμού του μοντέλου. Έτσι μετά από την απόρριψη των τιμών αυτών, χρησιμοποιήθηκαν τελικά για τη μοντελοποίηση (βαθμονόμηση και έλεγχος) 299 δείγματα για το ψευδάργυρο και το μόλυβδο, 298 δείγματα για το χαλκό, 297 δείγματα για το χρώμιο και το νικέλιο και 300 δείγματα για το αρσενικό (βλ. Εικόνα 6).

'''Χωρική μοντελοποίηση'''

Τα αποτελέσματα της χωρικής πρόβλεψης των υπό εξέταση τοξικών μετάλλων παρουσιάζονται στην Εικόνα 8. Σε γενικές γραμμές, όλα τα μοντέλα βαθμονόμησης έδωσαν καλά αποτελέσματα όσον αφορά τις ικανότητες πρόβλεψης/προσδιορισμού των υπό εξέταση μετάλλων. Ο χαλκός είχε τις υψηλότερες τιμές R2 και RPD, ακολουθούμενος από το αρσενικό, το μόλυβδο, το χρώμιο, τον ψευδάργυρο και το νικέλιο. Παρόλ’ αυτά, εξαιτίας κάποιων παραγόντων οι τιμές RPIQ απέδωσαν μεγαλύτερη ακρίβεια προσδιορισμού σε σχέση με τις τιμές RPD.

'''Σημασία μεταβλητότητας των παραγόμενων μοντέλων Cubist για την πρόβλεψη των υπό εξέταση μετάλλων'''

Οι εκτελέσεις των μοντέλων μέσω του εργαλείου Cubist δε χρησιμοποίησαν όλες τις μεταβλητές για τη βαθμονόμηση. Όπως φαίνεται και στην Εικόνα 9, η οποία πρακτικά δείχνει τη χρήση της κάθε μεταβλητής/δεδομένου για κάθε υπό εξέταση μέταλλο, το σύνολο των εκτελέσεων των μοντέλων για όλα τα μέταλλα χρησιμοποίησε τηλεπισκοπικά δεδομένα (κανάλια, δείκτες κ.α.) μόνο για τους μήνες Ιανουάριο και Φεβρουάριο, σε συνδυασμό με διάφορα άλλα δεδομένα όπως κλίση, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α. Επιπλέον, με εξαίρεση τα τηλεπισκοπικά δεδομένα, οι αμέσως επόμενες πιο σημαντικές μεταβλητές (υψηλά ποσοστά), όπως επιλέχθηκαν από τα μοντέλα ήταν η δορυφορική εικόνα νυχτερινού φωτισμού της περιοχής και η εγγύτητα στους δρόμους.
Με βάση την Εικόνα 9:
* Τα μέταλλα χρώμιο και νικέλιο επηρεάζονταν ιδιαίτερα από γεωλογικούς και εδαφολογικούς παράγοντες
* Τα μέταλλα ψευδάργυρος, μόλυβδος και χαλκός επηρεάζονταν ιδιαίτερα από τοπολογικούς-ανθρωπογενείς παραμέτρους, όπως η εγγύτητα στους δρόμους, η απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.
Από τα παραπάνω προκύπτει πως οι συγκεντρώσεις των μετάλλων χρώμιο και νικέλιο επηρεάζονται κυρίως από περιβαλλοντικούς παράγοντες ενώ οι συγκεντρώσεις των μετάλλων ψευδάργυρος, μόλυβδος και χαλκός κυρίως από ανθρώπινες δραστηριότητες.

'''Φασματικοί/τηλεσκοπικοί δείκτες'''

Από τους τηλεπισκοπικούς δείκτες που υπολογίσθηκαν, αυτοί που χρησιμοποιήθηκαν περισσότερο ήταν ο tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index (η δημιουργία του οποίου βασίζεται στον πρώτο). Συγκεκριμένα, ο tasseled cap transformation ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα αρσενικό, ψευδάργυρο, μόλυβδο και χαλκό, ενώ ο BCI ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα χρώμιο, νικέλιο, ψευδάργυρο και μόλυβδο. Αυτό φαίνεται να οφείλεται στο γεγονός ότι αυτοί οι δύο δείκτες είναι οι μόνοι οι οποίοι μπορούν να προσδώσουν πληροφορίες τόσο για την ταξινόμηση των αστικών περιοχών (οι οποίες θεωρούνται αδιαπέραστες επιφάνειες) όσο και για τα επίπεδα και την αφθονία βλάστησης αλλά και τα επίπεδα υγρασίας των εδαφών στην υπό μελέτη περιοχή.
Από την άλλη οι δείκτες NDVI, EVI, SAVI ήταν στις δέκα κορυφαίες μεταβλητές μόνο για το μοντέλο του αρσενικού, πράγμα το οποίο αποδίδεται στο γεγονός ότι οι κύριες πηγές εδαφικής ρύπανσης με αρσενικό είναι τα γεωργικά φάρμακα και τα λιπάσματα που χρησιμοποιούνται στη γεωργία. Συγκεκριμένα, ανεξέλεγκτη χρήση γεωργικών φαρμάκων και λιπασμάτων παράγουν πιο «πράσινη» βιομάζα ενώ συγχρόνως αυξάνουν τις συγκεντρώσεις αρσενικού στα εδάφη. Πράγματι, ο συντελεστής συσχέτισης Pearson μεταξύ αρσενικού και των τριών δεικτών ήταν πάνω από 0.3, πράγμα που υποδεικνύει θετική σχέση μεταξύ της εδαφικής ρύπανσης με αρσενικό και του επιπέδου πράσινης βιομάζας στις αγροτικές περιοχές του Κατάρ.

'''Προβλεπόμενοι χάρτες των υπό εξέταση μετάλλων'''

Οι τελικοί χάρτες που προέκυψαν από τις εκτελέσεις των μοντέλων για τα υπό εξέταση μέταλλα παρουσιάζονται στην Εικόνα 10. Όλοι οι χάρτες εμφάνισαν παρόμοια χωρική κατανομή των μετάλλων και ξεκάθαρα υποδεικνύουν υψηλή συσσώρευση αυτών στο βόρειο τμήμα του Κατάρ. Αυτό αποδίδεται σε ανθρωπογενείς δραστηριότητες και γεωλογικές κυρίως παραμέτρους. Στο βόρειο τμήμα του Κατάρ υπάγονται το μεγαλύτερο μέρος της βιομηχανίας και της γεωργίας της χώρας ενώ συγχρόνως η γεωλογία της συγκεκριμένης περιοχής επηρεάζει θετικά την απορρόφηση και τη συσσώρευση των μετάλλων αυτών στο έδαφος.
Επιπρόσθετα, οι χάρτες πρόβλεψης για τα μέταλλα ψευδάργυρο, μόλυβδο και χαλκό υποδεικνύουν υψηλή συσσώρευση στο ανατολικό κομμάτι του Κατάρ, όπου βρίσκεται η πόλη Ντόχα. Αυτό αποδίδεται στη ραγδαία αστικοποίηση που εμφάνισε η πόλη τα τελευταία χρόνια. Πιθανώς, οφείλεται στην κατάθεση σωματιδίων μετάλλων από τον υπέρογκο πληθυσμό μηχανοκίνητων οχημάτων της περιοχής.

===Συμπεράσματα===

* Η χρήση πολυφασματικών δεδομένων (εικόνες Landsat 8, τηλεπισκοπικοί δείκτες) σε συνδυασμό με περιβαλλοντικές παραμέτρους (γεωλογικής, εδαφολογικής, γεωμορφολογικής, ανθρωπογενής φύσεως) διαμέσου της μοντελοποίησης που προσφέρει το Cubist έδωσαν ιδιαίτερα ικανοποιητικά αποτελέσματα πρόβλεψης εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων.
* Τα τηλεπισκοπικά δεδομένα Ιανουαρίου και Φεβρουαρίου, ήταν αυτά που επιλέχθηκαν και χρησιμοποιήθηκαν περισσότερο από τα μοντέλα, εξαιτίας της εποχιακής μεταβλητότητας του κλίματος του Κατάρ.
* Το θέμα με τη νεφοκάλυψη στις τηλεπισκοπικές απεικονίσεις ήταν ο κυριότερος περιορισμός της έρευνας, καθώς οι τηλεπισκοπικές απεικονίσεις με έντονο το φαινόμενο της νεφοκάλυψης απορρίφθηκαν. Μεταξύ αυτών ήταν και η απεικόνιση του Κατάρ για το μήνα Μάρτιο που όπως ερευνήθηκε ήταν η μεταβλητή που θα συνέβαλε περισσότερο στη βαθμονόμηση των μοντέλων.
* Οι δείκτες που χρησιμοποιήθηκαν σε μεγαλύτερο ποσοστό από τα μοντέλα ήταν οι tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων χαλκός, ψευδάργυρος και μόλυβδος επηρεάζονταν κυρίως από ανθρωπογενείς παραμέτρους.
* Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων αρσενικό, χρώμιο και νικέλιο επηρεάζονταν κυρίως από γεωλογικούς και εδαφολογικούς παραμέτρους.
* Χρήση περισσότερων μεταβλητών/δεδομένων μπορεί να αυξήσει την ακρίβεια πρόβλεψης των μοντέλων.
* Η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.
* Για την εξακρίβωση της ποιότητας των αποτελεσμάτων απαιτούνται παρόμοιες έρευνες με τηλεπισκοπικά δεδομένα μεγαλύτερης ανάλυσης, ακρίβειας και χρονικής κάλυψης (π.χ. Sentinel 2).

[[category:Υποβάθμιση εδαφών]]

Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων

2019-01-22T23:39:29Z

Christos mamaloudis:

[[Εικόνα: wiki4_cm1.png|thumb|right|Εικόνα 1: Σημεία δειγματοληψίας της περιοχής μελέτης και περιοχές με πολύ υψηλές τιμές διαφορετικών τοξικών μετάλλων στα εδάφη του Κατάρ]]
[[Εικόνα: wiki4_cm2.png|thumb|right|Εικόνα 2: Βοηθητικοί ψηφιδωτοί (raster) χάρτες που χρησιμοποιήθηκαν ως μέσο πρόβλεψης για την κατανομή των υπό εξέταση μετάλλων στο έδαφος]]
[[Εικόνα: wiki4_cm3.png|thumb|right|Εικόνα 3: Περιβαλλοντικές μεταβλητές που χρησιμοποιήθηκαν]]
[[Εικόνα: wiki4_cm4.png|thumb|right|Εικόνα 4: Περιγραφή των καναλιών Landsat 8 αλλά και των φασματικών δεικτών που χρησιμοποιήθηκαν για τον προσδιορισμό των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm5.png|thumb|right|Εικόνα 5: Διαγράμματα των εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm6.png|thumb|right|Εικόνα 6: Συγκεντρώσεις των υπό εξέταση μετάλλων που χρησιμοποιήθηκαν (α) στη βαθμονόμηση – 75% και (β) στον έλεγχο του μοντέλου – 25%]]
[[Εικόνα: wiki4_cm7.png|thumb|right|Εικόνα 7: Παράδειγμα του κανόνα που χρησιμοποιήθηκε στο μοντέλο για τις προβλέψεις νικελίου]]
[[Εικόνα: wiki4_cm8.png|thumb|right|Εικόνα 8: Αποτελέσματα ελέγχου μοντελοποίησης για τα υπό εξέταση μέταλλα]]
[[Εικόνα: wiki4_cm9.png|thumb|right|Εικόνα 9: Τα 10 κορυφαία δεδομένα (παράγοντες πρόβλεψης) που χρησιμοποιήθηκαν από το Cubist για τη βαθμονόμηση των μοντέλων και η ποσοστιαία χρήση του καθενός ανά υπό εξέταση μέταλλο]]
[[Εικόνα: wiki4_cm10.png|thumb|right|Εικόνα 10: Χάρτες ανάλυσης 30 m εδαφικών (0-30 cm) συγκεντρώσεων για τα μέταλλα χρώμιο, αρσενικό, νικέλιο, ψευδάργυρος, μόλυβδος και χαλκός της περιοχής μελέτης (Κατάρ)]]

'''Πρότυπος τίτλος: ''Digital Mapping of Toxic Metals in Qatari Soils Using Remote Sensing and Ancillary Data'''''

'''Συγγραφείς: Yi Peng, Rania Bou Kheir, Kabindra Adhikari, Radosław Malinowski, Mette B. Greve, Maria Knadel and Mogens H. Greve'''

'''Link: https://www.mdpi.com/2072-4292/8/12/1003/htm'''

==Εισαγωγή==

Ανά τον κόσμο, διάφορες δραστηριότητες αλλά και φαινόμενα μαζικής βιομηχανοποίησης και αστικοποίησης αποτελούν πηγές ρύπανσης των εδαφών με τοξικά βαρέα μέταλλα. Σε αντίστοιχες βιομηχανικές και αστικές περιοχές, η ανθρώπινη έκθεση σε υψηλές ποσότητες τέτοιων τοξικών μετάλλων και κυρίως τα αρσενικό (As), χρώμιο (Cr), νικέλιο (Ni), χαλκός (Cu), μόλυβδος (Pb) και ψευδάργυρος (Zn), αποτελεί σημαντικό πρόβλημα καθώς μπορεί να προκαλέσει σοβαρές επιπτώσεις στην ανθρώπινη υγεία, ενώ συγχρόνως να προκαλέσει υποβάθμιση του φυσικού περιβάλλοντος.
Στο Κατάρ, όπου και πραγματοποιήθηκε η παρούσα έρευνα, το πρόβλημα είναι ιδιαίτερα έντονο, καθώς τα τελευταία χρόνια σημείωσε άνοδο πληθυσμού περίπου 200% και επιπλέον, έχοντας τις υψηλότερες κατά κεφαλήν εκπομπές διοξειδίου του άνθρακα στον κόσμο, το 2014 κηρύχθηκε από τον Παγκόσμιο Οργανισμό Υγείας ως η δεύτερη ατμοσφαιρικά πιο ρυπασμένη πόλη του κόσμου.
Μέχρι στιγμής, η πρόβλεψη και ο προσδιορισμός συσσώρευσης τοξικών μετάλλων στα εδάφη γινόταν χρησιμοποιώντας μια ποικιλία γεωστατιστικών μεθόδων σε συνδυασμό με διάφορα περιβαλλοντικά δεδομένα (που προκύπτουν από αναλύσεις) σε διάφορες κλίμακες. Το πρόβλημα που προκύπτει όμως από τη χρήση αυτών των μεθόδων είναι ότι είναι ιδιαίτερα περίπλοκες και χρονοβόρες, ειδικά αν λάβει κανείς υπόψη το χρόνο που απαιτείται για τις διάφορες εργαστηριακές αναλύσεις προκειμένου να ληφθούν τα διάφορα περιβαλλοντικά δεδομένα που απαιτούνται.
Σε αντίθεση με τις παραδοσιακές τεχνικές, για τη μοντελοποίηση του εδάφους αλλά και των περιβαλλοντικών ιδιοτήτων και διαδικασιών, πρόσφατες μελέτες άρχισαν να υιοθετούν τη χρήση διάφορων εργαλείων εξόρυξης δεδομένων όπως είναι το Cubist, το οποίο φέρει πολλά πλεονεκτήματα, ένα εκ των οποίων είναι ότι μπορεί να ποσοτικοποιεί γραμμικές αλλά και μη γραμμικές σχέσεις μεταξύ των μεταβλητών, ενώ επιπλέον, μπορεί και ποσοτικοποιεί τη σημασία των περιβαλλοντικών μεταβλητών που χρησιμοποιούνται στην πρόβλεψη τοξικών μετάλλων στο έδαφος.
Τα τελευταία δέκα χρόνια, με την ανάπτυξη της τηλεπισκόπησης, οι τεχνικές της για τη χαρτογράφηση τοξικών μετάλλων στο έδαφος άρχισαν να βρίσκουν εφαρμογή και μάλιστα ήδη θεωρούνται αρκετά αποτελεσματικές και ακριβείς για την ανίχνευση εδαφικής ρύπανσης από τοξικά μέταλλα, παρότι τα τοξικά μέταλλα στο έδαφος υφίστανται σε πολύ μικρές έως και μέτριες συγκεντρώσεις και μεμονωμένα ως μέταλλα δε διαθέτουν κάποια συγκεκριμένα φασματικά χαρακτηριστικά. Οι τεχνικές ψηφιακής τηλεπισκόπησης εκμεταλλεύονται το γεγονός πως τα τοξικά μέταλλα αλλάζουν τη χημική σύνθεση και την επιφανειακή δραστηριότητά των ορυκτών του εδάφους στα οποία μπορεί να είναι δεσμευμένα, με αποτέλεσμα να αλλάζουν την φασματική ανακλαστική πληροφορία τους. Η αξιοποίηση αυτού του ενδιάμεσου μηχανισμού επιτρέπει την εξαγωγή των σχέσεων μεταξύ φασματικών πληροφοριών και τοξικών μετάλλων στο έδαφος.

