RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Μπαρμπαλιάς Χαράλαμπος

2022-02-16T10:39:17Z

E markopoulou:

[[Ανίχνευση του στρες στις τομάτες που προκαλείται από την ασθένεια του περονόσπορου στην Καλιφόρνια, Η.Π.A..]]

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

[[category:ΔΠΜΣ ]]

Μπαρμπαλιάς Χαράλαμπος

2022-02-15T18:25:05Z

E markopoulou: Νέα σελίδα με 'Add Your Content Here category:ΔΠΜΣ '

Add Your Content Here

[[category:ΔΠΜΣ ]]

Εκτίμηση του Fire Potential Index σε προστατευόμενες ορεινές περιοχές με την χρήση Τηλεπισκόπησης

2022-02-06T09:33:39Z

E markopoulou: Νέα σελίδα με '=='''Εκτίμηση του Fire Potential Index σε προστατευόμενες ορεινές περιοχές με την χρήση Τηλεπισκόπησης''...'

=='''Εκτίμηση του Fire Potential Index σε προστατευόμενες ορεινές περιοχές με την χρήση Τηλεπισκόπησης'''==

'''Πρωτότυπος τίτλος:''' Estimation of fire potential index in mountainous protected region using remote sensing

'''Συγγραφείς:''' Samuel A. Adelabu, Kayode A. Adepoju, Olga D. Mofokeng

'''Δημοσιεύθηκε:''' Geocarto International

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.tandfonline.com/doi/epub/10.1080/10106049.2018.1499818?needAccess=true ]

'''Εισαγωγή'''

Οι πυρκαγιές είναι χρήσιμες για την ανανέωση κάποιων οικοσυστημάτων. Η εκτίμηση κινδύνου πυρκαγιάς είναι απαραίτητη, για την διαχείρισή τους.
Η ιδιαιτερότητα των πυρκαγιών είναι ότι οι παράγοντες που τις επηρεάζουν είναι δυναμικοί και στατικοί, τόσο σε χωρικό όσο και σε χρονικό επίπεδο. Οι τηλεσκοπικές μέθοδοι έχουν αποδειχτεί αποτελεσματικές για την εκτίμηση κινδύνου πυρκαγιάς. Οι δείκτες ρίσκου δημιουργήθηκαν την ανίχνευση των παραγόντων και την μαθηματική τους έκφραση. Έτσι δημιουργήθηκε ο Fire Potential Index (FPI).
Ο FPI υπολογίζεται από δορυφορικούς δείκτες και μετεωρολογικά δεδομένα. Πρόσφατα αξιολογήθηκε ο NDWI του MODIS σαν προσεγγιστική μεταβλητή για την μοντελοποίηση του FPI και αναδείχθηκε η φασματική περιοχή MODIS_ Shortwave Infrared (SWIR). Οι περισσότερες μελέτες έχουν ερευνήσει το κανάλι 5 και 6 του SWIR και λιγότερες το 7.
Ο σκοπός της έρευνας είναι η αξιολόγηση του FPI, το οποίο προκύπτει από το FMI, τον NDWI, τον Normalized Multi Drought Index (NMDI), το Potential Surface Temperature και το υψόμετρο. Επιπλέον, αξιολογείται και η σχέση των FPI και FMI.
[[Αρχείο:Rs_wiki_Markopoulou_10_1.jpg|200px|thumb|left|Διάγραμμα 1: Υγρασία της καύσιμης ύλης από το 2011 ως το 2014]]

'''Μεθοδολογία'''

Η περιοχή μελέτης είναι το Golden Gate Highland National Park (GGHNP), μία ορεινή προστατευόμενη περιοχή. Σύμφωνα με τον Govender, το πάρκο έχει χάσει το 20% των περιοχών βλάστησης από πυρκαγιές.
Λήφθηκαν δεδομένα του MODIS (MODIS Terra satellite product (MOD09GA), Surface Reflectance και MOD11A1 LST), του Aster DEM στα 30m και δεδομένα 850 ουλών από το Fire Ecology and Biogeochemistry Department του South Africa National Parks.
Υπολογίστηκαν οι δείκτες RGI, ως παράγωγό του NDWI, NMDI και ο FMI, ως παράγωγο των RGI και NMDI. Έγινε ένα υπολογισμός raster για την ατμοσφαιρική πίεση (P). Στη συνέχεια μετρήθηκε το LST, χρησιμοποιώντας τα δεδομένα του MODIS LST, από όπου εξήχθη η μέση θερμοκρασία σε Kelvin, με τη βοήθεια ενός αλγόριθμου. Με το P και LST και την ατμοσφαιρική πίεση σε μηδενικό υψόμετρο υπολογίστηκε το Potential Surface Temperature (Θs).
Για την εκτίμηση του FPI αρχικά μετασχηματίστηκαν τα δεδομένα του FMI και του Θs με εργαλεία του AcrGIS (Geomorphometry και Gradient Metric Toolbox), έπειτα κάθε layer κατηγοριοποιήθηκε σε πέντε αριθμητικές κλάσεις, ανάλογα με την επίπτωσή τους στην πιθανότητα πυρκαγιάς. Η μεθοδολογία λήψης αποφάσεων που επιλέχθηκε ήταν η Analytic Hierarchy Process (AHP).
Ο FPI δημιουργήθηκε με την βοήθεια του Weighted Overlay Tools του ArcMap με τιμές 1-5, ανάλογα την επικινδυνότητα και επαληθεύτηκε από τα δεδομένα 850 ουλών, εφαρμόζοντας Geographical Weighted Regression Analysis (GWR)
[[Αρχείο:Rs_wiki_Markopoulou_10_2.jpg|200px|thumb|left|Διάγραμμα 2: Δείκτης FPI και παρατηρήσεις συμβάντων πυρκαγιάς από το 2011 ως το 2014]]

'''Συμπεράσματα'''

Οι ομοιότητες στους δείκτες FPI και FMI υποδεικνύουν ότι η περιεκτικότητα της βλάστησης σε νερό και η βιομάζα είναι περιοριστικοί παράγοντες για μία πυρκαγιά στην περιοχή. Η σύγκριση των δεικτών δείχνει ότι οι υψηλές τιμές τους συμπίπτουν και αφορούν το 10% και 9% της έκτασης αντίστοιχα.
Σύμφωνα με την έρευνα, οι παράγοντες που επηρεάζουν την πιθανότητα πυρκαγιάς είναι η περιεκτικότητα της βλάστησης σε υγρασία, η ανωμαλία της θερμοκρασίας και του υετού και οι παρατεταμένη ξηρασία.
Η ακρίβεια του μοντέλου υπολογίστηκε στο 89%, με διακυμάνσεις από το 33%-100%. Αν και το μοντέλο φαίνεται να είναι κατάλληλο για την εκτίμηση κινδύνου πυρκαγιάς, η εκτίμηση του FPI είναι μειωμένη, λόγω της μεγάλης διαφοράς στην κλίμακα των παρατηρήσεων εδάφους και της χαμηλής ανάλυσης εικόνων του MODIS, αλλά και λόγω της ενδεχόμενης επιβεβαίωσης ακατάλληλων δεικτών. Επομένως, προτείνεται να χρησιμοποιούνται δορυφορικά δεδομένα μέτριας ή υψηλής ανάλυσης.
Συμπερασματικά, η εξαγωγή του FPI από δεδομένα τηλεπισκόπησης είναι αποδεκτή για την αξιολόγηση κινδύνου πυρκαγιάς.

Εκτίμηση των Παραμέτρων Ανάπτυξης των Σιτηρών με την Χρήση Υπερφασματικών Δεδομένων από ΣμηΕΑ

2022-02-06T09:30:27Z

E markopoulou: Νέα σελίδα με '=='''Εκτίμηση των Παραμέτρων Ανάπτυξης των Σιτηρών με την Χρήση Υπερφασματικών Δεδομένων από Σ...'

=='''Εκτίμηση των Παραμέτρων Ανάπτυξης των Σιτηρών με την Χρήση Υπερφασματικών Δεδομένων από ΣμηΕΑ'''==

'''Πρωτότυπος τίτλος:''' Estimation of Crop Growth Parameters Using UAV-Based Hyperspectral Remote Sensing Data

'''Συγγραφείς:''' Huilin Tao, Haikuan Feng, Liangji Mengke, Huiling Long, Jibo Yue, Zhenhai Li, Guijun Yang, Xiaodong Yang, Lingling Fan

'''Δημοσιεύθηκε:''' Sensors MDPI

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.mdpi.com/1424-8220/20/5/1296 ]

'''Εισαγωγή'''

Η ανάπτυξη της καλλιέργειας αξιολογείται από τους δείκτες above-ground biomass (AGB) και leaf area index (LAI).
Τα πλεονεκτήματα των μεθόδων τηλεπισκόπησης συγκριτικά με τις παραδοσιακές μεθόδους αξιολόγησης είναι η μεγάλης κλίμακας, έγκαιρες και δυναμικές παρατηρήσεις. Υπάρχουν όμως κάποιοι περιορισμοί. Με τις μεθόδους τηλεπισκόπησης από εδάφους δεν λαμβάνονται δεδομένα για την δημιουργία ορθοφωτογραφιών. Οι δορυφόροι έχουν μεγάλο κύκλο λειτουργίας, ενδέχεται οι λήψεις να επηρεαστούν από τα σύννεφα και έχουν υψηλό κόστος συντήρησης. Μία καλή εναλλακτική αυτών είναι η χρήση ΣμηΕΑ, καθώς είναι εύκολα στην χρήση, οι δέκτες τους έχουν υψηλότερη ανάλυση από τους δέκτες των δορυφόρων και έχουν απλούστερα προαπαιτούμενα για τις πτήσεις, σε σχέση με τα αεροσκάφη. Αν και τα περισσότερα ΣμηΕΑ χρησιμοποιούν RGB και πολυφασματικές κάμερες, η χρήση των υπερφασματικών, οι οποίες έχουν περισσότερα φασματικά κανάλια, θα βελτιώσει την αξιολόγηση της ανάπτυξης των φυτών.
Συγκρίνοντας τις RGB και υπερφασματικές κάμερες, η ανακλαστικότητα της βλάστησης διαφέρει ανάλογα το εύρος ζώνης κύματος. Για παράδειγμα, λόγω της απορρόφησης του φωτός από την χλωροφύλλη και τη διάχυσή του από τα φύλλα της κόμης των δέντρων, η φασματική ανακλαστικότητα της βλάστησης αυξάνεται απότομα στα μήκη κύματος 670-750nm και αποκαλείται “red edge” bands. Η ανακλαστικότητα σε αυτή την περιοχή είναι διαφορετική σε σχέση με άλλες φασματικές περιοχές και περιέχει πολλές πληροφορίες για την εκτίμηση των παραμέτρων ανάπτυξης.
Οι επιστήμονες έχουν αναπτύξει αρκετούς δείκτες βλάστησης (VI), για την αξιολόγηση των AGB και LAI. Στην παρούσα μελέτη, για την εκτίμηση των δεικτών χρησιμοποιούνται μόνο οι VIs, οι παράμετροι red-edge και ο συνδυασμός τους.
[[Αρχείο:Rs_wiki_Markopoulou_9_1.jpg|200px|thumb|left|Διάγραμμα 1: Πειραματική διάταξη. ZM175: σιτάρι Zhongmai, J9843: σιτάρι Jingmai 9843. Τα Ν1, Ν2, Ν3, Ν4 αναπαριστούν μεταχειρίσεις αζώτου των 0, 195, 390 και 780 kg/ha αντίστοιχα]]

'''Μεθοδολογία'''

Η έρευνα πραγματοποιήθηκε στο National Precision Agriculture Research Demonstration Base, στην πόλη Xiaotangshan της Κίνας. Φυτεύτηκαν διαφορετικές ποικιλίες σιταριού σε 48 πειραματικά τεμάχια των 48m2 και εφαρμόστηκαν διαφορετικά προγράμματα άρδευσης και λίπανσης αζώτου στο καθένα. Συλλέχθηκαν δεδομένα τηλεπισκόπησης από ΣμηΕΑ με υπερφασματική κάμερα, αλλά και δεδομένα από εδάφους για στα στάδια του αδελφώματος, του φύλλου σημαίας, της άνθισης και του γεμίσματος. Στο τέλος της καλλιεργητικές περιόδου συγκομίστηκαν κάποια φυτά και υπολογίστηκε ο LAI και ο AGB, σύμφωνα με το πρωτόκολλο.
Λήφθηκαν δεδομένα από ΣμηΕΑ με υπερφασματικούς αισθητήρες και μελετήθηκαν οι σχέσεις των ο LAI και ο AGB με 20 VIs. Χρησιμοποιήθηκαν πέντε παράμετροι red-edge:
1. red edge position (REP)
2. red edge amplitude (Dr)
3. red edge area (SDr)
4. minimum red-edge amplitude (Drmin)
5. ο λόγος του red edge amplitude και του minimum red-edge amplitude (Dr/Drmin)
Οι παράμετροι υπολογίστηκαν σύμφωνα με το maximum first derivative.
Για την μελέτη χρησιμοποιήθηκε η μέθοδος PSLR, η οποία περιλαμβάνει γραμμική παλινδρόμηση, ανάλυση κανονικής συσχέτισης και ανάλυση κύριων συνιστωσών.
Το μοντέλο δημιουργήθηκε από τα 2/3 των δεδομένων και το 1/3 χρησιμοποιήθηκε για την επαλήθευση.
[[Αρχείο:Rs_wiki_Markopoulou_9_2.jpg|200px|thumb|left|Διάγραμμα 2: Ο χάρτης απεικονίζει την κατανομή των αναμενόμενων τιμών του AGB (kg/m2) στους 48 πειραματικούς αγρούς που προέκυψαν από τον συνδυασμό των VI και RP, με τη χρήση της μεθόδου PLSR (a) στάδιο αδελφώματος (b) στάδιο φύλλου σημαίας (c) στάδιο άνθισης]]

'''Συμπεράσματα'''

Η μελέτη έδειξε ότι η ευαισθησία των VIs στα AGB και LAI εξαρτάται από το στάδιο ανάπτυξης, με τον δείκτη βλάστησης PBI να δίνει τα καλύτερα αποτελέσματα. Επίσης, έδειξε ότι ο συνδυασμός των VIs και των παραμέτρων red-edge δίνει καλύτερες εκτιμήσεις για την εκτίμηση της ανάπτυξης. Τέλος, οι μέθοδοι PSLR έδωσαν καλύτερα αποτελέσματα συγκριτικά με την απλή γραμμική παλινδρόμηση και την γραμμική παλινδρόμηση SWR.

Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του Aedes aegypti...

2022-02-06T09:27:04Z

E markopoulou:

=='''Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του Aedes aegypti στην Γαλλική Γουιάνα, με χρήση μετεωρολογικών και τηλεσκοπικών δεδομένων'''==

'''Πρωτότυπος τίτλος:''' Modeling spatiotemporal Aedes aegypti risk in French Guiana
using meteorological and remote sensing data

'''Συγγραφείς:''' Sarah Bailly, Vanessa Machault, Samuel Beneteau, Philippe Palany, Romain Girod, Jean-Pierre Lacaux, Philippe Quene, Claude Flamand

'''Δημοσιεύθηκε:''' Remote Sensing MDPI

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.medrxiv.org/content/10.1101/2021.08.02.21261373v1.full ]

'''Εισαγωγή'''

Αν και η τεχνολογία των εμβολίων κατά των αρμποϊών έχει προχωρήσει, προτεραιότητα αποτελεί η καταπολέμηση του φορέα. Στην Γαλλική Γουιάνα, υπάρχουν πολλές επιδημίες που συνδέονται με τους αρμποϊούς. Εκεί, το κουνούπι ''Aedes aegypti'' είναι ο μόνος ταυτοποιημένος φορέας του δάγκειου πυρετού και των ιών Chikungunya και Zika. Τα κουνούπια αναπαράγονται κυρίως σε δοχεία οικιών που περιέχουν καθαρό νερό και οργανική ουσία, αλλά και σε γλάστρες, παλιά ελαστικά, παλιές οικιακές συσκευές, κ.α.
Αν και υπάρχουν επιτυχημένα προγράμματα αντιμετώπισης, η επιτυχία τους υπονομεύεται από την μη δήλωση των περιπτώσεων στις τοπικές αρχές, αλλά και την καθυστέρηση της δήλωσης αυτών. Επίσης, υπάρχει ασυνέχεια στην συλλογή δεδομένων. Επομένως, κρίνεται απαραίτητη η συλλογή δεδομένων με χρονική και χωρική ακρίβεια, τα οποία σχετίζονται με τον ρυθμό μετάδοσης των ασθενειών.
Οι καιρικές και κλιματολογικές συνθήκες, όπως η βροχόπτωση, η σχετική υγρασία και η θερμοκρασία, αλλά και οι περιβαλλοντικές συνθήκες, όπως η βλάστηση, ο τύπος εδάφους και το επίπεδο αστικοποίησης, παίζουν σημαντικό ρόλο στην εξάπλωση του δάγκειου πυρετού. Προκειμένου τα παραπάνω να έχουν χωρική, φασματική και χρονική ανάλυση, εφαρμόζονται μέθοδοι τηλεπισκόπησης. Σε παλαιότερες μελέτες αποδείχτηκε πως οι κλιματολογικές συνθήκες κατά τη διάρκεια των επιδημιών δάγκειου πυρετού διαφέρουν σημαντικά σε κάθε περιοχή και επηρεάζουν σημαντικά τα επιδημιολογικά μοντέλα. Καθώς δεν υπάρχουν μοντέλα για την Γαλλική Γουιάνα, το άρθρο στοχεύει στην μοντελοποίηση της χωρική (σε οικιακό επίπεδο) και χρονικά (ημερησίως) της δυναμικής που έχει η παρουσία ή απουσία του ''Aedes aegypti''.
[[Αρχείο:Rs_wiki_Markopoulou_2_1.jpg|200px|thumb|left|Διάγραμμα 1: Μηνιαίος εντομολογικός χάρτης κινδύνου από το μοντέλο, βάσει των δεδομένων από το Νοέμβριο του 2019 μέχρι τον Αύγουστο του 2020 από το δημοτικό διαμέρισμα Cayenne]]

'''Μεθοδολογία'''

Η περιοχή μελέτης βρίσκεται στο διοικητικό διαμέρισμα του Matoury, στην περιοχή του Cayenne. Συλλέχθηκαν εντομολογικά δεδομένα από τον Σεπτέμβριο του 2011 ως τον Φεβρουάριο του 2013 in situ. Σε αυτό το διάστημα, υπήρξε δίμηνη επιδημία δάγκειου πυρετού. Συνολικά έγινε δειγματοληψία σε 261 οικίες για την αναγνώριση και καταγραφή των δοχείων και την συλλογή κουνουπιών με παγίδες BG sentinel. Τα μετεωρολογικά δεδομένα λήφθηκαν από τον μετεωρολογικό σταθμό του αεροδρομίου. Δεδομένα για τις βροχοπτώσεις λήφθηκαν από το Tropical Rainfall Measuring Mission. Τέλος, λήφθηκαν εικόνες ανάλυσης 50m×50m από τους δορυφόρους Πλειάδες.
[[Αρχείο:Rs_wiki_Markopoulou_2_2.jpg|200px|thumb|left|Διάγραμμα 2: Συσχέτιση μεταξύ του αριθμού των περιστατικών και τον αριθμό των οικιών όπου ανιχνεύτηκαν προνύμφες]]
Για τον υπολογισμό των δεικτών χρησιμοποιήθηκε το Orfeo Toolbox. Συνολικά υπολογίστηκαν 14 δείκτες, που σχετίζονται με φυσικά και βιολογικά χαρακτηριστικά του πεδίου. Αρχικά πραγματοποιήθηκε επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας στο πρόγραμμα ENVI 5.1, με τις εξής κλάσεις: κτήριο, πισίνα, άσφαλτος, νερό, γυμνό έδαφος, αραιή βλάστηση, πράσινη χαμηλή βλάστηση και δέντρα. Για κάθε κλάση που ταυτοποιήθηκε, μετά από φωτοερμηνεία, ψηφιοποιήθηκαν τα πολύγωνα, από τα οποία εξήχθησαν οι φασματικές υπογραφές. Στη συνέχεια, πραγματοποιήθηκε αντικειμενοστρεφής ταξινόμηση με το πρόγραμμα ENVI FX. Με τη χρήση του confusion tree μεταξύ των pixel και της ταξινόμησης των αντικειμένων, ταξινομήθηκαν καλύτερα κάποια αντικείμενα που εμφάνιζαν ομοιότητες μεταξύ τους.
Μέσα από ένα σύστημα GIS, χωρίστηκαν οι οικίες σε ζώνες, εξήχθησαν διάφορα δεδομένα και υπολογίστηκαν η απόσταση της κάθε οικίας από το πρώτο pixel της κάθε κλάσης, καθώς και η χρήση γης πέριξ αυτών.
Για την ανάλυση της παρουσίας και απουσίας των προνυμφών χρησιμοποιήθηκε η μέθοδος boosted regression tree, με κατανομή Bernoulli.
[[Αρχείο:Rs_wiki_Markopoulou_2_3.png|200px|thumb|left|Διάγραμμα 3: Η Γαλλική Γουιάνα, η περιοχή μελέτης και το κέντρο του δημοτικού διαμερίσματος Matoury]]

'''Συμπεράσματα'''

Σύμφωνα με τα αποτελέσματα, οι οικίες επηρεάζονται από το περιβάλλον μέχρι την ακτίνα των 200m. Επίσης, ο τύπος εδάφους επηρεάζει την ύπαρξη προνυμφών σε ακτίνα 50m, αλλά και τα χαρακτηριστικά γύρω από τις οικίες. Η υγρασία στο έδαφος, σε συνδυασμό με την χαμηλή βλάστηση δημιουργούν ένα ευνοϊκό ενδιαίτημα για τις προνύμφες, ειδικότερα αν υπάρχουν αρκετά θρεπτικά στο νερό, καθώς αυξάνεται το fitness. Τέλος, η αστικοποίηση προσφέρει ένα καλό ενδιαίτημα, με αφθονία σε αίμα.
Όσον αφορά τις κλιματολογικές συνθήκες, οι πολύ υψηλές θερμοκρασίες του νερού δεν ευνοούν την ανάπτυξη των προνυμφών. Το ίδιο ισχύει και για την θερμοκρασία του αέρα σε σχέση με την επιβίωση των ενηλίκων. Οι βροχοπτώσεις βελτιώνουν τις συνθήκες για τον φορέα, καθώς παρατηρήθηκε μέγιστη αύξηση της πιθανότητας παρουσίας προνυμφών. Τέλος, η λιγότερο ευνοϊκή εποχή τοποθετείται των Μάρτιο, επειδή διαχωρίζει την μικρότερης χρονικής διάρκειας εποχή βροχών (Ιανουάριος-Φεβρουάριος) από την μεγαλύτερη (Απρίλιος-Ιούνιος).
Οι χρονικοί και χωρικοί χάρτες επικινδυνότητας αποτελούν ένα σημαντικό εργαλείο για την καταπολέμηση του φορέα, καθώς μπορούν να εντοπιστούν τα ακριβή σημεία που χρίζουν επέμβασης.
Η μελέτη εγείρει ενδιαφέροντα ερωτήματα για περαιτέρω έρευνα, όπως τον εντοπισμό δεικτών στον χώρο, οι οποίοι θα είναι πιο αντιπροσωπευτικοί για την επιδημιολογία των ασθενειών σε σχέση με τις ξεχωριστές περιπτώσεις, ώστε να υπάρξει η σύνδεση μεταξύ εντομολογικών και επιδημιολογικών κινδύνων.