==Σκοπός της εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χρήση (α) εικόνων χρονοσειράς από έναν δέκτη Landsat 8 (οι οποίες κάλυπταν εννέα μήνες κατά τη διάρκεια του έτους 2014), (β) επιλεγμένων φασματικών δεικτών (οι οποίοι παράχθηκαν χρησιμοποιώντας τις εικόνες χρονοσειράς Landsat 8) και (γ) περιβαλλοντικών μεταβλητών, για τη χαρτογράφηση της χωρικής κατανομής έξι επιλεγμένων τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος) στην περιοχή μελέτης που ήταν το Κατάρ. Απώτερος σκοπός της παρούσας έρευνας ήταν η διευκόλυνση της χαρτογράφησης της εδαφικής συσσώρευσης των παραπάνω μετάλλων αλλά και η παραδοχή ότι η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.

==Υλικά και μέθοδοι==

'''Περιοχή μελέτης'''

Η περιοχή μελέτης (Κατάρ), παρουσιάζεται στην Εικόνα 1.

'''Δειγματοληψία εδάφους'''

Συνολικά συλλέχθηκαν 300 δείγματα εδάφους σε βάθος 0-30 cm από πολλά σημεία, με στόχο να καλυφθούν όλα τα περιβαλλοντικά και ανθρωπογενή ενδιαιτήματα του Κατάρ. Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System) με ακρίβεια 5 m. Τα σημεία δειγματοληψίας παρουσιάζονται στην Εικόνα 1.

'''Προκατεργασία δειγμάτων'''

Πριν την οποιαδήποτε ανάλυση προηγήθηκε προκατεργασία των δειγμάτων η οποία περιλάμβανε αεροξήρανση των δειγμάτων για διάρκεια τριών ημερών σε θερμοκρασία δωματίου και έπειτα κοσκίνισμα 2 mm.

'''Χημική ανάλυση'''

Για τη χημική ανάλυση των δειγμάτων ως προς τον προσδιορισμό των συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος), χρησιμοποιήθηκαν 0.5 g εδάφους από το κάθε δείγμα για πέψη με μίγμα HNO3 – HClO4 στους 200 οC για τρεις ώρες και στη συνέχεια με επιπλέον προσθήκη HNO3 για μια ώρα στους 70 οC. Έπειτα το κάθε δείγμα υπέστη φυγοκέντριση στις 3500 rpm για 10 λεπτά. Οι συγκεντρώσεις των τοξικών μετάλλων μετρήθηκαν με τη χρήση φασματοφωτομετρίας ατομικής εκπομπής πλάσματος με επαγωγική συσχέτιση (Inductively-Coupled Plasma-Atomic Emission Spectrometry, ICP-AES).

'''Περιβαλλοντικοί παράμετροι'''

Για τον προσδιορισμό της κατανομής των υπό εξέταση τοξικών μετάλλων στο έδαφος χρησιμοποιήθηκαν διάφοροι περιβαλλοντικοί παράμετροι, μεταξύ των οποίων γεωλογικά και εδαφολογικά δεδομένα (π.χ. τύπος εδάφους κ.α.), γεωμορφολογικά δεδομένα (π.χ. υψόμετρο, κλίση, προσανατολισμός κ.α.) και ανθρωπογενή δεδομένα (π.χ. εγγύτητα στους δρόμους, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.) (βλ. Εικόνα 2 και Εικόνα 3). Η ψηφιοποίηση των περιβαλλοντικών παραμέτρων σε επίπεδα (layers), πραγματοποιήθηκε με τη χρήση δευτερογενών βοηθητικών δεδομένων όπως το DEM (Digital Elevation Model – ψηφιακό μοντέλο εδάφους), το οποίο δημιουργήθηκε με επεξεργασία μέσω της τεχνολογίας LiDAR (Light Detection and Ranging).

'''Εικόνες ψηφιακής τηλεπισκόπησης και φασματικοί δείκτες'''

Στην παρούσα μελέτη χρησιμοποιήθηκαν ατμοσφαιρικά διορθωμένες δορυφορικές εικόνες του δέκτη LDCM (Landsat Data Continuity Mission) του δορυφόρου Landsat 8 οι οποίες σκοπό είχαν να δημιουργήσουν μια χρονοσειρά ενός έτους, αλλά εξαιτίας ορισμένων θεμάτων που σχετίζονταν με νεφοκάλυψη χρησιμοποιήθηκαν μόνο εννέα από αυτές (Ιανουαρίου, Φεβρουαρίου, Απριλίου, Μαΐου, Ιουνίου, Ιουλίου, Αυγούστου, Σεπτεμβρίου και Οκτωβρίου) για το έτος 2015.
Επιπλέον, για τη βελτιστοποίηση της δυνατότητας πρόβλεψης των τοξικών μετάλλων στα υπό εξέταση εδάφη υπολογίστηκαν οι εξής φασματικοί δείκτες:
* Tasseled cap transformation
Brightness – ταξινόμηση αστικών περιοχών
Greenness – επίπεδα βλάστησης
Wetness – επίπεδα υγρασίας στο έδαφος
• BCI – Biophysical Composition Index – αφθονία βλάστησης
• EVI – Enhanced Vegetation Index
• LSWI – Land Surface Water Index
• NDVI – Normalized Difference Vegetation Index
• SATVI – Soil-Adjusted Total Vegetation Index
• SAVI – Soil-Adjusted Vegetation Index
• TVI – Transformed Vegetation Index
• WDVI – Weighted Difference Vegetation Index
Οι εξισώσεις με βάση τις οποίες πραγματοποιήθηκε ο υπολογισμός των παραπάνω δεικτών παρουσιάζονται στην Εικόνα 4.

Χωρική μοντελοποίηση
Από το σύνολο των δεδομένων που συλλέχθηκαν πραγματοποιήθηκε τυχαία κατανομή και ένα 75 % χρησιμοποιήθηκε για τη βαθμονόμηση και το υπόλοιπο 25 % για τον έλεγχο του μοντέλου (βλ. Εικόνα 6). Εν τέλει, χρησιμοποιώντας το εργαλείο Cubist που προαναφέρθηκε και στην Εισαγωγή, αναπτύχθηκε ένα μοντέλο πρόβλεψης για κάθε υπό εξέταση τοξικό μέταλλο.
Για τη βαθμονόμηση, το εργαλείο Cubist δημιούργησε πλήθος γραμμικών εξισώσεων για κάθε υπό εξέταση μέταλλο βασισμένο σε διαφορετικούς κανόνες. Οι συνθήκες του αρχικού κανόνα κάθε φορά βασίστηκαν σε συνδυασμό κάποιων εκ των δεδομένων. Για παράδειγμα στο χρώμιο και στο νικέλιο το 60 % των εκτελέσεων του μοντέλου επέλεξε σαν συνθήκες του αρχικού κανόνα τα δεδομένα: τύπος εδάφους και γεωλογικός χάρτης. Παράδειγμα κανόνα για το νικέλιο παρουσιάζεται στην Εικόνα 7.
Τα μοντέλα πρόβλεψης/προσομοίωσης/προσδιορισμού εκτιμήθηκαν με βάση της εξής παραμέτρους: R2 (coefficient of determination), RMSE (root mean square error), RPD (ratio of performance to deviation) και RPIQ (ratio of performance to interquartile distance).

Αποτελέσματα και συζήτηση
Αποτελέσματα αναλύσεων
Με βάση τα αποτελέσματα των χημικών αναλύσεων παράχθηκαν τα αντίστοιχα διαγράμματα (histogram, box-plot) για το κάθε υπό εξέταση μέταλλο. Τα διαγράμματα (βλ. Εικόνα 5) έδειξαν πως η κατανομή των μετάλλων είχε θετική καμπυλότητα σε όλες τις περιπτώσεις, ενώ συγχρόνως παρατηρήθηκε ένα ευρύ φάσμα μεταβλητότητας σε όλα τα τοξικά μέταλλα και κυρίως στα ψευδάργυρο, χρώμιο και νικέλιο.
Η προαναφερθείσα μεταβλητότητα της περιεκτικότητας των υπό εξέταση εδαφών σε τοξικά μέταλλα αποδίδεται στη διαφορετική ένταση ανά περιοχή των φαινομένων της γεωργίας, της αστικοποίησης και της βιομηχανοποίησης και επηρεάζει τη σχέση μεταξύ περιβαλλοντικών παραμέτρων και ρύπανσης.
Επιπλέον, ορισμένα εδαφικά δείγματα συγκεκριμένων περιοχών που αναλύθηκαν έδωσαν ιδιαίτερα υψηλές συγκεντρώσεις για διάφορα μέταλλα (βλ. Εικόνα 1), πράγμα που αποδόθηκε στο γεγονός ότι μάλλον οι συγκεκριμένες περιοχές αποτελούν κέντρα ρύπανσης και είναι πολύ επιβαρυμένες (hotspots) με τοξικά μέταλλα σε σχέση με τις υπόλοιπες περιοχές μελέτης. Εν τέλει, οι τιμές αυτές απορρίφθηκαν και δε χρησιμοποιήθηκαν στη χωρική μοντελοποίηση καθώς θα επηρέαζαν αρνητικά την ικανότητα πρόβλεψης/προσδιορισμού του μοντέλου. Έτσι μετά από την απόρριψη των τιμών αυτών, χρησιμοποιήθηκαν τελικά για τη μοντελοποίηση (βαθμονόμηση και έλεγχος) 299 δείγματα για το ψευδάργυρο και το μόλυβδο, 298 δείγματα για το χαλκό, 297 δείγματα για το χρώμιο και το νικέλιο και 300 δείγματα για το αρσενικό (βλ. Εικόνα 6).
Χωρική μοντελοποίηση
Τα αποτελέσματα της χωρικής πρόβλεψης των υπό εξέταση τοξικών μετάλλων παρουσιάζονται στην Εικόνα 8. Σε γενικές γραμμές, όλα τα μοντέλα βαθμονόμησης έδωσαν καλά αποτελέσματα όσον αφορά τις ικανότητες πρόβλεψης/προσδιορισμού των υπό εξέταση μετάλλων. Ο χαλκός είχε τις υψηλότερες τιμές R2 και RPD, ακολουθούμενος από το αρσενικό, το μόλυβδο, το χρώμιο, τον ψευδάργυρο και το νικέλιο. Παρόλ’ αυτά, εξαιτίας κάποιων παραγόντων οι τιμές RPIQ απέδωσαν μεγαλύτερη ακρίβεια προσδιορισμού σε σχέση με τις τιμές RPD.
Σημασία μεταβλητότητας των παραγόμενων μοντέλων Cubist για την πρόβλεψη των υπό εξέταση μετάλλων
Οι εκτελέσεις των μοντέλων μέσω του εργαλείου Cubist δε χρησιμοποίησαν όλες τις μεταβλητές για τη βαθμονόμηση. Όπως φαίνεται και στην Εικόνα 9, η οποία πρακτικά δείχνει τη χρήση της κάθε μεταβλητής/δεδομένου για κάθε υπό εξέταση μέταλλο, το σύνολο των εκτελέσεων των μοντέλων για όλα τα μέταλλα χρησιμοποίησε τηλεπισκοπικά δεδομένα (κανάλια, δείκτες κ.α.) μόνο για τους μήνες Ιανουάριο και Φεβρουάριο, σε συνδυασμό με διάφορα άλλα δεδομένα όπως κλίση, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α. Επιπλέον, με εξαίρεση τα τηλεπισκοπικά δεδομένα, οι αμέσως επόμενες πιο σημαντικές μεταβλητές (υψηλά ποσοστά), όπως επιλέχθηκαν από τα μοντέλα ήταν η δορυφορική εικόνα νυχτερινού φωτισμού της περιοχής και η εγγύτητα στους δρόμους.
Με βάση την Εικόνα 9:
• Τα μέταλλα χρώμιο και νικέλιο επηρεάζονταν ιδιαίτερα από γεωλογικούς και εδαφολογικούς παράγοντες
• Τα μέταλλα ψευδάργυρος, μόλυβδος και χαλκός επηρεάζονταν ιδιαίτερα από τοπολογικούς-ανθρωπογενείς παραμέτρους, όπως η εγγύτητα στους δρόμους, η απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.
Από τα παραπάνω προκύπτει πως οι συγκεντρώσεις των μετάλλων χρώμιο και νικέλιο επηρεάζονται κυρίως από περιβαλλοντικούς παράγοντες ενώ οι συγκεντρώσεις των μετάλλων ψευδάργυρος, μόλυβδος και χαλκός κυρίως από ανθρώπινες δραστηριότητες.

Φασματικοί/τηλεσκοπικοί δείκτες
Από τους τηλεπισκοπικούς δείκτες που υπολογίσθηκαν, αυτοί που χρησιμοποιήθηκαν περισσότερο ήταν ο tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index (η δημιουργία του οποίου βασίζεται στον πρώτο). Συγκεκριμένα, ο tasseled cap transformation ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα αρσενικό, ψευδάργυρο, μόλυβδο και χαλκό, ενώ ο BCI ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα χρώμιο, νικέλιο, ψευδάργυρο και μόλυβδο. Αυτό φαίνεται να οφείλεται στο γεγονός ότι αυτοί οι δύο δείκτες είναι οι μόνοι οι οποίοι μπορούν να προσδώσουν πληροφορίες τόσο για την ταξινόμηση των αστικών περιοχών (οι οποίες θεωρούνται αδιαπέραστες επιφάνειες) όσο και για τα επίπεδα και την αφθονία βλάστησης αλλά και τα επίπεδα υγρασίας των εδαφών στην υπό μελέτη περιοχή.
Από την άλλη οι δείκτες NDVI, EVI, SAVI ήταν στις δέκα κορυφαίες μεταβλητές μόνο για το μοντέλο του αρσενικού, πράγμα το οποίο αποδίδεται στο γεγονός ότι οι κύριες πηγές εδαφικής ρύπανσης με αρσενικό είναι τα γεωργικά φάρμακα και τα λιπάσματα που χρησιμοποιούνται στη γεωργία. Συγκεκριμένα, ανεξέλεγκτη χρήση γεωργικών φαρμάκων και λιπασμάτων παράγουν πιο «πράσινη» βιομάζα ενώ συγχρόνως αυξάνουν τις συγκεντρώσεις αρσενικού στα εδάφη. Πράγματι, ο συντελεστής συσχέτισης Pearson μεταξύ αρσενικού και των τριών δεικτών ήταν πάνω από 0.3, πράγμα που υποδεικνύει θετική σχέση μεταξύ της εδαφικής ρύπανσης με αρσενικό και του επιπέδου πράσινης βιομάζας στις αγροτικές περιοχές του Κατάρ.
Προβλεπόμενοι χάρτες των υπό εξέταση μετάλλων
Οι τελικοί χάρτες που προέκυψαν από τις εκτελέσεις των μοντέλων για τα υπό εξέταση μέταλλα παρουσιάζονται στην Εικόνα 10. Όλοι οι χάρτες εμφάνισαν παρόμοια χωρική κατανομή των μετάλλων και ξεκάθαρα υποδεικνύουν υψηλή συσσώρευση αυτών στο βόρειο τμήμα του Κατάρ. Αυτό αποδίδεται σε ανθρωπογενείς δραστηριότητες και γεωλογικές κυρίως παραμέτρους. Στο βόρειο τμήμα του Κατάρ υπάγονται το μεγαλύτερο μέρος της βιομηχανίας και της γεωργίας της χώρας ενώ συγχρόνως η γεωλογία της συγκεκριμένης περιοχής επηρεάζει θετικά την απορρόφηση και τη συσσώρευση των μετάλλων αυτών στο έδαφος.
Επιπρόσθετα, οι χάρτες πρόβλεψης για τα μέταλλα ψευδάργυρο, μόλυβδο και χαλκό υποδεικνύουν υψηλή συσσώρευση στο ανατολικό κομμάτι του Κατάρ, όπου βρίσκεται η πόλη Ντόχα. Αυτό αποδίδεται στη ραγδαία αστικοποίηση που εμφάνισε η πόλη τα τελευταία χρόνια. Πιθανώς, οφείλεται στην κατάθεση σωματιδίων μετάλλων από τον υπέρογκο πληθυσμό μηχανοκίνητων οχημάτων της περιοχής.
Συμπεράσματα
 Η χρήση πολυφασματικών δεδομένων (εικόνες Landsat 8, τηλεπισκοπικοί δείκτες) σε συνδυασμό με περιβαλλοντικές παραμέτρους (γεωλογικής, εδαφολογικής, γεωμορφολογικής, ανθρωπογενής φύσεως) διαμέσου της μοντελοποίησης που προσφέρει το Cubist έδωσαν ιδιαίτερα ικανοποιητικά αποτελέσματα πρόβλεψης εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων.
 Τα τηλεπισκοπικά δεδομένα Ιανουαρίου και Φεβρουαρίου, ήταν αυτά που επιλέχθηκαν και χρησιμοποιήθηκαν περισσότερο από τα μοντέλα, εξαιτίας της εποχιακής μεταβλητότητας του κλίματος του Κατάρ.
 Το θέμα με τη νεφοκάλυψη στις τηλεπισκοπικές απεικονίσεις ήταν ο κυριότερος περιορισμός της έρευνας, καθώς οι τηλεπισκοπικές απεικονίσεις με έντονο το φαινόμενο της νεφοκάλυψης απορρίφθηκαν. Μεταξύ αυτών ήταν και η απεικόνιση του Κατάρ για το μήνα Μάρτιο που όπως ερευνήθηκε ήταν η μεταβλητή που θα συνέβαλε περισσότερο στη βαθμονόμηση των μοντέλων.
 Οι δείκτες που χρησιμοποιήθηκαν σε μεγαλύτερο ποσοστό από τα μοντέλα ήταν οι tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index.
 Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων χαλκός, ψευδάργυρος και μόλυβδος επηρεάζονταν κυρίως από ανθρωπογενείς παραμέτρους.
 Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων αρσενικό, χρώμιο και νικέλιο επηρεάζονταν κυρίως από γεωλογικούς και εδαφολογικούς παραμέτρους.
 Χρήση περισσότερων μεταβλητών/δεδομένων μπορεί να αυξήσει την ακρίβεια πρόβλεψης των μοντέλων.
 Η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.
 Για την εξακρίβωση της ποιότητας των αποτελεσμάτων απαιτούνται παρόμοιες έρευνες με τηλεπισκοπικά δεδομένα μεγαλύτερης ανάλυσης, ακρίβειας και χρονικής κάλυψης (π.χ. Sentinel 2).

[[category:Υποβάθμιση εδαφών]]

Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων

2019-01-22T23:38:22Z

Christos mamaloudis:

[[Εικόνα: wiki4_cm1.png|thumb|right|Εικόνα 1: Σημεία δειγματοληψίας της περιοχής μελέτης και περιοχές με πολύ υψηλές τιμές διαφορετικών τοξικών μετάλλων στα εδάφη του Κατάρ]]
[[Εικόνα: wiki4_cm2.png|thumb|right|Εικόνα 2: Βοηθητικοί ψηφιδωτοί (raster) χάρτες που χρησιμοποιήθηκαν ως μέσο πρόβλεψης για την κατανομή των υπό εξέταση μετάλλων στο έδαφος]]
[[Εικόνα: wiki4_cm3.png|thumb|right|Εικόνα 3: Περιβαλλοντικές μεταβλητές που χρησιμοποιήθηκαν]]
[[Εικόνα: wiki4_cm4.png|thumb|right|Εικόνα 4: Περιγραφή των καναλιών Landsat 8 αλλά και των φασματικών δεικτών που χρησιμοποιήθηκαν για τον προσδιορισμό των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm5.png|thumb|right|Εικόνα 5: Διαγράμματα των εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm6.png|thumb|right|Εικόνα 6: Συγκεντρώσεις των υπό εξέταση μετάλλων που χρησιμοποιήθηκαν (α) στη βαθμονόμηση – 75% και (β) στον έλεγχο του μοντέλου – 25%]]
[[Εικόνα: wiki4_cm7.png|thumb|right|Εικόνα 7: Παράδειγμα του κανόνα που χρησιμοποιήθηκε στο μοντέλο για τις προβλέψεις νικελίου]]
[[Εικόνα: wiki4_cm8.png|thumb|right|Εικόνα 8: Αποτελέσματα ελέγχου μοντελοποίησης για τα υπό εξέταση μέταλλα]]
[[Εικόνα: wiki4_cm9.png|thumb|right|Εικόνα 9: Τα 10 κορυφαία δεδομένα (παράγοντες πρόβλεψης) που χρησιμοποιήθηκαν από το Cubist για τη βαθμονόμηση των μοντέλων και η ποσοστιαία χρήση του καθενός ανά υπό εξέταση μέταλλο]]
[[Εικόνα: wiki4_cm10.png|thumb|right|Εικόνα 10: Χάρτες ανάλυσης 30 m εδαφικών (0-30 cm) συγκεντρώσεων για τα μέταλλα χρώμιο, αρσενικό, νικέλιο, ψευδάργυρος, μόλυβδος και χαλκός της περιοχής μελέτης (Κατάρ)]]

'''Πρότυπος τίτλος: ''Digital Mapping of Toxic Metals in Qatari Soils Using Remote Sensing and Ancillary Data'''''

'''Συγγραφείς: Yi Peng, Rania Bou Kheir, Kabindra Adhikari, Radosław Malinowski, Mette B. Greve, Maria Knadel and Mogens H. Greve'''

'''Link: https://www.mdpi.com/2072-4292/8/12/1003/htm'''

==Εισαγωγή==

Ανά τον κόσμο, διάφορες δραστηριότητες αλλά και φαινόμενα μαζικής βιομηχανοποίησης και αστικοποίησης αποτελούν πηγές ρύπανσης των εδαφών με τοξικά βαρέα μέταλλα. Σε αντίστοιχες βιομηχανικές και αστικές περιοχές, η ανθρώπινη έκθεση σε υψηλές ποσότητες τέτοιων τοξικών μετάλλων και κυρίως τα αρσενικό (As), χρώμιο (Cr), νικέλιο (Ni), χαλκός (Cu), μόλυβδος (Pb) και ψευδάργυρος (Zn), αποτελεί σημαντικό πρόβλημα καθώς μπορεί να προκαλέσει σοβαρές επιπτώσεις στην ανθρώπινη υγεία, ενώ συγχρόνως να προκαλέσει υποβάθμιση του φυσικού περιβάλλοντος.
Στο Κατάρ, όπου και πραγματοποιήθηκε η παρούσα έρευνα, το πρόβλημα είναι ιδιαίτερα έντονο, καθώς τα τελευταία χρόνια σημείωσε άνοδο πληθυσμού περίπου 200% και επιπλέον, έχοντας τις υψηλότερες κατά κεφαλήν εκπομπές διοξειδίου του άνθρακα στον κόσμο, το 2014 κηρύχθηκε από τον Παγκόσμιο Οργανισμό Υγείας ως η δεύτερη ατμοσφαιρικά πιο ρυπασμένη πόλη του κόσμου.
Μέχρι στιγμής, η πρόβλεψη και ο προσδιορισμός συσσώρευσης τοξικών μετάλλων στα εδάφη γινόταν χρησιμοποιώντας μια ποικιλία γεωστατιστικών μεθόδων σε συνδυασμό με διάφορα περιβαλλοντικά δεδομένα (που προκύπτουν από αναλύσεις) σε διάφορες κλίμακες. Το πρόβλημα που προκύπτει όμως από τη χρήση αυτών των μεθόδων είναι ότι είναι ιδιαίτερα περίπλοκες και χρονοβόρες, ειδικά αν λάβει κανείς υπόψη το χρόνο που απαιτείται για τις διάφορες εργαστηριακές αναλύσεις προκειμένου να ληφθούν τα διάφορα περιβαλλοντικά δεδομένα που απαιτούνται.
Σε αντίθεση με τις παραδοσιακές τεχνικές, για τη μοντελοποίηση του εδάφους αλλά και των περιβαλλοντικών ιδιοτήτων και διαδικασιών, πρόσφατες μελέτες άρχισαν να υιοθετούν τη χρήση διάφορων εργαλείων εξόρυξης δεδομένων όπως είναι το Cubist, το οποίο φέρει πολλά πλεονεκτήματα, ένα εκ των οποίων είναι ότι μπορεί να ποσοτικοποιεί γραμμικές αλλά και μη γραμμικές σχέσεις μεταξύ των μεταβλητών, ενώ επιπλέον, μπορεί και ποσοτικοποιεί τη σημασία των περιβαλλοντικών μεταβλητών που χρησιμοποιούνται στην πρόβλεψη τοξικών μετάλλων στο έδαφος.
Τα τελευταία δέκα χρόνια, με την ανάπτυξη της τηλεπισκόπησης, οι τεχνικές της για τη χαρτογράφηση τοξικών μετάλλων στο έδαφος άρχισαν να βρίσκουν εφαρμογή και μάλιστα ήδη θεωρούνται αρκετά αποτελεσματικές και ακριβείς για την ανίχνευση εδαφικής ρύπανσης από τοξικά μέταλλα, παρότι τα τοξικά μέταλλα στο έδαφος υφίστανται σε πολύ μικρές έως και μέτριες συγκεντρώσεις και μεμονωμένα ως μέταλλα δε διαθέτουν κάποια συγκεκριμένα φασματικά χαρακτηριστικά. Οι τεχνικές ψηφιακής τηλεπισκόπησης εκμεταλλεύονται το γεγονός πως τα τοξικά μέταλλα αλλάζουν τη χημική σύνθεση και την επιφανειακή δραστηριότητά των ορυκτών του εδάφους στα οποία μπορεί να είναι δεσμευμένα, με αποτέλεσμα να αλλάζουν την φασματική ανακλαστική πληροφορία τους. Η αξιοποίηση αυτού του ενδιάμεσου μηχανισμού επιτρέπει την εξαγωγή των σχέσεων μεταξύ φασματικών πληροφοριών και τοξικών μετάλλων στο έδαφος.

==Σκοπός της εργασίας==

Ο σκοπός της συγκεκριμένης έρευνας ήταν η χρήση (α) εικόνων χρονοσειράς από έναν δέκτη Landsat 8 (οι οποίες κάλυπταν εννέα μήνες κατά τη διάρκεια του έτους 2014), (β) επιλεγμένων φασματικών δεικτών (οι οποίοι παράχθηκαν χρησιμοποιώντας τις εικόνες χρονοσειράς Landsat 8) και (γ) περιβαλλοντικών μεταβλητών, για τη χαρτογράφηση της χωρικής κατανομής έξι επιλεγμένων τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος) στην περιοχή μελέτης που ήταν το Κατάρ. Απώτερος σκοπός της παρούσας έρευνας ήταν η διευκόλυνση της χαρτογράφησης της εδαφικής συσσώρευσης των παραπάνω μετάλλων αλλά και η παραδοχή ότι η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.

==Υλικά και μέθοδοι==

'''Περιοχή μελέτης'''

Η περιοχή μελέτης (Κατάρ), παρουσιάζεται στην Εικόνα 1.

'''Δειγματοληψία εδάφους'''

Συνολικά συλλέχθηκαν 300 δείγματα εδάφους σε βάθος 0-30 cm από πολλά σημεία, με στόχο να καλυφθούν όλα τα περιβαλλοντικά και ανθρωπογενή ενδιαιτήματα του Κατάρ. Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System) με ακρίβεια 5 m. Τα σημεία δειγματοληψίας παρουσιάζονται στην Εικόνα 1.

'''Προκατεργασία δειγμάτων'''

Πριν την οποιαδήποτε ανάλυση προηγήθηκε προκατεργασία των δειγμάτων η οποία περιλάμβανε αεροξήρανση των δειγμάτων για διάρκεια τριών ημερών σε θερμοκρασία δωματίου και έπειτα κοσκίνισμα 2 mm.

'''Χημική ανάλυση'''

Για τη χημική ανάλυση των δειγμάτων ως προς τον προσδιορισμό των συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος), χρησιμοποιήθηκαν 0.5 g εδάφους από το κάθε δείγμα για πέψη με μίγμα HNO3 – HClO4 στους 200 οC για τρεις ώρες και στη συνέχεια με επιπλέον προσθήκη HNO3 για μια ώρα στους 70 οC. Έπειτα το κάθε δείγμα υπέστη φυγοκέντριση στις 3500 rpm για 10 λεπτά. Οι συγκεντρώσεις των τοξικών μετάλλων μετρήθηκαν με τη χρήση φασματοφωτομετρίας ατομικής εκπομπής πλάσματος με επαγωγική συσχέτιση (Inductively-Coupled Plasma-Atomic Emission Spectrometry, ICP-AES).

'''Περιβαλλοντικοί παράμετροι'''

Για τον προσδιορισμό της κατανομής των υπό εξέταση τοξικών μετάλλων στο έδαφος χρησιμοποιήθηκαν διάφοροι περιβαλλοντικοί παράμετροι, μεταξύ των οποίων γεωλογικά και εδαφολογικά δεδομένα (π.χ. τύπος εδάφους κ.α.), γεωμορφολογικά δεδομένα (π.χ. υψόμετρο, κλίση, προσανατολισμός κ.α.) και ανθρωπογενή δεδομένα (π.χ. εγγύτητα στους δρόμους, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.) (βλ. Εικόνα 2 και Εικόνα 3). Η ψηφιοποίηση των περιβαλλοντικών παραμέτρων σε επίπεδα (layers), πραγματοποιήθηκε με τη χρήση δευτερογενών βοηθητικών δεδομένων όπως το DEM (Digital Elevation Model – ψηφιακό μοντέλο εδάφους), το οποίο δημιουργήθηκε με επεξεργασία μέσω της τεχνολογίας LiDAR (Light Detection and Ranging).