Τηλεσκοπική Αξιολόγηση της Εξάπλωσης των Προσβολών του Ips typographus...

2022-02-06T09:26:06Z

E markopoulou:

=='''Τηλεσκοπική Αξιολόγηση της Εξάπλωσης των Προσβολών του Ips typographus στο Προστατευόμενο Πάρκο Chuprene, στη Δυτική Βαλκανική Οροσειρά'''==

'''Πρωτότυπος τίτλος:''' Remote Sensing Assessment of the Expansion of Ips typographus Attacks in the Chuprene Reserve, Western Balkan Range

'''Συγγραφείς:''' Georgi Georgiev, Margarita Georgieva, Stelian Dimitrov, Martin Iliev, Vladislav Trenkin, Plamen Mirchev, Sevdalin Belilov

'''Δημοσιεύθηκε:''' Forests MDPI

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.mdpi.com/1999-4907/13/1/39/htm ]

'''Εισαγωγή'''

Το δάση αντιμετωπίζουν πολλές απειλές από τις καιρικές συνθήκες και τις προσβολές εντόμων και άλλων παθογόνων. Η Τηλεπισκόπηση παρέχει πληροφορίες για την θέση των περιοχών που έχουν πληγεί. Συγκεκριμένα, η Δορυφορική Τηλεπισκόπηση παρέχει πληροφορίες για την κάλυψη γης, την φυτοϋγεία του δάσους συναρτήσει της αναπαραγωγικής συμπεριφοράς των εχθρών, προκειμένου να γίνει ταυτοποίηση του είδους. Η χρήση ΣμηΕΑ και έχει πολλά πλεονεκτήματα και ευκολίες για την λήψη εικόνων πολύ υψηλής ανάλυσης.
Τα ξυλοφάγα έντομα και συγκεκριμένα το είδος ''Ips typographus'' προσβάλει μη υγιείς περιοχές στο δάσος και κυρίως το είδος Picea abies, με αποτέλεσμα να προκαλείται σημαντική οικολογική και οικονομική ζημιά τα τελευταία χρόνια.
Ο σκοπός της μελέτης είναι η αξιολόγησης της δυναμικής των προσβολών του είδους του Ips typographus, καθώς και της καταστροφής των δασών στο Προστατευόμενο Πάρκο Chuprene.
[[Αρχείο:Rs_wiki_Markopoulou_8_1.jpg|200px|thumb|left|Εικόνα 1: Κηλίδες προσβολής του Ips typographus το βορειοανατολικό κομάτι του Προστατευόμενου Πάρκου Chuprene: 2011 και 2015 (εικόνες από αέρος), 2017 (εικόνες από ΣμηΕΑ) και 2020 (δορυφορικές εικόνες)]]

'''Μεθοδολογία'''

Το Προστατευόμενο Πάρκο Chuprene αποτελείται κυρίως από κωνοφόρα δάση και έχει μεγάλες υψομετρικές διαφορές. Σε ένα ΣμηΕΑ τύπου Flying Wing τοποθετήθηκε κάμερα Parrot Sequoia, η οποία δίνει πολυφασματικές εικόνες υψηλής ανάλυσης στα κανάλια RGB, red edge και NIR. Από τις εικόνες υπολογίστηκε ο NDVI, ώστε να πραγματοποιηθεί η εν λόγω αξιολόγηση. Ο δείκτης αυτός υπολογίζεται από την ανακλαστικότητα των φύλλων, από τα κανάλια Red και NIR. Η επιχείρηση στο πεδίο πραγματοποιήθηκε τον Σεπτέμβρη και Οκτώβρη του 2017.
Συνολικά πραγματοποιήθηκαν επτά λήψεις, όπου λήφθηκαν εικόνες και μελετήθηκε περίπου το 21,6% της έκτασης. Η Ground Sampling Distance (GSD) στις εικόνες RGB ήταν 8cm και στις πολυφασματικές 20cm. Η ποιότητα των εικόνων ήταν καλύτερη σε σχέση με αυτές του Landsat και Copernicus, πράγμα που βοηθά στην ανίχνευση μικρότερων περιοχών και κηλίδων που έχουν προσβληθεί από το ξυλοφάγο. Η αύξηση σε μέγεθος των προσβεβλημένων κηλίδων μελετήθηκε με χάρτες από εικόνες μέσω ΣμηΕΑ και ορθοφωτογραφίες που λήφθηκαν το 2011 και 2015.
Λόγω κάποιων ιδιαίτερων συνθηκών του πεδίου εκείνη την εποχή, ήταν αδύνατο να ληφθούν όλα τα απαραίτητα δεδομένα με ΣμηΕΑ, επομένως χρησιμοποιήθηκαν δορυφορικές εικόνες. Μετά από διερεύνηση σε διάφορες πλατφόρμες τηλεσκοπικών εικόνων, προκειμένου να βρεθούν αυτές που πληρούν τα κατάλληλα κριτήρια, επιλέχθηκε το European Space Imaging (EUSI), που παρείχε εικόνες ανάλυσης 50cm/px σε τέσσερα φασματικά κανάλια, RGB και NIR.
Η επεξεργασία των εικόνων, για να προκύψει το ορθομωσαϊκό και ο χάρτης NDVI έγινε στο Pix4D, ενώ στο SNAP και το ArcGIS έγινε η επεξεργασία και ανάλυση των δεδομένων. Από το SNAP προέκυψαν τα RGB και NDVI μοντέλα. Τέλος, μετά την επεξεργασία για τον δείκτη NDVI, τα δεδομένα εισήχθησαν στο ArcMap, για περαιτέρω επεξεργασία και ταξινόμηση των περιοχών. Στη συνέχεια, τα δεδομένα αυτά συνδυάστηκαν με τις RGB εικόνες, ώστε να είναι ξεκάθαρες οι προσβεβλημένες περιοχές του δάσους.
Στο τέλος της πειραματικής διαδικασίας έγινε μία ακόμα μελέτη στο πεδίο, προκειμένου να ανιχνευτούν από τους ερευνητές περιοχές με το είδος Picea abies, οι οποίες να έχουν προσβληθεί από το ξυλοφάγο. Στην αυτοψία βρέθηκαν τουλάχιστον δέκα νεκρά δέντρα και βρέθηκε το έντομο σε όλες τις μορφές του, καθώς και στοές στο ξύλο.
Για την ανάλυση της παρουσίας και απουσίας των προνυμφών χρησιμοποιήθηκε η μέθοδος boosted regression tree, με κατανομή Bernoulli.
[[Αρχείο:Rs_wiki_Markopoulou_8_2.png|200px|thumb|left|Εικόνα 1: Κηλίδες προσβολής του Ips typographus το βορειοανατολικό κομάτι του Προστατευόμενου Πάρκου Chuprene: 2011 και 2015 (εικόνες από αέρος), 2017 (εικόνες από ΣμηΕΑ) και 2020 (δορυφορικές εικόνες)]]

'''Συμπεράσματα'''

Οι προσβολές του ''Ips typographus'' αυξήθηκαν από 82 το 2011 σε 287 το 2020. Η μέγιστη αύξηση παρατηρήθηκε μεταξύ του 2011 και 2017. Αν και τα προσβεβλημένα σημεία αυξήθηκαν και επομένως άρχισαν να ενώνονται, νεκρά και προσβεβλημένα δέντρα βρέθηκαν σε όλη την έκταση του Προστατευόμενου Πάρκου. Οι δορυφορικές εικόνες έδειξαν ότι έχει θανατωθεί το 9,6% των δέντρων της συνολικής έκτασης. Η εκτεταμένη προσβολή εξηγείται από το γεγονός ότι λόγω του αέρα και χιονιού, τα δέντρα τραυματίζονται, πράγμα που ελκύει το ξυλοφάγο έντομο.
Αν και η μέθοδος ήταν ακριβής, μία παρατήρηση που έκαναν οι ερευνητές είναι πως λόγω των βρύων που μεγαλώνουν στο έδαφος, καθώς και της εξαγωγής των χαρτών μέσω του NDVI, ενδέχεται να υπάρξουν κάποιες ανακρίβειες. Παρόλα αυτά, πρόκειται για μία χρήσιμη και αποτελεσματική μέθοδο για μεγάλες εκτάσεις, ειδικότερα σε περιοχές όπου είναι δύσκολο να πραγματοποιηθεί η συνηθισμένη μεθοδολογία στην εντομολογική έρευνα.

Τηλεσκοπική Αξιολόγηση της Εξάπλωσης των Προσβολών του Ips typographus...

2022-02-06T09:25:43Z

E markopoulou: Νέα σελίδα με '=='''Τηλεσκοπική Αξιολόγηση της Εξάπλωσης των Προσβολών του Ips typographus στο Προστατευόμενο Πάρκο ...'

Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του Aedes aegypti...

2022-02-06T09:21:22Z

E markopoulou:

=='''Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του Aedes aegypti στην Γαλλική Γουιάνα, με χρήση μετεωρολογικών και τηλεσκοπικών δεδομένων'''==

'''Πρωτότυπος τίτλος:''' Modeling spatiotemporal Aedes aegypti risk in French Guiana
using meteorological and remote sensing data

'''Συγγραφείς:''' Sarah Bailly, Vanessa Machault, Samuel Beneteau, Philippe Palany, Romain Girod, Jean-Pierre Lacaux, Philippe Quene, Claude Flamand

'''Δημοσιεύθηκε:''' Remote Sensing MDPI

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.medrxiv.org/content/10.1101/2021.08.02.21261373v1.full ]

'''Εισαγωγή'''

Αν και η τεχνολογία των εμβολίων κατά των αρμποϊών έχει προχωρήσει, προτεραιότητα αποτελεί η καταπολέμηση του φορέα. Στην Γαλλική Γουιάνα, υπάρχουν πολλές επιδημίες που συνδέονται με τους αρμποϊούς. Εκεί, το κουνούπι Aedes aegypti είναι ο μόνος ταυτοποιημένος φορέας του δάγκειου πυρετού και των ιών Chikungunya και Zika. Τα κουνούπια αναπαράγονται κυρίως σε δοχεία οικιών που περιέχουν καθαρό νερό και οργανική ουσία, αλλά και σε γλάστρες, παλιά ελαστικά, παλιές οικιακές συσκευές, κ.α.
Αν και υπάρχουν επιτυχημένα προγράμματα αντιμετώπισης, η επιτυχία τους υπονομεύεται από την μη δήλωση των περιπτώσεων στις τοπικές αρχές, αλλά και την καθυστέρηση της δήλωσης αυτών. Επίσης, υπάρχει ασυνέχεια στην συλλογή δεδομένων. Επομένως, κρίνεται απαραίτητη η συλλογή δεδομένων με χρονική και χωρική ακρίβεια, τα οποία σχετίζονται με τον ρυθμό μετάδοσης των ασθενειών.
Οι καιρικές και κλιματολογικές συνθήκες, όπως η βροχόπτωση, η σχετική υγρασία και η θερμοκρασία, αλλά και οι περιβαλλοντικές συνθήκες, όπως η βλάστηση, ο τύπος εδάφους και το επίπεδο αστικοποίησης, παίζουν σημαντικό ρόλο στην εξάπλωση του δάγκειου πυρετού. Προκειμένου τα παραπάνω να έχουν χωρική, φασματική και χρονική ανάλυση, εφαρμόζονται μέθοδοι τηλεπισκόπησης. Σε παλαιότερες μελέτες αποδείχτηκε πως οι κλιματολογικές συνθήκες κατά τη διάρκεια των επιδημιών δάγκειου πυρετού διαφέρουν σημαντικά σε κάθε περιοχή και επηρεάζουν σημαντικά τα επιδημιολογικά μοντέλα. Καθώς δεν υπάρχουν μοντέλα για την Γαλλική Γουιάνα, το άρθρο στοχεύει στην μοντελοποίηση της χωρική (σε οικιακό επίπεδο) και χρονικά (ημερησίως) της δυναμικής που έχει η παρουσία ή απουσία του Aedes aegypti.
[[Αρχείο:Rs_wiki_Markopoulou_2_1.jpg|200px|thumb|left|Διάγραμμα 1: Μηνιαίος εντομολογικός χάρτης κινδύνου από το μοντέλο, βάσει των δεδομένων από το Νοέμβριο του 2019 μέχρι τον Αύγουστο του 2020 από το δημοτικό διαμέρισμα Cayenne]]

'''Μεθοδολογία'''

Η περιοχή μελέτης βρίσκεται στο διοικητικό διαμέρισμα του Matoury, στην περιοχή του Cayenne. Συλλέχθηκαν εντομολογικά δεδομένα από τον Σεπτέμβριο του 2011 ως τον Φεβρουάριο του 2013 in situ. Σε αυτό το διάστημα, υπήρξε δίμηνη επιδημία δάγκειου πυρετού. Συνολικά έγινε δειγματοληψία σε 261 οικίες για την αναγνώριση και καταγραφή των δοχείων και την συλλογή κουνουπιών με παγίδες BG sentinel. Τα μετεωρολογικά δεδομένα λήφθηκαν από τον μετεωρολογικό σταθμό του αεροδρομίου. Δεδομένα για τις βροχοπτώσεις λήφθηκαν από το Tropical Rainfall Measuring Mission. Τέλος, λήφθηκαν εικόνες ανάλυσης 50m×50m από τους δορυφόρους Πλειάδες.
[[Αρχείο:Rs_wiki_Markopoulou_2_2.jpg|200px|thumb|left|Διάγραμμα 2: Συσχέτιση μεταξύ του αριθμού των περιστατικών και τον αριθμό των οικιών όπου ανιχνεύτηκαν προνύμφες]]
Για τον υπολογισμό των δεικτών χρησιμοποιήθηκε το Orfeo Toolbox. Συνολικά υπολογίστηκαν 14 δείκτες, που σχετίζονται με φυσικά και βιολογικά χαρακτηριστικά του πεδίου. Αρχικά πραγματοποιήθηκε επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας στο πρόγραμμα ENVI 5.1, με τις εξής κλάσεις: κτήριο, πισίνα, άσφαλτος, νερό, γυμνό έδαφος, αραιή βλάστηση, πράσινη χαμηλή βλάστηση και δέντρα. Για κάθε κλάση που ταυτοποιήθηκε, μετά από φωτοερμηνεία, ψηφιοποιήθηκαν τα πολύγωνα, από τα οποία εξήχθησαν οι φασματικές υπογραφές. Στη συνέχεια, πραγματοποιήθηκε αντικειμενοστρεφής ταξινόμηση με το πρόγραμμα ENVI FX. Με τη χρήση του confusion tree μεταξύ των pixel και της ταξινόμησης των αντικειμένων, ταξινομήθηκαν καλύτερα κάποια αντικείμενα που εμφάνιζαν ομοιότητες μεταξύ τους.
Μέσα από ένα σύστημα GIS, χωρίστηκαν οι οικίες σε ζώνες, εξήχθησαν διάφορα δεδομένα και υπολογίστηκαν η απόσταση της κάθε οικίας από το πρώτο pixel της κάθε κλάσης, καθώς και η χρήση γης πέριξ αυτών.
Για την ανάλυση της παρουσίας και απουσίας των προνυμφών χρησιμοποιήθηκε η μέθοδος boosted regression tree, με κατανομή Bernoulli.
[[Αρχείο:Rs_wiki_Markopoulou_2_3.png|200px|thumb|left|Διάγραμμα 3: Η Γαλλική Γουιάνα, η περιοχή μελέτης και το κέντρο του δημοτικού διαμερίσματος Matoury]]

'''Συμπεράσματα'''

Σύμφωνα με τα αποτελέσματα, οι οικίες επηρεάζονται από το περιβάλλον μέχρι την ακτίνα των 200m. Επίσης, ο τύπος εδάφους επηρεάζει την ύπαρξη προνυμφών σε ακτίνα 50m, αλλά και τα χαρακτηριστικά γύρω από τις οικίες. Η υγρασία στο έδαφος, σε συνδυασμό με την χαμηλή βλάστηση δημιουργούν ένα ευνοϊκό ενδιαίτημα για τις προνύμφες, ειδικότερα αν υπάρχουν αρκετά θρεπτικά στο νερό, καθώς αυξάνεται το fitness. Τέλος, η αστικοποίηση προσφέρει ένα καλό ενδιαίτημα, με αφθονία σε αίμα.
Όσον αφορά τις κλιματολογικές συνθήκες, οι πολύ υψηλές θερμοκρασίες του νερού δεν ευνοούν την ανάπτυξη των προνυμφών. Το ίδιο ισχύει και για την θερμοκρασία του αέρα σε σχέση με την επιβίωση των ενηλίκων. Οι βροχοπτώσεις βελτιώνουν τις συνθήκες για τον φορέα, καθώς παρατηρήθηκε μέγιστη αύξηση της πιθανότητας παρουσίας προνυμφών. Τέλος, η λιγότερο ευνοϊκή εποχή τοποθετείται των Μάρτιο, επειδή διαχωρίζει την μικρότερης χρονικής διάρκειας εποχή βροχών (Ιανουάριος-Φεβρουάριος) από την μεγαλύτερη (Απρίλιος-Ιούνιος).
Οι χρονικοί και χωρικοί χάρτες επικινδυνότητας αποτελούν ένα σημαντικό εργαλείο για την καταπολέμηση του φορέα, καθώς μπορούν να εντοπιστούν τα ακριβή σημεία που χρίζουν επέμβασης.
Η μελέτη εγείρει ενδιαφέροντα ερωτήματα για περαιτέρω έρευνα, όπως τον εντοπισμό δεικτών στον χώρο, οι οποίοι θα είναι πιο αντιπροσωπευτικοί για την επιδημιολογία των ασθενειών σε σχέση με τις ξεχωριστές περιπτώσεις, ώστε να υπάρξει η σύνδεση μεταξύ εντομολογικών και επιδημιολογικών κινδύνων.

Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του Aedes aegypti...

2022-02-06T09:20:54Z

E markopoulou:

=='''Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του Aedes aegypti στην Γαλλική Γουιάνα, με χρήση μετεωρολογικών και τηλεσκοπικών δεδομένων'''==

'''Πρωτότυπος τίτλος:''' Modeling spatiotemporal Aedes aegypti risk in French Guiana
using meteorological and remote sensing data

'''Συγγραφείς:''' Sarah Bailly, Vanessa Machault, Samuel Beneteau, Philippe Palany, Romain Girod, Jean-Pierre Lacaux, Philippe Quene, Claude Flamand

'''Δημοσιεύθηκε:''' Remote Sensing MDPI

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.medrxiv.org/content/10.1101/2021.08.02.21261373v1.full ]

'''Εισαγωγή'''

Αν και η τεχνολογία των εμβολίων κατά των αρμποϊών έχει προχωρήσει, προτεραιότητα αποτελεί η καταπολέμηση του φορέα. Στην Γαλλική Γουιάνα, υπάρχουν πολλές επιδημίες που συνδέονται με τους αρμποϊούς. Εκεί, το κουνούπι Aedes aegypti είναι ο μόνος ταυτοποιημένος φορέας του δάγκειου πυρετού και των ιών Chikungunya και Zika. Τα κουνούπια αναπαράγονται κυρίως σε δοχεία οικιών που περιέχουν καθαρό νερό και οργανική ουσία, αλλά και σε γλάστρες, παλιά ελαστικά, παλιές οικιακές συσκευές, κ.α.
Αν και υπάρχουν επιτυχημένα προγράμματα αντιμετώπισης, η επιτυχία τους υπονομεύεται από την μη δήλωση των περιπτώσεων στις τοπικές αρχές, αλλά και την καθυστέρηση της δήλωσης αυτών. Επίσης, υπάρχει ασυνέχεια στην συλλογή δεδομένων. Επομένως, κρίνεται απαραίτητη η συλλογή δεδομένων με χρονική και χωρική ακρίβεια, τα οποία σχετίζονται με τον ρυθμό μετάδοσης των ασθενειών.
Οι καιρικές και κλιματολογικές συνθήκες, όπως η βροχόπτωση, η σχετική υγρασία και η θερμοκρασία, αλλά και οι περιβαλλοντικές συνθήκες, όπως η βλάστηση, ο τύπος εδάφους και το επίπεδο αστικοποίησης, παίζουν σημαντικό ρόλο στην εξάπλωση του δάγκειου πυρετού. Προκειμένου τα παραπάνω να έχουν χωρική, φασματική και χρονική ανάλυση, εφαρμόζονται μέθοδοι τηλεπισκόπησης. Σε παλαιότερες μελέτες αποδείχτηκε πως οι κλιματολογικές συνθήκες κατά τη διάρκεια των επιδημιών δάγκειου πυρετού διαφέρουν σημαντικά σε κάθε περιοχή και επηρεάζουν σημαντικά τα επιδημιολογικά μοντέλα. Καθώς δεν υπάρχουν μοντέλα για την Γαλλική Γουιάνα, το άρθρο στοχεύει στην μοντελοποίηση της χωρική (σε οικιακό επίπεδο) και χρονικά (ημερησίως) της δυναμικής που έχει η παρουσία ή απουσία του Aedes aegypti.
[[Αρχείο:Rs_wiki_Markopoulou_2_1.jpg|200px|thumb|left|Διάγραμμα 1: Μηνιαίος εντομολογικός χάρτης κινδύνου από το μοντέλο, βάσει των δεδομένων από το Νοέμβριο του 2019 μέχρι τον Αύγουστο του 2020 από το δημοτικό διαμέρισμα Cayenne]]

'''Μεθοδολογία'''

Η περιοχή μελέτης βρίσκεται στο διοικητικό διαμέρισμα του Matoury, στην περιοχή του Cayenne. Συλλέχθηκαν εντομολογικά δεδομένα από τον Σεπτέμβριο του 2011 ως τον Φεβρουάριο του 2013 in situ. Σε αυτό το διάστημα, υπήρξε δίμηνη επιδημία δάγκειου πυρετού. Συνολικά έγινε δειγματοληψία σε 261 οικίες για την αναγνώριση και καταγραφή των δοχείων και την συλλογή κουνουπιών με παγίδες BG sentinel. Τα μετεωρολογικά δεδομένα λήφθηκαν από τον μετεωρολογικό σταθμό του αεροδρομίου. Δεδομένα για τις βροχοπτώσεις λήφθηκαν από το Tropical Rainfall Measuring Mission. Τέλος, λήφθηκαν εικόνες ανάλυσης 50m×50m από τους δορυφόρους Πλειάδες.
[[Αρχείο:Rs_wiki_Markopoulou_2_2.jpg|200px|thumb|left|Διάγραμμα 2: Συσχέτιση μεταξύ του αριθμού των περιστατικών και τον αριθμό των οικιών όπου ανιχνεύτηκαν προνύμφες]]
Για τον υπολογισμό των δεικτών χρησιμοποιήθηκε το Orfeo Toolbox. Συνολικά υπολογίστηκαν 14 δείκτες, που σχετίζονται με φυσικά και βιολογικά χαρακτηριστικά του πεδίου. Αρχικά πραγματοποιήθηκε επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας στο πρόγραμμα ENVI 5.1, με τις εξής κλάσεις: κτήριο, πισίνα, άσφαλτος, νερό, γυμνό έδαφος, αραιή βλάστηση, πράσινη χαμηλή βλάστηση και δέντρα. Για κάθε κλάση που ταυτοποιήθηκε, μετά από φωτοερμηνεία, ψηφιοποιήθηκαν τα πολύγωνα, από τα οποία εξήχθησαν οι φασματικές υπογραφές. Στη συνέχεια, πραγματοποιήθηκε αντικειμενοστρεφής ταξινόμηση με το πρόγραμμα ENVI FX. Με τη χρήση του confusion tree μεταξύ των pixel και της ταξινόμησης των αντικειμένων, ταξινομήθηκαν καλύτερα κάποια αντικείμενα που εμφάνιζαν ομοιότητες μεταξύ τους.
Μέσα από ένα σύστημα GIS, χωρίστηκαν οι οικίες σε ζώνες, εξήχθησαν διάφορα δεδομένα και υπολογίστηκαν η απόσταση της κάθε οικίας από το πρώτο pixel της κάθε κλάσης, καθώς και η χρήση γης πέριξ αυτών.
Για την ανάλυση της παρουσίας και απουσίας των προνυμφών χρησιμοποιήθηκε η μέθοδος boosted regression tree, με κατανομή Bernoulli.
[[Αρχείο:Rs_wiki_Markopoulou_2_3.πνg|200px|thumb|left|Διάγραμμα 3: Η Γαλλική Γουιάνα, η περιοχή μελέτης και το κέντρο του δημοτικού διαμερίσματος Matoury]]

'''Συμπεράσματα'''

Σύμφωνα με τα αποτελέσματα, οι οικίες επηρεάζονται από το περιβάλλον μέχρι την ακτίνα των 200m. Επίσης, ο τύπος εδάφους επηρεάζει την ύπαρξη προνυμφών σε ακτίνα 50m, αλλά και τα χαρακτηριστικά γύρω από τις οικίες. Η υγρασία στο έδαφος, σε συνδυασμό με την χαμηλή βλάστηση δημιουργούν ένα ευνοϊκό ενδιαίτημα για τις προνύμφες, ειδικότερα αν υπάρχουν αρκετά θρεπτικά στο νερό, καθώς αυξάνεται το fitness. Τέλος, η αστικοποίηση προσφέρει ένα καλό ενδιαίτημα, με αφθονία σε αίμα.
Όσον αφορά τις κλιματολογικές συνθήκες, οι πολύ υψηλές θερμοκρασίες του νερού δεν ευνοούν την ανάπτυξη των προνυμφών. Το ίδιο ισχύει και για την θερμοκρασία του αέρα σε σχέση με την επιβίωση των ενηλίκων. Οι βροχοπτώσεις βελτιώνουν τις συνθήκες για τον φορέα, καθώς παρατηρήθηκε μέγιστη αύξηση της πιθανότητας παρουσίας προνυμφών. Τέλος, η λιγότερο ευνοϊκή εποχή τοποθετείται των Μάρτιο, επειδή διαχωρίζει την μικρότερης χρονικής διάρκειας εποχή βροχών (Ιανουάριος-Φεβρουάριος) από την μεγαλύτερη (Απρίλιος-Ιούνιος).
Οι χρονικοί και χωρικοί χάρτες επικινδυνότητας αποτελούν ένα σημαντικό εργαλείο για την καταπολέμηση του φορέα, καθώς μπορούν να εντοπιστούν τα ακριβή σημεία που χρίζουν επέμβασης.
Η μελέτη εγείρει ενδιαφέροντα ερωτήματα για περαιτέρω έρευνα, όπως τον εντοπισμό δεικτών στον χώρο, οι οποίοι θα είναι πιο αντιπροσωπευτικοί για την επιδημιολογία των ασθενειών σε σχέση με τις ξεχωριστές περιπτώσεις, ώστε να υπάρξει η σύνδεση μεταξύ εντομολογικών και επιδημιολογικών κινδύνων.

Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του Aedes aegypti...

2022-02-06T09:20:17Z

E markopoulou:

=='''Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του Aedes aegypti στην Γαλλική Γουιάνα, με χρήση μετεωρολογικών και τηλεσκοπικών δεδομένων'''==

'''Πρωτότυπος τίτλος:''' Modeling spatiotemporal Aedes aegypti risk in French Guiana
using meteorological and remote sensing data

'''Συγγραφείς:''' Sarah Bailly, Vanessa Machault, Samuel Beneteau, Philippe Palany, Romain Girod, Jean-Pierre Lacaux, Philippe Quene, Claude Flamand

'''Δημοσιεύθηκε:''' Remote Sensing MDPI

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.medrxiv.org/content/10.1101/2021.08.02.21261373v1.full ]

'''Εισαγωγή'''

Αν και η τεχνολογία των εμβολίων κατά των αρμποϊών έχει προχωρήσει, προτεραιότητα αποτελεί η καταπολέμηση του φορέα. Στην Γαλλική Γουιάνα, υπάρχουν πολλές επιδημίες που συνδέονται με τους αρμποϊούς. Εκεί, το κουνούπι Aedes aegypti είναι ο μόνος ταυτοποιημένος φορέας του δάγκειου πυρετού και των ιών Chikungunya και Zika. Τα κουνούπια αναπαράγονται κυρίως σε δοχεία οικιών που περιέχουν καθαρό νερό και οργανική ουσία, αλλά και σε γλάστρες, παλιά ελαστικά, παλιές οικιακές συσκευές, κ.α.
Αν και υπάρχουν επιτυχημένα προγράμματα αντιμετώπισης, η επιτυχία τους υπονομεύεται από την μη δήλωση των περιπτώσεων στις τοπικές αρχές, αλλά και την καθυστέρηση της δήλωσης αυτών. Επίσης, υπάρχει ασυνέχεια στην συλλογή δεδομένων. Επομένως, κρίνεται απαραίτητη η συλλογή δεδομένων με χρονική και χωρική ακρίβεια, τα οποία σχετίζονται με τον ρυθμό μετάδοσης των ασθενειών.
Οι καιρικές και κλιματολογικές συνθήκες, όπως η βροχόπτωση, η σχετική υγρασία και η θερμοκρασία, αλλά και οι περιβαλλοντικές συνθήκες, όπως η βλάστηση, ο τύπος εδάφους και το επίπεδο αστικοποίησης, παίζουν σημαντικό ρόλο στην εξάπλωση του δάγκειου πυρετού. Προκειμένου τα παραπάνω να έχουν χωρική, φασματική και χρονική ανάλυση, εφαρμόζονται μέθοδοι τηλεπισκόπησης. Σε παλαιότερες μελέτες αποδείχτηκε πως οι κλιματολογικές συνθήκες κατά τη διάρκεια των επιδημιών δάγκειου πυρετού διαφέρουν σημαντικά σε κάθε περιοχή και επηρεάζουν σημαντικά τα επιδημιολογικά μοντέλα. Καθώς δεν υπάρχουν μοντέλα για την Γαλλική Γουιάνα, το άρθρο στοχεύει στην μοντελοποίηση της χωρική (σε οικιακό επίπεδο) και χρονικά (ημερησίως) της δυναμικής που έχει η παρουσία ή απουσία του Aedes aegypti.
[[Αρχείο:Rs_wiki_Markopoulou_2_1.jpg|200px|thumb|left|Διάγραμμα 1: Μηνιαίος εντομολογικός χάρτης κινδύνου από το μοντέλο, βάσει των δεδομένων από το Νοέμβριο του 2019 μέχρι τον Αύγουστο του 2020 από το δημοτικό διαμέρισμα Cayenne]]

'''Μεθοδολογία'''

Η περιοχή μελέτης βρίσκεται στο διοικητικό διαμέρισμα του Matoury, στην περιοχή του Cayenne. Συλλέχθηκαν εντομολογικά δεδομένα από τον Σεπτέμβριο του 2011 ως τον Φεβρουάριο του 2013 in situ. Σε αυτό το διάστημα, υπήρξε δίμηνη επιδημία δάγκειου πυρετού. Συνολικά έγινε δειγματοληψία σε 261 οικίες για την αναγνώριση και καταγραφή των δοχείων και την συλλογή κουνουπιών με παγίδες BG sentinel. Τα μετεωρολογικά δεδομένα λήφθηκαν από τον μετεωρολογικό σταθμό του αεροδρομίου. Δεδομένα για τις βροχοπτώσεις λήφθηκαν από το Tropical Rainfall Measuring Mission. Τέλος, λήφθηκαν εικόνες ανάλυσης 50m×50m από τους δορυφόρους Πλειάδες.
[[Αρχείο:Rs_wiki_Markopoulou_2_2.jpg|200px|thumb|left|Διάγραμμα 2: Συσχέτιση μεταξύ του αριθμού των περιστατικών και τον αριθμό των οικιών όπου ανιχνεύτηκαν προνύμφες]]
Για τον υπολογισμό των δεικτών χρησιμοποιήθηκε το Orfeo Toolbox. Συνολικά υπολογίστηκαν 14 δείκτες, που σχετίζονται με φυσικά και βιολογικά χαρακτηριστικά του πεδίου. Αρχικά πραγματοποιήθηκε επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας στο πρόγραμμα ENVI 5.1, με τις εξής κλάσεις: κτήριο, πισίνα, άσφαλτος, νερό, γυμνό έδαφος, αραιή βλάστηση, πράσινη χαμηλή βλάστηση και δέντρα. Για κάθε κλάση που ταυτοποιήθηκε, μετά από φωτοερμηνεία, ψηφιοποιήθηκαν τα πολύγωνα, από τα οποία εξήχθησαν οι φασματικές υπογραφές. Στη συνέχεια, πραγματοποιήθηκε αντικειμενοστρεφής ταξινόμηση με το πρόγραμμα ENVI FX. Με τη χρήση του confusion tree μεταξύ των pixel και της ταξινόμησης των αντικειμένων, ταξινομήθηκαν καλύτερα κάποια αντικείμενα που εμφάνιζαν ομοιότητες μεταξύ τους.
Μέσα από ένα σύστημα GIS, χωρίστηκαν οι οικίες σε ζώνες, εξήχθησαν διάφορα δεδομένα και υπολογίστηκαν η απόσταση της κάθε οικίας από το πρώτο pixel της κάθε κλάσης, καθώς και η χρήση γης πέριξ αυτών.
Για την ανάλυση της παρουσίας και απουσίας των προνυμφών χρησιμοποιήθηκε η μέθοδος boosted regression tree, με κατανομή Bernoulli.
[[Αρχείο:Rs_wiki_Markopoulou_2_3.πνg|200px|thumb|left|Διάγραμμα 3: Η Γαλλική Γουιάνα, η περιοχή μελέτης και το κέντρο του δημοτικού διαμερίσματος Matoury]]

'''Συμπεράσματα'''

Σύμφωνα με τα αποτελέσματα, οι οικίες επηρεάζονται από το περιβάλλον μέχρι την ακτίνα των 200m. Επίσης, ο τύπος εδάφους επηρεάζει την ύπαρξη προνυμφών σε ακτίνα 50m, αλλά και τα χαρακτηριστικά γύρω από τις οικίες. Η υγρασία στο έδαφος, σε συνδυασμό με την χαμηλή βλάστηση δημιουργούν ένα ευνοϊκό ενδιαίτημα για τις προνύμφες, ειδικότερα αν υπάρχουν αρκετά θρεπτικά στο νερό, καθώς αυξάνεται το fitness. Τέλος, η αστικοποίηση προσφέρει ένα καλό ενδιαίτημα, με αφθονία σε αίμα.
Όσον αφορά τις κλιματολογικές συνθήκες, οι πολύ υψηλές θερμοκρασίες του νερού δεν ευνοούν την ανάπτυξη των προνυμφών. Το ίδιο ισχύει και για την θερμοκρασία του αέρα σε σχέση με την επιβίωση των ενηλίκων. Οι βροχοπτώσεις βελτιώνουν τις συνθήκες για τον φορέα, καθώς παρατηρήθηκε μέγιστη αύξηση της πιθανότητας παρουσίας προνυμφών. Τέλος, η λιγότερο ευνοϊκή εποχή τοποθετείται των Μάρτιο, επειδή διαχωρίζει την μικρότερης χρονικής διάρκειας εποχή βροχών (Ιανουάριος-Φεβρουάριος) από την μεγαλύτερη (Απρίλιος-Ιούνιος).
Οι χρονικοί και χωρικοί χάρτες επικινδυνότητας αποτελούν ένα σημαντικό εργαλείο για την καταπολέμηση του φορέα, καθώς μπορούν να εντοπιστούν τα ακριβή σημεία που χρίζουν επέμβασης.
Η μελέτη εγείρει ενδιαφέροντα ερωτήματα για περαιτέρω έρευνα, όπως τον εντοπισμό δεικτών στον χώρο, οι οποίοι θα είναι πιο αντιπροσωπευτικοί για την επιδημιολογία των ασθενειών σε σχέση με τις ξεχωριστές περιπτώσεις, ώστε να υπάρξει η σύνδεση μεταξύ εντομολογικών και επιδημιολογικών κινδύνων.

Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του Aedes aegypti...

2022-02-06T09:19:21Z

E markopoulou: Νέα σελίδα με '=='''Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του Aedes aegypti στην Γαλλική Γουιάνα, με χρήση ...'

=='''Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του Aedes aegypti στην Γαλλική Γουιάνα, με χρήση μετεωρολογικών και τηλεσκοπικών δεδομένων'''==

'''Πρωτότυπος τίτλος:''' Modeling spatiotemporal Aedes aegypti risk in French Guiana
using meteorological and remote sensing data

'''Συγγραφείς:''' Sarah Bailly, Vanessa Machault, Samuel Beneteau, Philippe Palany, Romain Girod, Jean-Pierre Lacaux, Philippe Quene, Claude Flamand

'''Δημοσιεύθηκε:''' Remote Sensing MDPI

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.medrxiv.org/content/10.1101/2021.08.02.21261373v1.full ]

'''Εισαγωγή'''

Αν και η τεχνολογία των εμβολίων κατά των αρμποϊών έχει προχωρήσει, προτεραιότητα αποτελεί η καταπολέμηση του φορέα. Στην Γαλλική Γουιάνα, υπάρχουν πολλές επιδημίες που συνδέονται με τους αρμποϊούς. Εκεί, το κουνούπι Aedes aegypti είναι ο μόνος ταυτοποιημένος φορέας του δάγκειου πυρετού και των ιών Chikungunya και Zika. Τα κουνούπια αναπαράγονται κυρίως σε δοχεία οικιών που περιέχουν καθαρό νερό και οργανική ουσία, αλλά και σε γλάστρες, παλιά ελαστικά, παλιές οικιακές συσκευές, κ.α.
Αν και υπάρχουν επιτυχημένα προγράμματα αντιμετώπισης, η επιτυχία τους υπονομεύεται από την μη δήλωση των περιπτώσεων στις τοπικές αρχές, αλλά και την καθυστέρηση της δήλωσης αυτών. Επίσης, υπάρχει ασυνέχεια στην συλλογή δεδομένων. Επομένως, κρίνεται απαραίτητη η συλλογή δεδομένων με χρονική και χωρική ακρίβεια, τα οποία σχετίζονται με τον ρυθμό μετάδοσης των ασθενειών.
Οι καιρικές και κλιματολογικές συνθήκες, όπως η βροχόπτωση, η σχετική υγρασία και η θερμοκρασία, αλλά και οι περιβαλλοντικές συνθήκες, όπως η βλάστηση, ο τύπος εδάφους και το επίπεδο αστικοποίησης, παίζουν σημαντικό ρόλο στην εξάπλωση του δάγκειου πυρετού. Προκειμένου τα παραπάνω να έχουν χωρική, φασματική και χρονική ανάλυση, εφαρμόζονται μέθοδοι τηλεπισκόπησης. Σε παλαιότερες μελέτες αποδείχτηκε πως οι κλιματολογικές συνθήκες κατά τη διάρκεια των επιδημιών δάγκειου πυρετού διαφέρουν σημαντικά σε κάθε περιοχή και επηρεάζουν σημαντικά τα επιδημιολογικά μοντέλα. Καθώς δεν υπάρχουν μοντέλα για την Γαλλική Γουιάνα, το άρθρο στοχεύει στην μοντελοποίηση της χωρική (σε οικιακό επίπεδο) και χρονικά (ημερησίως) της δυναμικής που έχει η παρουσία ή απουσία του Aedes aegypti.
[[Αρχείο:Rs_wiki_Markopoulou_2_1.jpg|200px|thumb|left|Διάγραμμα 1: Μηνιαίος εντομολογικός χάρτης κινδύνου από το μοντέλο, βάσει των δεδομένων από το Νοέμβριο του 2019 μέχρι τον Αύγουστο του 2020 από το δημοτικό διαμέρισμα Cayenne]]

'''Μεθοδολογία'''

Η περιοχή μελέτης βρίσκεται στο διοικητικό διαμέρισμα του Matoury, στην περιοχή του Cayenne. Συλλέχθηκαν εντομολογικά δεδομένα από τον Σεπτέμβριο του 2011 ως τον Φεβρουάριο του 2013 in situ. Σε αυτό το διάστημα, υπήρξε δίμηνη επιδημία δάγκειου πυρετού. Συνολικά έγινε δειγματοληψία σε 261 οικίες για την αναγνώριση και καταγραφή των δοχείων και την συλλογή κουνουπιών με παγίδες BG sentinel. Τα μετεωρολογικά δεδομένα λήφθηκαν από τον μετεωρολογικό σταθμό του αεροδρομίου. Δεδομένα για τις βροχοπτώσεις λήφθηκαν από το Tropical Rainfall Measuring Mission. Τέλος, λήφθηκαν εικόνες ανάλυσης 50m×50m από τους δορυφόρους Πλειάδες.
[[Αρχείο:Rs_wiki_Markopoulou_2_2.jpg|200px|thumb|left|Διάγραμμα 2: Συσχέτιση μεταξύ του αριθμού των περιστατικών και τον αριθμό των οικιών όπου ανιχνεύτηκαν προνύμφες]]
Για τον υπολογισμό των δεικτών χρησιμοποιήθηκε το Orfeo Toolbox. Συνολικά υπολογίστηκαν 14 δείκτες, που σχετίζονται με φυσικά και βιολογικά χαρακτηριστικά του πεδίου. Αρχικά πραγματοποιήθηκε επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας στο πρόγραμμα ENVI 5.1, με τις εξής κλάσεις: κτήριο, πισίνα, άσφαλτος, νερό, γυμνό έδαφος, αραιή βλάστηση, πράσινη χαμηλή βλάστηση και δέντρα. Για κάθε κλάση που ταυτοποιήθηκε, μετά από φωτοερμηνεία, ψηφιοποιήθηκαν τα πολύγωνα, από τα οποία εξήχθησαν οι φασματικές υπογραφές. Στη συνέχεια, πραγματοποιήθηκε αντικειμενοστρεφής ταξινόμηση με το πρόγραμμα ENVI FX. Με τη χρήση του confusion tree μεταξύ των pixel και της ταξινόμησης των αντικειμένων, ταξινομήθηκαν καλύτερα κάποια αντικείμενα που εμφάνιζαν ομοιότητες μεταξύ τους.
Μέσα από ένα σύστημα GIS, χωρίστηκαν οι οικίες σε ζώνες, εξήχθησαν διάφορα δεδομένα και υπολογίστηκαν η απόσταση της κάθε οικίας από το πρώτο pixel της κάθε κλάσης, καθώς και η χρήση γης πέριξ αυτών.
Για την ανάλυση της παρουσίας και απουσίας των προνυμφών χρησιμοποιήθηκε η μέθοδος boosted regression tree, με κατανομή Bernoulli.
[[Αρχείο:Rs_wiki_Markopoulou_3_2.jpg|200px|thumb|left|Διάγραμμα 3: Η Γαλλική Γουιάνα, η περιοχή μελέτης και το κέντρο του δημοτικού διαμερίσματος Matoury]]

'''Συμπεράσματα'''

Σύμφωνα με τα αποτελέσματα, οι οικίες επηρεάζονται από το περιβάλλον μέχρι την ακτίνα των 200m. Επίσης, ο τύπος εδάφους επηρεάζει την ύπαρξη προνυμφών σε ακτίνα 50m, αλλά και τα χαρακτηριστικά γύρω από τις οικίες. Η υγρασία στο έδαφος, σε συνδυασμό με την χαμηλή βλάστηση δημιουργούν ένα ευνοϊκό ενδιαίτημα για τις προνύμφες, ειδικότερα αν υπάρχουν αρκετά θρεπτικά στο νερό, καθώς αυξάνεται το fitness. Τέλος, η αστικοποίηση προσφέρει ένα καλό ενδιαίτημα, με αφθονία σε αίμα.
Όσον αφορά τις κλιματολογικές συνθήκες, οι πολύ υψηλές θερμοκρασίες του νερού δεν ευνοούν την ανάπτυξη των προνυμφών. Το ίδιο ισχύει και για την θερμοκρασία του αέρα σε σχέση με την επιβίωση των ενηλίκων. Οι βροχοπτώσεις βελτιώνουν τις συνθήκες για τον φορέα, καθώς παρατηρήθηκε μέγιστη αύξηση της πιθανότητας παρουσίας προνυμφών. Τέλος, η λιγότερο ευνοϊκή εποχή τοποθετείται των Μάρτιο, επειδή διαχωρίζει την μικρότερης χρονικής διάρκειας εποχή βροχών (Ιανουάριος-Φεβρουάριος) από την μεγαλύτερη (Απρίλιος-Ιούνιος).
Οι χρονικοί και χωρικοί χάρτες επικινδυνότητας αποτελούν ένα σημαντικό εργαλείο για την καταπολέμηση του φορέα, καθώς μπορούν να εντοπιστούν τα ακριβή σημεία που χρίζουν επέμβασης.
Η μελέτη εγείρει ενδιαφέροντα ερωτήματα για περαιτέρω έρευνα, όπως τον εντοπισμό δεικτών στον χώρο, οι οποίοι θα είναι πιο αντιπροσωπευτικοί για την επιδημιολογία των ασθενειών σε σχέση με τις ξεχωριστές περιπτώσεις, ώστε να υπάρξει η σύνδεση μεταξύ εντομολογικών και επιδημιολογικών κινδύνων.