'''Εικόνες ψηφιακής τηλεπισκόπησης και φασματικοί δείκτες'''

Στην παρούσα μελέτη χρησιμοποιήθηκαν ατμοσφαιρικά διορθωμένες δορυφορικές εικόνες του δέκτη LDCM (Landsat Data Continuity Mission) του δορυφόρου Landsat 8 οι οποίες σκοπό είχαν να δημιουργήσουν μια χρονοσειρά ενός έτους, αλλά εξαιτίας ορισμένων θεμάτων που σχετίζονταν με νεφοκάλυψη χρησιμοποιήθηκαν μόνο εννέα από αυτές (Ιανουαρίου, Φεβρουαρίου, Απριλίου, Μαΐου, Ιουνίου, Ιουλίου, Αυγούστου, Σεπτεμβρίου και Οκτωβρίου) για το έτος 2015.
Επιπλέον, για τη βελτιστοποίηση της δυνατότητας πρόβλεψης των τοξικών μετάλλων στα υπό εξέταση εδάφη υπολογίστηκαν οι εξής φασματικοί δείκτες:
* Tasseled cap transformation
* * Brightness – ταξινόμηση αστικών περιοχών
 Greenness – επίπεδα βλάστησης
 Wetness – επίπεδα υγρασίας στο έδαφος
• BCI – Biophysical Composition Index – αφθονία βλάστησης
• EVI – Enhanced Vegetation Index
• LSWI – Land Surface Water Index
• NDVI – Normalized Difference Vegetation Index
• SATVI – Soil-Adjusted Total Vegetation Index
• SAVI – Soil-Adjusted Vegetation Index
• TVI – Transformed Vegetation Index
• WDVI – Weighted Difference Vegetation Index
Οι εξισώσεις με βάση τις οποίες πραγματοποιήθηκε ο υπολογισμός των παραπάνω δεικτών παρουσιάζονται στην Εικόνα 4.

Χωρική μοντελοποίηση
Από το σύνολο των δεδομένων που συλλέχθηκαν πραγματοποιήθηκε τυχαία κατανομή και ένα 75 % χρησιμοποιήθηκε για τη βαθμονόμηση και το υπόλοιπο 25 % για τον έλεγχο του μοντέλου (βλ. Εικόνα 6). Εν τέλει, χρησιμοποιώντας το εργαλείο Cubist που προαναφέρθηκε και στην Εισαγωγή, αναπτύχθηκε ένα μοντέλο πρόβλεψης για κάθε υπό εξέταση τοξικό μέταλλο.
Για τη βαθμονόμηση, το εργαλείο Cubist δημιούργησε πλήθος γραμμικών εξισώσεων για κάθε υπό εξέταση μέταλλο βασισμένο σε διαφορετικούς κανόνες. Οι συνθήκες του αρχικού κανόνα κάθε φορά βασίστηκαν σε συνδυασμό κάποιων εκ των δεδομένων. Για παράδειγμα στο χρώμιο και στο νικέλιο το 60 % των εκτελέσεων του μοντέλου επέλεξε σαν συνθήκες του αρχικού κανόνα τα δεδομένα: τύπος εδάφους και γεωλογικός χάρτης. Παράδειγμα κανόνα για το νικέλιο παρουσιάζεται στην Εικόνα 7.
Τα μοντέλα πρόβλεψης/προσομοίωσης/προσδιορισμού εκτιμήθηκαν με βάση της εξής παραμέτρους: R2 (coefficient of determination), RMSE (root mean square error), RPD (ratio of performance to deviation) και RPIQ (ratio of performance to interquartile distance).

Αποτελέσματα και συζήτηση
Αποτελέσματα αναλύσεων
Με βάση τα αποτελέσματα των χημικών αναλύσεων παράχθηκαν τα αντίστοιχα διαγράμματα (histogram, box-plot) για το κάθε υπό εξέταση μέταλλο. Τα διαγράμματα (βλ. Εικόνα 5) έδειξαν πως η κατανομή των μετάλλων είχε θετική καμπυλότητα σε όλες τις περιπτώσεις, ενώ συγχρόνως παρατηρήθηκε ένα ευρύ φάσμα μεταβλητότητας σε όλα τα τοξικά μέταλλα και κυρίως στα ψευδάργυρο, χρώμιο και νικέλιο.
Η προαναφερθείσα μεταβλητότητα της περιεκτικότητας των υπό εξέταση εδαφών σε τοξικά μέταλλα αποδίδεται στη διαφορετική ένταση ανά περιοχή των φαινομένων της γεωργίας, της αστικοποίησης και της βιομηχανοποίησης και επηρεάζει τη σχέση μεταξύ περιβαλλοντικών παραμέτρων και ρύπανσης.
Επιπλέον, ορισμένα εδαφικά δείγματα συγκεκριμένων περιοχών που αναλύθηκαν έδωσαν ιδιαίτερα υψηλές συγκεντρώσεις για διάφορα μέταλλα (βλ. Εικόνα 1), πράγμα που αποδόθηκε στο γεγονός ότι μάλλον οι συγκεκριμένες περιοχές αποτελούν κέντρα ρύπανσης και είναι πολύ επιβαρυμένες (hotspots) με τοξικά μέταλλα σε σχέση με τις υπόλοιπες περιοχές μελέτης. Εν τέλει, οι τιμές αυτές απορρίφθηκαν και δε χρησιμοποιήθηκαν στη χωρική μοντελοποίηση καθώς θα επηρέαζαν αρνητικά την ικανότητα πρόβλεψης/προσδιορισμού του μοντέλου. Έτσι μετά από την απόρριψη των τιμών αυτών, χρησιμοποιήθηκαν τελικά για τη μοντελοποίηση (βαθμονόμηση και έλεγχος) 299 δείγματα για το ψευδάργυρο και το μόλυβδο, 298 δείγματα για το χαλκό, 297 δείγματα για το χρώμιο και το νικέλιο και 300 δείγματα για το αρσενικό (βλ. Εικόνα 6).
Χωρική μοντελοποίηση
Τα αποτελέσματα της χωρικής πρόβλεψης των υπό εξέταση τοξικών μετάλλων παρουσιάζονται στην Εικόνα 8. Σε γενικές γραμμές, όλα τα μοντέλα βαθμονόμησης έδωσαν καλά αποτελέσματα όσον αφορά τις ικανότητες πρόβλεψης/προσδιορισμού των υπό εξέταση μετάλλων. Ο χαλκός είχε τις υψηλότερες τιμές R2 και RPD, ακολουθούμενος από το αρσενικό, το μόλυβδο, το χρώμιο, τον ψευδάργυρο και το νικέλιο. Παρόλ’ αυτά, εξαιτίας κάποιων παραγόντων οι τιμές RPIQ απέδωσαν μεγαλύτερη ακρίβεια προσδιορισμού σε σχέση με τις τιμές RPD.
Σημασία μεταβλητότητας των παραγόμενων μοντέλων Cubist για την πρόβλεψη των υπό εξέταση μετάλλων
Οι εκτελέσεις των μοντέλων μέσω του εργαλείου Cubist δε χρησιμοποίησαν όλες τις μεταβλητές για τη βαθμονόμηση. Όπως φαίνεται και στην Εικόνα 9, η οποία πρακτικά δείχνει τη χρήση της κάθε μεταβλητής/δεδομένου για κάθε υπό εξέταση μέταλλο, το σύνολο των εκτελέσεων των μοντέλων για όλα τα μέταλλα χρησιμοποίησε τηλεπισκοπικά δεδομένα (κανάλια, δείκτες κ.α.) μόνο για τους μήνες Ιανουάριο και Φεβρουάριο, σε συνδυασμό με διάφορα άλλα δεδομένα όπως κλίση, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α. Επιπλέον, με εξαίρεση τα τηλεπισκοπικά δεδομένα, οι αμέσως επόμενες πιο σημαντικές μεταβλητές (υψηλά ποσοστά), όπως επιλέχθηκαν από τα μοντέλα ήταν η δορυφορική εικόνα νυχτερινού φωτισμού της περιοχής και η εγγύτητα στους δρόμους.
Με βάση την Εικόνα 9:
• Τα μέταλλα χρώμιο και νικέλιο επηρεάζονταν ιδιαίτερα από γεωλογικούς και εδαφολογικούς παράγοντες
• Τα μέταλλα ψευδάργυρος, μόλυβδος και χαλκός επηρεάζονταν ιδιαίτερα από τοπολογικούς-ανθρωπογενείς παραμέτρους, όπως η εγγύτητα στους δρόμους, η απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.
Από τα παραπάνω προκύπτει πως οι συγκεντρώσεις των μετάλλων χρώμιο και νικέλιο επηρεάζονται κυρίως από περιβαλλοντικούς παράγοντες ενώ οι συγκεντρώσεις των μετάλλων ψευδάργυρος, μόλυβδος και χαλκός κυρίως από ανθρώπινες δραστηριότητες.

Φασματικοί/τηλεσκοπικοί δείκτες
Από τους τηλεπισκοπικούς δείκτες που υπολογίσθηκαν, αυτοί που χρησιμοποιήθηκαν περισσότερο ήταν ο tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index (η δημιουργία του οποίου βασίζεται στον πρώτο). Συγκεκριμένα, ο tasseled cap transformation ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα αρσενικό, ψευδάργυρο, μόλυβδο και χαλκό, ενώ ο BCI ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα χρώμιο, νικέλιο, ψευδάργυρο και μόλυβδο. Αυτό φαίνεται να οφείλεται στο γεγονός ότι αυτοί οι δύο δείκτες είναι οι μόνοι οι οποίοι μπορούν να προσδώσουν πληροφορίες τόσο για την ταξινόμηση των αστικών περιοχών (οι οποίες θεωρούνται αδιαπέραστες επιφάνειες) όσο και για τα επίπεδα και την αφθονία βλάστησης αλλά και τα επίπεδα υγρασίας των εδαφών στην υπό μελέτη περιοχή.
Από την άλλη οι δείκτες NDVI, EVI, SAVI ήταν στις δέκα κορυφαίες μεταβλητές μόνο για το μοντέλο του αρσενικού, πράγμα το οποίο αποδίδεται στο γεγονός ότι οι κύριες πηγές εδαφικής ρύπανσης με αρσενικό είναι τα γεωργικά φάρμακα και τα λιπάσματα που χρησιμοποιούνται στη γεωργία. Συγκεκριμένα, ανεξέλεγκτη χρήση γεωργικών φαρμάκων και λιπασμάτων παράγουν πιο «πράσινη» βιομάζα ενώ συγχρόνως αυξάνουν τις συγκεντρώσεις αρσενικού στα εδάφη. Πράγματι, ο συντελεστής συσχέτισης Pearson μεταξύ αρσενικού και των τριών δεικτών ήταν πάνω από 0.3, πράγμα που υποδεικνύει θετική σχέση μεταξύ της εδαφικής ρύπανσης με αρσενικό και του επιπέδου πράσινης βιομάζας στις αγροτικές περιοχές του Κατάρ.
Προβλεπόμενοι χάρτες των υπό εξέταση μετάλλων
Οι τελικοί χάρτες που προέκυψαν από τις εκτελέσεις των μοντέλων για τα υπό εξέταση μέταλλα παρουσιάζονται στην Εικόνα 10. Όλοι οι χάρτες εμφάνισαν παρόμοια χωρική κατανομή των μετάλλων και ξεκάθαρα υποδεικνύουν υψηλή συσσώρευση αυτών στο βόρειο τμήμα του Κατάρ. Αυτό αποδίδεται σε ανθρωπογενείς δραστηριότητες και γεωλογικές κυρίως παραμέτρους. Στο βόρειο τμήμα του Κατάρ υπάγονται το μεγαλύτερο μέρος της βιομηχανίας και της γεωργίας της χώρας ενώ συγχρόνως η γεωλογία της συγκεκριμένης περιοχής επηρεάζει θετικά την απορρόφηση και τη συσσώρευση των μετάλλων αυτών στο έδαφος.
Επιπρόσθετα, οι χάρτες πρόβλεψης για τα μέταλλα ψευδάργυρο, μόλυβδο και χαλκό υποδεικνύουν υψηλή συσσώρευση στο ανατολικό κομμάτι του Κατάρ, όπου βρίσκεται η πόλη Ντόχα. Αυτό αποδίδεται στη ραγδαία αστικοποίηση που εμφάνισε η πόλη τα τελευταία χρόνια. Πιθανώς, οφείλεται στην κατάθεση σωματιδίων μετάλλων από τον υπέρογκο πληθυσμό μηχανοκίνητων οχημάτων της περιοχής.
Συμπεράσματα
 Η χρήση πολυφασματικών δεδομένων (εικόνες Landsat 8, τηλεπισκοπικοί δείκτες) σε συνδυασμό με περιβαλλοντικές παραμέτρους (γεωλογικής, εδαφολογικής, γεωμορφολογικής, ανθρωπογενής φύσεως) διαμέσου της μοντελοποίησης που προσφέρει το Cubist έδωσαν ιδιαίτερα ικανοποιητικά αποτελέσματα πρόβλεψης εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων.
 Τα τηλεπισκοπικά δεδομένα Ιανουαρίου και Φεβρουαρίου, ήταν αυτά που επιλέχθηκαν και χρησιμοποιήθηκαν περισσότερο από τα μοντέλα, εξαιτίας της εποχιακής μεταβλητότητας του κλίματος του Κατάρ.
 Το θέμα με τη νεφοκάλυψη στις τηλεπισκοπικές απεικονίσεις ήταν ο κυριότερος περιορισμός της έρευνας, καθώς οι τηλεπισκοπικές απεικονίσεις με έντονο το φαινόμενο της νεφοκάλυψης απορρίφθηκαν. Μεταξύ αυτών ήταν και η απεικόνιση του Κατάρ για το μήνα Μάρτιο που όπως ερευνήθηκε ήταν η μεταβλητή που θα συνέβαλε περισσότερο στη βαθμονόμηση των μοντέλων.
 Οι δείκτες που χρησιμοποιήθηκαν σε μεγαλύτερο ποσοστό από τα μοντέλα ήταν οι tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index.
 Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων χαλκός, ψευδάργυρος και μόλυβδος επηρεάζονταν κυρίως από ανθρωπογενείς παραμέτρους.
 Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων αρσενικό, χρώμιο και νικέλιο επηρεάζονταν κυρίως από γεωλογικούς και εδαφολογικούς παραμέτρους.
 Χρήση περισσότερων μεταβλητών/δεδομένων μπορεί να αυξήσει την ακρίβεια πρόβλεψης των μοντέλων.
 Η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.
 Για την εξακρίβωση της ποιότητας των αποτελεσμάτων απαιτούνται παρόμοιες έρευνες με τηλεπισκοπικά δεδομένα μεγαλύτερης ανάλυσης, ακρίβειας και χρονικής κάλυψης (π.χ. Sentinel 2).