Αξιολογώντας την χρήση υλοτομίας-παραπροϊόντων υλοτομίας για την κάλυψη γης μετά από πυρκαγιές,...

2022-02-06T09:15:31Z

E markopoulou: Νέα σελίδα με '=='''Αξιολογώντας την χρήση υλοτομίας-παραπροϊόντων υλοτομίας για την κάλυψη γης μετά από πυρκ...'

=='''Αξιολογώντας την χρήση υλοτομίας-παραπροϊόντων υλοτομίας για την κάλυψη γης μετά από πυρκαγιές, για την προστασία των πλαγιών από διάβρωση έπειτα από σωστική υλοτομία, μέσα από μετρήσεις εδάφους και τηλεπισκόπηση'''==

'''Πρωτότυπος τίτλος:''' Evaluating post-wildfire logging-slash cover treatment to reduce hillslope erosion after salvage logging using ground measurements and remote sensing

'''Συγγραφείς:''' Peter R. Robichaud, Sarah A. Lewis, Robert E. Brown, Edwin D. Bone, Erin S. Brooks

'''Δημοσιεύθηκε:''' Hydrological Processes

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.fs.usda.gov/treesearch/pubs/61506 ]

'''Εισαγωγή'''

Οι πυρκαγιές, ανάλογα την έντασή τους, επηρεάζουν την έδαφος και την βλάστηση και ενδέχεται να προκαλέσουν σημαντικά οικολογικά, υδρολογικά και βιολογικά προβλήματα για τα επόμενα χρόνια, καθώς και σημαντική οικονομική επιβάρυνση.
Αν και η συνήθης πρακτική είναι να απομακρύνεται η καμένη ξυλεία, έχει παρατηρηθεί ότι αυτές οι επεμβάσεις εντείνουν τη διάβρωση του εδάφους και τις έντονες απορροές, υποβαθμίζοντας την ποιότητα του εδάφους και του νερού. Οι καλές πρακτικές και συγκεκριμένα η σωστική υλοτομία μπορεί να δώσει το κατάλληλο περιβάλλον για την ανάπτυξη της νέας βλάστησης. Τα παραπροϊόντα της σωστικής υλοτομίας μπορούν να διασκορπιστούν στο έδαφος, προκειμένου να προστατευτεί το έδαφος από τη διάβρωση.
Με τη χρήση της τηλεπισκόπησης είναι εφικτή η παρακολούθηση των πληγέντων περιοχών. Οι εικόνες για την παρακολούθηση επιβάλλεται να έχουν υψηλή ανάλυση και συχνότητα λήψης, πράγμα που καλύπτει ο δορυφόρος WorldView-2. Με αυτές τις εικόνες υπολογίζεται ο NDVI, ο οποίος σχετίζεται με την εκτίμηση της βιομάζας πάνω από το έδαφος και την φυτοκάλυψη στα δάση. Στις καμένες εκτάσεις αυξάνεται η ανακλαστικότητα στο ορατό φάσμα, ενώ μειώνεται αντίστοιχα στο εγγύς υπέρυθρο.
Ο σκοπός της έρευνας είναι η παρακολούθηση των αλλαγών στην βλάστηση και το έδαφος, προκειμένου να μελετηθεί η επίδραση της υλοτομίας στην απώλεια ιζημάτων, αν η κάλυψη του εδάφους από τα παραπροϊόντα υλοτομίας ήταν αποτελεσματική, αν ο NDVI μπορεί να χρησιμοποιηθεί ως αντιπροσωπευτικός δείκτης για την εκτίμηση κινδύνου διάβρωσης μετά την σωστική, αν η αντίδραση της βλάστησης είναι διαφορετική σε περιοχές όπου υπήρξε και δεν υπήρξε σωστική υλοτομία και κατά πόσο αυτό μπορεί να μετρηθεί τηλεσκοπικά.
[[Αρχείο:Rs_wiki_Markopoulou_7_1.jpg|200px|thumb|left|Διάγραμμα 1: Η πυρκαγία North Star Fire στην βόρεια κεντρική εριοχή της πολιτείας Washington το καλοκαίρο του 2015. Οι μοβ περιοχές βρίσκονται στην σωζόμενη περιοχή 208:156, όπως παρουσιάζεται στην εικόνα WorldView-2 από το Νοέμβριο του 2016 (1 έτος μετά την πυρκαγιά, 2 μήνες μετά την επέμβαση). Ο χάρτης soil burn severity δημιουργήθηκε από το Bureau of Indian Affairs Burned Area Emergency Response Team τον Σεπτέμβριο του 2015]]

'''Μεθοδολογία'''

Η περιοχή μελέτης ήταν οι καμένες εκτάσεις από την πυρκαγιά North Star Fire του 2015, στο Colville Federation Tribal Reservation,
Στη μελέτη πραγματοποιήθηκε σύγκριση των αποτελεσμάτων δύο ξεχωριστών πειραμάτων, όπου προσομοιώθηκαν ρυάκια και φράχτες συγκράτησης τη ιλύος που προκύπτει από την απορροή των βροχών στο πεδίο με τις κατάλληλες μεθόδους και ορίστηκαν οι καμένες περιοχές: α) χωρίς μεταχείριση, β) εφαρμόστηκε σωστική υλοτομία γ) εφαρμόστηκε σωστική υλοτομία και κάλυψη γης. Οι μετρήσεις πραγματοποιήθηκαν με τηλεπισκόπηση.
Επιλέχθηκαν οι καλύτερες εικόνες, δόθηκαν συντεταγμένες και πραγματοποιήθηκε ατμοσφαιρική διόρθωση και διορθώθηκαν τα γεωγραφικά σφάλματα, ώστε η τυπική απόκλιση του σφάλματος να είναι μικρότερη του ενός pixel. Υπολογίστηκε ο μέσος όρος του NDVI για κάθε τιμή των pixel, για όλες τις περιοχές και για κάθε έτος.
Έγινε στατιστική επεξεργασία με linear mixed-effect models, χρησιμοποιώντας τη χρονιά μετά την πυρκαγιά, την επέμβαση και τη σχέση των δύο, τα πεδία σαν τυχαίο παράγοντα και το διάστημα της μίας εβδομάδας ως χρονική μονάδα μέτρησης. Το ίδιο μοντέλο χρησιμοποιήθηκε για την για τα δεδομένα από την κάλυψη γης, με τους ίδιους παράγοντες. Λογαριθμήθηκαν με βάση το 10 οι μετρήσεις για την ροή και συγκέντρωση των ιζημάτων και συγκρίθηκαν μεταξύ τους. Η κατηγοριοποίηση των δεδομένων σύμφωνα με τον NDVI πραγματοποιήθηκε με βάση την ευκλείδεια απόσταση.
[[Αρχείο:Rs_wiki_Markopoulou_7_2.jpg|200px|thumb|left|Διάγραμμα 2: Σωστική υλοτομία-μονάδα 208-156 το 2016: (a) αταξινόμητη εικόνα NDVI (b) ταξινομημένη εικόνα NDVI (c) κοντινή λήψη της αταξινόμητης εικόνας NDVI (d) κοντινή λήψη της ταξινομημένης εικόνας NDVI]]

'''Συμπεράσματα'''

Τα αποτελέσματα δείχνουν ότι η κάλυψη γης μείωσε τις απώλειες ιζημάτων κατά 60%. Στο τρίτο έτος μετά την πυρκαγιά παρατηρήθηκε ότι στις περιοχές όπου εφαρμόστηκε σωστική υλοτομία, οι ροές των ιζημάτων ήταν υψηλότερο από το control.
Όσον αφορά το πείραμα με τους φράχτες συγκράτησης τη ιλύος, φαίνεται ότι οι αυξημένες βροχοπτώσεις έπαιξαν σημαντικό ρόλο στην ανάπτυξη της βλάστησης, η οποία συγκράτησε τα ιζήματα. Και πάλι, οι περιοχές όπου εφαρμόστηκε σωστική υλοτομία, οι ροές των ιζημάτων ήταν υψηλότερο από το control και τις περιοχές όπου εφαρμόστηκε σωστική υλοτομία και κάλυψη γης.
Οι δορυφορικές εικόνες απέδειξαν τη χρησιμότητα της τηλεπισκόπησης στην μέτρηση της απόδοσης των μεθόδων που εφαρμόστηκαν. Οι τιμές του NDVI έδειξαν την εκ νέου ανάπτυξη της βλάστησης, λόγω της κάλυψης γης με ξυλεία και παραπροϊόντα υλοτομίας, για την προστασία των πλαγιών από την διάβρωση και την γενικότερη υποβάθμιση του οικοσυστήματος.

Εντοπισμός των φτωχοποιημένων περιοχών με Τηλεπισκόπηση και Μηχανική Μάθηση: Η Περίπτωση στο Guizhou της νοτιοδυτικής Κίνας

2022-02-06T09:12:21Z

E markopoulou: Νέα σελίδα με '=='''Εντοπισμός των φτωχοποιημένων περιοχών με Τηλεπισκόπηση και Μηχανική Μάθηση: Η Περίπτωση ...'

=='''Εντοπισμός των φτωχοποιημένων περιοχών με Τηλεπισκόπηση και Μηχανική Μάθηση: Η Περίπτωση στο Guizhou της νοτιοδυτικής Κίνας'''==

'''Πρωτότυπος τίτλος:''' Identification of Poverty Areas by Remote Sensing and Machine Learning: A Case Study in Guizhou, Southwest China

'''Συγγραφείς:''' Jian Yin, Yuanhong Gio, Bin Zhang

'''Δημοσιεύθηκε:''' International Journal of Geo-Information

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.mdpi.com/2220-9964/10/1/11 ]

'''Εισαγωγή'''

Τα τελευταία χρόνια, η Κίνα έχει λάβει αρκετά μέτρα για την μείωση της φτώχειας, με μεγάλη επιτυχία. Προκειμένου να μειωθεί αποτελεσματικά η φτώχεια, είναι απαραίτητη η εκτίμησή της. Οι περιορισμοί που υπάρχουν στα κλασικά δεδομένα αποτελούν πρόκληση για την εκτίμηση της φτώχειας στις αναπτυσσόμενες χώρες. Βέβαια, αν και οι μέθοδοι τηλεπισκόπησης έχουν αρκετά πλεονεκτήματα, δεν μπορούν να υποκαταστήσουν πλήρως την συλλογή δεδομένων από ερωτηματολόγια και άλλες μεθόδους. Οι περισσότεροι ακαδημαϊκοί, που έχουν μελετήσει τηλεσκοπικά το φαινόμενο της φτώχειας έχουν ασχοληθεί με τις αγροτικές περιοχές, τη χαρτογράφηση των φτωχογειτονιών και την σύνδεση της μορφολογίας της περιοχής με τη φτώχεια.
Η χρήση εικόνων των νυχτερινών φώτων έχουν χρησιμοποιηθεί αποτελεσματικά για την μελέτη ενός μεγάλου εύρους της ανθρώπινης δραστηριότητας. Πρόσφατα, οι συγκεκριμένες εικόνες έδειξαν ότι μπορούν να παρέχουν ακριβής και σύγχρονες ενδείξεις για την φτώχεια στην περιφέρεια, σε συνδυασμό με στατιστικά δεδομένα, αν και τα τελευταία μπορούν να αποτελέσουν περιορισμό στη μελέτη. Ακολουθώντας τη μεθοδολογία αυτή, κάποιοι μελετητές χρησιμοποίησαν μηχανική μάθηση για την εκτίμηση της φτώχειας σε χώρες με μεγάλα ποσοστά.
Στη συγκεκριμένη μελέτη ενσωματώθηκαν δεδομένα τηλεπισκόπησης εικόνων νυχτερινών φώτων και γεωγραφικού περιβάλλοντος και με τη χρήση αλγορίθμων μηχανικής μάθησης εντοπίστηκαν οι φτωχότερες επαρχίες. Στη συνέχεια μελετήθηκαν οι χωρική και χρονική δυναμική του φαινομένου της φτώχειας στην επαρχία Guizhou από το 2012-2019.
[[Αρχείο:Rs_wiki_Markopoulou_6_1.jpg|200px|thumb|left|Διάγραμμα 1:Κατανομή της φτώχειας στις επαρχίες του Guizhou το 2012]]

'''Μεθοδολογία'''

Η επαρχία Guizhou βρίσκεται στη νοτιοδυτική Κίνα. Το 90% αποτελείται από βουνά και λόφους, από τα οποία το 70% είναι καρστικές γεωμορφές. Η κινεζική κυβέρνηση έχει θέσει το όριο της φτώχειας στα 2300 RMB ανά άτομο το 2011 και το 2012, το ποσοστό της φτώχειας έφτασε το 26,8%. Σύμφωνα με καταγραφές, η τοπογραφία είναι ένας από τους σημαντικότερους παράγοντες της οικονομικής ανάπτυξης στην Κίνα.
Τα δεδομένα λήφθηκαν από το Visible Infrared Imaging Radiometer Suite (VIIRS) από το Suomi National Polar-orbiting Partnership (SNPP) satellite platform. Επιπλέον, χρησιμοποιήθηκαν το Digital Elevation Model (DEM) από το Shuttle Radar Topography Mission (SRTM), οι χρήσεις καλύψεις γης, καθώς και τα δεδομένα των δρόμων. Ο λόγος της βλάστησης, η κάλυψη του νερού και η κάλυψη των κτηρίων λήφθηκαν υπόψιν για την δυναμική ανάλυση της χρήσης γης.
Με βάση δώδεκα στατιστικά και χωρικά χαρακτηριστικά, εξήχθη πληροφορία για τον εντοπισμό των φτωχότερων επαρχιών. Επιλέχθηκαν τρεις παράμετροι, η κεντρική τάση, ο βαθμός διασποράς και σειρές διανομή. Η ταξινόμηση έγινε με Random Forest model, με βάση 23 χαρακτηριστικά ταξινόμησης.
Επιλέχθηκαν οι δείκτες Global Moran’s I και Local Indicators of Spatial Association (LISA) για την μελέτη της φτώχειας στις επαρχίες και ο Getis-Ord Gi* statistic για την χωρική ομαδοποίηση.
[[Αρχείο:Rs_wiki_Markopoulou_6_2.jpg|200px|thumb|left|Διάγραμμα 2: Κατανομή της πιθανότητας φτώχειας σε επίπεδο επαρχίας με RF από το 2012 ως το 2019 (a) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2012 (b) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2013 (c) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2014 (d) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2015 (e) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2016 (f) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2017 (g) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2018 (h) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2019 ]]

'''Συμπεράσματα'''

Τα αποτελέσματα δείχνουν ότι οι φτωχότερες περιοχές της περιφέρειας είναι οι ορεινές, νότιες και νοτιοανατολικές περιοχές. Αν και οι φτωχότερες περιοχές βρίσκονται στα ορεινά, είναι πιο εύκολο να εφαρμοστούν μέτρα κατά τις φτώχειας στα πεδινά οι οποίες όμως έχουν μικρότερο ποσοστό φτώχειας. Επομένως, η τοπογραφία έχει σχέση με τα ποσοστά φτώχειας.
Από το δείκτη Global Moran’s I φαίνεται ότι υπάρχει θετική χωρική αυτοσυσχέτιση, η οποία είναι αρκετά δυνατή τα έτη 2012-2015. Ο δείκτης παρουσιάζει μικρές διακυμάνσεις και πτωτική τάση, το οποίο υποδεικνύει σταθεροποίηση της φτώχειας, αλλά μία τάση χωρικής διασποράς. Επιπλέον, οι κεντρικές περιοχές έχουν χαμηλότερη πιθανότητα να επιστρέψουν στα ίδια ποσοστά φτώχειας μετά την εφαρμογή των ανακουφιστικών μέτρων συγκριτικά με τις νότιες και νοτιοανατολικές περιοχές.
Η χρήση της μηχανικής μάθησης είχε θετικά αποτελέσματα, καθώς μειώθηκε το κόστος του εντοπισμού της φτώχειας. Επίσης, ήταν μία ουσιαστική εναλλακτική στην κλασική μέθοδο της στατιστικής έρευνας. Για περαιτέρω χρήση των παραπάνω μεθόδων, προτείνεται η μελέτη της συσχέτισης μεταξύ των γεωγραφικών χαρακτηριστικών και των δεδομένων των νυχτερινών φώτων και κατά πόσο τα δεύτερα μπορούν να αντικαταστήσουν τη χρήση γεωγραφικών δεδομένων.

Η ικανότητα των Συστημάτων Τηλεπισκόπησης στην ανίχνευση κηλίδων Σκολυτών στις Νοτιοανατολικές ΗΠΑ

2022-02-06T09:08:44Z

E markopoulou:

=='''Η ικανότητα των Συστημάτων Τηλεπισκόπησης στην ανίχνευση κηλίδων Σκολυτών στις Νοτιοανατολικές ΗΠΑ'''==

'''Πρωτότυπος τίτλος:''' Ability of Remote Sensing Systems to Detect Bark Beetle Spots in the Southeastern US

'''Συγγραφείς:''' Demian F. Gomez, Haley M.W. Ritger, Christopher Pearce, Jeffrey Eickwort, Jiri Hulcr

'''Δημοσιεύθηκε:''' Forests MDPI

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.mdpi.com/1999-4907/11/11/1167 ]

'''Εισαγωγή'''

Στις νοτιοανατολικές ΗΠΑ και συγκεκριμένα στη Florida, η διατήρηση της υγείας τους δάσους συνεισφέρει σημαντικά στην οικονομία και κατ’ επέκταση στην κοινωνία.
Στα πρώτα στάδια της προσβολής των δασών από Σκολύτες, δεν υφίστανται εμφανή συμπτώματα, καθώς δεν μεταβάλλεται η κόμη των δέντρων. Στη συνέχεια, αποχρωματίζεται το φύλλωμα από πράσινο σε πορτοκαλί και κόκκινο χρώμα. Επομένως, η ανίχνευση του εντόμου θα πρέπει να πραγματοποιηθεί έγκαιρα. Οι ετήσιες εναέριες έρευνες είναι αποτελεσματικές, αλλά αποτυγχάνει σε περιοχές που πρόσφατα έχουν προσβληθεί.
Το US Forest Service ανέπτυξε το ForWarn, ένα σύστημα που αναγνωρίζει μεταβολές στη βλάστηση και ανιχνεύει την επίδραση της διαταραχής από βιοτικούς και αβιοτικούς παράγοντες. Η λειτουργία του βασίζεται στην αναγνώριση μεταβολών του NDVI στα δεδομένα του δορυφόρου MODIS. Αν και ο δέκτης του MODIS έχει χαμηλή ανάλυση (250m), είναι επαρκής για την ανίχνευση μεσαίου μεγέθους βιοτικών και αβιοτικών διαταραχών.
Όμως, οι επεμβάσεις στην περιοχή του δάσους και ύπαρξη καλλιεργειών στα πέριξ, σε συνδυασμό με την χαμηλή ανάλυση του δέκτη, παρεμποδίζει την έγκαιρη ανίχνευση της προσβολής. Επομένως, είναι αναγκαία η αξιολόγηση της χρήσης άλλων δορυφόρων.
Στο παρόν άρθρο γίνεται συγκριτική ανάλυση των δεικτών βλάστησης που εξάγονται από χρονοσειρές δεδομένων του MODIS και του Sentinel-2. Ο στόχος είναι η αξιολόγηση της ικανότητας ανίχνευσης των κηλίδων και η ποσοτικοποίηση της σύγκλιση του αποτελέσματος των δύο δορυφόρων.
[[Αρχείο:Rs_wiki_Markopoulou_4_1.jpg|200px|thumb|left|Εικόνα 1: Σύγκριση των δεδομένων από την προσβολή του εντόμου σε τρεις δασικές περιοχές με ενεργή προσβολή το 2019. Κάθε στήλη εικόνων παρουσιάζει την ίδια περιοχή, από πάνω προς τα κάτω (αεροφωτογραφία, μεταβολές του MODIS NDVI, μεταβολές στο Sentinel-2 NDVI και διαφοροποιημένα pixel μεταξύ των προϊόντων του MODIS και Sentinel-2. Τα χρώματα των κλάσεων αντιστοιχούν στην διαφορά και απόκλιση του NDVI. Το μπλε αντιστοιχεί σε θετικές αλλαγές των τιμών του δείκτη και το κίτρινο, πορτοκαλί και κόκκινο αντιστοιχούν σε αρνητικές αλλαγές των τιμών του δείκτη. Το ροζ αντιστοιχεί σε απόκλιση μεταξύ των εικόνων του MODIS και Sentinel-2]]

'''Μεθοδολογία'''

Πραγματοποιήθηκαν εναέριες έρευνες για κηλίδες το καλοκαίρι του 2019 στην νοτιοανατολική Florida, οι οποίες επαληθεύτηκαν από εδάφους το φθινόπωρο του 2019 και τέθηκαν γεωγραφικές αναφορές. Στη συνέχεια οριοθετήθηκαν ως πολύγωνα γεωγραφικής αναφοράς και δημιουργήθηκε ένα έγχρωμο σύνθετο από τον Sentinel-2 σε φυσικά χρώματα, προκειμένου να οριοθετηθούν οι προσβεβλημένες περιοχές κόκκινου χρώματος. Για ανάλυση επιλέχθηκαν οι περιοχές που προσβλήθηκαν το 2019 και παρουσίασαν εμφανείς αλλαγές στις δορυφορικές εικόνες.
Λήφθηκαν εικόνες από τη βάση δεδομένων ESA-Coperincus Sentintel -2, για να ταυτοποιηθούν οι ημερομηνίες και θέσεις των κηλίδων. Παραλήφθηκαν τα δεδομένα από το Climate Engine για τους υπολογισμού του NDVI από τον Sentinel-2 και MODIS 8-day. Τέθηκε ένας NDVI αναφοράς, για την δημιουργία χαρτών μεταβολής. Εφαρμόστηκε ανάλογη μέθοδος του ForWarn, όπου καθορίστηκαν συνθήκες αναφοράς για τα υγιή δάση, υπολογίζοντας τον μέσο όρο των υψηλότερων NDVI του Ιουλίου 2019 και των προηγούμενων ετών (2015-2018). Οι χάρτες μεταβολών δημιουργήθηκαν, υπολογίζοντας τη διαφορά μεταξύ των NDVI του Ιουλίου και του NDVI αναφοράς.
Οι υπολογισμοί έγιναν στο ArcMap και ακολουθήθηκε η κατάλληλη διαδικασία, ώστε οι εικόνες των δύο δορυφόρων να είναι συμβατές. Οι αποκλίσεις του NDVI του «υγιούς δάσους» ταξινομήθηκαν ανάλογα με το μέγεθος και την κατεύθυνσή τους, για να εξυπηρετήσουν την βέλτιστη απεικόνιση. Αν και οποιαδήποτε αλλαγή στον NDVI ενδέχεται να οφείλεται και σε άλλες εντομολογικές προσβολές, ορίστηκε ότι θα μελετώνται σαν προσβολές Σκολυτών. Για να ποσοτικοποιηθεί η συσχέτιση των εικόνων του MODIS και Sentinel-2, υπολογίστηκε ο συντελεστής Jaccard, ο οποίος υπολογίζεται από τον λόγο της τομής των δύο raster προς την ένωσή τους.
[[Αρχείο:Rs_wiki_Markopoulou_4_2.jpg|200px|thumb|left|Πίνακας 1: Αξιολόγηση των μεταβολών του NDVI σε MODIS και Sentinel-2 σε περιοχές με επιβεβαιωμένες προσβολές. Τα χρώματα των κλάσεων αντιστοιχούν στην διαφορά και απόκλιση του NDVI. Το μπλε αντιστοιχεί σε θετικές αλλαγές των τιμών του δείκτη και το κίτρινο, πορτοκαλί και κόκκινο αντιστοιχούν σε αρνητικές αλλαγές των τιμών του δείκτη. ]]

'''Συμπεράσματα'''

Οι εικόνες του NDVI του Sentinel-2 ανίχνευσαν όλες τις κηλίδες, ενώ αυτές του MODIS παρέλειψαν περίπου το 30% των 17 ομαδοποιημένων περιοχών. Λόγω της υψηλότερης ανάλυσης του δέκτη, ο Sentinel-2 εντόπισε μικρότερες κηλίδες. Επιπλέον, ο συντελεστής Jaccard έδειξε 75% ομοιότητα στην ικανότητα ανίχνευσης αρνητικών αλλαγών στον NDVI για τους δύο δορυφόρους. Η βιβλιογραφία επιβεβαιώνει ότι οι δορυφόροι με δέκτες υψηλής ανάλυσης εντοπίζουν τις κηλίδες με μεγαλύτερη ακρίβεια. Όμως, ενδέχεται κάποιό άλλο βιοτικό ή αβιοτικό στρες να θεωρηθεί εσφαλμένα κηλίδα προσβολής. Η έρευνα έδειξε ότι η χρήση ενός ετήσιου δείκτη μεταβολής με μεγαλύτερη χωρική και χρονική διακριτική ικανότητα ενδέχεται να αποτελέσει ένα χρήσιμο εργαλείο για την έγκαιρη ανίχνευση προσβολών Σκολυτών.

Χαρτογραφώντας την Καταλληλότητα του Ενδιαιτήματος του Ιού του Δυτικού Νείλου στο Νότιο Κεμπέκ ...

2022-02-06T08:59:54Z

E markopoulou: Νέα σελίδα με '=='''Χαρτογραφώντας την Καταλληλότητα του Ενδιαιτήματος του Ιού του Δυτικού Νείλου στο Νότιο Κ...'

=='''Χαρτογραφώντας την Καταλληλότητα του Ενδιαιτήματος του Ιού του Δυτικού Νείλου στο Νότιο Κεμπέκ και Ανατολικό Οντάριο του Καναδά με Μοντελοποίηση της Διασποράς των Ειδών και Δεδομένα Δορυφορικής Παρατήρησης της Γης'''==

'''Πρωτότυπος τίτλος:''' Mapping the Habitat Suitability of West Nile Virus Vectors in Southern Quebec and Eastern Ontario, Canada, with Species Distribution Modeling and Satellite Earth Observation Data

'''Συγγραφείς:''' Yi Moua, Serge Olivier Kotch, Antoinette Ludwig, Stéphanie Brazeau

'''Δημοσιεύθηκε:''' Remote Sensing MDPI

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.mdpi.com/2072-4292/13/9/1637 ]

'''Εισαγωγή'''

Οι ασθένειες που μεταδίδονται με φορείς είναι σημαντικό πρόβλημα δημόσιας υγείας. Το γένος Culex (κουνούπια) είναι ένας από του πιο σημαντικούς φορείς των αρμποϊών, όπως του Ιού του Δυτικού Νείλου στην Βόρεια Αμερική. Τα ενήλικα που τον μεταφέρουν έχουν ταυτοποιηθεί ως Culex pipiens και Culex restuans. Η χωρική διασπορά τους καθορίζεται από τα χαρακτηριστικά του τοπίου, τα οποία είναι ευνοϊκά για την εξάπλωσή τους, όπως οι περιοχές με βλάστησης (μικρά δάση και περιοχές με γκαζόν) σε αστικές περιοχές. Επίσης, αναπτύσσονται μέσα τεχνητό περιβάλλον, όπως δοχεία, χρησιμοποιημένα ελαστικά κ.α, καθώς και σε λιμνάζοντα νερά και χαντάκια. Με την παραπάνω γνώση, είναι δυνατό να δημιουργηθούν μοντέλα εξάπλωσης των ειδών, για την καλύτερη παρακολούθηση και έλεγχο του προβλήματος.
[[Αρχείο:Rs_wiki_Markopoulou_2_1.jpg|200px|thumb|left|Διάγραμμα 1: Το πεδίο μελέτης και οι θέσεις παγίδευσης κουνουπιών. Η περιοχή βρίσκεται κυρίως στο Mixedwood Plains και στο νότιο μέρος του Boreal shield]]

'''Μεθοδολογία'''

Η περιοχή μελέτης περιλαμβάνει το νότιο Κεμπέκ και το ανατολικό Οντάριο. Για τη μελέτη χρησιμοποιήθηκε το Maxent, μία μέθοδο μηχανικής μάθησης, η οποία χρησιμοποιείται ευρέως για την εκτίμηση του δείκτη καταλληλόλητας των ενδιαιτημάτων. Το μοντέλο βασίζεται στην αρχή της μέγιστης εντροπίας, όπου υπολογίζεται η άγνωστη πιθανότητα της διασποράς σε όλη την περιοχή μελέτης, με την εύρεση της διασποράς, η οποία όχι μόνο μεγιστοποιεί την εντροπία, αλλά και σέβεται τους περιορισμούς των περιβαλλοντικών συνθηκών στην περιοχή όπου βρίσκεται το εν λόγω είδος. Για την επεξεργασία χρησιμοποιήθηκαν γεωαναφερόμενα δεδομένα της περιοχής όπου παγιδεύτηκαν ή παρατηρήθηκαν τα εν λόγω είδη, τον αριθμό των εντόμων αυτών, αλλά και τα περιβαλλοντικά δεδομένα και χαρακτηριστικά της περιοχής. Τα παραπάνω δεδομένα (Annual crop inventory, National Hydro Network, Canadian Digital Elevation Model, Canadian Wetlands Inventory) λήφθηκαν από τους ανάλογους κρατικούς φορείς.
Προκειμένου να ληφθούν υπόψιν και τα ακριβή χαρακτηριστικά των αστικών περιοχών, λήφθηκαν 25 εικόνες από τον Landsat-8 OLI/TIRS, για τους μήνες Ιούλιο-Αύγουστο και τα έτη 2014-2018, οι οποίες πριν την ταξινόμηση, ενώθηκαν για τη δημιουργία του μωσαϊκού και στη συνέχεια υπολογίστηκαν οι δείκτες NDVI, NDBI και NDWI. Πραγματοποιήθηκε επιβλεπόμενη ταξινόμηση στους υπολογισμένους δείκτες για τις αστικές περιοχές με το random forest classifier, καθώς και στα τρία κυρίαρχα κανάλια, τα οποία προέκυψαν από την Ανάλυση Κύριων Συνιστωσών. Από αυτά προέκυψαν τέσσερεις κλάσεις: τα δέντρα, το μείγμα της χαμηλής βλάστησης, η μεικτή περιοχή, η οποία περιλαμβάνει χαμηλή βλάστηση και κτίρια και οι πεζοδρομημένες περιοχές.
[[Αρχείο:Rs_wiki_Markopoulou_2_2.jpg|200px|thumb|left|Διάγραμμα 2: Η καταλληλότητα ενδιαιτήματος για το Cx. Pipiens-resturans]]
Οι χρήσεις καλύψεις γης επιβεβαιώθηκαν από παρατηρήσεις στο πεδίο. Επιπλέον σε αυτές συμπληρώθηκαν οι μη αστικές περιοχές, όπου οι καλλιεργούμενες περιοχές ταξινομήθηκαν ως «καλλιέργειες», οι περιοχές με θάμνους και χαμηλή βλάστηση ταξινομήθηκαν ως «θαμνώδης περιοχή» και οι αστικές δενδρώδεις περιοχές, καθώς και τα δάση ταξινομήθηκαν ως «δάσος».
Το γειτονικό περιβάλλον παίζει σημαντικό ρόλο στην ανάλυση, επομένως υπολογίστηκαν κάποιοι παράμετροι για κάθε pixel της περιοχής. Συγκεκριμένα, σε πλαίσιο διαστάσεων 2km×2km (το οποίο αντιστοιχεί στη μέση πτήση των συγκεκριμένων ειδών) υπολογίστηκαν η απόσταση του κάθε pixel από το κοντινότερο pixel της κάθε κλάσης, το ποσοστό της κάθε κλάσης στο πλαίσιο αυτό και o αριθμός των διαφορετικών κλάσεων σε κάθε παράθυρο. Μέσω του προγράμματος GRASS GIS και R παράχθηκαν επίπεδα για τους δύο πρώτους παράγοντες σε όλες τις κλάσεις. Το ίδιο χρησιμοποιήθηκε για τον υπολογισμό της κλίσης και αποστράγγισης, από το ψηφιακό μοντέλο εδάφους, από προέκυψε ένα ψηφιοποιημένο επίπεδο ανάλυσης 30m.
Λόγω της συγγραμικότητας και της ροπής της δειγματοληψίας προς τις ανθρωπογενείς περιοχές, επιλέχθηκαν συγκεκριμένες μεταβλητές. Στην συνέχεια πραγματοποιήθηκε παραγοντική ανάλυση. Συνολικά 10.000 περιοχές και 21 περιβαλλοντικοί παράγοντες δόθηκαν στο Maxent για επεξεργασία, ενώ πραγματοποιήθηκε προεπεξεργασία, ώστε το μοντέλο να έχει τα κατάλληλα χαρακτηριστικά. Τέλος, το μοντέλο αξιολογήθηκε με κλίμακα 1, 0 και -1, όπου με -1 αξιολογείται η κακή απόδοση και με 0 η περίπτωση όπου το μοντέλο δεν διαφέρει από κάποιο τυχαίο μοντέλο, πραγματοποιήθηκε jackknife test για την για την συνεισφορά του κάθε παράγοντα σε αυτό και δημιουργήθηκε ο χάρτης καταλληλότητας ενδιαιτήματος.
[[Αρχείο:Rs_wiki_Markopoulou_2_3.png|200px|thumb|left|Διάγραμμα 3: Ανάπτυγμα του χάρτη καταλληλότητας μεταξύ (α) της μεικτής περιοχή και του δάσους, (b) της μεικτής περιοχής καιτων πεζοδρομημένων περιοχών και (c)της μικτής περιοχής και της αγροτική περιοχής]]

'''Συμπεράσματα'''

Σύμφωνα με την αξιολόγηση του Random Forest Classification, η ακρίβεια των αποτελεσμάτων αγγίζει το 80,95%, με τον kappa index να φτάνει το 74,1%. Τα αποτελέσματα αξιολογήθηκαν και από εικόνες του Planet. Επίσης, η τελική αξιολόγηση της ταχείας χαρτογράφησης για τις ημέρες των πλημμυρών έδειξε 85,22% ακρίβεια στην πιο βροχερή μέρα της πλημμύρας και 95,45% στο τέλος αντίστοιχα. Η επεξεργασία των δεδομένων είναι μία απλή διαδικασία, επομένως μπορεί να πραγματοποιηθεί εύκολα σε καταστάσεις έκτακτης ανάγκης. Τέλος, με την μέθοδο της μελέτης υπολογίζονται ταχέως η πλημμυρισμένη έκταση και η ένταση του φαινομένου, το οποίο δεν ισχύει για τις μεθόδους Otsu Thresholing και NDWI. Οι πλήρως πλημμυρισμένες περιοχές μπορούν να αξιολογηθούν και με τις τρεις μεθόδους.

Ταχεία Χαρτογράφηση Πλημμυρών και Αξιολόγηση με Επιβλεπόμενη Ταξινόμηση και Ανίχνευση Μεταβολών...

2022-02-06T08:55:36Z

E markopoulou:

=='''Ταχεία Χαρτογράφηση Πλημμυρών και Αξιολόγηση με Επιβλεπόμενη Ταξινόμηση και Ανίχνευση Μεταβολών στη Shouguang με την Χρήση Οπτικών Δεδομένων του Sentinel-1 SAR και Sentinel-2'''==

'''Πρωτότυπος τίτλος:''' Rapid Flood Mapping and Evaluation with a Supervised Classifier and Change Detection in Shouguang Using Sentinel-1 SAR and Sentinel-2 Optical Data

'''Συγγραφείς:''' Minmin Huang, Shuanggen Jin

'''Δημοσιεύθηκε:''' Remote Sensing MDPI

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.mdpi.com/2072-4292/12/13/2073 ]

'''Εισαγωγή'''

Οι πλημμύρες είναι συχνά και καταστροφικά φυσικά φαινόμενα. Η δορυφορική τηλεπισκόπηση παίζει σημαντικό ρόλο στην παρακολούθηση και διαχείρισή τους. Αν και οι οπτικοί δέκτες δίνουν αρκετές πληροφορίες με τα φασματικά τους κανάλια, τα ραντάρ μπορούν να ανιχνεύουν ακόμα και με κακές καιρικές συνθήκες.
Παρόλο που έχουν γίνει πολλές προσπάθειες χαρτογράφησης των πλημμυρών με εικόνες από ραντάρ συνθετικής απεικόνισης, η διαδικασία με αντίστοιχες εικόνες από τον Sentinel-1 είναι δύσκολο να πραγματοποιηθεί. Στην παρούσα μελέτη εξετάζεται η περίπτωση εφαρμογής επιβλεπόμενης ταξινόμησης με τον ίδιο κανόνα σε εικόνες από τον Sentinel-1, πριν και μετά της πλημμύρας, με τη βοήθεια οπτικών εικόνων από τον Sentinel-2, ώστε να βελτιωθεί η ακρίβεια της ταξινόμησης των καλύψεων γης. Προκειμένου η μέθοδος να συγκριθεί με τις κλασικές προσεγγίσεις, χρησιμοποιήθηκαν οι μέθοδοι Otsu Thresholding και ο δείκτης NDWI.
[[Αρχείο:Rs_wiki_Markopoulou_1_1.jpg|200px|thumb|left|Εικόνα 1: Το έγχρωμο σύνθετο της εικόνας του Sentinel-2. (α) Η περιοχή σε ανάλυση 10m (τα τα φασματικά κανάλια 4,3 και δύο έχουν τεθεί στο κόκκινο, πράσινο και μπλε) (b) Η πόλη Shouguang, στο ίδιο έγχρωμο σύνθετο]]

'''Μεθοδολογία'''

Η περιοχή μελέτης ήταν η πόλη Shouguang στην Κίνα, όπου έχουν παρατηρηθεί πολλές καλοκαιρινές πλημμύρες τα τελευταία χρόνια. Το 2018, η πόλη χτυπήθηκε από τον τυφώνα Rumbia, όπου παρατηρήθηκαν εκτεταμένες καταστροφές. Η περίπτωση μελέτης είναι το χωριό Kouzi. Ανάλογα με τα δομικά στοιχεία της περιοχή, μπορεί να γίνει η ταξινόμηση στις εξής πέντε κατηγορίες: υδάτινα σώματα, κτίρια, αγροκτήματα με πλαστικές κατασκευές και αγροκτήματα χωρίς πλαστικές κατασκευές.
Λήφθηκαν δορυφορικές εικόνες τις κατάλληλες ημερομηνίες από τον Sentinel-1 ώστε να πληρούνται τα κριτήρια για την ταχεία χαρτογράφηση, αλλά και από τον Sentinel-2, που διαθέτει και υπερφασματικούς δέκτες υψηλής ανάλυσης, με συνολικά 12 φασματικά κανάλια. Λήφθηκαν δορυφορικές εικόνες και από την ομάδα δορυφόρων Planet, για την ανάλυση των πλημμυρισμένων περιοχών και τον υπολογισμό του NDWI.
Τα επόμενα βήματα της μεθοδολογίας αφορούν την πραγματοποίηση επιβλεπόμενης ταξινόμησης (normal optical) και το συνδυασμό των εικόνων πριν τις πλημμύρες και μετά, με τις αντίστοιχες επιβλεπόμενες ταξινομήσεις, ώστε να γίνει μία επιβλεπόμενη ταξινόμηση για την οπισθοσκέδασης. Στην επιβλεπόμενη ταξινόμηση προ των πλημμυρών υπολογίζεται ο μέσος συντελεστής οπισθοσκέδασης για κάθε κλάση και κατατάσσονται κατά αύξουσα σειρά. Ο αριθμός της κάθε κλάσης είναι η νιοστή δύναμη του δύο (2) και οι δύο ταξινομήσεις οπισθοσκέδασης επισημαίνονται με έναν αριθμό, ανάλογα με την κατάταξή τους, συναρτήσει των κλάσεων. Στη συνέχεια, ανιχνεύονται οι διαφορές στις δύο ταξινομήσεις οπισθοσκέδασης με την pixel-based method και εν τέλει καθορίζεται η έκταση της πλημμύρας με βάση την κατάταξη των μέσων συντελεστών οπισθοσκέδασης. Για την μείωση του θορύβου των εικόνων και την καλύτερη ανίχνευση των μεταβολών, η επεξεργασία των εικόνων γίνεται στο κανάλι της ακτινοβολίας Γάμμα (Gamma). Ο δείκτης προκύπτει ως εξής: S_Gamma = √(100×Gamma) .
Επιπλέον, για την κατάρτιση του μοντέλου χρησιμοποιήθηκε η Random Forest Classification. Ανάλογα με το αν μια περιοχή έχει πληγεί από την πλημμύρα, οι συντελεστές οπισθοσκέδασης έχουν διαφορετικές τιμές. Η τιμή μειώνεται απότομα, όταν μία περιοχή πλημμυρίζει. Από το pixel-based method προέκυψαν πέντε κατηγοριοποιήσεις των πλημμυρών. Τέλος, δημιουργήθηκαν δύο πλημμυρικοί χάρτες, ένας με Otsu Thresholing και ένας με τον υπολογισμό του NDWI.
[[Αρχείο:Rs_wiki_Markopoulou_1_2.jpg|200px|thumb|left|Εικόνα 2: Η κανονική οπτική ταξινόμηση των εικόνων Sentinel-2 και η ταξινόμηση Random Forest Classification με τη χρήση καναλιών S_Gamma και κανονική οπτική ταξινόμηση (a) Ταξινόμηση Random Forest από εικόνες Sentinel-2 στις 10/08/2018 (b) Ταξινόμηση Random Forest στις 02/08/2018 (c) Ταξινόμηση Random Forest στις 21/07/2018 (d) Ταξινόμηση Random Forest στις 27/07/2018 (e) Ταξινόμηση Random Forest στις 20/08/2018 (f) Ταξινόμηση Random Forest στις 26/08/2018]]

'''Συμπεράσματα'''

Σύμφωνα με την αξιολόγηση του Random Forest Classification, η ακρίβεια των αποτελεσμάτων αγγίζει το 80,95%, με τον kappa index να φτάνει το 74,1%. Τα αποτελέσματα αξιολογήθηκαν και από εικόνες του Planet. Επίσης, η τελική αξιολόγηση της ταχείας χαρτογράφησης για τις ημέρες των πλημμυρών έδειξε 85,22% ακρίβεια στην πιο βροχερή μέρα της πλημμύρας και 95,45% στο τέλος αντίστοιχα. Η επεξεργασία των δεδομένων είναι μία απλή διαδικασία, επομένως μπορεί να πραγματοποιηθεί εύκολα σε καταστάσεις έκτακτης ανάγκης. Τέλος, με την μέθοδο της μελέτης υπολογίζονται ταχέως η πλημμυρισμένη έκταση και η ένταση του φαινομένου, το οποίο δεν ισχύει για τις μεθόδους Otsu Thresholing και NDWI. Οι πλήρως πλημμυρισμένες περιοχές μπορούν να αξιολογηθούν και με τις τρεις μεθόδους.