[[category:Υποβάθμιση εδαφών]]

Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων

2019-01-22T23:35:14Z

Christos mamaloudis:

[[Εικόνα: wiki4_cm1.png|thumb|right|Εικόνα 1: Σημεία δειγματοληψίας της περιοχής μελέτης και περιοχές με πολύ υψηλές τιμές διαφορετικών τοξικών μετάλλων στα εδάφη του Κατάρ]]
[[Εικόνα: wiki4_cm2.png|thumb|right|Εικόνα 2: Βοηθητικοί ψηφιδωτοί (raster) χάρτες που χρησιμοποιήθηκαν ως μέσο πρόβλεψης για την κατανομή των υπό εξέταση μετάλλων στο έδαφος]]
[[Εικόνα: wiki4_cm3.png|thumb|right|Εικόνα 3: Περιβαλλοντικές μεταβλητές που χρησιμοποιήθηκαν]]
[[Εικόνα: wiki4_cm4.png|thumb|right|Εικόνα 4: Περιγραφή των καναλιών Landsat 8 αλλά και των φασματικών δεικτών που χρησιμοποιήθηκαν για τον προσδιορισμό των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm5.png|thumb|right|Εικόνα 5: Διαγράμματα των εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων]]
[[Εικόνα: wiki4_cm6.png|thumb|right|Εικόνα 6: Συγκεντρώσεις των υπό εξέταση μετάλλων που χρησιμοποιήθηκαν (α) στη βαθμονόμηση – 75% και (β) στον έλεγχο του μοντέλου – 25%]]
[[Εικόνα: wiki4_cm7.png|thumb|right|Εικόνα 7: Παράδειγμα του κανόνα που χρησιμοποιήθηκε στο μοντέλο για τις προβλέψεις νικελίου]]
[[Εικόνα: wiki4_cm8.png|thumb|right|Εικόνα 8: Αποτελέσματα ελέγχου μοντελοποίησης για τα υπό εξέταση μέταλλα]]
[[Εικόνα: wiki4_cm9.png|thumb|right|Εικόνα 9: Τα 10 κορυφαία δεδομένα (παράγοντες πρόβλεψης) που χρησιμοποιήθηκαν από το Cubist για τη βαθμονόμηση των μοντέλων και η ποσοστιαία χρήση του καθενός ανά υπό εξέταση μέταλλο]]
[[Εικόνα: wiki4_cm10.png|thumb|right|Εικόνα 10: Χάρτες ανάλυσης 30 m εδαφικών (0-30 cm) συγκεντρώσεων για τα μέταλλα χρώμιο, αρσενικό, νικέλιο, ψευδάργυρος, μόλυβδος και χαλκός της περιοχής μελέτης (Κατάρ)]]

'''Πρότυπος τίτλος: ''Digital Mapping of Toxic Metals in Qatari Soils Using Remote Sensing and Ancillary Data'''''

'''Συγγραφείς: Yi Peng, Rania Bou Kheir, Kabindra Adhikari, Radosław Malinowski, Mette B. Greve, Maria Knadel and Mogens H. Greve'''

'''Link: https://www.mdpi.com/2072-4292/8/12/1003/htm'''

Εισαγωγή
Ανά τον κόσμο, διάφορες δραστηριότητες αλλά και φαινόμενα μαζικής βιομηχανοποίησης και αστικοποίησης αποτελούν πηγές ρύπανσης των εδαφών με τοξικά βαρέα μέταλλα. Σε αντίστοιχες βιομηχανικές και αστικές περιοχές, η ανθρώπινη έκθεση σε υψηλές ποσότητες τέτοιων τοξικών μετάλλων και κυρίως τα αρσενικό (As), χρώμιο (Cr), νικέλιο (Ni), χαλκός (Cu), μόλυβδος (Pb) και ψευδάργυρος (Zn), αποτελεί σημαντικό πρόβλημα καθώς μπορεί να προκαλέσει σοβαρές επιπτώσεις στην ανθρώπινη υγεία, ενώ συγχρόνως να προκαλέσει υποβάθμιση του φυσικού περιβάλλοντος.
Στο Κατάρ, όπου και πραγματοποιήθηκε η παρούσα έρευνα, το πρόβλημα είναι ιδιαίτερα έντονο, καθώς τα τελευταία χρόνια σημείωσε άνοδο πληθυσμού περίπου 200% και επιπλέον, έχοντας τις υψηλότερες κατά κεφαλήν εκπομπές διοξειδίου του άνθρακα στον κόσμο, το 2014 κηρύχθηκε από τον Παγκόσμιο Οργανισμό Υγείας ως η δεύτερη ατμοσφαιρικά πιο ρυπασμένη πόλη του κόσμου.
Μέχρι στιγμής, η πρόβλεψη και ο προσδιορισμός συσσώρευσης τοξικών μετάλλων στα εδάφη γινόταν χρησιμοποιώντας μια ποικιλία γεωστατιστικών μεθόδων σε συνδυασμό με διάφορα περιβαλλοντικά δεδομένα (που προκύπτουν από αναλύσεις) σε διάφορες κλίμακες. Το πρόβλημα που προκύπτει όμως από τη χρήση αυτών των μεθόδων είναι ότι είναι ιδιαίτερα περίπλοκες και χρονοβόρες, ειδικά αν λάβει κανείς υπόψη το χρόνο που απαιτείται για τις διάφορες εργαστηριακές αναλύσεις προκειμένου να ληφθούν τα διάφορα περιβαλλοντικά δεδομένα που απαιτούνται.
Σε αντίθεση με τις παραδοσιακές τεχνικές, για τη μοντελοποίηση του εδάφους αλλά και των περιβαλλοντικών ιδιοτήτων και διαδικασιών, πρόσφατες μελέτες άρχισαν να υιοθετούν τη χρήση διάφορων εργαλείων εξόρυξης δεδομένων όπως είναι το Cubist, το οποίο φέρει πολλά πλεονεκτήματα, ένα εκ των οποίων είναι ότι μπορεί να ποσοτικοποιεί γραμμικές αλλά και μη γραμμικές σχέσεις μεταξύ των μεταβλητών, ενώ επιπλέον, μπορεί και ποσοτικοποιεί τη σημασία των περιβαλλοντικών μεταβλητών που χρησιμοποιούνται στην πρόβλεψη τοξικών μετάλλων στο έδαφος.
Τα τελευταία δέκα χρόνια, με την ανάπτυξη της τηλεπισκόπησης, οι τεχνικές της για τη χαρτογράφηση τοξικών μετάλλων στο έδαφος άρχισαν να βρίσκουν εφαρμογή και μάλιστα ήδη θεωρούνται αρκετά αποτελεσματικές και ακριβείς για την ανίχνευση εδαφικής ρύπανσης από τοξικά μέταλλα, παρότι τα τοξικά μέταλλα στο έδαφος υφίστανται σε πολύ μικρές έως και μέτριες συγκεντρώσεις και μεμονωμένα ως μέταλλα δε διαθέτουν κάποια συγκεκριμένα φασματικά χαρακτηριστικά. Οι τεχνικές ψηφιακής τηλεπισκόπησης εκμεταλλεύονται το γεγονός πως τα τοξικά μέταλλα αλλάζουν τη χημική σύνθεση και την επιφανειακή δραστηριότητά των ορυκτών του εδάφους στα οποία μπορεί να είναι δεσμευμένα, με αποτέλεσμα να αλλάζουν την φασματική ανακλαστική πληροφορία τους. Η αξιοποίηση αυτού του ενδιάμεσου μηχανισμού επιτρέπει την εξαγωγή των σχέσεων μεταξύ φασματικών πληροφοριών και τοξικών μετάλλων στο έδαφος.

Σκοπός της εργασίας
Ο σκοπός της συγκεκριμένης έρευνας ήταν η χρήση (α) εικόνων χρονοσειράς από έναν δέκτη Landsat 8 (οι οποίες κάλυπταν εννέα μήνες κατά τη διάρκεια του έτους 2014), (β) επιλεγμένων φασματικών δεικτών (οι οποίοι παράχθηκαν χρησιμοποιώντας τις εικόνες χρονοσειράς Landsat 8) και (γ) περιβαλλοντικών μεταβλητών, για τη χαρτογράφηση της χωρικής κατανομής έξι επιλεγμένων τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος) στην περιοχή μελέτης που ήταν το Κατάρ. Απώτερος σκοπός της παρούσας έρευνας ήταν η διευκόλυνση της χαρτογράφησης της εδαφικής συσσώρευσης των παραπάνω μετάλλων αλλά και η παραδοχή ότι η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.
Υλικά και μέθοδοι
Περιοχή μελέτης
Η περιοχή μελέτης (Κατάρ), παρουσιάζεται στην Εικόνα 1.
Δειγματοληψία εδάφους
Συνολικά συλλέχθηκαν 300 δείγματα εδάφους σε βάθος 0-30 cm από πολλά σημεία, με στόχο να καλυφθούν όλα τα περιβαλλοντικά και ανθρωπογενή ενδιαιτήματα του Κατάρ. Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System) με ακρίβεια 5 m. Τα σημεία δειγματοληψίας παρουσιάζονται στην Εικόνα 1.
Προκατεργασία δειγμάτων
Πριν την οποιαδήποτε ανάλυση προηγήθηκε προκατεργασία των δειγμάτων η οποία περιλάμβανε αεροξήρανση των δειγμάτων για διάρκεια τριών ημερών σε θερμοκρασία δωματίου και έπειτα κοσκίνισμα 2 mm.
Χημική ανάλυση
Για τη χημική ανάλυση των δειγμάτων ως προς τον προσδιορισμό των συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων (αρσενικό, χρώμιο, νικέλιο, μόλυβδος, χαλκός και ψευδάργυρος), χρησιμοποιήθηκαν 0.5 g εδάφους από το κάθε δείγμα για πέψη με μίγμα HNO3 – HClO4 στους 200 οC για τρεις ώρες και στη συνέχεια με επιπλέον προσθήκη HNO3 για μια ώρα στους 70 οC. Έπειτα το κάθε δείγμα υπέστη φυγοκέντριση στις 3500 rpm για 10 λεπτά. Οι συγκεντρώσεις των τοξικών μετάλλων μετρήθηκαν με τη χρήση φασματοφωτομετρίας ατομικής εκπομπής πλάσματος με επαγωγική συσχέτιση (Inductively-Coupled Plasma-Atomic Emission Spectrometry, ICP-AES).
Περιβαλλοντικοί παράμετροι
Για τον προσδιορισμό της κατανομής των υπό εξέταση τοξικών μετάλλων στο έδαφος χρησιμοποιήθηκαν διάφοροι περιβαλλοντικοί παράμετροι, μεταξύ των οποίων γεωλογικά και εδαφολογικά δεδομένα (π.χ. τύπος εδάφους κ.α.), γεωμορφολογικά δεδομένα (π.χ. υψόμετρο, κλίση, προσανατολισμός κ.α.) και ανθρωπογενή δεδομένα (π.χ. εγγύτητα στους δρόμους, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.) (βλ. Εικόνα 2 και Εικόνα 3). Η ψηφιοποίηση των περιβαλλοντικών παραμέτρων σε επίπεδα (layers), πραγματοποιήθηκε με τη χρήση δευτερογενών βοηθητικών δεδομένων όπως το DEM (Digital Elevation Model – ψηφιακό μοντέλο εδάφους), το οποίο δημιουργήθηκε με επεξεργασία μέσω της τεχνολογίας LiDAR (Light Detection and Ranging).
Εικόνες ψηφιακής τηλεπισκόπησης και φασματικοί δείκτες.
Στην παρούσα μελέτη χρησιμοποιήθηκαν ατμοσφαιρικά διορθωμένες δορυφορικές εικόνες του δέκτη LDCM (Landsat Data Continuity Mission) του δορυφόρου Landsat 8 οι οποίες σκοπό είχαν να δημιουργήσουν μια χρονοσειρά ενός έτους, αλλά εξαιτίας ορισμένων θεμάτων που σχετίζονταν με νεφοκάλυψη χρησιμοποιήθηκαν μόνο εννέα από αυτές (Ιανουαρίου, Φεβρουαρίου, Απριλίου, Μαΐου, Ιουνίου, Ιουλίου, Αυγούστου, Σεπτεμβρίου και Οκτωβρίου) για το έτος 2015.
Επιπλέον, για τη βελτιστοποίηση της δυνατότητας πρόβλεψης των τοξικών μετάλλων στα υπό εξέταση εδάφη υπολογίστηκαν οι εξής φασματικοί δείκτες:
• Tasseled cap transformation
 Brightness – ταξινόμηση αστικών περιοχών
 Greenness – επίπεδα βλάστησης
 Wetness – επίπεδα υγρασίας στο έδαφος
• BCI – Biophysical Composition Index – αφθονία βλάστησης
• EVI – Enhanced Vegetation Index
• LSWI – Land Surface Water Index
• NDVI – Normalized Difference Vegetation Index
• SATVI – Soil-Adjusted Total Vegetation Index
• SAVI – Soil-Adjusted Vegetation Index
• TVI – Transformed Vegetation Index
• WDVI – Weighted Difference Vegetation Index
Οι εξισώσεις με βάση τις οποίες πραγματοποιήθηκε ο υπολογισμός των παραπάνω δεικτών παρουσιάζονται στην Εικόνα 4.

Χωρική μοντελοποίηση
Από το σύνολο των δεδομένων που συλλέχθηκαν πραγματοποιήθηκε τυχαία κατανομή και ένα 75 % χρησιμοποιήθηκε για τη βαθμονόμηση και το υπόλοιπο 25 % για τον έλεγχο του μοντέλου (βλ. Εικόνα 6). Εν τέλει, χρησιμοποιώντας το εργαλείο Cubist που προαναφέρθηκε και στην Εισαγωγή, αναπτύχθηκε ένα μοντέλο πρόβλεψης για κάθε υπό εξέταση τοξικό μέταλλο.
Για τη βαθμονόμηση, το εργαλείο Cubist δημιούργησε πλήθος γραμμικών εξισώσεων για κάθε υπό εξέταση μέταλλο βασισμένο σε διαφορετικούς κανόνες. Οι συνθήκες του αρχικού κανόνα κάθε φορά βασίστηκαν σε συνδυασμό κάποιων εκ των δεδομένων. Για παράδειγμα στο χρώμιο και στο νικέλιο το 60 % των εκτελέσεων του μοντέλου επέλεξε σαν συνθήκες του αρχικού κανόνα τα δεδομένα: τύπος εδάφους και γεωλογικός χάρτης. Παράδειγμα κανόνα για το νικέλιο παρουσιάζεται στην Εικόνα 7.
Τα μοντέλα πρόβλεψης/προσομοίωσης/προσδιορισμού εκτιμήθηκαν με βάση της εξής παραμέτρους: R2 (coefficient of determination), RMSE (root mean square error), RPD (ratio of performance to deviation) και RPIQ (ratio of performance to interquartile distance).

Αποτελέσματα και συζήτηση
Αποτελέσματα αναλύσεων
Με βάση τα αποτελέσματα των χημικών αναλύσεων παράχθηκαν τα αντίστοιχα διαγράμματα (histogram, box-plot) για το κάθε υπό εξέταση μέταλλο. Τα διαγράμματα (βλ. Εικόνα 5) έδειξαν πως η κατανομή των μετάλλων είχε θετική καμπυλότητα σε όλες τις περιπτώσεις, ενώ συγχρόνως παρατηρήθηκε ένα ευρύ φάσμα μεταβλητότητας σε όλα τα τοξικά μέταλλα και κυρίως στα ψευδάργυρο, χρώμιο και νικέλιο.
Η προαναφερθείσα μεταβλητότητα της περιεκτικότητας των υπό εξέταση εδαφών σε τοξικά μέταλλα αποδίδεται στη διαφορετική ένταση ανά περιοχή των φαινομένων της γεωργίας, της αστικοποίησης και της βιομηχανοποίησης και επηρεάζει τη σχέση μεταξύ περιβαλλοντικών παραμέτρων και ρύπανσης.
Επιπλέον, ορισμένα εδαφικά δείγματα συγκεκριμένων περιοχών που αναλύθηκαν έδωσαν ιδιαίτερα υψηλές συγκεντρώσεις για διάφορα μέταλλα (βλ. Εικόνα 1), πράγμα που αποδόθηκε στο γεγονός ότι μάλλον οι συγκεκριμένες περιοχές αποτελούν κέντρα ρύπανσης και είναι πολύ επιβαρυμένες (hotspots) με τοξικά μέταλλα σε σχέση με τις υπόλοιπες περιοχές μελέτης. Εν τέλει, οι τιμές αυτές απορρίφθηκαν και δε χρησιμοποιήθηκαν στη χωρική μοντελοποίηση καθώς θα επηρέαζαν αρνητικά την ικανότητα πρόβλεψης/προσδιορισμού του μοντέλου. Έτσι μετά από την απόρριψη των τιμών αυτών, χρησιμοποιήθηκαν τελικά για τη μοντελοποίηση (βαθμονόμηση και έλεγχος) 299 δείγματα για το ψευδάργυρο και το μόλυβδο, 298 δείγματα για το χαλκό, 297 δείγματα για το χρώμιο και το νικέλιο και 300 δείγματα για το αρσενικό (βλ. Εικόνα 6).
Χωρική μοντελοποίηση
Τα αποτελέσματα της χωρικής πρόβλεψης των υπό εξέταση τοξικών μετάλλων παρουσιάζονται στην Εικόνα 8. Σε γενικές γραμμές, όλα τα μοντέλα βαθμονόμησης έδωσαν καλά αποτελέσματα όσον αφορά τις ικανότητες πρόβλεψης/προσδιορισμού των υπό εξέταση μετάλλων. Ο χαλκός είχε τις υψηλότερες τιμές R2 και RPD, ακολουθούμενος από το αρσενικό, το μόλυβδο, το χρώμιο, τον ψευδάργυρο και το νικέλιο. Παρόλ’ αυτά, εξαιτίας κάποιων παραγόντων οι τιμές RPIQ απέδωσαν μεγαλύτερη ακρίβεια προσδιορισμού σε σχέση με τις τιμές RPD.
Σημασία μεταβλητότητας των παραγόμενων μοντέλων Cubist για την πρόβλεψη των υπό εξέταση μετάλλων
Οι εκτελέσεις των μοντέλων μέσω του εργαλείου Cubist δε χρησιμοποίησαν όλες τις μεταβλητές για τη βαθμονόμηση. Όπως φαίνεται και στην Εικόνα 9, η οποία πρακτικά δείχνει τη χρήση της κάθε μεταβλητής/δεδομένου για κάθε υπό εξέταση μέταλλο, το σύνολο των εκτελέσεων των μοντέλων για όλα τα μέταλλα χρησιμοποίησε τηλεπισκοπικά δεδομένα (κανάλια, δείκτες κ.α.) μόνο για τους μήνες Ιανουάριο και Φεβρουάριο, σε συνδυασμό με διάφορα άλλα δεδομένα όπως κλίση, απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α. Επιπλέον, με εξαίρεση τα τηλεπισκοπικά δεδομένα, οι αμέσως επόμενες πιο σημαντικές μεταβλητές (υψηλά ποσοστά), όπως επιλέχθηκαν από τα μοντέλα ήταν η δορυφορική εικόνα νυχτερινού φωτισμού της περιοχής και η εγγύτητα στους δρόμους.
Με βάση την Εικόνα 9:
• Τα μέταλλα χρώμιο και νικέλιο επηρεάζονταν ιδιαίτερα από γεωλογικούς και εδαφολογικούς παράγοντες
• Τα μέταλλα ψευδάργυρος, μόλυβδος και χαλκός επηρεάζονταν ιδιαίτερα από τοπολογικούς-ανθρωπογενείς παραμέτρους, όπως η εγγύτητα στους δρόμους, η απόσταση από περιβαλλοντικά ενδιαιτήματα κ.α.
Από τα παραπάνω προκύπτει πως οι συγκεντρώσεις των μετάλλων χρώμιο και νικέλιο επηρεάζονται κυρίως από περιβαλλοντικούς παράγοντες ενώ οι συγκεντρώσεις των μετάλλων ψευδάργυρος, μόλυβδος και χαλκός κυρίως από ανθρώπινες δραστηριότητες.

Φασματικοί/τηλεσκοπικοί δείκτες
Από τους τηλεπισκοπικούς δείκτες που υπολογίσθηκαν, αυτοί που χρησιμοποιήθηκαν περισσότερο ήταν ο tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index (η δημιουργία του οποίου βασίζεται στον πρώτο). Συγκεκριμένα, ο tasseled cap transformation ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα αρσενικό, ψευδάργυρο, μόλυβδο και χαλκό, ενώ ο BCI ήταν στις 10 πιο σημαντικές μεταβλητές για τα μέταλλα χρώμιο, νικέλιο, ψευδάργυρο και μόλυβδο. Αυτό φαίνεται να οφείλεται στο γεγονός ότι αυτοί οι δύο δείκτες είναι οι μόνοι οι οποίοι μπορούν να προσδώσουν πληροφορίες τόσο για την ταξινόμηση των αστικών περιοχών (οι οποίες θεωρούνται αδιαπέραστες επιφάνειες) όσο και για τα επίπεδα και την αφθονία βλάστησης αλλά και τα επίπεδα υγρασίας των εδαφών στην υπό μελέτη περιοχή.
Από την άλλη οι δείκτες NDVI, EVI, SAVI ήταν στις δέκα κορυφαίες μεταβλητές μόνο για το μοντέλο του αρσενικού, πράγμα το οποίο αποδίδεται στο γεγονός ότι οι κύριες πηγές εδαφικής ρύπανσης με αρσενικό είναι τα γεωργικά φάρμακα και τα λιπάσματα που χρησιμοποιούνται στη γεωργία. Συγκεκριμένα, ανεξέλεγκτη χρήση γεωργικών φαρμάκων και λιπασμάτων παράγουν πιο «πράσινη» βιομάζα ενώ συγχρόνως αυξάνουν τις συγκεντρώσεις αρσενικού στα εδάφη. Πράγματι, ο συντελεστής συσχέτισης Pearson μεταξύ αρσενικού και των τριών δεικτών ήταν πάνω από 0.3, πράγμα που υποδεικνύει θετική σχέση μεταξύ της εδαφικής ρύπανσης με αρσενικό και του επιπέδου πράσινης βιομάζας στις αγροτικές περιοχές του Κατάρ.
Προβλεπόμενοι χάρτες των υπό εξέταση μετάλλων
Οι τελικοί χάρτες που προέκυψαν από τις εκτελέσεις των μοντέλων για τα υπό εξέταση μέταλλα παρουσιάζονται στην Εικόνα 10. Όλοι οι χάρτες εμφάνισαν παρόμοια χωρική κατανομή των μετάλλων και ξεκάθαρα υποδεικνύουν υψηλή συσσώρευση αυτών στο βόρειο τμήμα του Κατάρ. Αυτό αποδίδεται σε ανθρωπογενείς δραστηριότητες και γεωλογικές κυρίως παραμέτρους. Στο βόρειο τμήμα του Κατάρ υπάγονται το μεγαλύτερο μέρος της βιομηχανίας και της γεωργίας της χώρας ενώ συγχρόνως η γεωλογία της συγκεκριμένης περιοχής επηρεάζει θετικά την απορρόφηση και τη συσσώρευση των μετάλλων αυτών στο έδαφος.
Επιπρόσθετα, οι χάρτες πρόβλεψης για τα μέταλλα ψευδάργυρο, μόλυβδο και χαλκό υποδεικνύουν υψηλή συσσώρευση στο ανατολικό κομμάτι του Κατάρ, όπου βρίσκεται η πόλη Ντόχα. Αυτό αποδίδεται στη ραγδαία αστικοποίηση που εμφάνισε η πόλη τα τελευταία χρόνια. Πιθανώς, οφείλεται στην κατάθεση σωματιδίων μετάλλων από τον υπέρογκο πληθυσμό μηχανοκίνητων οχημάτων της περιοχής.
Συμπεράσματα
 Η χρήση πολυφασματικών δεδομένων (εικόνες Landsat 8, τηλεπισκοπικοί δείκτες) σε συνδυασμό με περιβαλλοντικές παραμέτρους (γεωλογικής, εδαφολογικής, γεωμορφολογικής, ανθρωπογενής φύσεως) διαμέσου της μοντελοποίησης που προσφέρει το Cubist έδωσαν ιδιαίτερα ικανοποιητικά αποτελέσματα πρόβλεψης εδαφικών συγκεντρώσεων των υπό εξέταση τοξικών μετάλλων.
 Τα τηλεπισκοπικά δεδομένα Ιανουαρίου και Φεβρουαρίου, ήταν αυτά που επιλέχθηκαν και χρησιμοποιήθηκαν περισσότερο από τα μοντέλα, εξαιτίας της εποχιακής μεταβλητότητας του κλίματος του Κατάρ.
 Το θέμα με τη νεφοκάλυψη στις τηλεπισκοπικές απεικονίσεις ήταν ο κυριότερος περιορισμός της έρευνας, καθώς οι τηλεπισκοπικές απεικονίσεις με έντονο το φαινόμενο της νεφοκάλυψης απορρίφθηκαν. Μεταξύ αυτών ήταν και η απεικόνιση του Κατάρ για το μήνα Μάρτιο που όπως ερευνήθηκε ήταν η μεταβλητή που θα συνέβαλε περισσότερο στη βαθμονόμηση των μοντέλων.
 Οι δείκτες που χρησιμοποιήθηκαν σε μεγαλύτερο ποσοστό από τα μοντέλα ήταν οι tasseled cap transformation (brightness, greenness, wetness) και ο BCI – Biophysical Composition Index.
 Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων χαλκός, ψευδάργυρος και μόλυβδος επηρεάζονταν κυρίως από ανθρωπογενείς παραμέτρους.
 Τα μοντέλα και άρα και η χωρική κατανομή των μετάλλων αρσενικό, χρώμιο και νικέλιο επηρεάζονταν κυρίως από γεωλογικούς και εδαφολογικούς παραμέτρους.
 Χρήση περισσότερων μεταβλητών/δεδομένων μπορεί να αυξήσει την ακρίβεια πρόβλεψης των μοντέλων.
 Η χωρική μοντελοποίηση με πολυφασματικά δεδομένα σε συνδυασμό με δεδομένα άλλων πηγών μπορούν να παράγουν μια πιο ολοκληρωμένη προσέγγιση πληροφοριών για υφιστάμενες ή ενδεχόμενες εδαφικές ρυπάνσεις στο έδαφος.
 Για την εξακρίβωση της ποιότητας των αποτελεσμάτων απαιτούνται παρόμοιες έρευνες με τηλεπισκοπικά δεδομένα μεγαλύτερης ανάλυσης, ακρίβειας και χρονικής κάλυψης (π.χ. Sentinel 2).

[[category:Υποβάθμιση εδαφών]]

Ψηφιακή χαρτογράφηση τοξικών μετάλλων σε εδάφη του Κατάρ με τη χρήση τηλεπισκόπησης και βοηθητικών δεδομένων

2019-01-22T23:34:16Z

Christos mamaloudis: Νέα σελίδα με '[[Εικόνα: wiki4_cm1.png|thumb|right|Εικόνα 1: Σημεία δειγματοληψίας της περιοχής μελέτης και περιοχές με π...'

Μέθοδοι εκτίμησης περιεκτικότητας εδαφικού υδραργύρου χρησιμοποιώντας πολυφασματική ψηφιακή τηλεπισκόπηση

2019-01-22T23:23:24Z

Christos mamaloudis:

[[Εικόνα: wiki3_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης και σημεία εδαφικής δειγματοληψίας]]
[[Εικόνα: wiki3_cm2.png|thumb|right|Εικόνα 2: Περιγραφικά δεδομένα εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm3.png|thumb|right|Εικόνα 3: Οι φασματικές καμπύλες ανακλαστικότητας μετά από μαθηματική διόρθωση με: (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL)]]
[[Εικόνα: wiki3_cm4.png|thumb|right|Εικόνα 4: Δομή του μοντέλου GA-BPNN]]
[[Εικόνα: wiki3_cm5.png|thumb|right|Εικόνα 5: Διάγραμμα ροής για τον προσδιορισμό της βέλτιστης μεθόδου προσομοίωσης εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm6.png|thumb|right|Εικόνα 6: Συντελεστές συσχέτισης μεταξύ εδαφικού υδραργύρου και των εδαφικών φασματικών δεικτών (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL)]]
[[Εικόνα: wiki3_cm7.png|thumb|right|Εικόνα 7: Τα επιλεγμένα κανάλια και οι αντίστοιχοι συντελεστές συσχέτισης]]
[[Εικόνα: wiki3_cm8.png|thumb|right|Εικόνα 8: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο MLR συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm9.png|thumb|right|Εικόνα 9: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο BPNN συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm10.png|thumb|right|Εικόνα 10: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο GA-BPNN συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm11.png|thumb|right|Εικόνα 11: Αποτελέσματα των υπό εξέταση μοντέλων (MLR, BPNN, GA-BPNN) σε σχέση με τις μετρήσεις των χημικών αναλύσεων]]
[[Εικόνα: wiki3_cm12.png|thumb|right|Εικόνα 12: Δείκτες ακρίβειας των υπό εξέταση μοντέλων (MLR, BPNN, GA-BPNN)]]

'''Πρότυπος τίτλος: ''Estimation Methods for Soil Mercury Content Using Hyperspectral Remote Sensing'''''

'''Συγγραφείς: Li Zhao, Yue-Ming Hu, Wu Zhou, Zhen-Hua Liu, Yu-Chun Pan, Zhou Shi, Lu Wang, Guang-Xing Wang'''

'''Link: https://www.mdpi.com/2071-1050/10/7/2474'''

==Εισαγωγή==

Ο υδράργυρος (Hg) είναι ένα από τα πιο τοξικά βαρέα μέταλλα που υπάγονται στον πλανήτη, αφού διαθέτει υψηλή νευροτοξικότητα και μεγάλη πιθανότητα τερατογενέσεων. Στο έδαφος εμφανίζεται με διάφορες μορφές τόσο από φυσικές όσο και από ανθρωπογενείς εκπομπές και χάρη στην ικανότητα του, ως βαρύ μέταλλο, να μην διασπάται εύκολα από βιολογικές διεργασίες μπορεί και βιοσυσσωρεύεται σε μεγαλύτερες συγκεντρώσεις. Αυτό έχει σαν αποτέλεσμα να επηρεάζει αρνητικά την ποιότητα των υπόγειων και επιφανειακών υδάτων, την ανάπτυξη των καλλιεργειών και εν τέλει τους ζωντανούς οργανισμούς αλλά και τον άνθρωπο. Ως εκ τούτου, η συνεχής παρακολούθηση των επιπέδων υδραργύρου στο έδαφος αλλά και των ενδεχόμενων εδαφικών ρυπάνσεων είναι υψίστης σημασίας.
Οι παραδοσιακές μέθοδοι παρακολούθησης διαθέτουν υψηλή ακρίβεια και συνήθως περιλαμβάνουν πολλαπλές εδαφικές δειγματοληψίες, εργαστηριακές χημικές αναλύσεις και γεωστατιστικές μεθόδους παρεμβολής. Παρόλ’ αυτά είναι ιδιαίτερα χρονοβόρες και κοστοβόρες, ενώ συγχρόνως είναι ανακριβείς στην περίπτωση παρακολούθησης μεγάλων περιοχών.
Από την άλλη με την ανάπτυξη της ψηφιακής τηλεπισκόπησης και των πολυφασματικών τεχνικών, υπάρχουν πλέον μέθοδοι που διαθέτουν ταχεία και μεγάλης κλίμακας δυναμική παρακολούθησης και μπορούν να ανιχνεύσουν αποτελεσματικά, γρήγορα και με ακρίβεια τα επίπεδα βαρέων μετάλλων στο έδαφος ακόμη και σε μεγάλης κλίμακας περιοχές.

==Σκοπός της εργασίας==

Η συγκεκριμένη μελέτη έχει στόχο να προσδιορίσει τη βέλτιστη μέθοδο προσομοίωσης του περιεχόμενου υδραργύρου στο έδαφος, συγκρίνοντας τα αποτελέσματα περιεκτικότητας υδραργύρου τριών διαφορετικών και συχνά εφαρμοσμένων στατιστικών μεθόδων ανάλυσης (MLR, BPNN και GA-BPNN) μεταξύ τους αλλά και με τα αποτελέσματα των χημικών αναλύσεων. Απώτερος σκοπός είναι η προσπάθεια επίλυσης των υφιστάμενων προβλημάτων στην πολυφασματική εκτίμηση επιπέδων βαρέων μετάλλων στο έδαφος, χρησιμοποιώντας μοντέλα στατιστικής ανάλυσης και μεθόδους τεχνητής μάθησης.

==Υλικά και μέθοδοι==

'''Περιοχή μελέτης'''

Η περιοχή μελέτης καλύπτει την επαρχία Guangdong στη Ν. Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1. Η επαρχία Guangdong τα τελευταία χρόνια έχει σημειώσει πολύ μεγάλη οικονομική ανάπτυξη και τόσο η αστικοποίηση όσο και η βιομηχανοποίηση έχουν αυξηθεί κατά κόρον, με αποτέλεσμα το πρόβλημα ρύπανσης των εδαφών να είναι πολύ σοβαρό.