Ταχεία Χαρτογράφηση Πλημμυρών και Αξιολόγηση με Επιβλεπόμενη Ταξινόμηση και Ανίχνευση Μεταβολών...

2022-02-06T08:54:42Z

E markopoulou: Νέα σελίδα με '=='''Ταχεία Χαρτογράφηση Πλημμυρών και Αξιολόγηση με Επιβλεπόμενη Ταξινόμηση και Ανίχνευση Με...'

=='''Ταχεία Χαρτογράφηση Πλημμυρών και Αξιολόγηση με Επιβλεπόμενη Ταξινόμηση και Ανίχνευση Μεταβολών στη Shouguang με την Χρήση Οπτικών Δεδομένων του Sentinel-1 SAR και Sentinel-2'''==

'''Πρωτότυπος τίτλος:''' Rapid Flood Mapping and Evaluation with a Supervised Classifier and Change Detection in Shouguang Using Sentinel-1 SAR and Sentinel-2 Optical Data

'''Συγγραφείς:''' Minmin Huang, Shuanggen Jin

'''Δημοσιεύθηκε:''' Remote Sensing MDPI

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.mdpi.com/2072-4292/12/13/2073 ]

'''Εισαγωγή'''

Οι πλημμύρες είναι συχνά και καταστροφικά φυσικά φαινόμενα. Η δορυφορική τηλεπισκόπηση παίζει σημαντικό ρόλο στην παρακολούθηση και διαχείρισή τους. Αν και οι οπτικοί δέκτες δίνουν αρκετές πληροφορίες με τα φασματικά τους κανάλια, τα ραντάρ μπορούν να ανιχνεύουν ακόμα και με κακές καιρικές συνθήκες.
Παρόλο που έχουν γίνει πολλές προσπάθειες χαρτογράφησης των πλημμυρών με εικόνες από ραντάρ συνθετικής απεικόνισης, η διαδικασία με αντίστοιχες εικόνες από τον Sentinel-1 είναι δύσκολο να πραγματοποιηθεί. Στην παρούσα μελέτη εξετάζεται η περίπτωση εφαρμογής επιβλεπόμενης ταξινόμησης με τον ίδιο κανόνα σε εικόνες από τον Sentinel-1, πριν και μετά της πλημμύρας, με τη βοήθεια οπτικών εικόνων από τον Sentinel-2, ώστε να βελτιωθεί η ακρίβεια της ταξινόμησης των καλύψεων γης. Προκειμένου η μέθοδος να συγκριθεί με τις κλασικές προσεγγίσεις, χρησιμοποιήθηκαν οι μέθοδοι Otsu Thresholding και ο δείκτης NDWI.
[[Αρχείο:Rs_wiki_Markopoulou_1_1.jpg|200px|thumb|left|Εικόνα 1: Το έγχρωμο σύνθετο της εικόνας του Sentinel-2. (α) Η περιοχή σε ανάλυση 10m (τα

'''Μεθοδολογία'''

Η περιοχή μελέτης ήταν η πόλη Shouguang στην Κίνα, όπου έχουν παρατηρηθεί πολλές καλοκαιρινές πλημμύρες τα τελευταία χρόνια. Το 2018, η πόλη χτυπήθηκε από τον τυφώνα Rumbia, όπου παρατηρήθηκαν εκτεταμένες καταστροφές. Η περίπτωση μελέτης είναι το χωριό Kouzi. Ανάλογα με τα δομικά στοιχεία της περιοχή, μπορεί να γίνει η ταξινόμηση στις εξής πέντε κατηγορίες: υδάτινα σώματα, κτίρια, αγροκτήματα με πλαστικές κατασκευές και αγροκτήματα χωρίς πλαστικές κατασκευές.
Λήφθηκαν δορυφορικές εικόνες τις κατάλληλες ημερομηνίες από τον Sentinel-1 ώστε να πληρούνται τα κριτήρια για την ταχεία χαρτογράφηση, αλλά και από τον Sentinel-2, που διαθέτει και υπερφασματικούς δέκτες υψηλής ανάλυσης, με συνολικά 12 φασματικά κανάλια. Λήφθηκαν δορυφορικές εικόνες και από την ομάδα δορυφόρων Planet, για την ανάλυση των πλημμυρισμένων περιοχών και τον υπολογισμό του NDWI.
Τα επόμενα βήματα της μεθοδολογίας αφορούν την πραγματοποίηση επιβλεπόμενης ταξινόμησης (normal optical) και το συνδυασμό των εικόνων πριν τις πλημμύρες και μετά, με τις αντίστοιχες επιβλεπόμενες ταξινομήσεις, ώστε να γίνει μία επιβλεπόμενη ταξινόμηση για την οπισθοσκέδασης. Στην επιβλεπόμενη ταξινόμηση προ των πλημμυρών υπολογίζεται ο μέσος συντελεστής οπισθοσκέδασης για κάθε κλάση και κατατάσσονται κατά αύξουσα σειρά. Ο αριθμός της κάθε κλάσης είναι η νιοστή δύναμη του δύο (2) και οι δύο ταξινομήσεις οπισθοσκέδασης επισημαίνονται με έναν αριθμό, ανάλογα με την κατάταξή τους, συναρτήσει των κλάσεων. Στη συνέχεια, ανιχνεύονται οι διαφορές στις δύο ταξινομήσεις οπισθοσκέδασης με την pixel-based method και εν τέλει καθορίζεται η έκταση της πλημμύρας με βάση την κατάταξη των μέσων συντελεστών οπισθοσκέδασης. Για την μείωση του θορύβου των εικόνων και την καλύτερη ανίχνευση των μεταβολών, η επεξεργασία των εικόνων γίνεται στο κανάλι της ακτινοβολίας Γάμμα (Gamma). Ο δείκτης προκύπτει ως εξής: S_Gamma = √(100×Gamma) .
Επιπλέον, για την κατάρτιση του μοντέλου χρησιμοποιήθηκε η Random Forest Classification. Ανάλογα με το αν μια περιοχή έχει πληγεί από την πλημμύρα, οι συντελεστές οπισθοσκέδασης έχουν διαφορετικές τιμές. Η τιμή μειώνεται απότομα, όταν μία περιοχή πλημμυρίζει. Από το pixel-based method προέκυψαν πέντε κατηγοριοποιήσεις των πλημμυρών. Τέλος, δημιουργήθηκαν δύο πλημμυρικοί χάρτες, ένας με Otsu Thresholing και ένας με τον υπολογισμό του NDWI.
[[Αρχείο:Rs_wiki_Markopoulou_1_2.jpg|200px|thumb|left|Εικόνα 2: Η κανονική οπτική ταξινόμηση των εικόνων Sentinel-2 και η ταξινόμηση Random Forest Classification με τη χρήση καναλιών S_Gamma και κανονική οπτική ταξινόμηση (a) Ταξινόμηση Random Forest από εικόνες Sentinel-2 στις 10/08/2018 (b) Ταξινόμηση Random Forest στις 02/08/2018 (c) Ταξινόμηση Random Forest στις 21/07/2018 (d) Ταξινόμηση Random Forest στις 27/07/2018 (e) Ταξινόμηση Random Forest στις 20/08/2018 (f) Ταξινόμηση Random Forest στις 26/08/2018]]

'''Συμπεράσματα'''

Σύμφωνα με την αξιολόγηση του Random Forest Classification, η ακρίβεια των αποτελεσμάτων αγγίζει το 80,95%, με τον kappa index να φτάνει το 74,1%. Τα αποτελέσματα αξιολογήθηκαν και από εικόνες του Planet. Επίσης, η τελική αξιολόγηση της ταχείας χαρτογράφησης για τις ημέρες των πλημμυρών έδειξε 85,22% ακρίβεια στην πιο βροχερή μέρα της πλημμύρας και 95,45% στο τέλος αντίστοιχα. Η επεξεργασία των δεδομένων είναι μία απλή διαδικασία, επομένως μπορεί να πραγματοποιηθεί εύκολα σε καταστάσεις έκτακτης ανάγκης. Τέλος, με την μέθοδο της μελέτης υπολογίζονται ταχέως η πλημμυρισμένη έκταση και η ένταση του φαινομένου, το οποίο δεν ισχύει για τις μεθόδους Otsu Thresholing και NDWI. Οι πλήρως πλημμυρισμένες περιοχές μπορούν να αξιολογηθούν και με τις τρεις μεθόδους.

Φασματική ανίχνευση νηματωδών σε σόγια κατά την άνθιση με τη χρήση ΣμηΕΑ

2022-02-06T08:50:11Z

E markopoulou:

=='''Φασματική ανίχνευση νηματωδών σε σόγια κατά την άνθιση με τη χρήση ΣμηΕΑ'''==

'''Πρωτότυπος τίτλος:''' Spectral detection of nematodes in soybean at flowering growth stage using
unmanned aerial vehicles

'''Συγγραφείς:''' Bruno Henrique Tondato Arantes, Victor Hugo Moraes, Alaerson Maia Geraldine, Tavvs Micael Alves, Alice Maria Albert, Gabriel Jesus da Silva, Gustavo Castoldi

'''Δημοσιεύθηκε:''' Ciência Rural

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.scielo.br/j/cr/a/YWdtrPs5k49DG3yVmbHW7hj/?lang=en]

'''Εισαγωγή'''

Η σόγια καλλιεργείται από αρχαιοτάτων χρόνων, πλέον σε όλο τον κόσμο για την ανθρώπινη διατροφή, την κτηνοτροφία και ως βιοκαύσιμο. Σημαντικοί εχθροί του φυτού είναι οι νηματώδεις Heterodera glycines και Pratylenchus brachyurus. Το πρώτο είναι υποχρεωτικό ενδοπαράσιτο των ριζών και προκαλεί νανισμό, χλώρωση των φύλλων, πρόωρη γήρανση, μείωση του βάρους του σπόρου και εν τέλει επιφέρει τον θάνατο, ενώ το δεύτερο δημιουργεί καστανέρυθρα έλκη, τα οποία εξελίσσονται σε νέκρωση των ριζών.
Η ανίχνευση των νηματωδών στο έδαφος είναι κοστοβόρα, καθώς απαιτούνται πολλές δειγματοληψίες. Η Τηλεπισκόπηση αποτελεί μια σοβαρή εναλλακτική, καθώς τα υπέργεια συμπτώματα, αλλά και οι νηματώδεις, λόγω της χαμηλής κινητικότητάς τους στο έδαφος, μπορούν αν ανιχνευτούν με φασματικές κάμερες. [[Αρχείο:Rs_wiki_Markopoulou_5_1.jpg|200px|thumb|left|Διάγραμμα 1: Η τοποθεσία της περιοχής μελέτης, καθώς και τα σημεία δειγματοληψίας]]
Αν και στη γεωργία χρησιμοποιούνται κυρίως φασματικές κάμερες, οι υπερφασματικές μπορούν να μετρήσουν διάφορα χαρακτηριστικά του φυλλώματος. Η χρήση ΣμηΕΑ, η μείωση του μεγέθους των φασματικών δεκτών, αλλά και οι νέοι αλγόριθμοι δίνουν τη δυνατότητα για διάφορες εφαρμογές ανίχνευσης και χαρτογράφησης, μετρώντας την ανακλαστικότητα των φύλλων.
Σε παλαιότερες μελέτες, έχουν χρησιμοποιηθεί RGB φασματικές και υπερφασματικές εικόνες για την ανίχνευση κυστικών και νηματωδών που προκαλούν έλκη, με μεγάλη ακρίβεια. Η παρούσα μελέτη στοχεύει στον καθορισμό του καλύτερου φασματικού καναλιού, για την ανίχνευση των δύο αυτών νηματωδών, με τη χρήση μοντέλων γραμμικής παλινδρόμησης και των καθορισμό μοντέλων πολλαπλής γραμμικής παλινδρόμησης, για την έγκαιρη ανίχνευσή τους στην αρχή της άνθισης.

'''Μεθοδολογία'''

Η περιοχή μελέτης έχει έκταση 330 εκτάρια και βρίσκεται κοντά στην πόλη του Rio Verde. Η πειραματική διαδικασία πραγματοποιήθηκε την καλλιεργητική περίοδο του 2017-2018. Η προκαταρτική εξέταση έδειξε ότι υπήρχαν τα είδη H. Glycines (σε διάφορες ηλικίες, των οποίων η επίδραση στο φυτό μελετήθηκε ξεχωριστά), P. brachyurus και Helicotylenchus dihystera.
Χρησιμοποιήθηκε ΣμηΕΑ Phantom 4 Advanced με δέκτες Sequoia και RGB και το ΣμηΕΑ Inspire 2 για τον δέκτη Sentera, οι οποίοι συνολικά είχαν κανάλια στο red, green, blue, δύο NIR, έναν εξειδικευμένο δέκτη για το δείκτη NDVI και red edge. Επιπλέον, πραγματοποιήθηκαν δοκιμαστικές πτήσεις, για την ανίχνευση πιθανών προσβεβλημένων περιοχών και λήφθηκαν δείγματα, προκειμένου να εξαχθούν ενήλικα των νηματωδών από τις ρίζες των φυτών. Για τις πτήσεις χρησιμοποιήθηκαν προγράμματα σχεδίασης πτήσεων. Όλες οι πτήσεις έγιναν τις κατάλληλες ώρες, για να αποφευχθούν προβλήματα π.χ. σκίαση.
Με το πρόγραμμα Pix4D δημιουργήθηκε το ορθομωσαϊκό. Στις αναλύσεις χρησιμοποιήθηκε ο ψηφιακός αριθμός των pixel. Το ορθομωσαϊκό εισήχθη στο QGIS, ώστε να γίνουν οι απαραίτητοι υπολογισμοί στα πολλαπλά φασματικά κανάλια με το raster calculator. Για κάθε σημείο όπου πραγματοποιήθηκε δειγματοληψία, δημιουργήθηκε ένα vector layer διαστάσεων 1m επί 25cm για να υπολογιστεί η μέση ανακλαστικότητα για κάθε του κάθε αισθητήρα και να γίνει η στατιστική επεξεργασία. Πραγματοποιήθηκε επιβλεπόμενη ταξινόμηση, η οποία αφαίρεσε τα μη απαραίτητα pixel. Τα εναπομείναντα χρησιμοποιήθηκαν για τη στατιστική επεξεργασία
Λόγω του μεγάλου όγκου των δεδομένων, πραγματοποιήθηκε απλή και πολλαπλή γραμμική παλινδρόμηση. Με την πρώτη βρέθηκαν τα φασματικά κανάλια που επιτρέπουν την καλύτερη ανίχνευση των νηματωδών, ενώ η δεύτερη ανάλυση υπέδειξε ποιος είναι ο καλύτερος συνδυασμό των καναλιών αυτών. Πραγματοποιήθηκε η ανάλυση forward model selection, ώστε να επιτευχθεί ο βέλτιστος συνδυασμός που να αποτυπώνει τις διαφορετικές πληθυσμιακές πυκνότητες. Τέλος, καταρτίστηκαν μοντέλα απλής και πολλαπλής παλινδρόμησης με ανεξάρτητη μεταβλητή την ανακλαστικότητα των φυτών και εξαρτημένη μεταβλητή των αριθμό των νηματωδών. [[Αρχείο:Rs_wiki_Markopoulou_5_2.jpg|200px|thumb|left|Διάγραμμα 2: Η χαρτογράφηση του νηματώδους H. glycines με τη χρήση αισθητήρων χαμηλού κόστους]]

'''Συμπεράσματα'''

Τα νάνα φυτά και το μολυσμένο έδαφος ήταν ορατά σε σχέση με τα υπόλοιπα στο χωράφι. Οι νεαρότερες ηλικίες του H. glycines δεν συσχετίστηκαν με υπέργεια συμπτώματα και διαφορετικές φασματικές αποκρίσεις. Τα αποτελέσματα έδειξαν ότι είναι εφικτή η εφαρμογή νηματωδοκτόνων τοπικά.
Τέλος, παρατηρήθηκε ότι υπάρχει σχέση μεταξύ της ανακλαστικότητας του φυλλώματος και του αριθμού των νηματωδών. Κρίνεται κατάλληλη η χρήση φασματικών αισθητήρων για την ανίχνευση του H. glycines, αλλά απαραίτητη η χρήση πολυφασματικών αισθητήρων για την ανίχνευση του P. brachyurus. Το H. dihystera αποκλείστηκε, καθώς είναι εκτοπαράσιτο και δεν προκαλεί σημαντική ζημιά στο φυτό.

Φασματική ανίχνευση νηματωδών σε σόγια κατά την άνθιση με τη χρήση ΣμηΕΑ

2022-02-06T08:49:20Z

E markopoulou:

=='''Φασματική ανίχνευση νηματωδών σε σόγια κατά την άνθιση με τη χρήση ΣμηΕΑ'''==

'''Πρωτότυπος τίτλος:''' Spectral detection of nematodes in soybean at flowering growth stage using
unmanned aerial vehicles

'''Συγγραφείς:''' Bruno Henrique Tondato Arantes, Victor Hugo Moraes, Alaerson Maia Geraldine, Tavvs Micael Alves, Alice Maria Albert, Gabriel Jesus da Silva, Gustavo Castoldi

'''Δημοσιεύθηκε:''' Ciência Rural

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.scielo.br/j/cr/a/YWdtrPs5k49DG3yVmbHW7hj/?lang=en]

'''Εισαγωγή'''

Η σόγια καλλιεργείται από αρχαιοτάτων χρόνων, πλέον σε όλο τον κόσμο για την ανθρώπινη διατροφή, την κτηνοτροφία και ως βιοκαύσιμο. Σημαντικοί εχθροί του φυτού είναι οι νηματώδεις Heterodera glycines και Pratylenchus brachyurus. Το πρώτο είναι υποχρεωτικό ενδοπαράσιτο των ριζών και προκαλεί νανισμό, χλώρωση των φύλλων, πρόωρη γήρανση, μείωση του βάρους του σπόρου και εν τέλει επιφέρει τον θάνατο, ενώ το δεύτερο δημιουργεί καστανέρυθρα έλκη, τα οποία εξελίσσονται σε νέκρωση των ριζών.
Η ανίχνευση των νηματωδών στο έδαφος είναι κοστοβόρα, καθώς απαιτούνται πολλές δειγματοληψίες. Η Τηλεπισκόπηση αποτελεί μια σοβαρή εναλλακτική, καθώς τα υπέργεια συμπτώματα, αλλά και οι νηματώδεις, λόγω της χαμηλής κινητικότητάς τους στο έδαφος, μπορούν αν ανιχνευτούν με φασματικές κάμερες. [[Αρχείο:Rs_wiki_Markopoulou_5_1.jpg|200px|thumb|right|Διάγραμμα 1: Η τοποθεσία της περιοχής μελέτης, καθώς και τα σημεία δειγματοληψίας]]
Αν και στη γεωργία χρησιμοποιούνται κυρίως φασματικές κάμερες, οι υπερφασματικές μπορούν να μετρήσουν διάφορα χαρακτηριστικά του φυλλώματος. Η χρήση ΣμηΕΑ, η μείωση του μεγέθους των φασματικών δεκτών, αλλά και οι νέοι αλγόριθμοι δίνουν τη δυνατότητα για διάφορες εφαρμογές ανίχνευσης και χαρτογράφησης, μετρώντας την ανακλαστικότητα των φύλλων.
Σε παλαιότερες μελέτες, έχουν χρησιμοποιηθεί RGB φασματικές και υπερφασματικές εικόνες για την ανίχνευση κυστικών και νηματωδών που προκαλούν έλκη, με μεγάλη ακρίβεια. Η παρούσα μελέτη στοχεύει στον καθορισμό του καλύτερου φασματικού καναλιού, για την ανίχνευση των δύο αυτών νηματωδών, με τη χρήση μοντέλων γραμμικής παλινδρόμησης και των καθορισμό μοντέλων πολλαπλής γραμμικής παλινδρόμησης, για την έγκαιρη ανίχνευσή τους στην αρχή της άνθισης.