'''Δειγματοληψία'''

Συνολικά συλλέχθηκαν 75 δείγματα εδάφους βάρους περίπου 300 g το καθένα από την επαρχία Guangdong σε βάθος 0 – 20 cm. Τα σημεία δειγματοληψίας κοντά σε αγροτικές περιοχές συλλέχθηκαν σε κλίμακα 50 km x 50 km, ενώ τα σημεία κοντά σε πυκνοκατοικημένες και πιθανώς περισσότερο ρυπασμένες περιοχές σε κλίμακα 30 km x 30 km (Εικόνα 1). Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System). Τα δείγματα στη συνέχεια μεταφέρθηκαν στο εργαστήριο όπου υποβλήθηκαν σε προκατεργασία η οποία περιλάμβανε αεροξήρανση, αφαίρεση μη εδαφικών στοιχείων, άλεση και τελικώς κοσκίνισμα στα 0.2 mm. Μετά την προκατεργασία το κάθε δείγμα χωρίστηκε σε δύο ισομερείς ποσότητες∙ μια για τις χημικές και μια για τις φασματικές αναλύσεις.

'''Χημική ανάλυση'''

Για τη χημική ανάλυση, χρησιμοποιήθηκαν 0.2 g από το κάθε δείγμα για πέψη με μείγμα H2SO4-HNO3-KMnO4. Η ανίχνευση του περιεχόμενου υδραργύρου στα παραγόμενα διαλύματα πραγματοποιήθηκε με τη χρήση φασματοσκοπίας ατομικής απορρόφησης. Τα περιγραφικά δεδομένα του εδαφικού υδραργύρου παρουσιάζονται στην Εικόνα 2.
Συλλογή και επεξεργασία εδαφικών φασματικών δεδομένων
Τα εδαφικά φασματικά δεδομένα συλλέχθηκαν μετρώντας τη φασματική ανακλαστικότητα των εδαφικών δειγμάτων με τη χρήση ενός φορητού φασματόμετρου (AvaField, Avantes, Holland), το οποίο διέθετε κανάλια με εύρος από 340.316 έως 2511.179 nm και διάστημα φασματικής δειγματοληψίας 0.6 nm. Κάθε δείγμα εδάφους μετρήθηκε πέντε φορές και με τη χρήση του προγράμματος AvaReader διορθώθηκαν οι όποιες ανωμαλίες των δεδομένων, ενώ ως τιμή ανάκλασης του κάθε εδαφικού δείγματος χρησιμοποιήθηκε η μέση τιμή ανάκλασης εκ των πέντε μετρήσεων.
Οι φασματικές μετρήσεις όμως επηρεάζονται εύκολα από διάφορους παράγοντες και άρα πρέπει να διορθώνονται προκειμένου να απαλειφθεί ο θόρυβος υποβάθρου και να επισημανθούν τα χαρακτηριστικά απορρόφησης και ανάκλασης της φασματικής καμπύλης που παράγεται. Στη συγκεκριμένη μελέτη, για την εξομάλυνση και τη βελτιστοποίηση της φασματικής καμπύλης κάθε εδαφικού δείγματος, χρησιμοποιήθηκε το φίλτρο εξομάλυνσης Savitzky-Golay. Η παραγόμενη εξομαλυμένη καμπύλη επεξεργάστηκε με τις μεθόδους: α) αφαίρεση συνεχούς (Continuum Removed –CR), β) διαφορά πρώτης τάξης (First-order Differential – FD) και γ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL) και παράχθηκαν οι αντίστοιχες καμπύλες (Εικόνα 3).

'''Επιλογή καναλιών'''

Για την επιλογή των κατάλληλων καναλιών, δηλαδή αυτών με τους υψηλότερους συντελεστές συσχέτισης, όσον αφορά τη σχέση μεταξύ ανακλαστικότητας και εδαφικής συγκέντρωσης υδραργύρου, χρησιμοποιήθηκε ανάλυση συσχέτισης Pearson μεταξύ (α) των τεσσάρων προαναφερθέντων εδαφικών φασματικών δεικτών [(1) εξομαλυμένη φασματική ανακλαστικότητα, (2) CR φασματική ανακλαστικότητα, (3) FD φασματική ανακλαστικότητα και (4) RL φασματική ανακλαστικότητα] και (β) του εδαφικού υδραργύρου, για τον προσδιορισμό τους σε επίπεδο σημασία p=0.01.

'''Στατιστικές μέθοδοι προσομοίωσης για τον υπολογισμό του εδαφικού υδραργύρου'''

''MLR''

Αποτελεί μια κλασική μέθοδο στατιστικής ανάλυσης που χρησιμοποιείται για τη δημιουργία γραμμικής εξίσωσης που στόχο έχει να εξηγήσει τη σχέση μεταξύ δύο ή περισσότερων ανεξάρτητων μεταβλητών και μιας εξαρτημένης μεταβλητής.

''BPNN''

Η μέθοδος BPNN αποτελεί μια μέθοδο τεχνητής μάθησης, που στόχο έχει να προβλέψει τη συσχέτιση μεταξύ οποιασδήποτε μη γραμμικής μεταβλητής εισόδου και μεταβλητής εξόδου.

''GA-BPNN''

Αποτελεί συνδυασμό δύο μεθόδων στατιστικής ανάλυσης (GA + BPNN) που στη συγκεκριμένη έρευνα χρησιμοποιήθηκε για τη βελτιστοποίηση των αποτελεσμάτων πρόβλεψης και προσδιορισμού των εδαφικών συγκεντρώσεων υδραργύρου. Η δομή που ακολουθήθηκε για τη μέθοδο στη συγκεκριμένη έρευνα παρουσιάζεται στην Εικόνα 4.
Για την επιλογή της καταλληλότερης μεθόδου ακολουθήθηκε η δομή που παρουσιάζεται στην Εικόνα 5.

==Αποτελέσματα και συζήτηση==

'''Αποτελέσματα από τη διαδικασία επιλογής των κατάλληλων καναλιών'''

Τα αποτελέσματα παρουσιάζονται στην Εικόνα 6. Αυτό που προκύπτει είναι ότι η απόλυτη τιμή του συντελεστή συσχέτισης μεταξύ φασματικής ανακλαστικότητας και εδαφικού υδραργύρου ήταν πάνω από 0.260 για επίπεδο σημασίας p=0.01, πράγμα που σημαίνει πως η συσχέτιση ήταν σημαντική. Συγκεκριμένα:
* Η εξομαλυμένη φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 350-695 και 2216-2228 nm
* Η CR φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 356-685 και 2200-2228 nm
* Η FD φασματική ανακλαστικότητα έδωσε υψηλότερη θετική συσχέτιση στα 465.351 nm, 799.18 nm, 1373.48 nm, 2114.978 nm και υψηλότερη αρνητική συσχέτιση στα 587.705 nm, 1035.788 και 1975.4 nm, όπου οι απόλυτες τιμές των συντελεστών συσχέτισης, για p=0.01 ήταν πάνω από 0.300
* Η RL φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 355-674 και 2171-2500 nm
Όπως προκύπτει, τα καλύτερα αποτελέσματα έδωσε ο συντελεστής συσχέτισης μεταξύ της FD φασματικής ανακλαστικότητας και του εδαφικού υδραργύρου, αφού έδωσε μεγαλύτερο πλήθος καναλιών με συντελεστή συσχέτισης πάνω από 0.260 αλλά και υψηλότερες τιμές συντελεστών συσχέτισης σε σχέση με τους άλλους δείκτες.
Συνολικά, για την έρευνα επιλέχθηκαν 13 κανάλια, τα οποία παρουσιάζονται στην Εικόνα 7, μαζί με τους αντίστοιχους συντελεστές συσχέτισης.

'''Αποτελέσματα στατιστικών μεθόδων προσομοίωσης για τον υπολογισμό του εδαφικού υδραργύρου'''

''MLR''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 8 και στην Εικόνα 11.

''BPNN''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 9 και στην Εικόνα 11.

''GA-BPNN''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 10 και στην Εικόνα 11.

'''Σύγκριση των μοντέλων'''

Σύμφωνα με τους δείκτες ακρίβειας των μοντέλων οι οποίοι παρουσιάζονται στην Εικόνα 12, προκύπτει ότι το γραμμικό μοντέλο MLR είναι κατώτερο από τα υπόλοιπα δύο μοντέλα τεχνητής μάθησης, πράγμα που υποδεικνύει ότι υπάρχει μια ξεκάθαρη μη γραμμική σχέση μεταξύ των επιλεγμένων καναλιών και του εδαφικού υδραργύρου. Εν τέλει το μοντέλο GA-BPNN είναι αυτό που απέδωσε καλύτερα σε σύγκριση με τα υπόλοιπα, εξαιτίας του GA αλγόριθμου, ο οποίος βελτιστοποιεί τις παραμέτρους της BPNN μεθόδου (βλ. Εικόνα 12).

==Συνόψιση και Συμπεράσματα==

Η συγκεκριμένη έρευνα είχε στόχο να προσδιορίσει τη βέλτιστη μέθοδο προσομοίωσης και υπολογισμού συγκεντρώσεων εδαφικού υδραργύρου μέσω φασματικών δεδομένων. Για το λόγο αυτό πραγματοποιήθηκε μαθηματική μετατροπή της εδαφικής φασματικής ανακλαστικότητας των εδαφικών δειγμάτων με τέσσερις διαφορετικές μεθόδους: (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL). Έπειτα, πραγματοποιήθηκε ανάλυση συσχέτισης Pearson στα επεξεργασμένα φασματικά δεδομένα και στις χημικά μετρημένες συγκεντρώσεις χαλκού. Με βάση αυτά επιλέχθηκαν τα 13 πιο κατάλληλα κανάλια που διέθεταν τις υψηλότερες απόλυτες τιμές συντελεστή συσχέτισης. Για τον προσδιορισμό του εδαφικού υδραργύρου χρησιμοποιήθηκαν τα μοντέλα MLR, BPNN και GA-BPNN, τα αποτελέσματα των οποίων έδειξαν πως το πιο αποδοτικό εξ αυτών είναι το μοντέλο GA-BPNN καθώς έδωσε τα καλύτερα αποτελέσματα και το οποίο εν τέλει θα μπορούσε να εφαρμοσθεί και στην πράξη ως εναλλακτικός τρόπος προσδιορισμού εδαφικού υδραργύρου έναντι των χημικών μεθόδων ανάλυσης.

[[category:Υποβάθμιση εδαφών]]

Μέθοδοι εκτίμησης περιεκτικότητας εδαφικού υδραργύρου χρησιμοποιώντας πολυφασματική ψηφιακή τηλεπισκόπηση

2019-01-22T23:22:29Z

Christos mamaloudis:

[[Εικόνα: wiki3_cm1.png|thumb|right|Εικόνα 1: Περιοχή μελέτης και σημεία εδαφικής δειγματοληψίας]]
[[Εικόνα: wiki3_cm2.png|thumb|right|Εικόνα 2: Περιγραφικά δεδομένα εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm3.png|thumb|right|Εικόνα 3: Οι φασματικές καμπύλες ανακλαστικότητας μετά από μαθηματική διόρθωση με: (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL)]]
[[Εικόνα: wiki3_cm4.png|thumb|right|Εικόνα 4: Δομή του μοντέλου GA-BPNN]]
[[Εικόνα: wiki3_cm5.png|thumb|right|Εικόνα 5: Διάγραμμα ροής για τον προσδιορισμό της βέλτιστης μεθόδου προσομοίωσης εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm6.png|thumb|right|Εικόνα 6: Συντελεστές συσχέτισης μεταξύ εδαφικού υδραργύρου και των εδαφικών φασματικών δεικτών (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL)]]
[[Εικόνα: wiki3_cm7.png|thumb|right|Εικόνα 7: Τα επιλεγμένα κανάλια και οι αντίστοιχοι συντελεστές συσχέτισης]]
[[Εικόνα: wiki3_cm8.png|thumb|right|Εικόνα 8: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο MLR συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm9.png|thumb|right|Εικόνα 9: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο BPNN συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm10.png|thumb|right|Εικόνα 10: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο GA-BPNN συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm11.png|thumb|right|Εικόνα 11: Αποτελέσματα των υπό εξέταση μοντέλων (MLR, BPNN, GA-BPNN) σε σχέση με τις μετρήσεις των χημικών αναλύσεων]]
[[Εικόνα: wiki3_cm12.png|thumb|right|Εικόνα 12: Δείκτες ακρίβειας των υπό εξέταση μοντέλων (MLR, BPNN, GA-BPNN)]]

'''Πρότυπος τίτλος: ''Estimation Methods for Soil Mercury Content Using Hyperspectral Remote Sensing'''''

'''Συγγραφείς: Li Zhao, Yue-Ming Hu, Wu Zhou, Zhen-Hua Liu, Yu-Chun Pan, Zhou Shi, Lu Wang, Guang-Xing Wang'''

'''Link: https://www.mdpi.com/2071-1050/10/7/2474'''

==Εισαγωγή==

Ο υδράργυρος (Hg) είναι ένα από τα πιο τοξικά βαρέα μέταλλα που υπάγονται στον πλανήτη, αφού διαθέτει υψηλή νευροτοξικότητα και μεγάλη πιθανότητα τερατογενέσεων. Στο έδαφος εμφανίζεται με διάφορες μορφές τόσο από φυσικές όσο και από ανθρωπογενείς εκπομπές και χάρη στην ικανότητα του, ως βαρύ μέταλλο, να μην διασπάται εύκολα από βιολογικές διεργασίες μπορεί και βιοσυσσωρεύεται σε μεγαλύτερες συγκεντρώσεις. Αυτό έχει σαν αποτέλεσμα να επηρεάζει αρνητικά την ποιότητα των υπόγειων και επιφανειακών υδάτων, την ανάπτυξη των καλλιεργειών και εν τέλει τους ζωντανούς οργανισμούς αλλά και τον άνθρωπο. Ως εκ τούτου, η συνεχής παρακολούθηση των επιπέδων υδραργύρου στο έδαφος αλλά και των ενδεχόμενων εδαφικών ρυπάνσεων είναι υψίστης σημασίας.
Οι παραδοσιακές μέθοδοι παρακολούθησης διαθέτουν υψηλή ακρίβεια και συνήθως περιλαμβάνουν πολλαπλές εδαφικές δειγματοληψίες, εργαστηριακές χημικές αναλύσεις και γεωστατιστικές μεθόδους παρεμβολής. Παρόλ’ αυτά είναι ιδιαίτερα χρονοβόρες και κοστοβόρες, ενώ συγχρόνως είναι ανακριβείς στην περίπτωση παρακολούθησης μεγάλων περιοχών.
Από την άλλη με την ανάπτυξη της ψηφιακής τηλεπισκόπησης και των πολυφασματικών τεχνικών, υπάρχουν πλέον μέθοδοι που διαθέτουν ταχεία και μεγάλης κλίμακας δυναμική παρακολούθησης και μπορούν να ανιχνεύσουν αποτελεσματικά, γρήγορα και με ακρίβεια τα επίπεδα βαρέων μετάλλων στο έδαφος ακόμη και σε μεγάλης κλίμακας περιοχές.

==Σκοπός της εργασίας==

Η συγκεκριμένη μελέτη έχει στόχο να προσδιορίσει τη βέλτιστη μέθοδο προσομοίωσης του περιεχόμενου υδραργύρου στο έδαφος, συγκρίνοντας τα αποτελέσματα περιεκτικότητας υδραργύρου τριών διαφορετικών και συχνά εφαρμοσμένων στατιστικών μεθόδων ανάλυσης (MLR, BPNN και GA-BPNN) μεταξύ τους αλλά και με τα αποτελέσματα των χημικών αναλύσεων. Απώτερος σκοπός είναι η προσπάθεια επίλυσης των υφιστάμενων προβλημάτων στην πολυφασματική εκτίμηση επιπέδων βαρέων μετάλλων στο έδαφος, χρησιμοποιώντας μοντέλα στατιστικής ανάλυσης και μεθόδους τεχνητής μάθησης.