'''Μεθοδολογία'''

Η περιοχή μελέτης έχει έκταση 330 εκτάρια και βρίσκεται κοντά στην πόλη του Rio Verde. Η πειραματική διαδικασία πραγματοποιήθηκε την καλλιεργητική περίοδο του 2017-2018. Η προκαταρτική εξέταση έδειξε ότι υπήρχαν τα είδη H. Glycines (σε διάφορες ηλικίες, των οποίων η επίδραση στο φυτό μελετήθηκε ξεχωριστά), P. brachyurus και Helicotylenchus dihystera.
Χρησιμοποιήθηκε ΣμηΕΑ Phantom 4 Advanced με δέκτες Sequoia και RGB και το ΣμηΕΑ Inspire 2 για τον δέκτη Sentera, οι οποίοι συνολικά είχαν κανάλια στο red, green, blue, δύο NIR, έναν εξειδικευμένο δέκτη για το δείκτη NDVI και red edge. Επιπλέον, πραγματοποιήθηκαν δοκιμαστικές πτήσεις, για την ανίχνευση πιθανών προσβεβλημένων περιοχών και λήφθηκαν δείγματα, προκειμένου να εξαχθούν ενήλικα των νηματωδών από τις ρίζες των φυτών. Για τις πτήσεις χρησιμοποιήθηκαν προγράμματα σχεδίασης πτήσεων. Όλες οι πτήσεις έγιναν τις κατάλληλες ώρες, για να αποφευχθούν προβλήματα π.χ. σκίαση.
Με το πρόγραμμα Pix4D δημιουργήθηκε το ορθομωσαϊκό. Στις αναλύσεις χρησιμοποιήθηκε ο ψηφιακός αριθμός των pixel. Το ορθομωσαϊκό εισήχθη στο QGIS, ώστε να γίνουν οι απαραίτητοι υπολογισμοί στα πολλαπλά φασματικά κανάλια με το raster calculator. Για κάθε σημείο όπου πραγματοποιήθηκε δειγματοληψία, δημιουργήθηκε ένα vector layer διαστάσεων 1m επί 25cm για να υπολογιστεί η μέση ανακλαστικότητα για κάθε του κάθε αισθητήρα και να γίνει η στατιστική επεξεργασία. Πραγματοποιήθηκε επιβλεπόμενη ταξινόμηση, η οποία αφαίρεσε τα μη απαραίτητα pixel. Τα εναπομείναντα χρησιμοποιήθηκαν για τη στατιστική επεξεργασία
Λόγω του μεγάλου όγκου των δεδομένων, πραγματοποιήθηκε απλή και πολλαπλή γραμμική παλινδρόμηση. Με την πρώτη βρέθηκαν τα φασματικά κανάλια που επιτρέπουν την καλύτερη ανίχνευση των νηματωδών, ενώ η δεύτερη ανάλυση υπέδειξε ποιος είναι ο καλύτερος συνδυασμό των καναλιών αυτών. Πραγματοποιήθηκε η ανάλυση forward model selection, ώστε να επιτευχθεί ο βέλτιστος συνδυασμός που να αποτυπώνει τις διαφορετικές πληθυσμιακές πυκνότητες. Τέλος, καταρτίστηκαν μοντέλα απλής και πολλαπλής παλινδρόμησης με ανεξάρτητη μεταβλητή την ανακλαστικότητα των φυτών και εξαρτημένη μεταβλητή των αριθμό των νηματωδών.

'''Συμπεράσματα'''

Τα νάνα φυτά και το μολυσμένο έδαφος ήταν ορατά σε σχέση με τα υπόλοιπα στο χωράφι. Οι νεαρότερες ηλικίες του H. glycines δεν συσχετίστηκαν με υπέργεια συμπτώματα και διαφορετικές φασματικές αποκρίσεις. Τα αποτελέσματα έδειξαν ότι είναι εφικτή η εφαρμογή νηματωδοκτόνων τοπικά.
Τέλος, παρατηρήθηκε ότι υπάρχει σχέση μεταξύ της ανακλαστικότητας του φυλλώματος και του αριθμού των νηματωδών. Κρίνεται κατάλληλη η χρήση φασματικών αισθητήρων για την ανίχνευση του H. glycines, αλλά απαραίτητη η χρήση πολυφασματικών αισθητήρων για την ανίχνευση του P. brachyurus. Το H. dihystera αποκλείστηκε, καθώς είναι εκτοπαράσιτο και δεν προκαλεί σημαντική ζημιά στο φυτό.

Φασματική ανίχνευση νηματωδών σε σόγια κατά την άνθιση με τη χρήση ΣμηΕΑ

2022-02-06T08:48:58Z

E markopoulou:

=='''Φασματική ανίχνευση νηματωδών σε σόγια κατά την άνθιση με τη χρήση ΣμηΕΑ'''==

'''Πρωτότυπος τίτλος:''' Spectral detection of nematodes in soybean at flowering growth stage using
unmanned aerial vehicles

'''Συγγραφείς:''' Bruno Henrique Tondato Arantes, Victor Hugo Moraes, Alaerson Maia Geraldine, Tavvs Micael Alves, Alice Maria Albert, Gabriel Jesus da Silva, Gustavo Castoldi

'''Δημοσιεύθηκε:''' Ciência Rural

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.scielo.br/j/cr/a/YWdtrPs5k49DG3yVmbHW7hj/?lang=en]

'''Εισαγωγή'''

Η σόγια καλλιεργείται από αρχαιοτάτων χρόνων, πλέον σε όλο τον κόσμο για την ανθρώπινη διατροφή, την κτηνοτροφία και ως βιοκαύσιμο. Σημαντικοί εχθροί του φυτού είναι οι νηματώδεις Heterodera glycines και Pratylenchus brachyurus. Το πρώτο είναι υποχρεωτικό ενδοπαράσιτο των ριζών και προκαλεί νανισμό, χλώρωση των φύλλων, πρόωρη γήρανση, μείωση του βάρους του σπόρου και εν τέλει επιφέρει τον θάνατο, ενώ το δεύτερο δημιουργεί καστανέρυθρα έλκη, τα οποία εξελίσσονται σε νέκρωση των ριζών.
Η ανίχνευση των νηματωδών στο έδαφος είναι κοστοβόρα, καθώς απαιτούνται πολλές δειγματοληψίες. Η Τηλεπισκόπηση αποτελεί μια σοβαρή εναλλακτική, καθώς τα υπέργεια συμπτώματα, αλλά και οι νηματώδεις, λόγω της χαμηλής κινητικότητάς τους στο έδαφος, μπορούν αν ανιχνευτούν με φασματικές κάμερες. [[Αρχείο:Rs_wiki_Markopoulou_5_1.jpg|200px|thumb|left|Διάγραμμα 1: Η τοποθεσία της περιοχής μελέτης, καθώς και τα σημεία δειγματοληψίας]]
Αν και στη γεωργία χρησιμοποιούνται κυρίως φασματικές κάμερες, οι υπερφασματικές μπορούν να μετρήσουν διάφορα χαρακτηριστικά του φυλλώματος. Η χρήση ΣμηΕΑ, η μείωση του μεγέθους των φασματικών δεκτών, αλλά και οι νέοι αλγόριθμοι δίνουν τη δυνατότητα για διάφορες εφαρμογές ανίχνευσης και χαρτογράφησης, μετρώντας την ανακλαστικότητα των φύλλων.
Σε παλαιότερες μελέτες, έχουν χρησιμοποιηθεί RGB φασματικές και υπερφασματικές εικόνες για την ανίχνευση κυστικών και νηματωδών που προκαλούν έλκη, με μεγάλη ακρίβεια. Η παρούσα μελέτη στοχεύει στον καθορισμό του καλύτερου φασματικού καναλιού, για την ανίχνευση των δύο αυτών νηματωδών, με τη χρήση μοντέλων γραμμικής παλινδρόμησης και των καθορισμό μοντέλων πολλαπλής γραμμικής παλινδρόμησης, για την έγκαιρη ανίχνευσή τους στην αρχή της άνθισης.

'''Μεθοδολογία'''

Η περιοχή μελέτης έχει έκταση 330 εκτάρια και βρίσκεται κοντά στην πόλη του Rio Verde. Η πειραματική διαδικασία πραγματοποιήθηκε την καλλιεργητική περίοδο του 2017-2018. Η προκαταρτική εξέταση έδειξε ότι υπήρχαν τα είδη H. Glycines (σε διάφορες ηλικίες, των οποίων η επίδραση στο φυτό μελετήθηκε ξεχωριστά), P. brachyurus και Helicotylenchus dihystera.
Χρησιμοποιήθηκε ΣμηΕΑ Phantom 4 Advanced με δέκτες Sequoia και RGB και το ΣμηΕΑ Inspire 2 για τον δέκτη Sentera, οι οποίοι συνολικά είχαν κανάλια στο red, green, blue, δύο NIR, έναν εξειδικευμένο δέκτη για το δείκτη NDVI και red edge. Επιπλέον, πραγματοποιήθηκαν δοκιμαστικές πτήσεις, για την ανίχνευση πιθανών προσβεβλημένων περιοχών και λήφθηκαν δείγματα, προκειμένου να εξαχθούν ενήλικα των νηματωδών από τις ρίζες των φυτών. Για τις πτήσεις χρησιμοποιήθηκαν προγράμματα σχεδίασης πτήσεων. Όλες οι πτήσεις έγιναν τις κατάλληλες ώρες, για να αποφευχθούν προβλήματα π.χ. σκίαση.
Με το πρόγραμμα Pix4D δημιουργήθηκε το ορθομωσαϊκό. Στις αναλύσεις χρησιμοποιήθηκε ο ψηφιακός αριθμός των pixel. Το ορθομωσαϊκό εισήχθη στο QGIS, ώστε να γίνουν οι απαραίτητοι υπολογισμοί στα πολλαπλά φασματικά κανάλια με το raster calculator. Για κάθε σημείο όπου πραγματοποιήθηκε δειγματοληψία, δημιουργήθηκε ένα vector layer διαστάσεων 1m επί 25cm για να υπολογιστεί η μέση ανακλαστικότητα για κάθε του κάθε αισθητήρα και να γίνει η στατιστική επεξεργασία. Πραγματοποιήθηκε επιβλεπόμενη ταξινόμηση, η οποία αφαίρεσε τα μη απαραίτητα pixel. Τα εναπομείναντα χρησιμοποιήθηκαν για τη στατιστική επεξεργασία
Λόγω του μεγάλου όγκου των δεδομένων, πραγματοποιήθηκε απλή και πολλαπλή γραμμική παλινδρόμηση. Με την πρώτη βρέθηκαν τα φασματικά κανάλια που επιτρέπουν την καλύτερη ανίχνευση των νηματωδών, ενώ η δεύτερη ανάλυση υπέδειξε ποιος είναι ο καλύτερος συνδυασμό των καναλιών αυτών. Πραγματοποιήθηκε η ανάλυση forward model selection, ώστε να επιτευχθεί ο βέλτιστος συνδυασμός που να αποτυπώνει τις διαφορετικές πληθυσμιακές πυκνότητες. Τέλος, καταρτίστηκαν μοντέλα απλής και πολλαπλής παλινδρόμησης με ανεξάρτητη μεταβλητή την ανακλαστικότητα των φυτών και εξαρτημένη μεταβλητή των αριθμό των νηματωδών.

'''Συμπεράσματα'''

Τα νάνα φυτά και το μολυσμένο έδαφος ήταν ορατά σε σχέση με τα υπόλοιπα στο χωράφι. Οι νεαρότερες ηλικίες του H. glycines δεν συσχετίστηκαν με υπέργεια συμπτώματα και διαφορετικές φασματικές αποκρίσεις. Τα αποτελέσματα έδειξαν ότι είναι εφικτή η εφαρμογή νηματωδοκτόνων τοπικά.
Τέλος, παρατηρήθηκε ότι υπάρχει σχέση μεταξύ της ανακλαστικότητας του φυλλώματος και του αριθμού των νηματωδών. Κρίνεται κατάλληλη η χρήση φασματικών αισθητήρων για την ανίχνευση του H. glycines, αλλά απαραίτητη η χρήση πολυφασματικών αισθητήρων για την ανίχνευση του P. brachyurus. Το H. dihystera αποκλείστηκε, καθώς είναι εκτοπαράσιτο και δεν προκαλεί σημαντική ζημιά στο φυτό.

Φασματική ανίχνευση νηματωδών σε σόγια

2022-02-06T08:46:17Z

E markopoulou: Αντικατάσταση σελίδας με ' category:Γεωργία'

[[category:Γεωργία]]

Φασματική ανίχνευση νηματωδών σε σόγια κατά την άνθιση με τη χρήση ΣμηΕΑ

2022-02-06T08:46:00Z

E markopoulou: Νέα σελίδα με '=='''Φασματική ανίχνευση νηματωδών σε σόγια κατά την άνθιση με τη χρήση ΣμηΕΑ'''== '''Πρωτότυπος τ...'

=='''Φασματική ανίχνευση νηματωδών σε σόγια κατά την άνθιση με τη χρήση ΣμηΕΑ'''==

'''Πρωτότυπος τίτλος:''' Spectral detection of nematodes in soybean at flowering growth stage using
unmanned aerial vehicles

'''Συγγραφείς:''' Bruno Henrique Tondato Arantes, Victor Hugo Moraes, Alaerson Maia Geraldine, Tavvs Micael Alves, Alice Maria Albert, Gabriel Jesus da Silva, Gustavo Castoldi

'''Δημοσιεύθηκε:''' Ciência Rural

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.scielo.br/j/cr/a/YWdtrPs5k49DG3yVmbHW7hj/?lang=en]

'''Εισαγωγή'''

Η σόγια καλλιεργείται από αρχαιοτάτων χρόνων, πλέον σε όλο τον κόσμο για την ανθρώπινη διατροφή, την κτηνοτροφία και ως βιοκαύσιμο. Σημαντικοί εχθροί του φυτού είναι οι νηματώδεις Heterodera glycines και Pratylenchus brachyurus. Το πρώτο είναι υποχρεωτικό ενδοπαράσιτο των ριζών και προκαλεί νανισμό, χλώρωση των φύλλων, πρόωρη γήρανση, μείωση του βάρους του σπόρου και εν τέλει επιφέρει τον θάνατο, ενώ το δεύτερο δημιουργεί καστανέρυθρα έλκη, τα οποία εξελίσσονται σε νέκρωση των ριζών.
Η ανίχνευση των νηματωδών στο έδαφος είναι κοστοβόρα, καθώς απαιτούνται πολλές δειγματοληψίες. Η Τηλεπισκόπηση αποτελεί μια σοβαρή εναλλακτική, καθώς τα υπέργεια συμπτώματα, αλλά και οι νηματώδεις, λόγω της χαμηλής κινητικότητάς τους στο έδαφος, μπορούν αν ανιχνευτούν με φασματικές κάμερες.
Αν και στη γεωργία χρησιμοποιούνται κυρίως φασματικές κάμερες, οι υπερφασματικές μπορούν να μετρήσουν διάφορα χαρακτηριστικά του φυλλώματος. Η χρήση ΣμηΕΑ, η μείωση του μεγέθους των φασματικών δεκτών, αλλά και οι νέοι αλγόριθμοι δίνουν τη δυνατότητα για διάφορες εφαρμογές ανίχνευσης και χαρτογράφησης, μετρώντας την ανακλαστικότητα των φύλλων.
Σε παλαιότερες μελέτες, έχουν χρησιμοποιηθεί RGB φασματικές και υπερφασματικές εικόνες για την ανίχνευση κυστικών και νηματωδών που προκαλούν έλκη, με μεγάλη ακρίβεια. Η παρούσα μελέτη στοχεύει στον καθορισμό του καλύτερου φασματικού καναλιού, για την ανίχνευση των δύο αυτών νηματωδών, με τη χρήση μοντέλων γραμμικής παλινδρόμησης και των καθορισμό μοντέλων πολλαπλής γραμμικής παλινδρόμησης, για την έγκαιρη ανίχνευσή τους στην αρχή της άνθισης.

'''Μεθοδολογία'''

Η περιοχή μελέτης έχει έκταση 330 εκτάρια και βρίσκεται κοντά στην πόλη του Rio Verde. Η πειραματική διαδικασία πραγματοποιήθηκε την καλλιεργητική περίοδο του 2017-2018. Η προκαταρτική εξέταση έδειξε ότι υπήρχαν τα είδη H. Glycines (σε διάφορες ηλικίες, των οποίων η επίδραση στο φυτό μελετήθηκε ξεχωριστά), P. brachyurus και Helicotylenchus dihystera.
Χρησιμοποιήθηκε ΣμηΕΑ Phantom 4 Advanced με δέκτες Sequoia και RGB και το ΣμηΕΑ Inspire 2 για τον δέκτη Sentera, οι οποίοι συνολικά είχαν κανάλια στο red, green, blue, δύο NIR, έναν εξειδικευμένο δέκτη για το δείκτη NDVI και red edge. Επιπλέον, πραγματοποιήθηκαν δοκιμαστικές πτήσεις, για την ανίχνευση πιθανών προσβεβλημένων περιοχών και λήφθηκαν δείγματα, προκειμένου να εξαχθούν ενήλικα των νηματωδών από τις ρίζες των φυτών. Για τις πτήσεις χρησιμοποιήθηκαν προγράμματα σχεδίασης πτήσεων. Όλες οι πτήσεις έγιναν τις κατάλληλες ώρες, για να αποφευχθούν προβλήματα π.χ. σκίαση.
Με το πρόγραμμα Pix4D δημιουργήθηκε το ορθομωσαϊκό. Στις αναλύσεις χρησιμοποιήθηκε ο ψηφιακός αριθμός των pixel. Το ορθομωσαϊκό εισήχθη στο QGIS, ώστε να γίνουν οι απαραίτητοι υπολογισμοί στα πολλαπλά φασματικά κανάλια με το raster calculator. Για κάθε σημείο όπου πραγματοποιήθηκε δειγματοληψία, δημιουργήθηκε ένα vector layer διαστάσεων 1m επί 25cm για να υπολογιστεί η μέση ανακλαστικότητα για κάθε του κάθε αισθητήρα και να γίνει η στατιστική επεξεργασία. Πραγματοποιήθηκε επιβλεπόμενη ταξινόμηση, η οποία αφαίρεσε τα μη απαραίτητα pixel. Τα εναπομείναντα χρησιμοποιήθηκαν για τη στατιστική επεξεργασία
Λόγω του μεγάλου όγκου των δεδομένων, πραγματοποιήθηκε απλή και πολλαπλή γραμμική παλινδρόμηση. Με την πρώτη βρέθηκαν τα φασματικά κανάλια που επιτρέπουν την καλύτερη ανίχνευση των νηματωδών, ενώ η δεύτερη ανάλυση υπέδειξε ποιος είναι ο καλύτερος συνδυασμό των καναλιών αυτών. Πραγματοποιήθηκε η ανάλυση forward model selection, ώστε να επιτευχθεί ο βέλτιστος συνδυασμός που να αποτυπώνει τις διαφορετικές πληθυσμιακές πυκνότητες. Τέλος, καταρτίστηκαν μοντέλα απλής και πολλαπλής παλινδρόμησης με ανεξάρτητη μεταβλητή την ανακλαστικότητα των φυτών και εξαρτημένη μεταβλητή των αριθμό των νηματωδών.

'''Συμπεράσματα'''

Τα νάνα φυτά και το μολυσμένο έδαφος ήταν ορατά σε σχέση με τα υπόλοιπα στο χωράφι. Οι νεαρότερες ηλικίες του H. glycines δεν συσχετίστηκαν με υπέργεια συμπτώματα και διαφορετικές φασματικές αποκρίσεις. Τα αποτελέσματα έδειξαν ότι είναι εφικτή η εφαρμογή νηματωδοκτόνων τοπικά.
Τέλος, παρατηρήθηκε ότι υπάρχει σχέση μεταξύ της ανακλαστικότητας του φυλλώματος και του αριθμού των νηματωδών. Κρίνεται κατάλληλη η χρήση φασματικών αισθητήρων για την ανίχνευση του H. glycines, αλλά απαραίτητη η χρήση πολυφασματικών αισθητήρων για την ανίχνευση του P. brachyurus. Το H. dihystera αποκλείστηκε, καθώς είναι εκτοπαράσιτο και δεν προκαλεί σημαντική ζημιά στο φυτό.

Μαρκοπούλου Ευρυδίκη Μαρία

2022-02-06T08:43:41Z

E markopoulou:

[[Ταχεία Χαρτογράφηση Πλημμυρών και Αξιολόγηση με Επιβλεπόμενη Ταξινόμηση και Ανίχνευση Μεταβολών...]]

[[Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του Aedes aegypti...]]

[[Χαρτογραφώντας την Καταλληλότητα του Ενδιαιτήματος του Ιού του Δυτικού Νείλου στο Νότιο Κεμπέκ ...]]

[[Η ικανότητα των Συστημάτων Τηλεπισκόπησης στην ανίχνευση κηλίδων Σκολυτών στις Νοτιοανατολικές ΗΠΑ]]

[[Φασματική ανίχνευση νηματωδών σε σόγια κατά την άνθιση με τη χρήση ΣμηΕΑ]]

[[Εντοπισμός των φτωχοποιημένων περιοχών με Τηλεπισκόπηση και Μηχανική Μάθηση: Η Περίπτωση στο Guizhou της νοτιοδυτικής Κίνας]]

[[Αξιολογώντας την χρήση υλοτομίας-παραπροϊόντων υλοτομίας για την κάλυψη γης μετά από πυρκαγιές,...]]

[[Τηλεσκοπική Αξιολόγηση της Εξάπλωσης των Προσβολών του Ips typographus...]]

[[Εκτίμηση των Παραμέτρων Ανάπτυξης των Σιτηρών με την Χρήση Υπερφασματικών Δεδομένων από ΣμηΕΑ]]

[[Εκτίμηση του Fire Potential Index σε προστατευόμενες ορεινές περιοχές με την χρήση Τηλεπισκόπησης]]

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

[[category:ΔΠΜΣ ]]

Μαρκοπούλου Ευρυδίκη Μαρία

2022-02-06T08:43:11Z

E markopoulou:

[[Ταχεία Χαρτογράφηση Πλημμυρών και Αξιολόγηση με Επιβλεπόμενη Ταξινόμηση και Ανίχνευση Μεταβολών...]]

[[Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του Aedes aegypti...]]

[[Χαρτογραφώντας την Καταλληλότητα του Ενδιαιτήματος του Ιού του Δυτικού Νείλου στο Νότιο Κεμπέκ ...]]

[[Η ικανότητα των Συστημάτων Τηλεπισκόπησης στην ανίχνευση κηλίδων Σκολυτών στις Νοτιοανατολικές ΗΠΑ]]

[[Φασματική ανίχνευση νηματωδών σε σόγια κατά την άνθιση με τη χρήση ΣμηΕΑ]]

[[Εντοπισμός των φτωχοποιημένων περιοχών με Τηλεπισκόπηση και Μηχανική Μάθηση: Η Περίπτωση στο Guizhou της νοτιοδυτικής Κίνας]]

[[Αξιολογώντας την χρήση υλοτομίας-παραπροϊόντων υλοτομίας για την κάλυψη γης μετά από πυρκαγιές,...]]

[[Τηλεσκοπική Αξιολόγηση της Εξάπλωσης των Προσβολών του ''Ips typographus''...]]

[[Εκτίμηση των Παραμέτρων Ανάπτυξης των Σιτηρών με την Χρήση Υπερφασματικών Δεδομένων από ΣμηΕΑ]]

[[Εκτίμηση του Fire Potential Index σε προστατευόμενες ορεινές περιοχές με την χρήση Τηλεπισκόπησης]]

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

[[category:ΔΠΜΣ ]]

Αρχείο:Rs wiki Markopoulou 10 2.jpg

2022-02-06T08:40:15Z

E markopoulou: Διάγραμμα 2: Δείκτης FPI και παρατηρήσεις συμβάντων πυρκαγιάς από το 2011 ως το 2014

Διάγραμμα 2: Δείκτης FPI και παρατηρήσεις συμβάντων πυρκαγιάς από το 2011 ως το 2014

Αρχείο:Rs wiki Markopoulou 10 1.jpg

2022-02-06T08:39:52Z

E markopoulou: Διάγραμμα 1: Υγρασία της καύσιμης ύλης από το 2011 ως το 2014

Διάγραμμα 1: Υγρασία της καύσιμης ύλης από το 2011 ως το 2014

Αρχείο:Rs wiki Markopoulou 9 2.jpg

2022-02-06T08:39:07Z

E markopoulou: Διάγραμμα 2: Ο χάρτης απεικονίζει την κατανομή των αναμενόμενων τιμών του AGB (kg/m2) στους 48 πειραματικούς αγρούς που προέκυψαν από τον συνδυασ

Διάγραμμα 2: Ο χάρτης απεικονίζει την κατανομή των αναμενόμενων τιμών του AGB (kg/m2) στους 48 πειραματικούς αγρούς που προέκυψαν από τον συνδυασμό των VI και RP, με τη χρήση της μεθόδου PLSR (a) στάδιο αδελφώματος (b) στάδιο φύλλου σημαίας (c) στάδιο άνθισης

Αρχείο:Rs wiki Markopoulou 9 1.jpg

2022-02-06T08:38:32Z

E markopoulou: Διάγραμμα 1: Πειραματική διάταξη. ZM175: σιτάρι Zhongmai, J9843: σιτάρι Jingmai 9843. Τα Ν1, Ν2, Ν3, Ν4 αναπαριστούν μεταχειρίσεις αζώτου των 0, 195, 390 και 780 kg/ha αν�

Διάγραμμα 1: Πειραματική διάταξη. ZM175: σιτάρι Zhongmai, J9843: σιτάρι Jingmai 9843. Τα Ν1, Ν2, Ν3, Ν4 αναπαριστούν μεταχειρίσεις αζώτου των 0, 195, 390 και 780 kg/ha αντίστοιχα

Αρχείο:Rs wiki Markopoulou 8 2.png

2022-02-06T08:37:49Z

E markopoulou: Εικόνα 2: Κηλίδες προσβολής Ips typographus στο Προστατευόμενο Πάρκο Chuprene το 2020 (δορυφορικές εικόνες)

Εικόνα 2: Κηλίδες προσβολής Ips typographus στο Προστατευόμενο Πάρκο Chuprene το 2020 (δορυφορικές εικόνες)

Αρχείο:Rs wiki Markopoulou 8 1.jpg

2022-02-06T08:37:23Z

E markopoulou: Εικόνα 1: Κηλίδες προσβολής του Ips typographus το βορειοανατολικό κομάτι του Προστατευόμενου Πάρκου Chuprene: 2011 και 2015 (εικόνες από αέρος), 2017 (εικόνε�

Εικόνα 1: Κηλίδες προσβολής του Ips typographus το βορειοανατολικό κομάτι του Προστατευόμενου Πάρκου Chuprene: 2011 και 2015 (εικόνες από αέρος), 2017 (εικόνες από ΣμηΕΑ) και 2020 (δορυφορικές εικόνες)

Αρχείο:Rs wiki Markopoulou 7 2.jpg

2022-02-06T08:36:45Z

E markopoulou: Διάγραμμα 2: Σωστική υλοτομία-μονάδα 208-156 το 2016: (a) αταξινόμητη εικόνα NDVI (b) ταξινομημένη εικόνα NDVI (c) κοντινή λήψη της αταξινόμητης εικόνας ND

Διάγραμμα 2: Σωστική υλοτομία-μονάδα 208-156 το 2016: (a) αταξινόμητη εικόνα NDVI (b) ταξινομημένη εικόνα NDVI (c) κοντινή λήψη της αταξινόμητης εικόνας NDVI (d) κοντινή λήψη της ταξινομημένης εικόνας NDVI

Αρχείο:Rs wiki Markopoulou 7 1.jpg

2022-02-06T08:36:24Z

E markopoulou: Διάγραμμα 1: Η πυρκαγία North Star Fire στην βόρεια κεντρική εριοχή της πολιτείας Washington το καλοκαίρο του 2015. Οι μοβ περιοχές βρίσκονται στην σωζόμε

Διάγραμμα 1: Η πυρκαγία North Star Fire στην βόρεια κεντρική εριοχή της πολιτείας Washington το καλοκαίρο του 2015. Οι μοβ περιοχές βρίσκονται στην σωζόμενη περιοχή 208:156, όπως παρουσιάζεται στην εικόνα WorldView-2 από το Νοέμβριο του 2016 (1 έτος μετά την πυρκαγιά, 2 μήνες μετά την επέμβαση). Ο χάρτης soil burn severity δημιουργήθηκε από το Bureau of Indian Affairs Burned Area Emergency Response Team τον Σεπτέμβριο του 2015

Αρχείο:Rs wiki Markopoulou 6 2.jpg

2022-02-06T08:35:44Z

E markopoulou: Διάγραμμα 2: Κατανομή της πιθανότητας φτώχειας σε επίπεδο επαρχίας με RF από το 2012 ως το 2019 (a) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το

Διάγραμμα 2: Κατανομή της πιθανότητας φτώχειας σε επίπεδο επαρχίας με RF από το 2012 ως το 2019 (a) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2012 (b) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2013 (c) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2014 (d) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2015 (e) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2016 (f) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2017 (g) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2018 (h) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2019

Αρχείο:Rs wiki Markopoulou 6 1.jpg

2022-02-06T08:35:24Z

E markopoulou: Διάγραμμα 1:Κατανομή της φτώχειας στις επαρχίες του Guizhou το 2012

Διάγραμμα 1:Κατανομή της φτώχειας στις επαρχίες του Guizhou το 2012

Αρχείο:Rs wiki Markopoulou 5 2.jpg

2022-02-06T08:34:06Z

E markopoulou: Διάγραμμα 2: Η χαρτογράφηση του νηματώδους H. glycines με τη χρήση αισθητήρων χαμηλού κόστους

Διάγραμμα 2: Η χαρτογράφηση του νηματώδους H. glycines με τη χρήση αισθητήρων χαμηλού κόστους

Αρχείο:Rs wiki Markopoulou 5 1.jpg

2022-02-06T08:33:48Z

E markopoulou: Διάγραμμα 1: Η τοποθεσία της περιοχής μελέτης, καθώς και τα σημεία δειγματοληψίας

Διάγραμμα 1: Η τοποθεσία της περιοχής μελέτης, καθώς και τα σημεία δειγματοληψίας

Αρχείο:Rs wiki Markopoulou 4 2.jpg

2022-02-06T08:33:09Z

E markopoulou: Πίνακας 1: Αξιοόγηση των μεταβολών του NDVI σε MODIS και Sentinel-2 σε περιοχές με επιβεβαιωμένες προσβολές. Τα χρώματα των κλάσεων αντιστοιχούν στην

Πίνακας 1: Αξιοόγηση των μεταβολών του NDVI σε MODIS και Sentinel-2 σε περιοχές με επιβεβαιωμένες προσβολές. Τα χρώματα των κλάσεων αντιστοιχούν στην διαφορά και απόκλιση του NDVI. Το μπλε αντιστοιχεί σε θετικές αλλαγές των τιμών του δείκτη και το κίτρινο, πορτοκαλί και κόκκινο αντιστοιχούν σε αρνητικές αλλαγές των τιμών του δείκτη.

Αρχείο:Rs wiki Markopoulou 4 1.jpg

2022-02-06T08:32:41Z

E markopoulou: Εικόνα 1: Σύγκριση των δεδομένων από την προσβολή του εντόμου σε τρεις δασικές περιοχές με ενεργή προσβολή το 2019. Κάθε στήλη εικόνων παρουσι

Εικόνα 1: Σύγκριση των δεδομένων από την προσβολή του εντόμου σε τρεις δασικές περιοχές με ενεργή προσβολή το 2019. Κάθε στήλη εικόνων παρουσιάζει την ίδια περιοχή, από πάνω προς τα κάτω (αεροφωτογραφία, μεταβολές του MODIS NDVI, μεταβολές στο Sentinel-2 NDVI και διαφοροποιημένα pixel μεταξύ των προϊόντων του MODIS και Sentinel-2. Τα χρώματα των κλάσεων αντιστοιχούν στην διαφορά και απόκλιση του NDVI. Το μπλε αντιστοιχεί σε θετικές αλλαγές των τιμών του δείκτη και το κίτρινο, πορτοκαλί και κόκκινο αντιστοιχούν σε αρνητικές αλλαγές των τιμών του δείκτη. Το ροζ αντιστοιχεί σε απόκλιση μεταξύ των εικόνων του MODIS και Sentinel-2

Αρχείο:Rs wiki Markopoulou 3 3.jpg

2022-02-06T08:31:41Z

E markopoulou: Διάγραμμα 3: Ανάπτυγμα του χάρτη καταλληλότητας μεταξύ (α) της μεικτής περιοχή και του δάσους, (b) της μεικτής περιοχής καιτων πεζοδρομημένων

Διάγραμμα 3: Ανάπτυγμα του χάρτη καταλληλότητας μεταξύ (α) της μεικτής περιοχή και του δάσους, (b) της μεικτής περιοχής καιτων πεζοδρομημένων περιοχών και (c)της μικτής περιοχής και της αγροτική περιοχής

Αρχείο:Rs wiki Markopoulou 3 2.jpg

2022-02-06T08:31:16Z

E markopoulou: Διάγραμμα 2: Η καταλληλότητα ενδιαιτήματος για το Cx. Pipiens-resturans

Διάγραμμα 2: Η καταλληλότητα ενδιαιτήματος για το Cx. Pipiens-resturans

Αρχείο:Rs wiki Markopoulou 3 1.jpg

2022-02-06T08:30:48Z

E markopoulou: ανέβασμα νέας έκδοσης του "Αρχείο:Rs wiki Markopoulou 3 1.jpg": Διάγραμμα 1: Το πεδίο μελέτης και οι θέσεις παγίδευσης κουνουπιών. Η περιοχή βρίσκ

Διάγραμμα 1: Η καταλληλότητα ενδιαιτήματος για το Cx. Pipiens-resturans

Αρχείο:Rs wiki Markopoulou 3 1.jpg

2022-02-06T08:26:18Z

E markopoulou: Διάγραμμα 1: Η καταλληλότητα ενδιαιτήματος για το Cx. Pipiens-resturans

Διάγραμμα 1: Η καταλληλότητα ενδιαιτήματος για το Cx. Pipiens-resturans

Αρχείο:Rs wiki Markopoulou 2 3.png

2022-02-06T08:17:11Z

E markopoulou: Διάγραμμα 3: Η Γαλλική Γουιάνα, η περιοχή μελέτης και το κέντρο του δημοτικού διαμερίσματος Matoury

Διάγραμμα 3: Η Γαλλική Γουιάνα, η περιοχή μελέτης και το κέντρο του δημοτικού διαμερίσματος Matoury

Αρχείο:Rs wiki Markopoulou 2 2.jpg

2022-02-06T08:16:47Z

E markopoulou: Διάγραμμα 2: Συσχέτιση μεταξύ του αριθμού των περιστατικών και τον αριθμό των οικιών όπου ανιχνεύτηκαν προνύμφες

Διάγραμμα 2: Συσχέτιση μεταξύ του αριθμού των περιστατικών και τον αριθμό των οικιών όπου ανιχνεύτηκαν προνύμφες

Αρχείο:Rs wiki Markopoulou 2 1.jpg

2022-02-06T08:16:20Z

E markopoulou: Διάγραμμα 1: Μηνιαίος εντομολογικός χάρτης κινδύνου από το μοντέλο, βάσει των δεδομένων από το Νοέμβριο του 2019 μέχρι τον Αύγουστο του 2020 από

Διάγραμμα 1: Μηνιαίος εντομολογικός χάρτης κινδύνου από το μοντέλο, βάσει των δεδομένων από το Νοέμβριο του 2019 μέχρι τον Αύγουστο του 2020 από το δημοτικό διαμέρισμα Cayenne

Αρχείο:Rs wiki Markopoulou 1 2.jpg

2022-02-06T08:15:00Z

E markopoulou: Εικόνα 2: Η κανονική οπτική ταξινόμηση των εικόνων Sentinel-2 και η ταξινόμηση Random Forest Classification με τη χρήση καναλιών S_Gamma και κανονική οπτική ταξι�

Εικόνα 2: Η κανονική οπτική ταξινόμηση των εικόνων Sentinel-2 και η ταξινόμηση Random Forest Classification με τη χρήση καναλιών S_Gamma και κανονική οπτική ταξινόμηση (a) Ταξινόμηση Random Forest από εικόνες Sentinel-2 στις 10/08/2018 (b) Ταξινόμηση Random Forest στις 02/08/2018 (c) Ταξινόμηση Random Forest στις 21/07/2018 (d) Ταξινόμηση Random Forest στις 27/07/2018 (e) Ταξινόμηση Random Forest στις 20/08/2018 (f) Ταξινόμηση Random Forest στις 26/08/2018

Αρχείο:Rs wiki Markopoulou 1 1.jpg

2022-02-06T08:14:26Z

E markopoulou: Εικόνα 1: Το έγχρωμο σύνθετο της εικόνας του Sentinel-2. (α) Η περιοχή σε ανάλυση 10m (τα φασματικά κανάλια 4,3 και δύο έχουν τεθεί στο κόκκινο, πράσιν�

Εικόνα 1: Το έγχρωμο σύνθετο της εικόνας του Sentinel-2. (α) Η περιοχή σε ανάλυση 10m (τα φασματικά κανάλια 4,3 και δύο έχουν τεθεί στο κόκκινο, πράσινο και μπλε) (b) Η πόλη Shouguang, στο ίδιο έγχρωμο σύνθετο

Η ικανότητα των Συστημάτων Τηλεπισκόπησης στην ανίχνευση κηλίδων Σκολυτών στις Νοτιοανατολικές ΗΠΑ

2022-02-06T08:12:13Z

Μαρκοπούλου Ευρυδίκη Μαρία

2022-02-06T08:11:07Z

E markopoulou:

[[Ταχεία Χαρτογράφηση Πλημμυρών και Αξιολόγηση με Επιβλεπόμενη Ταξινόμηση και Ανίχνευση Μεταβολών...]]

[Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του Aedes aegypti...]]

[[Χαρτογραφώντας την Καταλληλότητα του Ενδιαιτήματος του Ιού του Δυτικού Νείλου στο Νότιο Κεμπέκ ...]]

[[Η ικανότητα των Συστημάτων Τηλεπισκόπησης στην ανίχνευση κηλίδων Σκολυτών στις Νοτιοανατολικές ΗΠΑ]]

[[Φασματική ανίχνευση νηματωδών σε σόγια κατά την άνθιση με τη χρήση ΣμηΕΑ]]

[[Εντοπισμός των φτωχοποιημένων περιοχών με Τηλεπισκόπηση και Μηχανική Μάθηση: Η Περίπτωση στο Guizhou της νοτιοδυτικής Κίνας]]

[[Αξιολογώντας την χρήση υλοτομίας-παραπροϊόντων υλοτομίας για την κάλυψη γης μετά από πυρκαγιές,...]]

[[Τηλεσκοπική Αξιολόγηση της Εξάπλωσης των Προσβολών του ''Ips typographus''...]]

[[Εκτίμηση των Παραμέτρων Ανάπτυξης των Σιτηρών με την Χρήση Υπερφασματικών Δεδομένων από ΣμηΕΑ]]

[[Εκτίμηση του Fire Potential Index σε προστατευόμενες ορεινές περιοχές με την χρήση Τηλεπισκόπησης]]

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

[[category:ΔΠΜΣ ]]

Μαρκοπούλου Ευρυδίκη Μαρία

2022-02-06T08:10:48Z

E markopoulou:

[[Ταχεία Χαρτογράφηση Πλημμυρών και Αξιολόγηση με Επιβλεπόμενη Ταξινόμηση και Ανίχνευση Μεταβολών...]]

[Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του ''Aedes aegypti''...]]

[[Χαρτογραφώντας την Καταλληλότητα του Ενδιαιτήματος του Ιού του Δυτικού Νείλου στο Νότιο Κεμπέκ ...]]

[[Η ικανότητα των Συστημάτων Τηλεπισκόπησης στην ανίχνευση κηλίδων Σκολυτών στις Νοτιοανατολικές ΗΠΑ]]

[[Φασματική ανίχνευση νηματωδών σε σόγια κατά την άνθιση με τη χρήση ΣμηΕΑ]]

[[Εντοπισμός των φτωχοποιημένων περιοχών με Τηλεπισκόπηση και Μηχανική Μάθηση: Η Περίπτωση στο Guizhou της νοτιοδυτικής Κίνας]]

[[Αξιολογώντας την χρήση υλοτομίας-παραπροϊόντων υλοτομίας για την κάλυψη γης μετά από πυρκαγιές,...]]

[[Τηλεσκοπική Αξιολόγηση της Εξάπλωσης των Προσβολών του ''Ips typographus''...]]

[[Εκτίμηση των Παραμέτρων Ανάπτυξης των Σιτηρών με την Χρήση Υπερφασματικών Δεδομένων από ΣμηΕΑ]]

[[Εκτίμηση του Fire Potential Index σε προστατευόμενες ορεινές περιοχές με την χρήση Τηλεπισκόπησης]]

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

[[category:ΔΠΜΣ ]]

Μαρκοπούλου Ευρυδίκη Μαρία

2022-02-06T08:10:32Z

E markopoulou:

[[Ταχεία Χαρτογράφηση Πλημμυρών και Αξιολόγηση με Επιβλεπόμενη Ταξινόμηση και Ανίχνευση Μεταβολών...]]

[Μοντελοποιώντας χωρικά και χρονικά τον κίνδυνο του ''Aedes aegypti'' ...]]

[[Χαρτογραφώντας την Καταλληλότητα του Ενδιαιτήματος του Ιού του Δυτικού Νείλου στο Νότιο Κεμπέκ ...]]

[[Η ικανότητα των Συστημάτων Τηλεπισκόπησης στην ανίχνευση κηλίδων Σκολυτών στις Νοτιοανατολικές ΗΠΑ]]

[[Φασματική ανίχνευση νηματωδών σε σόγια κατά την άνθιση με τη χρήση ΣμηΕΑ]]

[[Εντοπισμός των φτωχοποιημένων περιοχών με Τηλεπισκόπηση και Μηχανική Μάθηση: Η Περίπτωση στο Guizhou της νοτιοδυτικής Κίνας]]

[[Αξιολογώντας την χρήση υλοτομίας-παραπροϊόντων υλοτομίας για την κάλυψη γης μετά από πυρκαγιές,...]]

[[Τηλεσκοπική Αξιολόγηση της Εξάπλωσης των Προσβολών του ''Ips typographus''...]]

[[Εκτίμηση των Παραμέτρων Ανάπτυξης των Σιτηρών με την Χρήση Υπερφασματικών Δεδομένων από ΣμηΕΑ]]

[[Εκτίμηση του Fire Potential Index σε προστατευόμενες ορεινές περιοχές με την χρήση Τηλεπισκόπησης]]

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

[[category:ΔΠΜΣ ]]