==Υλικά και μέθοδοι==

'''Περιοχή μελέτης'''

Η περιοχή μελέτης καλύπτει την επαρχία Guangdong στη Ν. Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1. Η επαρχία Guangdong τα τελευταία χρόνια έχει σημειώσει πολύ μεγάλη οικονομική ανάπτυξη και τόσο η αστικοποίηση όσο και η βιομηχανοποίηση έχουν αυξηθεί κατά κόρον, με αποτέλεσμα το πρόβλημα ρύπανσης των εδαφών να είναι πολύ σοβαρό.

'''Δειγματοληψία'''

Συνολικά συλλέχθηκαν 75 δείγματα εδάφους βάρους περίπου 300 g το καθένα από την επαρχία Guangdong σε βάθος 0 – 20 cm. Τα σημεία δειγματοληψίας κοντά σε αγροτικές περιοχές συλλέχθηκαν σε κλίμακα 50 km x 50 km, ενώ τα σημεία κοντά σε πυκνοκατοικημένες και πιθανώς περισσότερο ρυπασμένες περιοχές σε κλίμακα 30 km x 30 km (Εικόνα 1). Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System). Τα δείγματα στη συνέχεια μεταφέρθηκαν στο εργαστήριο όπου υποβλήθηκαν σε προκατεργασία η οποία περιλάμβανε αεροξήρανση, αφαίρεση μη εδαφικών στοιχείων, άλεση και τελικώς κοσκίνισμα στα 0.2 mm. Μετά την προκατεργασία το κάθε δείγμα χωρίστηκε σε δύο ισομερείς ποσότητες∙ μια για τις χημικές και μια για τις φασματικές αναλύσεις.

'''Χημική ανάλυση'''

Για τη χημική ανάλυση, χρησιμοποιήθηκαν 0.2 g από το κάθε δείγμα για πέψη με μείγμα H2SO4-HNO3-KMnO4. Η ανίχνευση του περιεχόμενου υδραργύρου στα παραγόμενα διαλύματα πραγματοποιήθηκε με τη χρήση φασματοσκοπίας ατομικής απορρόφησης. Τα περιγραφικά δεδομένα του εδαφικού υδραργύρου παρουσιάζονται στην Εικόνα 2.
Συλλογή και επεξεργασία εδαφικών φασματικών δεδομένων
Τα εδαφικά φασματικά δεδομένα συλλέχθηκαν μετρώντας τη φασματική ανακλαστικότητα των εδαφικών δειγμάτων με τη χρήση ενός φορητού φασματόμετρου (AvaField, Avantes, Holland), το οποίο διέθετε κανάλια με εύρος από 340.316 έως 2511.179 nm και διάστημα φασματικής δειγματοληψίας 0.6 nm. Κάθε δείγμα εδάφους μετρήθηκε πέντε φορές και με τη χρήση του προγράμματος AvaReader διορθώθηκαν οι όποιες ανωμαλίες των δεδομένων, ενώ ως τιμή ανάκλασης του κάθε εδαφικού δείγματος χρησιμοποιήθηκε η μέση τιμή ανάκλασης εκ των πέντε μετρήσεων.
Οι φασματικές μετρήσεις όμως επηρεάζονται εύκολα από διάφορους παράγοντες και άρα πρέπει να διορθώνονται προκειμένου να απαλειφθεί ο θόρυβος υποβάθρου και να επισημανθούν τα χαρακτηριστικά απορρόφησης και ανάκλασης της φασματικής καμπύλης που παράγεται. Στη συγκεκριμένη μελέτη, για την εξομάλυνση και τη βελτιστοποίηση της φασματικής καμπύλης κάθε εδαφικού δείγματος, χρησιμοποιήθηκε το φίλτρο εξομάλυνσης Savitzky-Golay. Η παραγόμενη εξομαλυμένη καμπύλη επεξεργάστηκε με τις μεθόδους: α) αφαίρεση συνεχούς (Continuum Removed –CR), β) διαφορά πρώτης τάξης (First-order Differential – FD) και γ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL) και παράχθηκαν οι αντίστοιχες καμπύλες (Εικόνα 3).

'''Επιλογή καναλιών'''

Για την επιλογή των κατάλληλων καναλιών, δηλαδή αυτών με τους υψηλότερους συντελεστές συσχέτισης, όσον αφορά τη σχέση μεταξύ ανακλαστικότητας και εδαφικής συγκέντρωσης υδραργύρου, χρησιμοποιήθηκε ανάλυση συσχέτισης Pearson μεταξύ (α) των τεσσάρων προαναφερθέντων εδαφικών φασματικών δεικτών [(1) εξομαλυμένη φασματική ανακλαστικότητα, (2) CR φασματική ανακλαστικότητα, (3) FD φασματική ανακλαστικότητα και (4) RL φασματική ανακλαστικότητα] και (β) του εδαφικού υδραργύρου, για τον προσδιορισμό τους σε επίπεδο σημασία p=0.01.

'''Στατιστικές μέθοδοι προσομοίωσης για τον υπολογισμό του εδαφικού υδραργύρου'''

''MLR''

Αποτελεί μια κλασική μέθοδο στατιστικής ανάλυσης που χρησιμοποιείται για τη δημιουργία γραμμικής εξίσωσης που στόχο έχει να εξηγήσει τη σχέση μεταξύ δύο ή περισσότερων ανεξάρτητων μεταβλητών και μιας εξαρτημένης μεταβλητής.

''BPNN''

Η μέθοδος BPNN αποτελεί μια μέθοδο τεχνητής μάθησης, που στόχο έχει να προβλέψει τη συσχέτιση μεταξύ οποιασδήποτε μη γραμμικής μεταβλητής εισόδου και μεταβλητής εξόδου.

''GA-BPNN''

Αποτελεί συνδυασμό δύο μεθόδων στατιστικής ανάλυσης (GA + BPNN) που στη συγκεκριμένη έρευνα χρησιμοποιήθηκε για τη βελτιστοποίηση των αποτελεσμάτων πρόβλεψης και προσδιορισμού των εδαφικών συγκεντρώσεων υδραργύρου. Η δομή που ακολουθήθηκε για τη μέθοδο στη συγκεκριμένη έρευνα παρουσιάζεται στην Εικόνα 4.
Για την επιλογή της καταλληλότερης μεθόδου ακολουθήθηκε η δομή που παρουσιάζεται στην Εικόνα 5.

==Αποτελέσματα και συζήτηση==

'''Αποτελέσματα από τη διαδικασία επιλογής των κατάλληλων καναλιών'''

Τα αποτελέσματα παρουσιάζονται στην Εικόνα 6. Αυτό που προκύπτει είναι ότι η απόλυτη τιμή του συντελεστή συσχέτισης μεταξύ φασματικής ανακλαστικότητας και εδαφικού υδραργύρου ήταν πάνω από 0.260 για επίπεδο σημασίας p=0.01, πράγμα που σημαίνει πως η συσχέτιση ήταν σημαντική. Συγκεκριμένα:
* Η εξομαλυμένη φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 350-695 και 2216-2228 nm
* Η CR φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 356-685 και 2200-2228 nm
* Η FD φασματική ανακλαστικότητα έδωσε υψηλότερη θετική συσχέτιση στα 465.351 nm, 799.18 nm, 1373.48 nm, 2114.978 nm και υψηλότερη αρνητική συσχέτιση στα 587.705 nm, 1035.788 και 1975.4 nm, όπου οι απόλυτες τιμές των συντελεστών συσχέτισης, για p=0.01 ήταν πάνω από 0.300
* Η RL φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 355-674 και 2171-2500 nm
Όπως προκύπτει, τα καλύτερα αποτελέσματα έδωσε ο συντελεστής συσχέτισης μεταξύ της FD φασματικής ανακλαστικότητας και του εδαφικού υδραργύρου, αφού έδωσε μεγαλύτερο πλήθος καναλιών με συντελεστή συσχέτισης πάνω από 0.260 αλλά και υψηλότερες τιμές συντελεστών συσχέτισης σε σχέση με τους άλλους δείκτες.
Συνολικά, για την έρευνα επιλέχθηκαν 13 κανάλια, τα οποία παρουσιάζονται στην Εικόνα 7, μαζί με τους αντίστοιχους συντελεστές συσχέτισης.

'''Αποτελέσματα στατιστικών μεθόδων προσομοίωσης για τον υπολογισμό του εδαφικού υδραργύρου'''

''MLR''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 8 και στην Εικόνα 11.

''BPNN''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 9 και στην Εικόνα 11.

''GA-BPNN''

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 10 και στην Εικόνα 11.
Σύγκριση των μοντέλων

Σύμφωνα με τους δείκτες ακρίβειας των μοντέλων οι οποίοι παρουσιάζονται στην Εικόνα 12, προκύπτει ότι το γραμμικό μοντέλο MLR είναι κατώτερο από τα υπόλοιπα δύο μοντέλα τεχνητής μάθησης, πράγμα που υποδεικνύει ότι υπάρχει μια ξεκάθαρη μη γραμμική σχέση μεταξύ των επιλεγμένων καναλιών και του εδαφικού υδραργύρου. Εν τέλει το μοντέλο GA-BPNN είναι αυτό που απέδωσε καλύτερα σε σύγκριση με τα υπόλοιπα, εξαιτίας του GA αλγόριθμου, ο οποίος βελτιστοποιεί τις παραμέτρους της BPNN μεθόδου (βλ. Εικόνα 12).

==Συνόψιση και Συμπεράσματα==

Η συγκεκριμένη έρευνα είχε στόχο να προσδιορίσει τη βέλτιστη μέθοδο προσομοίωσης και υπολογισμού συγκεντρώσεων εδαφικού υδραργύρου μέσω φασματικών δεδομένων. Για το λόγο αυτό πραγματοποιήθηκε μαθηματική μετατροπή της εδαφικής φασματικής ανακλαστικότητας των εδαφικών δειγμάτων με τέσσερις διαφορετικές μεθόδους: (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL). Έπειτα, πραγματοποιήθηκε ανάλυση συσχέτισης Pearson στα επεξεργασμένα φασματικά δεδομένα και στις χημικά μετρημένες συγκεντρώσεις χαλκού. Με βάση αυτά επιλέχθηκαν τα 13 πιο κατάλληλα κανάλια που διέθεταν τις υψηλότερες απόλυτες τιμές συντελεστή συσχέτισης. Για τον προσδιορισμό του εδαφικού υδραργύρου χρησιμοποιήθηκαν τα μοντέλα MLR, BPNN και GA-BPNN, τα αποτελέσματα των οποίων έδειξαν πως το πιο αποδοτικό εξ αυτών είναι το μοντέλο GA-BPNN καθώς έδωσε τα καλύτερα αποτελέσματα και το οποίο εν τέλει θα μπορούσε να εφαρμοσθεί και στην πράξη ως εναλλακτικός τρόπος προσδιορισμού εδαφικού υδραργύρου έναντι των χημικών μεθόδων ανάλυσης.

[[category:Υποβάθμιση εδαφών]]

Μέθοδοι εκτίμησης περιεκτικότητας εδαφικού υδραργύρου χρησιμοποιώντας πολυφασματική ψηφιακή τηλεπισκόπηση

2019-01-22T23:18:05Z

Christos mamaloudis:

Μέθοδοι εκτίμησης περιεκτικότητας εδαφικού υδραργύρου χρησιμοποιώντας πολυφασματική ψηφιακή τηλεπισκόπηση

2019-01-22T23:17:11Z

Christos mamaloudis: Νέα σελίδα με 'Εικόνα 1: Περιοχή μελέτης και σημεία εδαφικής δειγματοληψίας [[Εικόνα: wik...'

[[Εικόνα: wiki3_cm1|thumb|right|Εικόνα 1: Περιοχή μελέτης και σημεία εδαφικής δειγματοληψίας]]
[[Εικόνα: wiki3_cm2|thumb|right|Εικόνα 2: Περιγραφικά δεδομένα εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm3|thumb|right|Εικόνα 3: Οι φασματικές καμπύλες ανακλαστικότητας μετά από μαθηματική διόρθωση με: (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL)]]
[[Εικόνα: wiki3_cm4|thumb|right|Εικόνα 4: Δομή του μοντέλου GA-BPNN]]
[[Εικόνα: wiki3_cm5|thumb|right|Εικόνα 5: Διάγραμμα ροής για τον προσδιορισμό της βέλτιστης μεθόδου προσομοίωσης εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm6|thumb|right|Εικόνα 6: Συντελεστές συσχέτισης μεταξύ εδαφικού υδραργύρου και των εδαφικών φασματικών δεικτών (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL)]]
[[Εικόνα: wiki3_cm7|thumb|right|Εικόνα 7: Τα επιλεγμένα κανάλια και οι αντίστοιχοι συντελεστές συσχέτισης]]
[[Εικόνα: wiki3_cm8|thumb|right|Εικόνα 8: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο MLR συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm9|thumb|right|Εικόνα 9: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο BPNN συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm10|thumb|right|Εικόνα 10: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο GA-BPNN συγκεντρώσεων εδαφικού υδραργύρου]]
[[Εικόνα: wiki3_cm11|thumb|right|Εικόνα 11: Αποτελέσματα των υπό εξέταση μοντέλων (MLR, BPNN, GA-BPNN) σε σχέση με τις μετρήσεις των χημικών αναλύσεων]]
[[Εικόνα: wiki3_cm12|thumb|right|Εικόνα 12: Δείκτες ακρίβειας των υπό εξέταση μοντέλων (MLR, BPNN, GA-BPNN)]]

'''Πρότυπος τίτλος: ''Estimation Methods for Soil Mercury Content Using Hyperspectral Remote Sensing'''''

'''Συγγραφείς: Li Zhao, Yue-Ming Hu, Wu Zhou, Zhen-Hua Liu, Yu-Chun Pan, Zhou Shi, Lu Wang, Guang-Xing Wang'''

'''Link: https://www.mdpi.com/2071-1050/10/7/2474'''

[[category:Υποβάθμιση εδαφών]]

Αρχείο:Wiki5 cm9.png

2019-01-22T23:00:35Z

Christos mamaloudis:

Αρχείο:Wiki5 cm8.png

2019-01-22T22:59:32Z

Christos mamaloudis:

Αρχείο:Wiki5 cm7.png

2019-01-22T22:58:35Z

Christos mamaloudis:

Αρχείο:Wiki5 cm6.png

2019-01-22T22:57:39Z

Christos mamaloudis:

Αρχείο:Wiki5 cm5.png

2019-01-22T22:56:43Z

Christos mamaloudis:

Αρχείο:Wiki5 cm4.png

2019-01-22T22:56:12Z

Christos mamaloudis:

Αρχείο:Wiki5 cm3.png

2019-01-22T22:55:56Z

Christos mamaloudis:

Αρχείο:Wiki5 cm2.png

2019-01-22T22:55:21Z

Christos mamaloudis:

Αρχείο:Wiki5 cm1.png

2019-01-22T22:55:02Z

Christos mamaloudis:

Αρχείο:Wiki4 cm10.png

2019-01-22T22:54:20Z

Christos mamaloudis:

Αρχείο:Wiki4 cm9.png

2019-01-22T22:53:48Z

Christos mamaloudis:

Αρχείο:Wiki4 cm8.png

2019-01-22T22:53:28Z

Christos mamaloudis:

Αρχείο:Wiki4 cm7.png

2019-01-22T22:53:12Z

Christos mamaloudis:

Αρχείο:Wiki4 cm6.png

2019-01-22T22:52:43Z

Christos mamaloudis:

Αρχείο:Wiki4 cm5.png

2019-01-22T22:52:28Z

Christos mamaloudis: