RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Γεώργιος Μπίσας

2024-02-23T09:47:31Z

GioBisas: Διαγραφή του περιεχομένου της σελίδας

Μπίσας Γεώργιος

2024-02-23T09:47:08Z

GioBisas: Νέα σελίδα με '* [[Εκτίμηση του δυναμικού αναψυχής των δασών από δεδομένα κοινωνικών μέσων και δεδομένα τεχν...'

* [[Εκτίμηση του δυναμικού αναψυχής των δασών από δεδομένα κοινωνικών μέσων και δεδομένα τεχνολογιών τηλεπισκόπησης]]

* [[Χωρική πρόβλεψη της ευαισθησίας των μονοπατιών αναψυχής στην προστατευόμενη περιοχή του Σικίμ στα Ιμαλάια]]

* [[Τρεις τοπογραφικές προσεγγίσεις για την έρευνα της διάβρωσης του εδάφους σε ορεινό μονοπάτι που επλήγη από δασική πυρκαγιά.]]

* [[Σύγκριση υδρολογικών επιπτώσεων σε μονοπάτια αναψυχής με δεδομένα τηλεπισκόπησης]]

* [[Παρακολούθηση ποιότητας της επιφάνειας των υδάτων του ποταμού Τίγρη με χρήση δεδομένων τηλεπισκόπησης και τεχνικών GIS]]

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

Γεώργιος Μπίσας

2024-02-23T09:45:59Z

Γρηγόριος Σακαλίδης

2024-02-23T09:42:54Z

GioBisas: Νέα σελίδα με 'Add Your Content Here category:ΔΠΜΣ '

Add Your Content Here

[[category:ΔΠΜΣ ]]

Χωρική πρόβλεψη της ευαισθησίας των μονοπατιών αναψυχής στην προστατευόμενη περιοχή του Σικίμ στα Ιμαλάια

2024-02-22T06:06:20Z

GioBisas: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' GIS-based spatial prediction of recreational trail susceptibility in protected area of Sikkim Himalaya using logistic regression, ...'

'''Πρωτότυπος τίτλος:''' GIS-based spatial prediction of recreational trail susceptibility in protected area of Sikkim Himalaya using logistic regression, decision tree and random forest model

'''Συγγραφείς:''' Nemai Sahani , Tirthankar Ghosh

Nemai Sahani , Tirthankar Ghosh
1 Bolpur, Birbhum 731204, West Bengal, India
2 Department of Statistics, Visva-Bharati, Siksha Bhavana, Santiniketan, West Bengal, India

'''Δημοσιεύθηκε:''' Ecological Informatics, 2021

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.ecoinf.2021.101352]]

'''Λέξεις-κλειδιά:''' μονοπάτι, μοντέλα πρόβλεψης, Λογιστική παλινδρόμηση, Δέντρο απόφασης, Τυχαίο δάσος, Ιμαλάια '''

'''Εισαγωγή '''

Οι προστατευόμενες περιοχές παρέχουν ευκαιρίες αναψυχής στους τουρίστες και τα μονοπάτια εξυπηρετούν την προσβασιμότητα και την αναψυχή. Η διατήρηση του φυσικού τοπίου και του βιολογικού πλούτου είναι το πρωταρχικό μέλημα των προστατευόμενων περιοχών. Τα μονοπάτια έχουν υψηλή αξία διατήρησης όμως η αύξηση των δραστηριοτήτων αναψυχής, μπορούν να διαταράξουν σημαντικά την περιβαλλοντική τους ποιότητα. Η ταχεία αύξηση των δραστηριοτήτων αναψυχής στα μονοπάτια της περιοχής Sikkim των Ιμαλαΐων προκαλεί ανησυχίες και τροφή για σκέψη σε περιβαλλοντικούς φορείς. Ο αριθμός των επισκεπτών έχει αυξηθεί, τελευταία, γεγονός που έχει άμεσο αντίκτυπο στα γεω-περιβαλλοντικά χαρακτηριστικά του μονοπατιού. Ως εκ τούτου, η μοντελοποίηση και η χαρτογράφηση ευαίσθητων μονοπατιών είναι βασικής σημασίας για τους υπεύθυνους λήψης αποφάσεων.
Σε αυτή τη μελέτη πραγματοποιήθηκε μια συγκριτική ανάλυση διαφορετικών μοντέλων πρόβλεψης που χρησιμοποιούν τεχνικές GIS για την αξιολόγηση ευαισθησίας μονοπατιών στην Ινδία και στη εκτίμηση την υποβάθμισής τους. Πιστεύαμε επίσης ότι οι μέθοδοι που υιοθετούνται εδώ θα βοηθήσουν πολύ μελλοντικούς ερευνητές και τις διαχειριστικές αρχές να λάβουν μέτρα για την ορθή διαχείριση μονοπατιών και πάρκων σε άλλα μέρη της Ινδίας.

'''Στόχος'''

Η παρούσα μελέτη στόχο έχει να υπολογίσει τα ευαίσθητα τμήματα εντός του μονοπατιού αναψυχής της περιοχής Sikkim στην Ινδία και να πραγματοποιήθηκε μια συγκριτική ανάλυση διαφορετικών μοντέλων πρόβλεψης που χρησιμοποιούν τεχνικές GIS και που ως σήμερα σπάνια έχουν εφαρμοστεί για την αξιολόγηση της ευαισθησίας μονοπατιών.

'''Περιοχή Μελέτης'''

Η παρούσα μελέτη διεξήχθη στο μονοπάτι αναψυχής Singalila Pass και Poktey Dara (SPPD) που βρίσκεται στο Εθνικό Πάρκο Singalila (SNP) των Ανατολικών Ιμαλαΐων που ιδρύθηκε το 1972, κοντά στα διεθνή σύνορα Ινδίας-Νεπάλ (Εικ. 1). Η περιοχή έχει πολλά μονοπάτια και το πιο δημοφιλές, είναι αυτό που μελετά η ετούτη η έρευνα. Καλύπτει απόσταση 24,4 km και το μέγιστο και το ελάχιστο υψόμετρο είναι 3081 m και 2012 m από το επίπεδο της θάλασσας. Η περιοχή μελέτης αποτελεί σημείο hotspot για τη βιοποικιλότητα και προσελκύει πεζοπόρους από όλο τον κόσμο. Οι ψυχαγωγικές δραστηριότητες κατά μήκος του μονοπατιού περιλαμβάνουν πεζοπορία, κάμπινγκ, ορειβασία, παρατήρηση ροδόδεντρων και παρατήρηση πουλιών.

[[Αρχείο:Gbisas5_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Χάρτης της περιοχής μελέτης στην Ανατολική Ινδία: το υπό μελέτη μονοπάτι αναψυχής (SSPD) στο Σικίμ (Δυτική Βεγγάλη)]]

'''Μέθοδοι και υλικά'''

Η παρούσα μελέτη χρησιμοποιεί τα συστήματα τηλεπισκόπησης και Γεωγραφικών Πληροφοριών (RS-GIS) με διαφορετικούς αλγόριθμους μηχανικής μάθησης για την χαρτογράφηση της ευαισθησίας κατά μήκος του μονοπατιού. Επιπλέον, στη μελέτη συγκρίνεται η προγνωστική απόδοση του μοντέλου λογιστικής παλινδρόμησης (LR), δέντρου απόφασης (DT) και τυχαίου δάσους (RF) για τη χαρτογράφηση ευαισθησίας στο μονοπατιού. Για την επίτευξη αυτού του ερευνητικού στόχου, η μεθοδολογία που χρησιμοποιήθηκε σε αυτή τη μελέτη απεικονίζεται στην Εικ. 2.

[[Αρχείο:Gbisas5_foto2.jpg|200px|thumb|right|'''Εικόνα 2.''' Το μεθοδολογικό πλάνο της μελέτης.]]

'''Αποτελέσματα και Συζήτηση'''

Στη μελέτη, χρησιμοποιήθηκαν μια εξαρτώμενη μεταβλητή (ευάλωτο μονοπάτι) και 17 μεταβλητές σχετικές με τα μονοπάτια με το μοντέλο LR, ώστε να επιτευχθεί η πρόβλεψη της ευαισθησίας. Στη συνέχεια, το σύνολο των χωρικών δεδομένων χωρίστηκε τυχαία σε δύο μέρη: σύνολο δεδομένων εκπαίδευσης (70%) και σύνολο δεδομένων επικύρωσης (30%). Η ανάλυση πολυσυγγραμμικότητας πραγματοποιήθηκε με τη χρήση συντελεστή διόγκωσης διακύμανσης (VIF) και ανοχής (TOL) για τη μείωση της μεροληψίας του μοντέλου. Στη συνέχεια, ο χάρτης ευαισθησίας του ίχνους προετοιμάστηκε χρησιμοποιώντας μοντέλα LR, DT και RF.
Για τη μέτρηση της προγνωστικής απόδοσης των μοντέλων χρησιμοποιήθηκαν η μέθοδος καμπύλης λειτουργίας δέκτη (ROC) - περιοχή κάτω από την καμπύλη (AUC), η στατιστική συνολική ακρίβεια (ΟΑ) και ο δείκτης Kappa. Η μελέτη κατέληξε στο συμπέρασμα ότι το μοντέλο LR δίνει καλύτερες επιδόσεις στη συνολική αξιολόγηση ακρίβειας σε σύγκριση με τα μοντέλα DT και το RF.
Η τιμή τείνει προς το «0» υποδηλώνει μικρότερη πιθανότητα ευαισθησίας και η τιμή κοντά στο «1» σημαίνει μεγαλύτερη ευαισθησία στην υποβάθμιση του μονοπατιού. Ο χωρικός χάρτης της ευαισθησίας του μονοπατιού ετοιμάστηκε και ο χάρτης ευαισθησίας χωρίστηκε περαιτέρω σε πέντε ευαίσθητες ζώνες χρησιμοποιώντας τη μέθοδο φυσικής διακοπής όπως πολύ υψηλή (0,83992–1), υψηλή (0,61178–0,83922), μέτρια (0,36865–0,61178), χαμηλή (0,1526865). και πολύ χαμηλό (<0,15298).
Για τη χαρτογράφηση ευαισθησίας του μονοπατιού με τη χρήση μοντέλου δέντρο αποφάσεων DT διαπιστώθηκε ότι η τεχνική μηχανικής μάθησης, είχε μεγάλη ικανότητα να προβλέψει την ευαισθησία του ίχνους.
Το DT δείχνει ότι το βάθος του μονοπατιού, η υψηλή έκθεση στις ρίζες, η έλλειψη βλάστησης υποδηλώνουν πολύ ευαίσθητα σημεία. Τα τμήματα με μικρότερο αριθμό έκθεσης ριζών, κατολίσθηση και διάβρωση του εδάφους υποδεικνύουν λιγότερο ευαίσθητα μονοπάτια.

[[Αρχείο:Gbisas5_foto3.jpg|200px|thumb|right|'''Εικόνα 3.''' Κατάσταση του ίχνους και επίδραση σε διάφορα μέρη της διαδρομής. α) Μέτρια δύσκολη διαδρομή με βρεγμένο χώμα και τομή, β) δύσκολο μονοπάτι με έκθεση ριζών και βράχους, c) διεύρυνση μονοπατιού λόγω υπερβολικής λάσπης και βράχων στο μονοπάτι, d) μονοπάτι με μεγάλη τομή, e) φαρδύ μονοπάτι μέσα σε δάσος μπαμπού, f) καλά kαθορισμένο μονοπάτι σε βράχους σε θάμνους περιοχή, g) απώλεια εδάφους παράλληλα με το μονοπάτι, h) δύσκολη διαδρομή λόγω βράχων και ογκόλιθων, i) εγχάρακτη διαδρομή σε περιοχή θάμνων, j & k) τομή και διεύρυνση του μονοπατιού στην περιοχή του λιβαδιού, l) απώλεια εδάφους κατά μήκος του πλευρικού τοιχώματος του μονοπατιού, m και o) βαριά τομή μονοπατιού με διεύρυνση του μονοπατιού, n) εγχάρακτη διαδρομή, p) ευρύ μονοπάτι μέσα σε πυκνό δάσος.]]

Για τη χαρτογράφηση ευαισθησίας του μονοπατιού με τη χρήση μοντέλου τυχαίο δάσους (RF) σε πλατφόρμα προγραμματισμού R οι μεταβλητές όπως το βάθος διαδρομής, η διάβρωση του εδάφους, η έκθεση των ριζών, τύπος βλάστησης κλπ, έχουν τον σχετίζονται με την εμφάνιση ευαίσθητων σημείων. Οι μεταβλητές όπως, τρεχούμενο νερό, απόβλητα, όψη, κλίση, καταπάτηση βλάστησης έχουν μικρότερη επιρροή.
Μια λεπτομερής χαρτογράφηση ευαισθησίας διαδρομής έγινε χρησιμοποιώντας τα μοντέλα λογιστικής παλινδρόμησης, δέντρου αποφάσεων και τυχαίου δάσους. Ο χάρτης ευαισθησίας χωρίστηκε σε πέντε ιεραρχικές ζώνες από πολύ υψηλή ως πολύ χαμηλή. Το αποτέλεσμα ήταν παρόμοια εκτός από κάποια τμήματα όπου βρέθηκε Υψηλή έως πολύ υψηλή ευαίσθητη ζώνη στον πυθμένα της κοιλάδας με εύκρατο δάσος με υψηλή κάλυψη από βλάστηση.

[[Αρχείο:Gbisas5_foto4.jpg|200px|thumb|right|'''Εικόνα 4.'''Χάρτης ευαισθησίας μονοπατιού με βάση τα μοντέλα LR, DT και RF αντίστοιχα.]]

'''Συμπεράσματα'''

Η δυνατότητα πρόβλεψης της υποβάθμισης των μονοπατιών σε τμήματα που είναι επιρρεπή είναι ένα χρήσιμο μέσο για την λήψη και εφαρμογή προστατευτικών μέτρων και τη μείωση της ζημιάς. Τα μονοπάτια της ανατολικής περιοχής των Ιμαλαΐων είναι από τα πιο ευαίσθητα σε οικολογικές, μορφολογικές και μετεωρολογικές αλλαγές, σε ολόκληρη τη ζώνη των Ιμαλαΐων. Επομένως, για να μελετηθεί η περιβαλλοντική ευαισθησία των μονοπατιών χρησιμοποιήθηκε η αναλυτική ισχύς των GIS, εφαρμόστηκε ο αλγόριθμος μηχανικής μάθησης της δυαδικής λογιστικής παλινδρόμησης (LR), του δέντρου απόφασης (DT) και του μοντέλου τυχαίου δάσους (RF) για την αξιολόγηση της ευαισθησίας κατά μήκος του μονοπατιού στην περιοχή μελέτης.
Οι περιοχές με υψηλή έως πολύ υψηλή ευαισθησία βρίσκονται στην βάση της κοιλάδας με μεσαία κλίση, με εύκρατο δάσος με κάλυμμα θόλου, μεγαλύτερο πλάτος και βάθος διαδρομής, υγρό έδαφος, διάβρωση του εδάφους, έκθεση ριζών και ανθρωπογενείς παράγοντες. Το λιγότερο ευαίσθητο τμήμα του μονοπατιού βρίσκεται κυρίως στην κορυφογραμμή του βουνού, όπου το μονοπάτι είναι στενό και δεν έχει βάθος, η κυρίαρχη βλάστηση είναι θάμνοι και αλπικά λιβάδια, κλίση του εδάφους είναι χαμηλή. Σε αυτή τη μελέτη, διερευνήθηκαν λεπτομερώς οι γεω-περιβαλλοντικοί παράγοντες που έχουν επίδραση στα μονοπάτια και έγινε λεπτομερής χαρτογράφηση του ίχνους και των θέσεων που είναι πιο ευαίσθητες στη διάβρωση.
Η αειφόρος διαχείριση του μονοπατιού χρειάζεται κατάλληλες ενέργειες παρακολούθησης, όπως νέος σχεδιασμός, αποκατάσταση, συντήρηση των μονοπατιών. Η εφαρμογή κατάλληλων μέτρων είναι αναγκαίο να γίνουν σε τμήματα κατά μήκος του μονοπατιού για να βελτιωθεί η κατάστασή του και να οδηγήσει στη βιωσιμότητά του. Η σωστή σχεδίαση και οι κατάλληλες παρεμβάσεις είναι χρήσιμες για τη βιώσιμη διαχείριση των μονοπατιών.

[[category:ΔΠΜΣ ]]

Αρχείο:Gbisas5 foto4.jpg

2024-02-22T05:56:38Z

GioBisas:

Αρχείο:Gbisas5 foto3.jpg

2024-02-22T05:56:30Z

GioBisas:

Αρχείο:Gbisas5 foto2.jpg

2024-02-22T05:56:23Z

GioBisas:

Αρχείο:Gbisas5 foto1.jpg

2024-02-22T05:56:15Z

GioBisas:

Εκτίμηση του δυναμικού αναψυχής των δασών από δεδομένα κοινωνικών μέσων και δεδομένα τεχνολογιών τηλεπισκόπησης

2024-02-22T05:50:00Z

GioBisas:

'''Πρωτότυπος τίτλος:''' Assessing forest recreational potential from social media data and remote sensing technologies data

'''Συγγραφείς:''' Federico Lingua, Nicholas C. Coops, Verena C. Griess

1 Department of Forest Resources Management, Faculty of Forestry, University of British Columbia, Forest Sciences Centre, 2424 Main Mall, Vancouver, BC V6T 1Z4, Canada

2 Institute of Terrestrial Ecosystems, Department of Environmental System Sciences, ETH Zurich CHN K72.2, Universitätstrasse 16, 8092 Zurich, Switzerland

'''Δημοσιεύθηκε:''' Ecological Indicators, 2023

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.ecolind.2023.110165]]

'''Λέξεις-κλειδιά:''' δασική αναψυχή, υπηρεσίες οικοσυστήματος, Flickr, Big Data τηλεπισκόπηση'''

'''Εισαγωγή '''

Οι πολιτιστικές οικοσυστημικές υπηρεσίες στα δάση (CES) έχουν μεγάλη σημασία παγκοσμίως, καθώς πάνω από 186.000 εκτάρια δασών, χρησιμοποιούνται σε ετήσια βάση για αναψυχή, τουρισμό και εκπαίδευση σε παγκόσμιο επίπεδο (FAO, 2020). Τα δάση λοιπόν δεν πρέπει να διαχειρίζονται μόνο για να εξασφαλιστεί η συνεχής παροχή ξύλου και στα σχέδια βιώσιμης διαχείρισης των δασών είναι απαραίτητο να διασφαλίζεται η απρόσκοπτη παροχή όλων των υπηρεσιών που αυτά μας παρέχουν. Ωστόσο, η συμπερίληψη των πολιτιστικών υπηρεσιών στα σχέδια διαχείρισης είναι δύσκολο να ποσοτικοποιηθούν και να χαρτογραφηθούν. Οι εικόνες από τα μέσα κοινωνικής δικτύωσης με αναφορά στη γεωγραφική θέση, μπορούν να αξιοποιηθούν ώστε να παρέχουν ποσοτικές πληροφορίες για τη διαχείριση των δασών και τις πολιτιστικές οικοσυστημικές υπηρεσίες σε αυτά. Oι τεχνολογίες τηλεπισκόπησης παρέχουν πληροφορίες σχετικά με τα φυσικά χαρακτηριστικά μιας περιοχής, προσδιορίζοντας επομένως ποιες από αυτές τις μεταβλητές έχουν θετική επίδραση για την αναψυχή στα δάση. Η ταξινόμηση των φωτογραφιών από τα μέσα κοινωνικής δικτύωσης, μπορεί να γίνει με εξελιγμένες τεχνικές που βασίζονται σε πολυσυλλεκτικά δίκτυα και επιτυγχάνεται αυτοματοποιημένη ταξινόμηση των εικόνων. Η προσαρμογή των μοντέλων και η εξαγωγή συναφών αποτελεσμάτων με βάση τα τροφοδοτούμενα δεδομένα συνιστά μια πολλά υποσχόμενη διαδικασία για τη λήψη γρήγορων φθηνών και λεπτομερών συμπερασμάτων που θα μπορούσαν να είναι χρήσιμα στη διαχείριση των πολιτιστικών οικοσυστημικών υπηρεσιών στα δάση.

'''Στόχος'''

Ο στόχος αυτής της μελέτης, είναι να αναπτύξει μια μεθοδολογία που θα αξιοποιήσει τα δεδομένα από τα μέσα κοινωνικής δικτύωσης και τις δυνατότητες της τηλεπισκόπησης, για να ενσωματώσει την πληροφορία από τις πολιτιστικές οικοσυστημικές υπηρεσίες στα σχέδια διαχείρισης δασών.

'''Περιοχή Μελέτης'''

Η περιοχή μελέτης είναι τα δασικά επαρχιακά πάρκα της Βρετανικής Κολομβίας στον Καναδά (Εικ. 1) και καλύπτουν περίπου 68.000 km2. Οι οικοσυστημικές υπηρεσίες αναψυχής είναι σημαντικές γιατί τα πάρκα δέχονται, ετησίως, περίπου 20 εκατομμύρια επισκέπτες.

[[Αρχείο:Gbisas4_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Χάρτης της περιοχής μελέτης. Στην κάτω αριστερή γωνία δείγμα από τις εικόνες περιλαμβάνονται στη μελέτη.]]

'''Μέθοδοι και υλικά'''

Η μεθοδολογία βασίζεται στο συνδυασμό τεχνολογιών τηλεπισκόπησης και δεδομένων από τα κοινωνικά μέσα μαζικής ενημέρωσης με στόχο να χαρτογραφηθεί και να εκτιμηθεί το δυναμικό της δασικής αναψυχής στα πάρκα της Βρετ. Κολομβίας. Πιο αναλυτικά, οι εικόνες με γεωγραφικές συντεταγμένες λήφθηκαν από το Flickr, χρησιμοποιώντας την εφαρμογή Python. Εν συνεχεία, οι εικόνες ταξινομήθηκαν και φιλτραρίστηκαν με βάση τις ψυχαγωγικές δραστηριότητες που απεικόνιζαν χρησιμοποιώντας πολυσυλλεκτικά δίκτυα (CNN). Οι εξαρτημένες μεταβλητές της μελέτης είναι 5 : σκι, πεζοπορία, κάμπινγκ, παρατήρηση άγριας ζωής και ποδηλασία. Για να γίνει αντιστοίχιση κάθε εικόνας με τις ανεξάρτητες μεταβλητές (τοπογραφικές, ανθρωπογενείς επιπτώσεις και βιομετρικές χαρακτηριστικά των δασών, εποχιακά δεδομένα) χρησιμοποιήθηκε το πακέτο Python «rasterstats». Στο πολυσυλλεκτικό δίκτυο αναψυχής (CNN) χρησιμοποιήθηκε η βάση δεδομένων εικόνων Places 365 και εξετάστηκαν εικόνες για τις 5 δραστηριότητες.
Ένα μοντέλο τυχαίας ταξινόμησης δασών «Random Forest Classifier» δημιουργήθηκε για να προσδιοριστεί εάν και πώς οι ανεξάρτητες μεταβλητές επηρεάζουν τη χρήση των δασικών εκτάσεων για λόγους αναψυχής και για την αξιολόγηση του δυναμικού αναψυχής για κάθε μία δραστηριότητα στο πιο δημοφιλές πάρκο Cypress. Για να διερευνηθεί η σχέση μεταξύ της εξαρτημένης μεταβλητής και των ανεξάρτητων μεταβλητών δημιουργήθηκαν μερικές γραφικές παραστάσεις εξάρτησης και στη συνέχεια δημιουργήθηκαν δύο τύποι χαρτών, οι χάρτες δυναμικού αναψυχής και οι χάρτες αξίας της αναψυχής.

'''Αποτελέσματα και Συζήτηση'''

Τα αποτελέσματα από τη διαδικασία ταξινόμησης των εικόνων έδειξαν ότι για η συνολική ακρίβεια του CNN είναι υψηλή (0,84). Το πολυσυλλεκτικό δίκτυο αναψυχής είχε καλή απόδοση στην ταξινόμηση εικόνων που απεικονίζουν τις 5 μεταβλητές ήτοι : 2,1% ποδηλασία, 3,5% κάμπινγκ, 11,2% πεζοπορία, 4,5% παρακολούθηση άγριας ζωής, 5,9% σκι.

[[Αρχείο:Gbisas4_foto2.png|200px|thumb|right|'''Εικόνα 2.''' Τα αποτελέσματα από την ταξινόμηση των εικόνων του Flickr την χρονική περίοδο 2005-2020 στην περιοχή μελέτης. Το εσωτερικό στρώμα αντιπροσωπεύει τη συνάφεια πολυσυλλεκτικών δικτυών CNN, το μεσαίο στρώμα αντιπροσωπεύει το πολυσυλλεκτικό δίκτυο των πολιτιστικών οικοσυστημικών υπηρεσιών CES CNN, το εξωτερικό στρώμα αντιπροσωπεύει το πολυσυλλεκτικό δίκτυο αναψυχής.]]

Συνδυάζοντας τα αποτελέσματα από την ταξινόμηση εικόνων με τις ανεξάρτητες μεταβλητές, ήταν δυνατό να εκτιμηθούν οι μέσες τιμές και οι τυπικές αποκλίσεις αυτών σε σχέση με τις 5 ψυχαγωγικές δραστηριότητα. Όπως φαίνεται στην Εικ 3, η πιο σημαντική μεταβλητή στη βελτίωση της ακρίβειας των προβλέψεων είναι η εποχικότητα και ακολουθούν οι τοπογραφικές μεταβλητές (υψόμετρο και κλίση). Οι ανθρωπογενείς επιπτώσεις είχαν μικρή συμβολή ενώ όλες οι μεταβλητές βιομετρίας των δασών είχαν ελάχιστη συμβολή (<10%).

[[Αρχείο:Gbisas4_foto3.png|200px|thumb|right|'''Εικόνα 3.''' Στον άξονα x το % σημαντικότητας των μεταβλητών στη βελτίωση της πρόβλεψης.]]

Τα διαγράμματα στην Εικ. 4 δείχνουν πώς οι προβλέψεις του τυχαίου μοντέλου δασών εξαρτώνται από μία μόνο είσοδο. Έτσι κατά τους καλοκαιρινούς μήνες η πιθανότητα μιας εικόνας να απεικονίζει «πεζοπορία» και «κάμπινγκ» είναι μεγαλύτερη, η πιθανότητα να απεικονίζει «παρακολούθησης άγριας ζωής» είναι μεγαλύτερη την άνοιξη και το φθινόπωρο και η πιθανότητα να απεικονίζει «σκι» αυξάνεται το χειμώνα.

[[Αρχείο:Gbisas4_foto4.jpg|200px|thumb|right|'''Εικόνα 4.''' Τα διαγράμματα μερικής εξάρτησης δείχνουν πώς οι προβλέψεις πιθανοτήτων του μοντέλου εξαρτώνται εν μέρει από τις τιμές των μεταβλητών εισόδου που μας ενδιαφέρουν. Στους άξονες x, οι ανεξάρτητες μεταβλητές και στους y η πιθανότητα της εικόνας να ταξινομηθεί ως σχετική.]]

Οι χάρτες δυναμικού αναψυχής δημιουργήθηκαν χρησιμοποιώντας ένα μοντέλο τυχαίου ταξινομητή, στο πάρκο Cypress, για να προβλεφθούν οι πιθανότητες της κάθε δραστηριότητας να πραγματοποιηθεί σε κάθε σημείο, την κάθε εποχή.
Στις Εικ. 5 και 6 προκύπτει ότι στο πάρκο Cypress η πεζοπορία κυριαρχεί την άνοιξη, το καλοκαίρι και το φθινόπωρο, ενώ το σκι το χειμώνα. Η παρατήρηση άγριας ζωής, το κάμπινγκ και η ποδηλασία έχουν ελάχιστες δυνατότητες σε αυτό το πάρκο.

[[Αρχείο:Gbisas4_foto5.jpg|200px|thumb|right|'''Εικόνα 5.''' Εκτίμηση του δυναμικού αναψυχής όλες τις εποχές για πεζοπορία και σκι στο πάρκο Cypress. ]]

[[Αρχείο:Gbisas4_foto6.png|200px|thumb|right|'''Εικόνα 6.''' Οι δραστηριότητες αναψυχής με τη μεγαλύτερη πιθανότητα να πραγματοποιηθούν στο πάρκο Cypress την κάθε εποχή. ]]

Τέλος, οι χάρτες της αξίας της αναψυχής δημιουργήθηκαν με βάση τις παροχές από το κοινό. Χρησιμοποιήθηκαν τα έσοδα από τις 5 μεταβλητές και ο αριθμός των ημερήσιων επισκεπτών σε όλα τα πάρκα για την περίοδο 2012-2018. Το πάρκο Cypress, είναι το πιο επισκέψιμο και δέχεται περισσότερους από 1,5 εκατομμύριο επισκέπτες κάθε χρόνο (Εικ. 7). Η αξία της αναψυχής εκφράστηκε σε C$/ha/ημέρα. Όπως φαίνεται από την ανάλυση (Εικ. 5) 2 είναι οι hotspots περιοχές ψυχαγωγικής αξίας στο πάρκο Cypress, μια στα ΝΑ του πάρκου και μια στο κεντρικό τμήμα του πάρκου όπου οι βρίσκονται και οι περισσότερες υποδομές (χώροι στάθμευσης, μονοπάτια πεζοπορίας, για σκι και έλκηθρο, κ.λπ.).

[[Αρχείο:Gbisas4_foto7.png|200px|thumb|right|'''Εικόνα 7.''' Η οικονομική αξία των οικοσυστημικών υπηρεσιών αναψυχής στο πάρκο Cypress.]]

Συμπέρασμα
Οι εικόνες μέσων κοινωνικής δικτύωσης, αποτελούν πολύτιμη πηγή δεδομένων για τη εκτίμηση της αξίας των πολιτιστικών οικοσυστημικών υπηρεσιών. Στη μελέτη αυτή οι εικόνες από τα πάρκα της Βρετ. Κολομβίας, ταξινομήθηκαν αυτόματα με πολυσυλλεκτικά δίκτυα και σε συνδυασμό τεχνολογιών τηλεπισκόπησης, εξετάστηκε πως αυτές οι μεταβλητές επηρεάζουν τη δημοτικότητα των δραστηριοτήτων αναψυχής στο δάσος.
Τα ευρήματα από την παρούσα μελέτη δείχνουν ότι: η πιο δημοφιλής δραστηριότητα στα πάρκα της Βρετανικής Κολομβίας, είναι η πεζοπορία και ακολουθεί το σκι, η παρατήρηση άγριας ζωής, το κάμπινγκ και η ποδηλασία, οι μεταβλητές που έχουν τη μεγαλύτερη επιρροή στον καθορισμό του είδους δραστηριότητας είναι η εποχή και τα τοπογραφικά χαρακτηριστικά. Επιπλέον, τα αποτελέσματα της μελέτης δείχνουν ότι η ενοποίηση των δεδομένων από τα μέσα κοινωνικής δικτύωσης και των τεχνολογιών τηλεπισκόπησης επιτρέπει, στους διαχειριστές να προσαρμόζουν τις ψυχαγωγικές υπηρεσίες στις ανάγκες των επισκεπτών του πάρκου.

[[category:ΔΠΜΣ ]]

Εκτίμηση του δυναμικού αναψυχής των δασών από δεδομένα κοινωνικών μέσων και δεδομένα τεχνολογιών τηλεπισκόπησης

2024-02-22T05:49:34Z

GioBisas:

'''Πρωτότυπος τίτλος:''' Assessing forest recreational potential from social media data and remote sensing technologies data

'''Συγγραφείς:''' Federico Lingua, Nicholas C. Coops, Verena C. Griess

1 Department of Forest Resources Management, Faculty of Forestry, University of British Columbia, Forest Sciences Centre, 2424 Main Mall, Vancouver, BC V6T 1Z4, Canada

2 Institute of Terrestrial Ecosystems, Department of Environmental System Sciences, ETH Zurich CHN K72.2, Universitätstrasse 16, 8092 Zurich, Switzerland

'''Δημοσιεύθηκε:''' Ecological Indicators, 2023

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.ecolind.2023.110165]]

'''Λέξεις-κλειδιά:''' δασική αναψυχή, υπηρεσίες οικοσυστήματος, Flickr, Big Data τηλεπισκόπηση'''

'''Εισαγωγή '''

Οι πολιτιστικές οικοσυστημικές υπηρεσίες στα δάση (CES) έχουν μεγάλη σημασία παγκοσμίως, καθώς πάνω από 186.000 εκτάρια δασών, χρησιμοποιούνται σε ετήσια βάση για αναψυχή, τουρισμό και εκπαίδευση σε παγκόσμιο επίπεδο (FAO, 2020). Τα δάση λοιπόν δεν πρέπει να διαχειρίζονται μόνο για να εξασφαλιστεί η συνεχής παροχή ξύλου και στα σχέδια βιώσιμης διαχείρισης των δασών είναι απαραίτητο να διασφαλίζεται η απρόσκοπτη παροχή όλων των υπηρεσιών που αυτά μας παρέχουν. Ωστόσο, η συμπερίληψη των πολιτιστικών υπηρεσιών στα σχέδια διαχείρισης είναι δύσκολο να ποσοτικοποιηθούν και να χαρτογραφηθούν. Οι εικόνες από τα μέσα κοινωνικής δικτύωσης με αναφορά στη γεωγραφική θέση, μπορούν να αξιοποιηθούν ώστε να παρέχουν ποσοτικές πληροφορίες για τη διαχείριση των δασών και τις πολιτιστικές οικοσυστημικές υπηρεσίες σε αυτά. Oι τεχνολογίες τηλεπισκόπησης παρέχουν πληροφορίες σχετικά με τα φυσικά χαρακτηριστικά μιας περιοχής, προσδιορίζοντας επομένως ποιες από αυτές τις μεταβλητές έχουν θετική επίδραση για την αναψυχή στα δάση. Η ταξινόμηση των φωτογραφιών από τα μέσα κοινωνικής δικτύωσης, μπορεί να γίνει με εξελιγμένες τεχνικές που βασίζονται σε πολυσυλλεκτικά δίκτυα και επιτυγχάνεται αυτοματοποιημένη ταξινόμηση των εικόνων. Η προσαρμογή των μοντέλων και η εξαγωγή συναφών αποτελεσμάτων με βάση τα τροφοδοτούμενα δεδομένα συνιστά μια πολλά υποσχόμενη διαδικασία για τη λήψη γρήγορων φθηνών και λεπτομερών συμπερασμάτων που θα μπορούσαν να είναι χρήσιμα στη διαχείριση των πολιτιστικών οικοσυστημικών υπηρεσιών στα δάση.

'''Στόχος'''

Ο στόχος αυτής της μελέτης, είναι να αναπτύξει μια μεθοδολογία που θα αξιοποιήσει τα δεδομένα από τα μέσα κοινωνικής δικτύωσης και τις δυνατότητες της τηλεπισκόπησης, για να ενσωματώσει την πληροφορία από τις πολιτιστικές οικοσυστημικές υπηρεσίες στα σχέδια διαχείρισης δασών.

'''Περιοχή Μελέτης'''

Η περιοχή μελέτης είναι τα δασικά επαρχιακά πάρκα της Βρετανικής Κολομβίας στον Καναδά (Εικ. 1) και καλύπτουν περίπου 68.000 km2. Οι οικοσυστημικές υπηρεσίες αναψυχής είναι σημαντικές γιατί τα πάρκα δέχονται, ετησίως, περίπου 20 εκατομμύρια επισκέπτες.

[[Αρχείο:Gbisas4_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Χάρτης της περιοχής μελέτης. Στην κάτω αριστερή γωνία δείγμα από τις εικόνες περιλαμβάνονται στη μελέτη.]]

'''Μέθοδοι και υλικά'''

Η μεθοδολογία βασίζεται στο συνδυασμό τεχνολογιών τηλεπισκόπησης και δεδομένων από τα κοινωνικά μέσα μαζικής ενημέρωσης με στόχο να χαρτογραφηθεί και να εκτιμηθεί το δυναμικό της δασικής αναψυχής στα πάρκα της Βρετ. Κολομβίας. Πιο αναλυτικά, οι εικόνες με γεωγραφικές συντεταγμένες λήφθηκαν από το Flickr, χρησιμοποιώντας την εφαρμογή Python. Εν συνεχεία, οι εικόνες ταξινομήθηκαν και φιλτραρίστηκαν με βάση τις ψυχαγωγικές δραστηριότητες που απεικόνιζαν χρησιμοποιώντας πολυσυλλεκτικά δίκτυα (CNN). Οι εξαρτημένες μεταβλητές της μελέτης είναι 5 : σκι, πεζοπορία, κάμπινγκ, παρατήρηση άγριας ζωής και ποδηλασία. Για να γίνει αντιστοίχιση κάθε εικόνας με τις ανεξάρτητες μεταβλητές (τοπογραφικές, ανθρωπογενείς επιπτώσεις και βιομετρικές χαρακτηριστικά των δασών, εποχιακά δεδομένα) χρησιμοποιήθηκε το πακέτο Python «rasterstats». Στο πολυσυλλεκτικό δίκτυο αναψυχής (CNN) χρησιμοποιήθηκε η βάση δεδομένων εικόνων Places 365 και εξετάστηκαν εικόνες για τις 5 δραστηριότητες.
Ένα μοντέλο τυχαίας ταξινόμησης δασών «Random Forest Classifier» δημιουργήθηκε για να προσδιοριστεί εάν και πώς οι ανεξάρτητες μεταβλητές επηρεάζουν τη χρήση των δασικών εκτάσεων για λόγους αναψυχής και για την αξιολόγηση του δυναμικού αναψυχής για κάθε μία δραστηριότητα στο πιο δημοφιλές πάρκο Cypress. Για να διερευνηθεί η σχέση μεταξύ της εξαρτημένης μεταβλητής και των ανεξάρτητων μεταβλητών δημιουργήθηκαν μερικές γραφικές παραστάσεις εξάρτησης και στη συνέχεια δημιουργήθηκαν δύο τύποι χαρτών, οι χάρτες δυναμικού αναψυχής και οι χάρτες αξίας της αναψυχής.

'''Αποτελέσματα και Συζήτηση'''

Τα αποτελέσματα από τη διαδικασία ταξινόμησης των εικόνων έδειξαν ότι για η συνολική ακρίβεια του CNN είναι υψηλή (0,84). Το πολυσυλλεκτικό δίκτυο αναψυχής είχε καλή απόδοση στην ταξινόμηση εικόνων που απεικονίζουν τις 5 μεταβλητές ήτοι : 2,1% ποδηλασία, 3,5% κάμπινγκ, 11,2% πεζοπορία, 4,5% παρακολούθηση άγριας ζωής, 5,9% σκι.

[[Αρχείο:Gbisas4_foto2.png|200px|thumb|right|'''Εικόνα 2.''' Τα αποτελέσματα από την ταξινόμηση των εικόνων του Flickr την χρονική περίοδο 2005-2020 στην περιοχή μελέτης. Το εσωτερικό στρώμα αντιπροσωπεύει τη συνάφεια πολυσυλλεκτικών δικτυών CNN, το μεσαίο στρώμα αντιπροσωπεύει το πολυσυλλεκτικό δίκτυο των πολιτιστικών οικοσυστημικών υπηρεσιών CES CNN, το εξωτερικό στρώμα αντιπροσωπεύει το πολυσυλλεκτικό δίκτυο αναψυχής.]]

Συνδυάζοντας τα αποτελέσματα από την ταξινόμηση εικόνων με τις ανεξάρτητες μεταβλητές, ήταν δυνατό να εκτιμηθούν οι μέσες τιμές και οι τυπικές αποκλίσεις αυτών σε σχέση με τις 5 ψυχαγωγικές δραστηριότητα. Όπως φαίνεται στην Εικ 3, η πιο σημαντική μεταβλητή στη βελτίωση της ακρίβειας των προβλέψεων είναι η εποχικότητα και ακολουθούν οι τοπογραφικές μεταβλητές (υψόμετρο και κλίση). Οι ανθρωπογενείς επιπτώσεις είχαν μικρή συμβολή ενώ όλες οι μεταβλητές βιομετρίας των δασών είχαν ελάχιστη συμβολή (<10%).

[[Αρχείο:Gbisas4_foto3.png|200px|thumb|right|'''Εικόνα 3.''' Στον άξονα x το % σημαντικότητας των μεταβλητών στη βελτίωση της πρόβλεψης.]]

Τα διαγράμματα στην Εικ. 4 δείχνουν πώς οι προβλέψεις του τυχαίου μοντέλου δασών εξαρτώνται από μία μόνο είσοδο. Έτσι κατά τους καλοκαιρινούς μήνες η πιθανότητα μιας εικόνας να απεικονίζει «πεζοπορία» και «κάμπινγκ» είναι μεγαλύτερη, η πιθανότητα να απεικονίζει «παρακολούθησης άγριας ζωής» είναι μεγαλύτερη την άνοιξη και το φθινόπωρο και η πιθανότητα να απεικονίζει «σκι» αυξάνεται το χειμώνα.

[[Αρχείο:Gbisas4_foto4.jpg|200px|thumb|right|'''Εικόνα 4.''' Τα διαγράμματα μερικής εξάρτησης δείχνουν πώς οι προβλέψεις πιθανοτήτων του μοντέλου εξαρτώνται εν μέρει από τις τιμές των μεταβλητών εισόδου που μας ενδιαφέρουν. Στους άξονες x, οι ανεξάρτητες μεταβλητές και στους y η πιθανότητα της εικόνας να ταξινομηθεί ως σχετική.]]

Οι χάρτες δυναμικού αναψυχής δημιουργήθηκαν χρησιμοποιώντας ένα μοντέλο τυχαίου ταξινομητή, στο πάρκο Cypress, για να προβλεφθούν οι πιθανότητες της κάθε δραστηριότητας να πραγματοποιηθεί σε κάθε σημείο, την κάθε εποχή.
Στις Εικ. 5 και 6 προκύπτει ότι στο πάρκο Cypress η πεζοπορία κυριαρχεί την άνοιξη, το καλοκαίρι και το φθινόπωρο, ενώ το σκι το χειμώνα. Η παρατήρηση άγριας ζωής, το κάμπινγκ και η ποδηλασία έχουν ελάχιστες δυνατότητες σε αυτό το πάρκο.

[[Αρχείο:Gbisas4_foto5.jpg|200px|thumb|right|'''Εικόνα 5.''' Εκτίμηση του δυναμικού αναψυχής όλες τις εποχές για πεζοπορία και σκι στο πάρκο Cypress. ]]

[[Αρχείο:Gbisas4_foto6.png|200px|thumb|right|'''Εικόνα 6.''' Οι δραστηριότητες αναψυχής με τη μεγαλύτερη πιθανότητα να πραγματοποιηθούν στο πάρκο Cypress την κάθε εποχή. ]]

Τέλος, οι χάρτες της αξίας της αναψυχής δημιουργήθηκαν με βάση τις παροχές από το κοινό. Χρησιμοποιήθηκαν τα έσοδα από τις 5 μεταβλητές και ο αριθμός των ημερήσιων επισκεπτών σε όλα τα πάρκα για την περίοδο 2012-2018. Το πάρκο Cypress, είναι το πιο επισκέψιμο και δέχεται περισσότερους από 1,5 εκατομμύριο επισκέπτες κάθε χρόνο (Εικ. 7). Η αξία της αναψυχής εκφράστηκε σε C$/ha/ημέρα. Όπως φαίνεται από την ανάλυση (Εικ. 5) 2 είναι οι hotspots περιοχές ψυχαγωγικής αξίας στο πάρκο Cypress, μια στα ΝΑ του πάρκου και μια στο κεντρικό τμήμα του πάρκου όπου οι βρίσκονται και οι περισσότερες υποδομές (χώροι στάθμευσης, μονοπάτια πεζοπορίας, για σκι και έλκηθρο, κ.λπ.).

[[Αρχείο:Gbisas4_foto7.png|200px|thumb|right|'''Εικόνα 6.''' Η οικονομική αξία των οικοσυστημικών υπηρεσιών αναψυχής στο πάρκο Cypress.]]

Συμπέρασμα
Οι εικόνες μέσων κοινωνικής δικτύωσης, αποτελούν πολύτιμη πηγή δεδομένων για τη εκτίμηση της αξίας των πολιτιστικών οικοσυστημικών υπηρεσιών. Στη μελέτη αυτή οι εικόνες από τα πάρκα της Βρετ. Κολομβίας, ταξινομήθηκαν αυτόματα με πολυσυλλεκτικά δίκτυα και σε συνδυασμό τεχνολογιών τηλεπισκόπησης, εξετάστηκε πως αυτές οι μεταβλητές επηρεάζουν τη δημοτικότητα των δραστηριοτήτων αναψυχής στο δάσος.
Τα ευρήματα από την παρούσα μελέτη δείχνουν ότι: η πιο δημοφιλής δραστηριότητα στα πάρκα της Βρετανικής Κολομβίας, είναι η πεζοπορία και ακολουθεί το σκι, η παρατήρηση άγριας ζωής, το κάμπινγκ και η ποδηλασία, οι μεταβλητές που έχουν τη μεγαλύτερη επιρροή στον καθορισμό του είδους δραστηριότητας είναι η εποχή και τα τοπογραφικά χαρακτηριστικά. Επιπλέον, τα αποτελέσματα της μελέτης δείχνουν ότι η ενοποίηση των δεδομένων από τα μέσα κοινωνικής δικτύωσης και των τεχνολογιών τηλεπισκόπησης επιτρέπει, στους διαχειριστές να προσαρμόζουν τις ψυχαγωγικές υπηρεσίες στις ανάγκες των επισκεπτών του πάρκου.

[[category:ΔΠΜΣ ]]

Εκτίμηση του δυναμικού αναψυχής των δασών από δεδομένα κοινωνικών μέσων και δεδομένα τεχνολογιών τηλεπισκόπησης

2024-02-22T05:46:52Z

GioBisas: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Assessing forest recreational potential from social media data and remote sensing technologies data '''Συγγραφείς:''' F...'

'''Πρωτότυπος τίτλος:''' Assessing forest recreational potential from social media data and remote sensing technologies data

'''Συγγραφείς:''' Federico Lingua, Nicholas C. Coops, Verena C. Griess

1 Department of Forest Resources Management, Faculty of Forestry, University of British Columbia, Forest Sciences Centre, 2424 Main Mall, Vancouver, BC V6T 1Z4, Canada

2 Institute of Terrestrial Ecosystems, Department of Environmental System Sciences, ETH Zurich CHN K72.2, Universitätstrasse 16, 8092 Zurich, Switzerland

'''Δημοσιεύθηκε:''' Ecological Indicators, 2023

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.ecolind.2023.110165]]

'''Λέξεις-κλειδιά:''' δασική αναψυχή, υπηρεσίες οικοσυστήματος, Flickr, Big Data τηλεπισκόπηση'''

'''Εισαγωγή '''

Οι πολιτιστικές οικοσυστημικές υπηρεσίες στα δάση (CES) έχουν μεγάλη σημασία παγκοσμίως, καθώς πάνω από 186.000 εκτάρια δασών, χρησιμοποιούνται σε ετήσια βάση για αναψυχή, τουρισμό και εκπαίδευση σε παγκόσμιο επίπεδο (FAO, 2020). Τα δάση λοιπόν δεν πρέπει να διαχειρίζονται μόνο για να εξασφαλιστεί η συνεχής παροχή ξύλου και στα σχέδια βιώσιμης διαχείρισης των δασών είναι απαραίτητο να διασφαλίζεται η απρόσκοπτη παροχή όλων των υπηρεσιών που αυτά μας παρέχουν. Ωστόσο, η συμπερίληψη των πολιτιστικών υπηρεσιών στα σχέδια διαχείρισης είναι δύσκολο να ποσοτικοποιηθούν και να χαρτογραφηθούν. Οι εικόνες από τα μέσα κοινωνικής δικτύωσης με αναφορά στη γεωγραφική θέση, μπορούν να αξιοποιηθούν ώστε να παρέχουν ποσοτικές πληροφορίες για τη διαχείριση των δασών και τις πολιτιστικές οικοσυστημικές υπηρεσίες σε αυτά. Oι τεχνολογίες τηλεπισκόπησης παρέχουν πληροφορίες σχετικά με τα φυσικά χαρακτηριστικά μιας περιοχής, προσδιορίζοντας επομένως ποιες από αυτές τις μεταβλητές έχουν θετική επίδραση για την αναψυχή στα δάση. Η ταξινόμηση των φωτογραφιών από τα μέσα κοινωνικής δικτύωσης, μπορεί να γίνει με εξελιγμένες τεχνικές που βασίζονται σε πολυσυλλεκτικά δίκτυα και επιτυγχάνεται αυτοματοποιημένη ταξινόμηση των εικόνων. Η προσαρμογή των μοντέλων και η εξαγωγή συναφών αποτελεσμάτων με βάση τα τροφοδοτούμενα δεδομένα συνιστά μια πολλά υποσχόμενη διαδικασία για τη λήψη γρήγορων φθηνών και λεπτομερών συμπερασμάτων που θα μπορούσαν να είναι χρήσιμα στη διαχείριση των πολιτιστικών οικοσυστημικών υπηρεσιών στα δάση.

'''Στόχος'''

Ο στόχος αυτής της μελέτης, είναι να αναπτύξει μια μεθοδολογία που θα αξιοποιήσει τα δεδομένα από τα μέσα κοινωνικής δικτύωσης και τις δυνατότητες της τηλεπισκόπησης, για να ενσωματώσει την πληροφορία από τις πολιτιστικές οικοσυστημικές υπηρεσίες στα σχέδια διαχείρισης δασών.

'''Περιοχή Μελέτης'''

Η περιοχή μελέτης είναι τα δασικά επαρχιακά πάρκα της Βρετανικής Κολομβίας στον Καναδά (Εικ. 1) και καλύπτουν περίπου 68.000 km2. Οι οικοσυστημικές υπηρεσίες αναψυχής είναι σημαντικές γιατί τα πάρκα δέχονται, ετησίως, περίπου 20 εκατομμύρια επισκέπτες.

[[Αρχείο:Gbisas4_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Χάρτης της περιοχής μελέτης. Στην κάτω αριστερή γωνία δείγμα από τις εικόνες περιλαμβάνονται στη μελέτη.]]

'''Μέθοδοι και υλικά'''

Η μεθοδολογία βασίζεται στο συνδυασμό τεχνολογιών τηλεπισκόπησης και δεδομένων από τα κοινωνικά μέσα μαζικής ενημέρωσης με στόχο να χαρτογραφηθεί και να εκτιμηθεί το δυναμικό της δασικής αναψυχής στα πάρκα της Βρετ. Κολομβίας. Πιο αναλυτικά, οι εικόνες με γεωγραφικές συντεταγμένες λήφθηκαν από το Flickr, χρησιμοποιώντας την εφαρμογή Python. Εν συνεχεία, οι εικόνες ταξινομήθηκαν και φιλτραρίστηκαν με βάση τις ψυχαγωγικές δραστηριότητες που απεικόνιζαν χρησιμοποιώντας πολυσυλλεκτικά δίκτυα (CNN). Οι εξαρτημένες μεταβλητές της μελέτης είναι 5 : σκι, πεζοπορία, κάμπινγκ, παρατήρηση άγριας ζωής και ποδηλασία. Για να γίνει αντιστοίχιση κάθε εικόνας με τις ανεξάρτητες μεταβλητές (τοπογραφικές, ανθρωπογενείς επιπτώσεις και βιομετρικές χαρακτηριστικά των δασών, εποχιακά δεδομένα) χρησιμοποιήθηκε το πακέτο Python «rasterstats». Στο πολυσυλλεκτικό δίκτυο αναψυχής (CNN) χρησιμοποιήθηκε η βάση δεδομένων εικόνων Places 365 και εξετάστηκαν εικόνες για τις 5 δραστηριότητες.
Ένα μοντέλο τυχαίας ταξινόμησης δασών «Random Forest Classifier» δημιουργήθηκε για να προσδιοριστεί εάν και πώς οι ανεξάρτητες μεταβλητές επηρεάζουν τη χρήση των δασικών εκτάσεων για λόγους αναψυχής και για την αξιολόγηση του δυναμικού αναψυχής για κάθε μία δραστηριότητα στο πιο δημοφιλές πάρκο Cypress. Για να διερευνηθεί η σχέση μεταξύ της εξαρτημένης μεταβλητής και των ανεξάρτητων μεταβλητών δημιουργήθηκαν μερικές γραφικές παραστάσεις εξάρτησης και στη συνέχεια δημιουργήθηκαν δύο τύποι χαρτών, οι χάρτες δυναμικού αναψυχής και οι χάρτες αξίας της αναψυχής.

'''Αποτελέσματα και Συζήτηση'''

Τα αποτελέσματα από τη διαδικασία ταξινόμησης των εικόνων έδειξαν ότι για η συνολική ακρίβεια του CNN είναι υψηλή (0,84). Το πολυσυλλεκτικό δίκτυο αναψυχής είχε καλή απόδοση στην ταξινόμηση εικόνων που απεικονίζουν τις 5 μεταβλητές ήτοι : 2,1% ποδηλασία, 3,5% κάμπινγκ, 11,2% πεζοπορία, 4,5% παρακολούθηση άγριας ζωής, 5,9% σκι.

[[Αρχείο:Gbisas4_foto2.jpg|200px|thumb|right|'''Εικόνα 2.''' Τα αποτελέσματα από την ταξινόμηση των εικόνων του Flickr την χρονική περίοδο 2005-2020 στην περιοχή μελέτης. Το εσωτερικό στρώμα αντιπροσωπεύει τη συνάφεια πολυσυλλεκτικών δικτυών CNN, το μεσαίο στρώμα αντιπροσωπεύει το πολυσυλλεκτικό δίκτυο των πολιτιστικών οικοσυστημικών υπηρεσιών CES CNN, το εξωτερικό στρώμα αντιπροσωπεύει το πολυσυλλεκτικό δίκτυο αναψυχής.]]

Συνδυάζοντας τα αποτελέσματα από την ταξινόμηση εικόνων με τις ανεξάρτητες μεταβλητές, ήταν δυνατό να εκτιμηθούν οι μέσες τιμές και οι τυπικές αποκλίσεις αυτών σε σχέση με τις 5 ψυχαγωγικές δραστηριότητα. Όπως φαίνεται στην Εικ 3, η πιο σημαντική μεταβλητή στη βελτίωση της ακρίβειας των προβλέψεων είναι η εποχικότητα και ακολουθούν οι τοπογραφικές μεταβλητές (υψόμετρο και κλίση). Οι ανθρωπογενείς επιπτώσεις είχαν μικρή συμβολή ενώ όλες οι μεταβλητές βιομετρίας των δασών είχαν ελάχιστη συμβολή (<10%).

[[Αρχείο:Gbisas4_foto3.jpg|200px|thumb|right|'''Εικόνα 3.''' Στον άξονα x το % σημαντικότητας των μεταβλητών στη βελτίωση της πρόβλεψης.]]

Τα διαγράμματα στην Εικ. 4 δείχνουν πώς οι προβλέψεις του τυχαίου μοντέλου δασών εξαρτώνται από μία μόνο είσοδο. Έτσι κατά τους καλοκαιρινούς μήνες η πιθανότητα μιας εικόνας να απεικονίζει «πεζοπορία» και «κάμπινγκ» είναι μεγαλύτερη, η πιθανότητα να απεικονίζει «παρακολούθησης άγριας ζωής» είναι μεγαλύτερη την άνοιξη και το φθινόπωρο και η πιθανότητα να απεικονίζει «σκι» αυξάνεται το χειμώνα.

[[Αρχείο:Gbisas4_foto4.jpg|200px|thumb|right|'''Εικόνα 4.''' Τα διαγράμματα μερικής εξάρτησης δείχνουν πώς οι προβλέψεις πιθανοτήτων του μοντέλου εξαρτώνται εν μέρει από τις τιμές των μεταβλητών εισόδου που μας ενδιαφέρουν. Στους άξονες x, οι ανεξάρτητες μεταβλητές και στους y η πιθανότητα της εικόνας να ταξινομηθεί ως σχετική.]]

Οι χάρτες δυναμικού αναψυχής δημιουργήθηκαν χρησιμοποιώντας ένα μοντέλο τυχαίου ταξινομητή, στο πάρκο Cypress, για να προβλεφθούν οι πιθανότητες της κάθε δραστηριότητας να πραγματοποιηθεί σε κάθε σημείο, την κάθε εποχή.
Στις Εικ. 5 και 6 προκύπτει ότι στο πάρκο Cypress η πεζοπορία κυριαρχεί την άνοιξη, το καλοκαίρι και το φθινόπωρο, ενώ το σκι το χειμώνα. Η παρατήρηση άγριας ζωής, το κάμπινγκ και η ποδηλασία έχουν ελάχιστες δυνατότητες σε αυτό το πάρκο.

[[Αρχείο:Gbisas4_foto5.jpg|200px|thumb|right|'''Εικόνα 5.''' Εκτίμηση του δυναμικού αναψυχής όλες τις εποχές για πεζοπορία και σκι στο πάρκο Cypress. ]]

[[Αρχείο:Gbisas4_foto6.jpg|200px|thumb|right|'''Εικόνα 6.''' Οι δραστηριότητες αναψυχής με τη μεγαλύτερη πιθανότητα να πραγματοποιηθούν στο πάρκο Cypress την κάθε εποχή. ]]

Τέλος, οι χάρτες της αξίας της αναψυχής δημιουργήθηκαν με βάση τις παροχές από το κοινό. Χρησιμοποιήθηκαν τα έσοδα από τις 5 μεταβλητές και ο αριθμός των ημερήσιων επισκεπτών σε όλα τα πάρκα για την περίοδο 2012-2018. Το πάρκο Cypress, είναι το πιο επισκέψιμο και δέχεται περισσότερους από 1,5 εκατομμύριο επισκέπτες κάθε χρόνο (Εικ. 7). Η αξία της αναψυχής εκφράστηκε σε C$/ha/ημέρα. Όπως φαίνεται από την ανάλυση (Εικ. 5) 2 είναι οι hotspots περιοχές ψυχαγωγικής αξίας στο πάρκο Cypress, μια στα ΝΑ του πάρκου και μια στο κεντρικό τμήμα του πάρκου όπου οι βρίσκονται και οι περισσότερες υποδομές (χώροι στάθμευσης, μονοπάτια πεζοπορίας, για σκι και έλκηθρο, κ.λπ.).

[[Αρχείο:Gbisas4_foto7.jpg|200px|thumb|right|'''Εικόνα 6.''' Η οικονομική αξία των οικοσυστημικών υπηρεσιών αναψυχής στο πάρκο Cypress.]]

Συμπέρασμα
Οι εικόνες μέσων κοινωνικής δικτύωσης, αποτελούν πολύτιμη πηγή δεδομένων για τη εκτίμηση της αξίας των πολιτιστικών οικοσυστημικών υπηρεσιών. Στη μελέτη αυτή οι εικόνες από τα πάρκα της Βρετ. Κολομβίας, ταξινομήθηκαν αυτόματα με πολυσυλλεκτικά δίκτυα και σε συνδυασμό τεχνολογιών τηλεπισκόπησης, εξετάστηκε πως αυτές οι μεταβλητές επηρεάζουν τη δημοτικότητα των δραστηριοτήτων αναψυχής στο δάσος.
Τα ευρήματα από την παρούσα μελέτη δείχνουν ότι: η πιο δημοφιλής δραστηριότητα στα πάρκα της Βρετανικής Κολομβίας, είναι η πεζοπορία και ακολουθεί το σκι, η παρατήρηση άγριας ζωής, το κάμπινγκ και η ποδηλασία, οι μεταβλητές που έχουν τη μεγαλύτερη επιρροή στον καθορισμό του είδους δραστηριότητας είναι η εποχή και τα τοπογραφικά χαρακτηριστικά. Επιπλέον, τα αποτελέσματα της μελέτης δείχνουν ότι η ενοποίηση των δεδομένων από τα μέσα κοινωνικής δικτύωσης και των τεχνολογιών τηλεπισκόπησης επιτρέπει, στους διαχειριστές να προσαρμόζουν τις ψυχαγωγικές υπηρεσίες στις ανάγκες των επισκεπτών του πάρκου.

[[category:ΔΠΜΣ ]]

Αρχείο:Gbisas4 foto7.png

2024-02-22T05:30:08Z

GioBisas:

Αρχείο:Gbisas4 foto6.png

2024-02-22T05:30:01Z

GioBisas:

Αρχείο:Gbisas4 foto5.jpg

2024-02-22T05:29:54Z

GioBisas:

Αρχείο:Gbisas4 foto4.jpg

2024-02-22T05:29:46Z

GioBisas:

Αρχείο:Gbisas4 foto3.png

2024-02-22T05:29:37Z

GioBisas:

Αρχείο:Gbisas4 foto2.png

2024-02-22T05:29:29Z

GioBisas:

Αρχείο:Gbisas4 foto1.jpg

2024-02-22T05:29:20Z

GioBisas:

Τρεις τοπογραφικές προσεγγίσεις για την έρευνα της διάβρωσης του εδάφους σε ορεινό μονοπάτι που επλήγη από δασική πυρκαγιά.

2024-02-22T05:27:09Z

GioBisas:

'''Πρωτότυπος τίτλος:''' Three topographical approaches to survey soil erosion on a mountain trail affected by a forest fire. Barranc de la Manesa, Llutxent, Eastern Iberian Peninsula

'''Συγγραφείς:''' D. Salesa,A. Minervino Amodio, C.M. Rosskopf, V. Garfì, E. Terol, A. Cerdà

1 Ομάδα Ερευνών για τη διάβρωση και την υποβάθμιση του εδάφους. Τμήμα Γεωγραφίας, Πανεπιστήμιο της Βαλένθια, Blasco Ibàñez, 28, 46010 Βαλένθια, Ισπανία
2 Department of Biosciences and Territory, University of Molise, 86090, Pesche (IS), Ιταλία
3 Escuela Técnica Superior de Ingeniería Geodésica, Cartográfica y Topográfica, Universitat Politècnica de València, Camino de Vera, s/n, 46022, Valencia, Ισπανία

'''Δημοσιεύθηκε:''' Journal of Environmental Management, 2020.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.jenvman.2020.1104911]]

'''Λέξεις-κλειδιά:''' διάβρωση του εδάφους, ορεινά μονοπάτια, δασική πυρκαγιά, Φωτογραμμετρία.'''

'''Εισαγωγή '''

Η διάβρωση των ορεινών μονοπατιών αποτελεί πρόβλημα για τη βιωσιμότητα των εδαφών και της βλάστησης και δεν έχει μελετηθεί επαρκώς. Η χρήση των φυσικών περιοχών για την ανάπτυξη ψυχαγωγικών και αθλητικών δραστηριοτήτων όπως πεζοπορία, τρέξιμο, ιππασία ορεινή ποδηλασία αλλά και ο τουρισμός έχουν αυξηθεί σημαντικά τα τελευταία χρόνια, επομένως έχουν αυξηθεί και οι ανθρώπινες επιπτώσεις. Μεταξύ αυτών των επιπτώσεων μπορούμε να επισημάνουμε τις αρνητικές επιπτώσεις στα μονοπάτια, όπως η καταπάτηση φυτικής κάλυψης, οι διαταραχές της πανίδας, τα ανθρώπινα απόβλητα, οι υδρολογικές αλλοιώσεις και η υποβάθμιση του εδάφους κατά μήκος των μονοπατιών. Μερικά παραδείγματα υποβάθμισης του εδάφους είναι η απώλεια οργανικής ύλης, η συμπίεση, η μειωμένη διείσδυση νερού και η διάβρωση. Επομένως είναι αναγκαίο να υιοθετηθούν καλύτερες πρακτικές διαχείρισης του εδάφους και των μονοπατιών.
Επίσης, οι περιοχές στη λεκάνη της Μεσογείου (μήνες με υψηλές θερμοκρασίες και έλλειψη βροχοπτώσεων), πλήττονται συχνά από δασικές πυρκαγιές που συμβάλλουν αύξηση των ρυθμών διάβρωσης του εδάφους. Για την μελέτη της διάβρωσης των εδαφών εφαρμόζεται κυρίως η μέθοδος της διατομής καθώς είναι εύκολη στην εφαρμογή και χαμηλού κόστους. Ωστόσο, υπάρχει αμφιβολία για την ακρίβειά της και η ανάπτυξη των νέων τεχνολογιών μπορούν να βελτιώσουν την ποιότητα και την ακρίβεια των μετρήσεων. Οι πιο εξελιγμένες φωτογραμμετρικές μέθοδοι (εναέριες και επίγειες) είναι δύσκολο να εφαρμοστούν όταν υπάρχει βλάστηση. Όμως σε καμένες περιοχές μπορεί να εφαρμοστεί αυτή η μέθοδος καθώς η βλάστηση λείπει.

[[Αρχείο:Gbisas3_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Συλλογή δεδομένων στην περιοχή μελέτης με τις 3 μεθόδους που χρησιμοποιήθηκαν: τη μέθοδο διατομής (αριστερά), φωτογραμμετρία με τη κινητό (κέντρο) και φωτογραμμετρία με χρήση μη επανδρωμένου αεροσκάφους (ΣμηΕΑ).]]

'''Στόχος'''

Ο στόχος της μελέτης είναι η διερεύνηση της αποτελεσματικότητας της χρήσης δεδομένων τηλεπισκόπησης με δορυφορικές εικόνες για την πρόβλεψη των παραμέτρων ποιότητας του νερού και η επιβεβαίωση των αποτελεσμάτων μέσω της επιτόπιας συλλογής δειγμάτων νερού από σταθμούς κατά μήκος του ποταμού Τίγρη στο Ιράκ. Η παρούσα μελέτη στοχεύει να αναπτύξει και να επικυρώσει μια μεθοδολογία αξιολόγησης της ποιότητας του νερού με βάση την τηλεπισκόπηση χρησιμοποιώντας ελεύθερα διαθέσιμα δεδομένα ποιότητας νερού και δορυφορικές εικόνες Landsat 8. Επιπλέον, επιδιώκει να καθορίσει τη σχέση μεταξύ των παραμέτρων του νερού και των φασματικών ζώνών του Landsat 8.

'''Περιοχή Μελέτης'''

Η περιοχή μελέτης βρίσκεται στο ανατολικό τμήμα της Ιβηρικής Χερσονήσου, στον δήμο Llutxent (Εικ. 2Α), σε μια καμένη έκταση 3270 ha (Εικ. 2Β), όπου τα δένδρα σκληρόφυλλης βλάστησης απομακρύνθηκαν λόγω της σφοδρότητας της πυρκαγιάς. Στις καμένες εκτάσεις δίνεται η ευκαιρία να εφαρμοστούν πιο εξελιγμένες τεχνολογίες στη μελέτη του εδάφους λόγω της έλλειψης της φυτικής κάλυψης.

[[Αρχείο:Gbisas3_foto2.jpg|200px|thumb|right|'''Εικόνα 2.''' Θέση της περιοχής μελέτης: Α) με κόκκινο τετράγωνο ο δήμος Lluxent. Β) το πολύγωνο οριοθετεί την καμένη έκταση και ο κόκκινος κύκλος δείχνει τα μονοπάτια.]]

Σε αυτή τη μελέτη χρησιμοποιήθηκε η μέθοδος διατομής, που έχει εφαρμοστεί ευρέως λόγω της απλότητας και του χαμηλού κόστους της, για να αξιολογηθεί η διάβρωση του εδάφους σε δύο επιλεγμένα τμήματα μονοπατιού, μήκους 20 και 30 m αντίστοιχα. Σε κάθε τμήμα τα σημεία μέτρησης βρίσκονταν σε απόσταση 1 m μεταξύ τους (Εικ. 3). Με βάση τις αποστάσεις που μετρήθηκαν μεταξύ της επιφάνειας του εδάφους και της μεταλλικής ράβδου, υπολογίστηκε η απώλεια εδάφους (σε cm2).

[[Αρχείο:Gbisas3_foto3.jpg|200px|thumb|right|'''Εικόνα 3.''' Σχηματική απεικόνιση της μεθόδου διατομής που χρησιμοποιούνται δύο συνεχόμενα σημεία μέτρησης (α και β). Ο όγκος της απώλειας του εδάφους υπολογίζεται με εξισώσεις]]

Επίσης, εφαρμόστηκαν 2 πιο σύγχρονες τεχνικές για να αξιολογηθεί η απώλεια εδάφους: η αεροφωτογραμμετρία και το drone DJI Phantom 3 Std και h επίγεια φωτογραμμετρία και δύο κινητά με κάμερα υψηλής ανάλυσης 13 MP. Αυτές οι τεχνικές είναι παρόμοιες καθώς βασίζονται στην απόκτηση δισδιάστατες εικόνες για την αναδόμηση της τρισδιάστατης δομής του μονοπατιού με μοντέλα.

'''Αποτελέσματα'''

Τα δύο τμήματα του μονοπατιού που μελετήθηκαν παρουσιάζουν μέση γωνία κλίσης 4,19° (Std. Dev. 4,26), με το πρώτο από αυτά να είναι ελαφρώς πιο απότομο (4,39° έναντι 3,90°). Επιπλέον, το πρώτο τμήμα είναι περισσότερο πετρώδες (20,11% έναντι 13,87%). Το μέσο πλάτος της διαδρομής, για τα δύο τμήματα είναι πολύ παρόμοια. Τα αποτελέσματα που προέκυψαν με τη μέθοδο διατομής για το χαμήλωμα της επιφάνειας του το πρώτο τμήμα έδειξε πιο μεγαλύτερη απώλεια εδάφους από το δεύτερο (12,30 cm έναντι 9,52 cm). Τα αποτελέσματα για το μονοπάτι και την απώλεια εδάφους σε αυτό με τις τρεις μεθόδους είναι παρόμοια (Εικ. 4).

[[Αρχείο:Gbisas3_foto4.png|200px|thumb|right|'''Εικόνα 3.''' Αποτελέσματα για την απώλεια εδάφους στο μονοπάτι με τις τρεις μεθόδους που χρησιμοποιήθηκαν. CSA: Μέθοδος διατομής, DRONE: Μέθοδος ΣμηΕΑ, SPD: Μέθοδος κινητού. Max Diff: η μέγιστη διαφορά μεταξύ των 3 μεθόδων.]]

Στο πρώτο τμήμα του μονοπατιού, η μεγαλύτερη τιμή απώλειας του εδάφους εκτιμήθηκε με τη μέθοδο επίγειας φωτογραμμετρία και κινητά SPD (11,21 m2). Το δεύτερο τμήμα έδειξε την μεγαλύτερη τιμή απώλειας με τη μέθοδο διατομής CSA (24,50 m2). Όσον αφορά τους όγκους απώλειας εδάφους, οι υψηλότερες τιμές έχουν ληφθεί αντίστοιχα με τις μεθόδους SPD και CSA για το πρώτο και το δεύτερο τμήμα (1,98 και 2,75 m3) ενώ οι χαμηλότερες τιμές έχουν υπολογιστεί με τις μεθόδους CSA και DRONE στο πρώτο και το δεύτερο τμήμα μονοπατιού αντίστοιχα (1,82 και 1,96 m3).
Για να αντισταθμίσουμε τον συντελεστή επιφάνειας στον υπολογισμό του όγκου του εδάφους, τυποποιήθηκε η επιφάνεια διαδρομής ίση με 100 m2 και έτσι συγκρίναμε τις τιμές. Τα αποτελέσματα δείχνουν ότι η υψηλότερη σχετική απώλεια εδάφους σημειώθηκε στο πρώτο τμήμα του μονοπατιού (Εικ. 7). Σε αυτό το τμήμα, η απώλεια όγκου στο εδάφους είναι παρόμοια με τις τρεις μεθόδους (CSA: 16,32 m3, Drone: 17,09 m3, SPD: 17,66 m3) ενώ βρέθηκε μεγαλύτερη διαφορά μεταξύ των τιμών που ελήφθησαν στο δεύτερο τμήμα (CSA: 11,22 m3 DRONE: 8,15 m3, SPD: 8,47 m3). Αυτά τα αποτελέσματα δείχνουν ότι το πρώτο τμήμα του μονοπατιού έχει μεγαλύτερο ρυθμό διάβρωσης από το δεύτερο και ότι οι τρεις μέθοδοι δίνουν παρόμοια αποτελέσματα.

[[Αρχείο:Gbisas3_foto5.jpg|200px|thumb|right|'''Εικόνα 5.''' Ο όγκος της απώλειας εδάφους υπολογίστηκε με τις τρεις διαφορετικές προσεγγίσεις που τυποποιούν την περιοχή στα 100 m2. CSA: Μέθοδος διατομής. DRON: Μέθοδος ΣμηΕΑ. SPD: συσκευής κινητού.]]

[[Αρχείο:Gbisas3_foto6.png|200px|thumb|right|'''Εικόνα 6.''' Αποτελέσματα που ελήφθησαν για την απώλεια εδάφους σε Mg και τους ρυθμούς διάβρωσης του εδάφους με τις τρεις μεθόδους που χρησιμοποιήθηκαν. CSA: Μέθοδος διατομής-περιοχής. DRON: μη επανδρωμένο εναέριο αεροσκάφος. SPD: Συσκευή κινητού.]]

'''Συζήτηση'''

Η λεκάνη της Μεσογείου αποτελεί μια περιοχή ευαίσθητη στη διάβρωση του εδάφους λόγω των κλιματικών και ιστορικών ιδιαιτεροτήτων του και της χρήσης των εδαφικών πόρων. Για να διασφαλίσουμε ότι συλλέγονται ποιοτικά δεδομένα, συγκρίθηκε η μέθοδος της επιφάνειας διατομής (εύχρηστη και χαμηλού κόστους μέθοδος), με δύο πιο εξελιγμένες μεθόδους που βασίζονται στη φωτογραμμετρία με χρήση επίγειων (δύο smartphones) και εναέριων (drones) μέσων. Οι τρεις μέθοδοι που αναφέρθηκαν παραπάνω έδωσαν παρόμοια αποτελέσματα. Ως εκ τούτου, η συμβατική μέθοδος επιτόπιων ερευνών διατομής είναι χρήσιμη και επαρκής για την αξιολόγηση των επιπτώσεων που δημιουργούνται σε ορεινά μονοπάτια, καθώς παρέχει ακριβείς μετρήσεις και μπορεί να επαναληφθεί οποιαδήποτε στιγμή σε περιοχές με διαφορετική βλάστηση. Οι φωτογραμμετρικές μέθοδοι είναι επίσης ακριβείς, αλλά μπορούν να χρησιμοποιηθούν μόνο όταν υπάρχει αραιή βλάστηση, όπως σε ημίξηρα και άνυδρα τοπία ή μετά από δασικές πυρκαγιές. Ωστόσο, οι πιο εξελιγμένες μέθοδοι είναι πιο ακριβείς, πιο χρονοβόρες και μπορούν να συνεισφέρουν με έναν χάρτη της τοπογραφίας του εδάφους.
Στόχος αυτής της εργασίας ήταν να συγκριθούν οι τρεις διαφορετικές μέθοδοι και να ελεγχθεί εάν η φωτογραμμετρία που λαμβάνεται σε εδάφη που έχουν πληγεί από φωτιά δίνει καλύτερα αποτελέσματα. Τα αποτελέσματα που προέκυψαν επιβεβαιώνουν αυτή την υπόθεση. Η αφαίρεση του υπέργειου τμήματος της βλάστησης λόγω δασικής πυρκαγιάς επιτρέπει τη λήψη κατάλληλων μετρήσεων με τεχνικές εναέρια και επίγεια φωτογραμμετρίας.

[[category:ΔΠΜΣ ]]

Τρεις τοπογραφικές προσεγγίσεις για την έρευνα της διάβρωσης του εδάφους σε ορεινό μονοπάτι που επλήγη από δασική πυρκαγιά.

2024-02-22T05:25:30Z

GioBisas:

'''Πρωτότυπος τίτλος:''' Three topographical approaches to survey soil erosion on a mountain trail affected by a forest fire. Barranc de la Manesa, Llutxent, Eastern Iberian Peninsula

'''Συγγραφείς:''' D. Salesa,A. Minervino Amodio, C.M. Rosskopf, V. Garfì, E. Terol, A. Cerdà

1 Ομάδα Ερευνών για τη διάβρωση και την υποβάθμιση του εδάφους. Τμήμα Γεωγραφίας, Πανεπιστήμιο της Βαλένθια, Blasco Ibàñez, 28, 46010 Βαλένθια, Ισπανία
2 Department of Biosciences and Territory, University of Molise, 86090, Pesche (IS), Ιταλία
3 Escuela Técnica Superior de Ingeniería Geodésica, Cartográfica y Topográfica, Universitat Politècnica de València, Camino de Vera, s/n, 46022, Valencia, Ισπανία

'''Δημοσιεύθηκε:''' Journal of Environmental Management, 2020.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.jenvman.2020.1104911]]

'''Λέξεις-κλειδιά:''' διάβρωση του εδάφους, ορεινά μονοπάτια, δασική πυρκαγιά, Φωτογραμμετρία.'''

'''Εισαγωγή '''

Ο στόχος της μελέτης είναι εκτίμηση της διάβρωσης του εδάφους σε ορεινά μονοπάτια σε μια περιοχή όπου η επίδραση σκίασης από τη βλάστηση δεν θα επηρέαζε την εφαρμογή και αξιολόγηση νέων τεχνικών μελέτης. Πιο συγκεκριμένα ο κύριος στόχος αυτής της μελέτης είναι έλεγχος της ακρίβειας και η σύγκριση τριών μεθοδολογιών για τη μέτρηση των ρυθμών διάβρωσης σε ορεινά μονοπάτια: i) Μέθοδος διατομής, ii) εναέρια φωτογραμμετρία με χρήση drones και iii) επίγεια φωτογραμμετρία χρησιμοποιώντας τις κάμερες δύο κινητών τηλεφώνων (Εικ. 1).

[[Αρχείο:Gbisas3_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Συλλογή δεδομένων στην περιοχή μελέτης με τις 3 μεθόδους που χρησιμοποιήθηκαν: τη μέθοδο διατομής (αριστερά), φωτογραμμετρία με τη κινητό (κέντρο) και φωτογραμμετρία με χρήση μη επανδρωμένου αεροσκάφους (ΣμηΕΑ).]]

'''Στόχος'''

Ο στόχος της μελέτης είναι η διερεύνηση της αποτελεσματικότητας της χρήσης δεδομένων τηλεπισκόπησης με δορυφορικές εικόνες για την πρόβλεψη των παραμέτρων ποιότητας του νερού και η επιβεβαίωση των αποτελεσμάτων μέσω της επιτόπιας συλλογής δειγμάτων νερού από σταθμούς κατά μήκος του ποταμού Τίγρη στο Ιράκ. Η παρούσα μελέτη στοχεύει να αναπτύξει και να επικυρώσει μια μεθοδολογία αξιολόγησης της ποιότητας του νερού με βάση την τηλεπισκόπηση χρησιμοποιώντας ελεύθερα διαθέσιμα δεδομένα ποιότητας νερού και δορυφορικές εικόνες Landsat 8. Επιπλέον, επιδιώκει να καθορίσει τη σχέση μεταξύ των παραμέτρων του νερού και των φασματικών ζώνών του Landsat 8.

'''Περιοχή Μελέτης'''

Η περιοχή μελέτης βρίσκεται στο ανατολικό τμήμα της Ιβηρικής Χερσονήσου, στον δήμο Llutxent (Εικ. 2Α), σε μια καμένη έκταση 3270 ha (Εικ. 2Β), όπου τα δένδρα σκληρόφυλλης βλάστησης απομακρύνθηκαν λόγω της σφοδρότητας της πυρκαγιάς. Στις καμένες εκτάσεις δίνεται η ευκαιρία να εφαρμοστούν πιο εξελιγμένες τεχνολογίες στη μελέτη του εδάφους λόγω της έλλειψης της φυτικής κάλυψης.

[[Αρχείο:Gbisas3_foto2.jpg|200px|thumb|right|'''Εικόνα 2.''' Θέση της περιοχής μελέτης: Α) με κόκκινο τετράγωνο ο δήμος Lluxent. Β) το πολύγωνο οριοθετεί την καμένη έκταση και ο κόκκινος κύκλος δείχνει τα μονοπάτια.]]

Σε αυτή τη μελέτη χρησιμοποιήθηκε η μέθοδος διατομής, που έχει εφαρμοστεί ευρέως λόγω της απλότητας και του χαμηλού κόστους της, για να αξιολογηθεί η διάβρωση του εδάφους σε δύο επιλεγμένα τμήματα μονοπατιού, μήκους 20 και 30 m αντίστοιχα. Σε κάθε τμήμα τα σημεία μέτρησης βρίσκονταν σε απόσταση 1 m μεταξύ τους (Εικ. 3). Με βάση τις αποστάσεις που μετρήθηκαν μεταξύ της επιφάνειας του εδάφους και της μεταλλικής ράβδου, υπολογίστηκε η απώλεια εδάφους (σε cm2).

[[Αρχείο:Gbisas3_foto3.jpg|200px|thumb|right|'''Εικόνα 3.''' Σχηματική απεικόνιση της μεθόδου διατομής που χρησιμοποιούνται δύο συνεχόμενα σημεία μέτρησης (α και β). Ο όγκος της απώλειας του εδάφους υπολογίζεται με εξισώσεις]]

Επίσης, εφαρμόστηκαν 2 πιο σύγχρονες τεχνικές για να αξιολογηθεί η απώλεια εδάφους: η αεροφωτογραμμετρία και το drone DJI Phantom 3 Std και h επίγεια φωτογραμμετρία και δύο κινητά με κάμερα υψηλής ανάλυσης 13 MP. Αυτές οι τεχνικές είναι παρόμοιες καθώς βασίζονται στην απόκτηση δισδιάστατες εικόνες για την αναδόμηση της τρισδιάστατης δομής του μονοπατιού με μοντέλα.

'''Αποτελέσματα'''

Τα δύο τμήματα του μονοπατιού που μελετήθηκαν παρουσιάζουν μέση γωνία κλίσης 4,19° (Std. Dev. 4,26), με το πρώτο από αυτά να είναι ελαφρώς πιο απότομο (4,39° έναντι 3,90°). Επιπλέον, το πρώτο τμήμα είναι περισσότερο πετρώδες (20,11% έναντι 13,87%). Το μέσο πλάτος της διαδρομής, για τα δύο τμήματα είναι πολύ παρόμοια. Τα αποτελέσματα που προέκυψαν με τη μέθοδο διατομής για το χαμήλωμα της επιφάνειας του το πρώτο τμήμα έδειξε πιο μεγαλύτερη απώλεια εδάφους από το δεύτερο (12,30 cm έναντι 9,52 cm). Τα αποτελέσματα για το μονοπάτι και την απώλεια εδάφους σε αυτό με τις τρεις μεθόδους είναι παρόμοια (Εικ. 4).

[[Αρχείο:Gbisas3_foto4.png|200px|thumb|right|'''Εικόνα 3.''' Αποτελέσματα για την απώλεια εδάφους στο μονοπάτι με τις τρεις μεθόδους που χρησιμοποιήθηκαν. CSA: Μέθοδος διατομής, DRONE: Μέθοδος ΣμηΕΑ, SPD: Μέθοδος κινητού. Max Diff: η μέγιστη διαφορά μεταξύ των 3 μεθόδων.]]

Στο πρώτο τμήμα του μονοπατιού, η μεγαλύτερη τιμή απώλειας του εδάφους εκτιμήθηκε με τη μέθοδο επίγειας φωτογραμμετρία και κινητά SPD (11,21 m2). Το δεύτερο τμήμα έδειξε την μεγαλύτερη τιμή απώλειας με τη μέθοδο διατομής CSA (24,50 m2). Όσον αφορά τους όγκους απώλειας εδάφους, οι υψηλότερες τιμές έχουν ληφθεί αντίστοιχα με τις μεθόδους SPD και CSA για το πρώτο και το δεύτερο τμήμα (1,98 και 2,75 m3) ενώ οι χαμηλότερες τιμές έχουν υπολογιστεί με τις μεθόδους CSA και DRONE στο πρώτο και το δεύτερο τμήμα μονοπατιού αντίστοιχα (1,82 και 1,96 m3).
Για να αντισταθμίσουμε τον συντελεστή επιφάνειας στον υπολογισμό του όγκου του εδάφους, τυποποιήθηκε η επιφάνεια διαδρομής ίση με 100 m2 και έτσι συγκρίναμε τις τιμές. Τα αποτελέσματα δείχνουν ότι η υψηλότερη σχετική απώλεια εδάφους σημειώθηκε στο πρώτο τμήμα του μονοπατιού (Εικ. 7). Σε αυτό το τμήμα, η απώλεια όγκου στο εδάφους είναι παρόμοια με τις τρεις μεθόδους (CSA: 16,32 m3, Drone: 17,09 m3, SPD: 17,66 m3) ενώ βρέθηκε μεγαλύτερη διαφορά μεταξύ των τιμών που ελήφθησαν στο δεύτερο τμήμα (CSA: 11,22 m3 DRONE: 8,15 m3, SPD: 8,47 m3). Αυτά τα αποτελέσματα δείχνουν ότι το πρώτο τμήμα του μονοπατιού έχει μεγαλύτερο ρυθμό διάβρωσης από το δεύτερο και ότι οι τρεις μέθοδοι δίνουν παρόμοια αποτελέσματα.

[[Αρχείο:Gbisas3_foto5.jpg|200px|thumb|right|'''Εικόνα 5.''' Ο όγκος της απώλειας εδάφους υπολογίστηκε με τις τρεις διαφορετικές προσεγγίσεις που τυποποιούν την περιοχή στα 100 m2. CSA: Μέθοδος διατομής. DRON: Μέθοδος ΣμηΕΑ. SPD: συσκευής κινητού.]]

[[Αρχείο:Gbisas3_foto6.png|200px|thumb|right|'''Εικόνα 6.''' Αποτελέσματα που ελήφθησαν για την απώλεια εδάφους σε Mg και τους ρυθμούς διάβρωσης του εδάφους με τις τρεις μεθόδους που χρησιμοποιήθηκαν. CSA: Μέθοδος διατομής-περιοχής. DRON: μη επανδρωμένο εναέριο αεροσκάφος. SPD: Συσκευή κινητού.]]

'''Συζήτηση'''

Η λεκάνη της Μεσογείου αποτελεί μια περιοχή ευαίσθητη στη διάβρωση του εδάφους λόγω των κλιματικών και ιστορικών ιδιαιτεροτήτων του και της χρήσης των εδαφικών πόρων. Για να διασφαλίσουμε ότι συλλέγονται ποιοτικά δεδομένα, συγκρίθηκε η μέθοδος της επιφάνειας διατομής (εύχρηστη και χαμηλού κόστους μέθοδος), με δύο πιο εξελιγμένες μεθόδους που βασίζονται στη φωτογραμμετρία με χρήση επίγειων (δύο smartphones) και εναέριων (drones) μέσων. Οι τρεις μέθοδοι που αναφέρθηκαν παραπάνω έδωσαν παρόμοια αποτελέσματα. Ως εκ τούτου, η συμβατική μέθοδος επιτόπιων ερευνών διατομής είναι χρήσιμη και επαρκής για την αξιολόγηση των επιπτώσεων που δημιουργούνται σε ορεινά μονοπάτια, καθώς παρέχει ακριβείς μετρήσεις και μπορεί να επαναληφθεί οποιαδήποτε στιγμή σε περιοχές με διαφορετική βλάστηση. Οι φωτογραμμετρικές μέθοδοι είναι επίσης ακριβείς, αλλά μπορούν να χρησιμοποιηθούν μόνο όταν υπάρχει αραιή βλάστηση, όπως σε ημίξηρα και άνυδρα τοπία ή μετά από δασικές πυρκαγιές. Ωστόσο, οι πιο εξελιγμένες μέθοδοι είναι πιο ακριβείς, πιο χρονοβόρες και μπορούν να συνεισφέρουν με έναν χάρτη της τοπογραφίας του εδάφους.
Στόχος αυτής της εργασίας ήταν να συγκριθούν οι τρεις διαφορετικές μέθοδοι και να ελεγχθεί εάν η φωτογραμμετρία που λαμβάνεται σε εδάφη που έχουν πληγεί από φωτιά δίνει καλύτερα αποτελέσματα. Τα αποτελέσματα που προέκυψαν επιβεβαιώνουν αυτή την υπόθεση. Η αφαίρεση του υπέργειου τμήματος της βλάστησης λόγω δασικής πυρκαγιάς επιτρέπει τη λήψη κατάλληλων μετρήσεων με τεχνικές εναέρια και επίγεια φωτογραμμετρίας.

[[category:ΔΠΜΣ ]]

Τρεις τοπογραφικές προσεγγίσεις για την έρευνα της διάβρωσης του εδάφους σε ορεινό μονοπάτι που επλήγη από δασική πυρκαγιά.

2024-02-22T05:24:41Z

GioBisas: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Three topographical approaches to survey soil erosion on a mountain trail affected by a forest fire. Barranc de la Manesa, Llutxen...'

'''Πρωτότυπος τίτλος:''' Three topographical approaches to survey soil erosion on a mountain trail affected by a forest fire. Barranc de la Manesa, Llutxent, Eastern Iberian Peninsula

'''Συγγραφείς:''' D. Salesa,A. Minervino Amodio, C.M. Rosskopf, V. Garfì, E. Terol, A. Cerdà

1 Ομάδα Ερευνών για τη διάβρωση και την υποβάθμιση του εδάφους. Τμήμα Γεωγραφίας, Πανεπιστήμιο της Βαλένθια, Blasco Ibàñez, 28, 46010 Βαλένθια, Ισπανία
2 Department of Biosciences and Territory, University of Molise, 86090, Pesche (IS), Ιταλία
3 Escuela Técnica Superior de Ingeniería Geodésica, Cartográfica y Topográfica, Universitat Politècnica de València, Camino de Vera, s/n, 46022, Valencia, Ισπανία

'''Δημοσιεύθηκε:''' Journal of Environmental Management, 2020.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.jenvman.2020.1104911]]

'''Λέξεις-κλειδιά:''' διάβρωση του εδάφους, ορεινά μονοπάτια, δασική πυρκαγιά, Φωτογραμμετρία.'''

'''Εισαγωγή '''

Ο στόχος της μελέτης είναι εκτίμηση της διάβρωσης του εδάφους σε ορεινά μονοπάτια σε μια περιοχή όπου η επίδραση σκίασης από τη βλάστηση δεν θα επηρέαζε την εφαρμογή και αξιολόγηση νέων τεχνικών μελέτης. Πιο συγκεκριμένα ο κύριος στόχος αυτής της μελέτης είναι έλεγχος της ακρίβειας και η σύγκριση τριών μεθοδολογιών για τη μέτρηση των ρυθμών διάβρωσης σε ορεινά μονοπάτια: i) Μέθοδος διατομής, ii) εναέρια φωτογραμμετρία με χρήση drones και iii) επίγεια φωτογραμμετρία χρησιμοποιώντας τις κάμερες δύο κινητών τηλεφώνων (Εικ. 1).

[[Αρχείο:Gbisas3_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Συλλογή δεδομένων στην περιοχή μελέτης με τις 3 μεθόδους που χρησιμοποιήθηκαν: τη μέθοδο διατομής (αριστερά), φωτογραμμετρία με τη κινητό (κέντρο) και φωτογραμμετρία με χρήση μη επανδρωμένου αεροσκάφους (ΣμηΕΑ).]]

'''Στόχος'''

Ο στόχος της μελέτης είναι η διερεύνηση της αποτελεσματικότητας της χρήσης δεδομένων τηλεπισκόπησης με δορυφορικές εικόνες για την πρόβλεψη των παραμέτρων ποιότητας του νερού και η επιβεβαίωση των αποτελεσμάτων μέσω της επιτόπιας συλλογής δειγμάτων νερού από σταθμούς κατά μήκος του ποταμού Τίγρη στο Ιράκ. Η παρούσα μελέτη στοχεύει να αναπτύξει και να επικυρώσει μια μεθοδολογία αξιολόγησης της ποιότητας του νερού με βάση την τηλεπισκόπηση χρησιμοποιώντας ελεύθερα διαθέσιμα δεδομένα ποιότητας νερού και δορυφορικές εικόνες Landsat 8. Επιπλέον, επιδιώκει να καθορίσει τη σχέση μεταξύ των παραμέτρων του νερού και των φασματικών ζώνών του Landsat 8.

'''Περιοχή Μελέτης'''

Η περιοχή μελέτης βρίσκεται στο ανατολικό τμήμα της Ιβηρικής Χερσονήσου, στον δήμο Llutxent (Εικ. 2Α), σε μια καμένη έκταση 3270 ha (Εικ. 2Β), όπου τα δένδρα σκληρόφυλλης βλάστησης απομακρύνθηκαν λόγω της σφοδρότητας της πυρκαγιάς. Στις καμένες εκτάσεις δίνεται η ευκαιρία να εφαρμοστούν πιο εξελιγμένες τεχνολογίες στη μελέτη του εδάφους λόγω της έλλειψης της φυτικής κάλυψης.

[[Αρχείο:Gbisas3_foto2.jpg|200px|thumb|right|'''Εικόνα 2.''' Θέση της περιοχής μελέτης: Α) με κόκκινο τετράγωνο ο δήμος Lluxent. Β) το πολύγωνο οριοθετεί την καμένη έκταση και ο κόκκινος κύκλος δείχνει τα μονοπάτια.]]

Σε αυτή τη μελέτη χρησιμοποιήθηκε η μέθοδος διατομής, που έχει εφαρμοστεί ευρέως λόγω της απλότητας και του χαμηλού κόστους της, για να αξιολογηθεί η διάβρωση του εδάφους σε δύο επιλεγμένα τμήματα μονοπατιού, μήκους 20 και 30 m αντίστοιχα. Σε κάθε τμήμα τα σημεία μέτρησης βρίσκονταν σε απόσταση 1 m μεταξύ τους (Εικ. 3). Με βάση τις αποστάσεις που μετρήθηκαν μεταξύ της επιφάνειας του εδάφους και της μεταλλικής ράβδου, υπολογίστηκε η απώλεια εδάφους (σε cm2).

[[Αρχείο:Gbisas3_foto3.jpg|200px|thumb|right|'''Εικόνα 3.''' Σχηματική απεικόνιση της μεθόδου διατομής που χρησιμοποιούνται δύο συνεχόμενα σημεία μέτρησης (α και β). Ο όγκος της απώλειας του εδάφους υπολογίζεται με εξισώσεις]]

Επίσης, εφαρμόστηκαν 2 πιο σύγχρονες τεχνικές για να αξιολογηθεί η απώλεια εδάφους: η αεροφωτογραμμετρία και το drone DJI Phantom 3 Std και h επίγεια φωτογραμμετρία και δύο κινητά με κάμερα υψηλής ανάλυσης 13 MP. Αυτές οι τεχνικές είναι παρόμοιες καθώς βασίζονται στην απόκτηση δισδιάστατες εικόνες για την αναδόμηση της τρισδιάστατης δομής του μονοπατιού με μοντέλα.

'''Αποτελέσματα'''

Τα δύο τμήματα του μονοπατιού που μελετήθηκαν παρουσιάζουν μέση γωνία κλίσης 4,19° (Std. Dev. 4,26), με το πρώτο από αυτά να είναι ελαφρώς πιο απότομο (4,39° έναντι 3,90°). Επιπλέον, το πρώτο τμήμα είναι περισσότερο πετρώδες (20,11% έναντι 13,87%). Το μέσο πλάτος της διαδρομής, για τα δύο τμήματα είναι πολύ παρόμοια. Τα αποτελέσματα που προέκυψαν με τη μέθοδο διατομής για το χαμήλωμα της επιφάνειας του το πρώτο τμήμα έδειξε πιο μεγαλύτερη απώλεια εδάφους από το δεύτερο (12,30 cm έναντι 9,52 cm). Τα αποτελέσματα για το μονοπάτι και την απώλεια εδάφους σε αυτό με τις τρεις μεθόδους είναι παρόμοια (Εικ. 4).

[[Αρχείο:Gbisas3_foto4.jpg|200px|thumb|right|'''Εικόνα 3.''' Αποτελέσματα για την απώλεια εδάφους στο μονοπάτι με τις τρεις μεθόδους που χρησιμοποιήθηκαν. CSA: Μέθοδος διατομής, DRONE: Μέθοδος ΣμηΕΑ, SPD: Μέθοδος κινητού. Max Diff: η μέγιστη διαφορά μεταξύ των 3 μεθόδων.]]

Στο πρώτο τμήμα του μονοπατιού, η μεγαλύτερη τιμή απώλειας του εδάφους εκτιμήθηκε με τη μέθοδο επίγειας φωτογραμμετρία και κινητά SPD (11,21 m2). Το δεύτερο τμήμα έδειξε την μεγαλύτερη τιμή απώλειας με τη μέθοδο διατομής CSA (24,50 m2). Όσον αφορά τους όγκους απώλειας εδάφους, οι υψηλότερες τιμές έχουν ληφθεί αντίστοιχα με τις μεθόδους SPD και CSA για το πρώτο και το δεύτερο τμήμα (1,98 και 2,75 m3) ενώ οι χαμηλότερες τιμές έχουν υπολογιστεί με τις μεθόδους CSA και DRONE στο πρώτο και το δεύτερο τμήμα μονοπατιού αντίστοιχα (1,82 και 1,96 m3).
Για να αντισταθμίσουμε τον συντελεστή επιφάνειας στον υπολογισμό του όγκου του εδάφους, τυποποιήθηκε η επιφάνεια διαδρομής ίση με 100 m2 και έτσι συγκρίναμε τις τιμές. Τα αποτελέσματα δείχνουν ότι η υψηλότερη σχετική απώλεια εδάφους σημειώθηκε στο πρώτο τμήμα του μονοπατιού (Εικ. 7). Σε αυτό το τμήμα, η απώλεια όγκου στο εδάφους είναι παρόμοια με τις τρεις μεθόδους (CSA: 16,32 m3, Drone: 17,09 m3, SPD: 17,66 m3) ενώ βρέθηκε μεγαλύτερη διαφορά μεταξύ των τιμών που ελήφθησαν στο δεύτερο τμήμα (CSA: 11,22 m3 DRONE: 8,15 m3, SPD: 8,47 m3). Αυτά τα αποτελέσματα δείχνουν ότι το πρώτο τμήμα του μονοπατιού έχει μεγαλύτερο ρυθμό διάβρωσης από το δεύτερο και ότι οι τρεις μέθοδοι δίνουν παρόμοια αποτελέσματα.

[[Αρχείο:Gbisas3_foto5.jpg|200px|thumb|right|'''Εικόνα 5.''' Ο όγκος της απώλειας εδάφους υπολογίστηκε με τις τρεις διαφορετικές προσεγγίσεις που τυποποιούν την περιοχή στα 100 m2. CSA: Μέθοδος διατομής. DRON: Μέθοδος ΣμηΕΑ. SPD: συσκευής κινητού.]]

[[Αρχείο:Gbisas3_foto6.jpg|200px|thumb|right|'''Εικόνα 6.''' Αποτελέσματα που ελήφθησαν για την απώλεια εδάφους σε Mg και τους ρυθμούς διάβρωσης του εδάφους με τις τρεις μεθόδους που χρησιμοποιήθηκαν. CSA: Μέθοδος διατομής-περιοχής. DRON: μη επανδρωμένο εναέριο αεροσκάφος. SPD: Συσκευή κινητού.]]

'''Συζήτηση'''

Η λεκάνη της Μεσογείου αποτελεί μια περιοχή ευαίσθητη στη διάβρωση του εδάφους λόγω των κλιματικών και ιστορικών ιδιαιτεροτήτων του και της χρήσης των εδαφικών πόρων. Για να διασφαλίσουμε ότι συλλέγονται ποιοτικά δεδομένα, συγκρίθηκε η μέθοδος της επιφάνειας διατομής (εύχρηστη και χαμηλού κόστους μέθοδος), με δύο πιο εξελιγμένες μεθόδους που βασίζονται στη φωτογραμμετρία με χρήση επίγειων (δύο smartphones) και εναέριων (drones) μέσων. Οι τρεις μέθοδοι που αναφέρθηκαν παραπάνω έδωσαν παρόμοια αποτελέσματα. Ως εκ τούτου, η συμβατική μέθοδος επιτόπιων ερευνών διατομής είναι χρήσιμη και επαρκής για την αξιολόγηση των επιπτώσεων που δημιουργούνται σε ορεινά μονοπάτια, καθώς παρέχει ακριβείς μετρήσεις και μπορεί να επαναληφθεί οποιαδήποτε στιγμή σε περιοχές με διαφορετική βλάστηση. Οι φωτογραμμετρικές μέθοδοι είναι επίσης ακριβείς, αλλά μπορούν να χρησιμοποιηθούν μόνο όταν υπάρχει αραιή βλάστηση, όπως σε ημίξηρα και άνυδρα τοπία ή μετά από δασικές πυρκαγιές. Ωστόσο, οι πιο εξελιγμένες μέθοδοι είναι πιο ακριβείς, πιο χρονοβόρες και μπορούν να συνεισφέρουν με έναν χάρτη της τοπογραφίας του εδάφους.
Στόχος αυτής της εργασίας ήταν να συγκριθούν οι τρεις διαφορετικές μέθοδοι και να ελεγχθεί εάν η φωτογραμμετρία που λαμβάνεται σε εδάφη που έχουν πληγεί από φωτιά δίνει καλύτερα αποτελέσματα. Τα αποτελέσματα που προέκυψαν επιβεβαιώνουν αυτή την υπόθεση. Η αφαίρεση του υπέργειου τμήματος της βλάστησης λόγω δασικής πυρκαγιάς επιτρέπει τη λήψη κατάλληλων μετρήσεων με τεχνικές εναέρια και επίγεια φωτογραμμετρίας.

[[category:ΔΠΜΣ ]]

Αρχείο:Gbisas3 foto6.png

2024-02-22T05:15:50Z

GioBisas:

Αρχείο:Gbisas3 foto5.jpg

2024-02-22T05:15:43Z

GioBisas:

Αρχείο:Gbisas3 foto4.png

2024-02-22T05:15:36Z

GioBisas:

Αρχείο:Gbisas3 foto3.jpg

2024-02-22T05:15:28Z

GioBisas:

Αρχείο:Gbisas3 foto2.jpg

2024-02-22T05:15:21Z

GioBisas:

Αρχείο:Gbisas3 foto1.jpg

2024-02-22T05:15:12Z

GioBisas:

Σύγκριση υδρολογικών επιπτώσεων σε μονοπάτια αναψυχής με δεδομένα τηλεπισκόπησης

2024-02-22T05:13:29Z

GioBisas:

'''Πρωτότυπος τίτλος:''' Comparing hydrologic impacts on recreational trails to remotely sensed data

'''Συγγραφείς:''' Tyler Hilyer, Ross H. Martin, Falynn Turley

1 Trail Science Institute and Department of Chemistry and Geoscience, Jacksonville State University, Ηνωμένες Πολιτείες
2 College of Business and Industry, Jacksonville State University, Ηνωμένες Πολιτείες

'''Δημοσιεύθηκε:''' Remote Sensing Applications: Society and Environment, 2023.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.rsase.2023.101052]]

'''Λέξεις-κλειδιά:''' Δεδομένα GIS υδρολογία μονοπάτια , Τα NDVI και SAVI χρησιμοποιήθηκαν στις εικόνες του Planet Lab, Τα δεδομένα Lidar '''

'''Εισαγωγή '''

Τα μονοπάτια αναψυχής ενισχύουν την επαφή με το φυσικό περιβάλλον. Είναι αναμενόμενο ότι η κατάσταση των μονοπατιών αναψυχής γίνεται αισθητή από τους επισκέπτες και επηρεάζει την επισκεψιμότητα. Η ύπαρξη υδρολογικών προβλημάτων μπορεί να οδηγήσει σε κλείσιμο των μονοπατιών και να επηρεάσει τα ποσοστά επισκέψεων και συνεπώς τις τοπικές οικονομίες, που βρίσκονται κοντά σε μεγάλα Εθνικά Πάρκα στις ΗΠΑ. Η υγεία της βλάστησης, η υγεία του εδάφους και η υδρολογία λειτουργούν συνεργιστικά και αν κάποιος από αυτούς τους τρεις παράγοντες διαταραχθεί, οι άλλοι παράγοντες θα ζημιωθούν.
Τα μονοπάτια ανάλογα με τον τύπο τους και τα φυσικά χαρακτηριστικά μπορεί να προκαλέσουν επιπτώσεις στην υδρολογία, επειδή συμπιέζουν το έδαφος. Η συμπίεση του εδάφους και η αδυναμία διείσδυσης του νερού στο έδαφος, έχει ως αποτέλεσμα το νερό να λιμνάζει και να ρέει κατά μήκος της επιφάνειας του μονοπατιού, προκαλώντας διάβρωση και απορροή. Το νερό μπορεί να συσσωρευτεί, γεγονός που μπορεί να αλλάξει σημαντικά την υδρολογία της γύρω περιοχής, συμπεριλαμβανομένης της απορροής και της διάβρωσης.
Η πυκνότητα της βλάστησης επηρεάζει την επιφανειακή απορροή, έτσι οι πυκνότερες συστάδες ανακόπτουν περισσότερο τις βροχοπτώσεις επιτρέποντας λιγότερο νερό να μετατραπεί σε επιφανειακή απορροή και τα λιγότερο πυκνά δάση, από την άλλη πλευρά, επιτρέπουν τη βροχόπτωση να φτάσει στο έδαφος με λιγότερη αντίσταση και παράγουν περισσότερη επιφανειακή απορροή.
Σε αυτό το άρθρο, εξετάζεται η σχέση μεταξύ της υδραυλικής αλλαγής και της κατάστασης της βλάστησης, στην εκτίμηση της κατάστασης διάβρωσης των μονοπατιών με τη χρήση μεθόδων τηλεπισκόπησης και GIS. Επιπλέον, στόχος της εργασίας είναι η διερεύνηση της χρησιμότητα της τηλεπισκόπησης στην αξιολόγηση μεταβλητών που συμβάλλουν στις επιπτώσεις των μονοπατιών και στην υδρογεωμορφική προσαρμογή. Η παρούσα έρευνα χρησιμοποιεί συστήματα γεωγραφικών πληροφοριών GIS για να συγκρίνει δεδομένα τηλεπισκόπησης, συμπεριλαμβανομένων δεδομένων Lidar, τους δείκτες βλάστησης (NDVI), (SAVI) με επιτόπια υδρο-γεωμορφολογικά δεδομένα και χαρακτηριστικά των μονοπατιών.

'''Περιοχή Μελέτης'''

Η περιοχή μελέτης είναι το δίκτυο μονοπατιών ποδηλασίας, μήκους 17 μιλίων, στο βουνού που βρίσκεται η πρώην βάση του Στρατού στην πόλη Anniston στην κομητεία Calhoun της Αλαμπάμα, των Ηνωμένων Πολιτειών Εικ. 1. Αυτό το δίκτυο μονοπατιών θα μπορούσε να θεωρηθεί πολλαπλών χρήσεων, καθώς οι πεζοπόροι επιτρέπονται στα περισσότερα μονοπάτια. Σε όλο το δίκτυο μονοπατιών, υπάρχει πληθώρα πρώην δρόμων πρόσβασης που κάποτε οδηγούνταν από οχήματα.

[[Αρχείο:Gbisas2_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Σημεία με διάβρωση και την απορροή ιζημάτων στην περιοχή μελέτης.]]

Αυτή η μελέτη επιδιώκει να διερευνήσει τη σχέση μεταξύ των δεικτών βλάστησης που ανιχνεύονται από απόσταση, της τοπογραφικής ανάλυσης και των επίγειων παρατηρήσεων υδρογεωμορφικής προσαρμογής.
Για την επίτευξη των παραπάνω χρησιμοποιήθηκαν δεδομένα συστημάτων γεωγραφικών πληροφοριών (GIS) που συλλέχθηκαν από το εδάφους με τεχνικές τηλεπισκόπησης για να αναλυθούν οι υδρολογικές επιπτώσεις στο δίκτυο μονοπατιών του βουνού McClellan. Συλλέχθηκαν δεδομένα πεδίου με τη συσκευή GPS Trimble. Τα σημεία ονομάστηκαν "σημεία εναπόθεσης" και απεικόνιζαν τα σημεία όπου το νερό, τα ιζήματα, τα βότσαλα, οι μικροί βράχοι ή/και η φυτική ύλη συσσωρεύονταν μέσα ή στην άκρη του μονοπατιού λόγω της ροής του νερού.

[[Αρχείο:Gbisas2_foto2.jpg|200px|thumb|right|'''Εικόνα 2.''' Το δίκτυο μονοπατιών]]

Τα δεδομένα συλλέχθηκαν σε δύο φάσεις. Στην 1η φάση, κάθε τοποθεσία με ενδείξεις κίνησης νερού (μέσω ιζημάτων) τεκμηριώθηκε και δόθηκαν ταξινομημένες τιμές έντασης, στο βορειότερο τμήμα της περιοχής μελέτης. Στη 2η φάση δεδομένα συλλέχθηκαν σε θέσεις υψηλότερης έντασης, στην υπόλοιπη περιοχή. Για τον προσδιορισμό της έντασης ενός σημείου εναπόθεσης λήφθηκαν υπόψη παράγοντες όπως, το μήκος της διαδρομής, το πόσο ίζημα αποτέθηκε από την πλευρά του μονοπατιού και το επίπεδο διάβρωσης της επιφάνειας του μονοπατιού.
Για την τηλεπισκοπήση αποκτήθηκαν δύο εικόνες μία το 2018 (πριν από την κατασκευή των μονοπατιών) και το 2022 (χρόνος ανάλυσης). Το ArcGIS Pro χρησιμοποιήθηκε για τη δημιουργία του συνόλου δεδομένων για τους δείκτες NDVI και SAVI για κάθε εικόνα (ESRI, 2022b.). Και στους δύο δείκτες, η διαφορά των εικόνων υπολογίστηκαν μεταξύ των δύο χρονικών περιόδων για να προσδιοριστεί ποιες περιοχές είχαν παρουσιάσει αύξηση ή μείωση στην κατάσταση της βλάστησης. Ο δείκτης διαφοράς βλάστησης (NDVI) χρησιμοποιείται ευρέως, ως μέτρο της κάτάστασης της βλάστησης και είναι χρήσιμος στη δημιουργία χρονοσειρών για την τεκμηρίωση τόσο των θετικών όσο και των αρνητικών αλλαγών στην υγεία της βλάστησης.
Τα δεδομένα Lidar, που συλλέγονται ως ένα «σημείο σύννεφο» μεμονωμένων σημείων που αντανακλώνται από οτιδήποτε στην επιφάνεια, συμπεριλαμβανομένων των δομών και της βλάστησης, λήφθηκαν από το Γεωλογικό Ινστιτούτο των Ηνωμένων Πολιτειών, την περίοδο Δεκέμβριος 2020 - Ιανουάριος 2021. Στη συνέχεια, τα δεδομένα lidar τροφοδοτήθηκαν στο ArcGIS Pro. Τα αρχεία αυτά χρησιμοποιήθηκαν στη συνέχεια για τη δημιουργία στρωμάτων ράστερ. Για το ράστερ καμπυλότητας, σύμφωνα με την ESRI, «Η θετική καμπυλότητα υποδηλώνει ότι η επιφάνεια είναι κυρτή προς τα πάνω σε αυτό το κελί. Η αρνητική καμπυλότητα υποδηλώνει ότι η επιφάνεια είναι κοίλη προς τα πάνω σε αυτό το κελί. Η τιμή 0 υποδηλώνει ότι η επιφάνεια είναι επίπεδη (ESRI, 2022a.). Οι μοίρες χρησιμοποιήθηκαν ως αριθμητική μορφή κλίσης. Ένα ράστερ κατεύθυνσης ροής απεικονίζει την κατεύθυνση προς την οποία ρέει το επιφανειακό νερό και ένα ράστερ συσσώρευσης ροής δείχνει πού συσσωρεύεται το νερό όπως υπολογίζεται από το στρώμα ράστερ κατεύθυνσης ροής.

- Για την αξιολόγηση της ποιότητας νερού χρησιμοποιήθηκαν δείγματα νερού για την ανάλυση των βασικών στατιστικών στοιχείων. Η αξιολόγηση βασίστηκε σε οπτική ερμηνεία και τυπικές ποσοτικές προσεγγίσεις όπως το R2.
- Για την πρόβλεψη ποιότητας νερού χρησιμοποιήθηκε ο ελάχιστος απόλυτος τελεστής συρρίκνωσης και επιλογής (LASSO). Η παλινδρόμηση LASSO είναι λειτουργική για τη μοντελοποίηση δεδομένων με υψηλά επίπεδα πολυσυγγραμμικότητας. Η παλινδρόμηση LASSO χρησιμοποιήθηκε επίσης για την επιλογή των καλύτερων χαρακτηριστικών (k) που περιλαμβάνονται στα μοντέλα παλινδρόμησης για την πρόβλεψη της ποιότητας του νερού στον Τίγρη. Οι πιο σημαντικές παράμετροι για την πρόβλεψη της ποιότητας του νερού επιλέχθηκαν με αλγόριθμο
- Τα μοντέλα πρόβλεψης ποιότητας νερού αξιολογήθηκαν ποσοτικά με βάση το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) και το R2. Το RMSE χρησιμοποιήθηκε για την αξιολόγηση της μέσης απόδοσης του μοντέλου, ενώ το R2 χρησιμοποιήθηκε για τη μέτρηση της συσχέτισης μεταξύ των προβλεπόμενων και των παρατηρούμενων μετρήσεων.

'''Αποτελέσματα και Συζήτηση'''
Η αρχική ανάλυση έδωσε ποικίλα αποτελέσματα ανάλογα με την προσθήκη ή την εξαίρεση των ρυθμιστικών διαλυμάτων (Εικ. 3). Οι γραφικές απεικονίσεις δίνουν με απλό τρόπο τις αξιολογήσεις των τάσεων και των σχέσεων. Αναζητήθηκαν τάσεις και μοτίβα για τη διακύμανση, τις αυξήσεις ή/και τις μειώσεις στα μέσα και τα εύρη των πεδίων. Τα μοτίβα ή οι τάσεις υποδηλώνουν τη συσχέτιση μεταξύ των μεταβλητών που δοκιμάστηκαν.

[[Αρχείο:Gbisas2_foto3.jpg|200px|thumb|right|'''Εικόνα 3.''' Τα μοτίβα με τις διαφορές στις τιμές μεταξύ των εντάσεων.]]

Από τη σύγκριση των εικόνων του 2018 και του 2022 που υπολογίστηκαν με NDVI και SAVI, τα ράστερ στα σημεία εναπόθεσης έδειξαν υψηλή σχέση ανάμεσα στις υδρολογικές επιπτώσεις και στη μείωση της βλάστησης. Για τη συσσώρευση ροής, τόσο τα σημεία εναπόθεσης όσο και κατά μήκος του μονοπατιού διαπιστώθηκε ότι υπάρχει συσχέτιση με την ένταση της υδρολογικής πρόσκρουσης. Για την καμπυλότητα, διαπιστώθηκε ότι υπάρχει συσχέτιση ανάλογα με την τιμή καμπυλότητας, υποδεικνύοντας πιθανώς μια συσχέτιση μεταξύ υψηλότερης έντασης και προς τα άνω κοίλου εδάφους.
Οι μέθοδοι και τα αποτελέσματα από αυτή τη μελέτη υποδηλώνουν ότι η συσσώρευση και η καμπυλότητα ροής μπορούν να χρησιμοποιηθούν για τον σχεδιασμό και την παρακολούθηση των μονοπατιών για την αποφυγή υψηλών ρυθμών διάβρωσης και εναπόθεσης ιζημάτων σε μονοπάτια.
Η χρήση ενός μοντέλου συσσώρευσης ροής με δεδομένα lidar φαίνεται να είναι ένα αποτελεσματικό εργαλείο για τον εντοπισμό του σημείου που ρέει νερό κατά μήκος ενός μονοπατιού και με ποια ένταση. Η διαχείριση της ροής του νερού στα μονοπάτια είναι ένα βασικό σημείο για τη συντήρησή τους. Ο τύπος της ανάλυσης που παρουσιάζεται εδώ θα μπορούσε να χρησιμοποιηθεί για να προβλέψει πού θα πρέπει να καταβληθεί μεγαλύτερη προσπάθεια για την κατασκευή χαρακτηριστικών απόρριψης νερού κατά μήκος των μονοπατιών. Η καμπυλότητα του εδάφους είναι μια μεταβλητή που έδειξε μια ισχυρή σχέση, καθώς τόσο τα σημεία εναπόθεσης όσο και οι διαδρομές μεταφοράς με και χωρίς πρόσκρουση έδειξαν υψηλότερη ένταση με κοίλες προς τα πάνω επιφάνειες. Αυτό ήταν ένα εκπληκτικό και απροσδόκητο αποτέλεσμα. Το ανοδικά κοίλο έδαφος μιμείται μια εκθετική καμπύλη όπου είναι πιο επίπεδη στο κάτω μέρος και πιο απότομο ψηλότερα στους λόφους. Οι απότομες πλαγιές που είναι υψηλότερες στην πλαγιά του λόφου διευκολύνουν την κίνηση των σωματιδίων και του νερού προς τα κάτω. Καθώς το φορτωμένο με ιζήματα νερό φτάνει στις πιο επίπεδες πλαγιές κατά μήκος του πυθμένα του λόφου, η ικανότητα μεταφοράς της ροής μειώνεται και το ίζημα εναποτίθεται. Η αντίθετη συνθήκη θα ήταν οι κυρτές πλαγιές προς τα πάνω, όπου οι κορυφές των λόφων παρουσιάζουν χαμηλότερες κλίσεις που δεν θα διευκόλυναν την κίνηση των ιζημάτων και του νερού με τον ίδιο τρόπο.
Οι δείκτες βλάστησης NDVI και SAVI είναι αποτελεσματικοί για τον συσχετισμό της υγείας της βλάστησης και της υδρολογίας σε μονοπάτια όταν υπάρχει διαφορά και όταν αφαιρείται μια σημερινή εικόνα από μια εικόνα που λήφθηκε πριν από την κατασκευή των μονοπατιών. Οι δείκτες NDVI και SAVI από ένα μόνο χρονικό σημείο δεν έδειξαν σχέσεις με τις επιπτώσεις των μονοπατιών.
Η απόκτηση δεδομένων lidar σε υψηλότερη χωρική και χρονική ανάλυση μπορεί επίσης να βοηθήσει στον προσδιορισμό των επιπτώσεων που είχαν τα μονοπάτια κατά τη διάρκεια μιας περιόδου, καθώς μια χρονοσειρά ψηφιακών μοντέλων υψομέτρου μπορεί να αποκαλύψει πώς αλλάζει το έδαφος στο σύστημα μονοπατιών.
Συνολικά, τα δεδομένα τηλεπισκόπησης είναι ένα αποτελεσματικό μέσο για την εκτίμηση των υδρολογικών ζητημάτων στα ορεινά μονοπάτια. Οι καλύτερες σχέσεις εμφανίστηκαν μεταξύ της καμπυλότητας, της συσσώρευσης ροής και των διαφορών εικόνας των NDVI και SAVI. Λαμβάνοντας υπόψη ότι η υγεία της βλάστησης και η γεωμορφολογία έχουν αντίκτυπο στην υδρολογία και ότι τα μονοπάτια μπορεί να υποβαθμίσουν τη βλάστηση και να δημιουργήσουν υδρολογικά προβλήματα, ο συνδυασμός δεδομένων εδάφους που προέρχονται από το Lidar και NDVI θα μπορούσε να αναδειχθεί ως αποτελεσματική μέθοδος για την παρακολούθηση των μονοπατιών.

[[category:ΔΠΜΣ ]]

Σύγκριση υδρολογικών επιπτώσεων σε μονοπάτια αναψυχής με δεδομένα τηλεπισκόπησης

2024-02-22T05:12:36Z

GioBisas: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Comparing hydrologic impacts on recreational trails to remotely sensed data '''Συγγραφείς:''' Tyler Hilyer, Ross H. Mar...'

'''Πρωτότυπος τίτλος:''' Comparing hydrologic impacts on recreational trails to remotely sensed data

'''Συγγραφείς:''' Tyler Hilyer, Ross H. Martin, Falynn Turley

1 Trail Science Institute and Department of Chemistry and Geoscience, Jacksonville State University, Ηνωμένες Πολιτείες
2 College of Business and Industry, Jacksonville State University, Ηνωμένες Πολιτείες

'''Δημοσιεύθηκε:''' Remote Sensing Applications: Society and Environment, 2023.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.rsase.2023.101052]]

'''Λέξεις-κλειδιά:''' Δεδομένα GIS υδρολογία μονοπάτια , Τα NDVI και SAVI χρησιμοποιήθηκαν στις εικόνες του Planet Lab, Τα δεδομένα Lidar '''

'''Εισαγωγή '''

Τα μονοπάτια αναψυχής ενισχύουν την επαφή με το φυσικό περιβάλλον. Είναι αναμενόμενο ότι η κατάσταση των μονοπατιών αναψυχής γίνεται αισθητή από τους επισκέπτες και επηρεάζει την επισκεψιμότητα. Η ύπαρξη υδρολογικών προβλημάτων μπορεί να οδηγήσει σε κλείσιμο των μονοπατιών και να επηρεάσει τα ποσοστά επισκέψεων και συνεπώς τις τοπικές οικονομίες, που βρίσκονται κοντά σε μεγάλα Εθνικά Πάρκα στις ΗΠΑ. Η υγεία της βλάστησης, η υγεία του εδάφους και η υδρολογία λειτουργούν συνεργιστικά και αν κάποιος από αυτούς τους τρεις παράγοντες διαταραχθεί, οι άλλοι παράγοντες θα ζημιωθούν.
Τα μονοπάτια ανάλογα με τον τύπο τους και τα φυσικά χαρακτηριστικά μπορεί να προκαλέσουν επιπτώσεις στην υδρολογία, επειδή συμπιέζουν το έδαφος. Η συμπίεση του εδάφους και η αδυναμία διείσδυσης του νερού στο έδαφος, έχει ως αποτέλεσμα το νερό να λιμνάζει και να ρέει κατά μήκος της επιφάνειας του μονοπατιού, προκαλώντας διάβρωση και απορροή. Το νερό μπορεί να συσσωρευτεί, γεγονός που μπορεί να αλλάξει σημαντικά την υδρολογία της γύρω περιοχής, συμπεριλαμβανομένης της απορροής και της διάβρωσης.
Η πυκνότητα της βλάστησης επηρεάζει την επιφανειακή απορροή, έτσι οι πυκνότερες συστάδες ανακόπτουν περισσότερο τις βροχοπτώσεις επιτρέποντας λιγότερο νερό να μετατραπεί σε επιφανειακή απορροή και τα λιγότερο πυκνά δάση, από την άλλη πλευρά, επιτρέπουν τη βροχόπτωση να φτάσει στο έδαφος με λιγότερη αντίσταση και παράγουν περισσότερη επιφανειακή απορροή.
Σε αυτό το άρθρο, εξετάζεται η σχέση μεταξύ της υδραυλικής αλλαγής και της κατάστασης της βλάστησης, στην εκτίμηση της κατάστασης διάβρωσης των μονοπατιών με τη χρήση μεθόδων τηλεπισκόπησης και GIS. Επιπλέον, στόχος της εργασίας είναι η διερεύνηση της χρησιμότητα της τηλεπισκόπησης στην αξιολόγηση μεταβλητών που συμβάλλουν στις επιπτώσεις των μονοπατιών και στην υδρογεωμορφική προσαρμογή. Η παρούσα έρευνα χρησιμοποιεί συστήματα γεωγραφικών πληροφοριών GIS για να συγκρίνει δεδομένα τηλεπισκόπησης, συμπεριλαμβανομένων δεδομένων Lidar, τους δείκτες βλάστησης (NDVI), (SAVI) με επιτόπια υδρο-γεωμορφολογικά δεδομένα και χαρακτηριστικά των μονοπατιών.

'''Περιοχή Μελέτης'''

Η περιοχή μελέτης είναι το δίκτυο μονοπατιών ποδηλασίας, μήκους 17 μιλίων, στο βουνού που βρίσκεται η πρώην βάση του Στρατού στην πόλη Anniston στην κομητεία Calhoun της Αλαμπάμα, των Ηνωμένων Πολιτειών Εικ. 1. Αυτό το δίκτυο μονοπατιών θα μπορούσε να θεωρηθεί πολλαπλών χρήσεων, καθώς οι πεζοπόροι επιτρέπονται στα περισσότερα μονοπάτια. Σε όλο το δίκτυο μονοπατιών, υπάρχει πληθώρα πρώην δρόμων πρόσβασης που κάποτε οδηγούνταν από οχήματα.

[[Αρχείο:Gbisas2_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Σημεία με διάβρωση και την απορροή ιζημάτων στην περιοχή μελέτης.]]

Αυτή η μελέτη επιδιώκει να διερευνήσει τη σχέση μεταξύ των δεικτών βλάστησης που ανιχνεύονται από απόσταση, της τοπογραφικής ανάλυσης και των επίγειων παρατηρήσεων υδρογεωμορφικής προσαρμογής.
Για την επίτευξη των παραπάνω χρησιμοποιήθηκαν δεδομένα συστημάτων γεωγραφικών πληροφοριών (GIS) που συλλέχθηκαν από το εδάφους με τεχνικές τηλεπισκόπησης για να αναλυθούν οι υδρολογικές επιπτώσεις στο δίκτυο μονοπατιών του βουνού McClellan. Συλλέχθηκαν δεδομένα πεδίου με τη συσκευή GPS Trimble. Τα σημεία ονομάστηκαν "σημεία εναπόθεσης" και απεικόνιζαν τα σημεία όπου το νερό, τα ιζήματα, τα βότσαλα, οι μικροί βράχοι ή/και η φυτική ύλη συσσωρεύονταν μέσα ή στην άκρη του μονοπατιού λόγω της ροής του νερού.

[[Αρχείο:Gbisas2_foto2.jpg|200px|thumb|right|'''Εικόνα 1.''' Το δίκτυο μονοπατιών]]

Τα δεδομένα συλλέχθηκαν σε δύο φάσεις. Στην 1η φάση, κάθε τοποθεσία με ενδείξεις κίνησης νερού (μέσω ιζημάτων) τεκμηριώθηκε και δόθηκαν ταξινομημένες τιμές έντασης, στο βορειότερο τμήμα της περιοχής μελέτης. Στη 2η φάση δεδομένα συλλέχθηκαν σε θέσεις υψηλότερης έντασης, στην υπόλοιπη περιοχή. Για τον προσδιορισμό της έντασης ενός σημείου εναπόθεσης λήφθηκαν υπόψη παράγοντες όπως, το μήκος της διαδρομής, το πόσο ίζημα αποτέθηκε από την πλευρά του μονοπατιού και το επίπεδο διάβρωσης της επιφάνειας του μονοπατιού.
Για την τηλεπισκοπήση αποκτήθηκαν δύο εικόνες μία το 2018 (πριν από την κατασκευή των μονοπατιών) και το 2022 (χρόνος ανάλυσης). Το ArcGIS Pro χρησιμοποιήθηκε για τη δημιουργία του συνόλου δεδομένων για τους δείκτες NDVI και SAVI για κάθε εικόνα (ESRI, 2022b.). Και στους δύο δείκτες, η διαφορά των εικόνων υπολογίστηκαν μεταξύ των δύο χρονικών περιόδων για να προσδιοριστεί ποιες περιοχές είχαν παρουσιάσει αύξηση ή μείωση στην κατάσταση της βλάστησης. Ο δείκτης διαφοράς βλάστησης (NDVI) χρησιμοποιείται ευρέως, ως μέτρο της κάτάστασης της βλάστησης και είναι χρήσιμος στη δημιουργία χρονοσειρών για την τεκμηρίωση τόσο των θετικών όσο και των αρνητικών αλλαγών στην υγεία της βλάστησης.
Τα δεδομένα Lidar, που συλλέγονται ως ένα «σημείο σύννεφο» μεμονωμένων σημείων που αντανακλώνται από οτιδήποτε στην επιφάνεια, συμπεριλαμβανομένων των δομών και της βλάστησης, λήφθηκαν από το Γεωλογικό Ινστιτούτο των Ηνωμένων Πολιτειών, την περίοδο Δεκέμβριος 2020 - Ιανουάριος 2021. Στη συνέχεια, τα δεδομένα lidar τροφοδοτήθηκαν στο ArcGIS Pro. Τα αρχεία αυτά χρησιμοποιήθηκαν στη συνέχεια για τη δημιουργία στρωμάτων ράστερ. Για το ράστερ καμπυλότητας, σύμφωνα με την ESRI, «Η θετική καμπυλότητα υποδηλώνει ότι η επιφάνεια είναι κυρτή προς τα πάνω σε αυτό το κελί. Η αρνητική καμπυλότητα υποδηλώνει ότι η επιφάνεια είναι κοίλη προς τα πάνω σε αυτό το κελί. Η τιμή 0 υποδηλώνει ότι η επιφάνεια είναι επίπεδη (ESRI, 2022a.). Οι μοίρες χρησιμοποιήθηκαν ως αριθμητική μορφή κλίσης. Ένα ράστερ κατεύθυνσης ροής απεικονίζει την κατεύθυνση προς την οποία ρέει το επιφανειακό νερό και ένα ράστερ συσσώρευσης ροής δείχνει πού συσσωρεύεται το νερό όπως υπολογίζεται από το στρώμα ράστερ κατεύθυνσης ροής.

[[Αρχείο:gbisas_tiger_foto2.jpg|200px|thumb|right|'''Εικόνα 2.''' Μεθοδολογία της έρευνας]]

- Για την αξιολόγηση της ποιότητας νερού χρησιμοποιήθηκαν δείγματα νερού για την ανάλυση των βασικών στατιστικών στοιχείων. Η αξιολόγηση βασίστηκε σε οπτική ερμηνεία και τυπικές ποσοτικές προσεγγίσεις όπως το R2.
- Για την πρόβλεψη ποιότητας νερού χρησιμοποιήθηκε ο ελάχιστος απόλυτος τελεστής συρρίκνωσης και επιλογής (LASSO). Η παλινδρόμηση LASSO είναι λειτουργική για τη μοντελοποίηση δεδομένων με υψηλά επίπεδα πολυσυγγραμμικότητας. Η παλινδρόμηση LASSO χρησιμοποιήθηκε επίσης για την επιλογή των καλύτερων χαρακτηριστικών (k) που περιλαμβάνονται στα μοντέλα παλινδρόμησης για την πρόβλεψη της ποιότητας του νερού στον Τίγρη. Οι πιο σημαντικές παράμετροι για την πρόβλεψη της ποιότητας του νερού επιλέχθηκαν με αλγόριθμο
- Τα μοντέλα πρόβλεψης ποιότητας νερού αξιολογήθηκαν ποσοτικά με βάση το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) και το R2. Το RMSE χρησιμοποιήθηκε για την αξιολόγηση της μέσης απόδοσης του μοντέλου, ενώ το R2 χρησιμοποιήθηκε για τη μέτρηση της συσχέτισης μεταξύ των προβλεπόμενων και των παρατηρούμενων μετρήσεων.

'''Αποτελέσματα και Συζήτηση'''
Η αρχική ανάλυση έδωσε ποικίλα αποτελέσματα ανάλογα με την προσθήκη ή την εξαίρεση των ρυθμιστικών διαλυμάτων (Εικ. 3). Οι γραφικές απεικονίσεις δίνουν με απλό τρόπο τις αξιολογήσεις των τάσεων και των σχέσεων. Αναζητήθηκαν τάσεις και μοτίβα για τη διακύμανση, τις αυξήσεις ή/και τις μειώσεις στα μέσα και τα εύρη των πεδίων. Τα μοτίβα ή οι τάσεις υποδηλώνουν τη συσχέτιση μεταξύ των μεταβλητών που δοκιμάστηκαν.

[[Αρχείο:Gbisas2_foto3.jpg|200px|thumb|right|'''Εικόνα 3.''' Τα μοτίβα με τις διαφορές στις τιμές μεταξύ των εντάσεων.]]

Από τη σύγκριση των εικόνων του 2018 και του 2022 που υπολογίστηκαν με NDVI και SAVI, τα ράστερ στα σημεία εναπόθεσης έδειξαν υψηλή σχέση ανάμεσα στις υδρολογικές επιπτώσεις και στη μείωση της βλάστησης. Για τη συσσώρευση ροής, τόσο τα σημεία εναπόθεσης όσο και κατά μήκος του μονοπατιού διαπιστώθηκε ότι υπάρχει συσχέτιση με την ένταση της υδρολογικής πρόσκρουσης. Για την καμπυλότητα, διαπιστώθηκε ότι υπάρχει συσχέτιση ανάλογα με την τιμή καμπυλότητας, υποδεικνύοντας πιθανώς μια συσχέτιση μεταξύ υψηλότερης έντασης και προς τα άνω κοίλου εδάφους.
Οι μέθοδοι και τα αποτελέσματα από αυτή τη μελέτη υποδηλώνουν ότι η συσσώρευση και η καμπυλότητα ροής μπορούν να χρησιμοποιηθούν για τον σχεδιασμό και την παρακολούθηση των μονοπατιών για την αποφυγή υψηλών ρυθμών διάβρωσης και εναπόθεσης ιζημάτων σε μονοπάτια.
Η χρήση ενός μοντέλου συσσώρευσης ροής με δεδομένα lidar φαίνεται να είναι ένα αποτελεσματικό εργαλείο για τον εντοπισμό του σημείου που ρέει νερό κατά μήκος ενός μονοπατιού και με ποια ένταση. Η διαχείριση της ροής του νερού στα μονοπάτια είναι ένα βασικό σημείο για τη συντήρησή τους. Ο τύπος της ανάλυσης που παρουσιάζεται εδώ θα μπορούσε να χρησιμοποιηθεί για να προβλέψει πού θα πρέπει να καταβληθεί μεγαλύτερη προσπάθεια για την κατασκευή χαρακτηριστικών απόρριψης νερού κατά μήκος των μονοπατιών. Η καμπυλότητα του εδάφους είναι μια μεταβλητή που έδειξε μια ισχυρή σχέση, καθώς τόσο τα σημεία εναπόθεσης όσο και οι διαδρομές μεταφοράς με και χωρίς πρόσκρουση έδειξαν υψηλότερη ένταση με κοίλες προς τα πάνω επιφάνειες. Αυτό ήταν ένα εκπληκτικό και απροσδόκητο αποτέλεσμα. Το ανοδικά κοίλο έδαφος μιμείται μια εκθετική καμπύλη όπου είναι πιο επίπεδη στο κάτω μέρος και πιο απότομο ψηλότερα στους λόφους. Οι απότομες πλαγιές που είναι υψηλότερες στην πλαγιά του λόφου διευκολύνουν την κίνηση των σωματιδίων και του νερού προς τα κάτω. Καθώς το φορτωμένο με ιζήματα νερό φτάνει στις πιο επίπεδες πλαγιές κατά μήκος του πυθμένα του λόφου, η ικανότητα μεταφοράς της ροής μειώνεται και το ίζημα εναποτίθεται. Η αντίθετη συνθήκη θα ήταν οι κυρτές πλαγιές προς τα πάνω, όπου οι κορυφές των λόφων παρουσιάζουν χαμηλότερες κλίσεις που δεν θα διευκόλυναν την κίνηση των ιζημάτων και του νερού με τον ίδιο τρόπο.
Οι δείκτες βλάστησης NDVI και SAVI είναι αποτελεσματικοί για τον συσχετισμό της υγείας της βλάστησης και της υδρολογίας σε μονοπάτια όταν υπάρχει διαφορά και όταν αφαιρείται μια σημερινή εικόνα από μια εικόνα που λήφθηκε πριν από την κατασκευή των μονοπατιών. Οι δείκτες NDVI και SAVI από ένα μόνο χρονικό σημείο δεν έδειξαν σχέσεις με τις επιπτώσεις των μονοπατιών.
Η απόκτηση δεδομένων lidar σε υψηλότερη χωρική και χρονική ανάλυση μπορεί επίσης να βοηθήσει στον προσδιορισμό των επιπτώσεων που είχαν τα μονοπάτια κατά τη διάρκεια μιας περιόδου, καθώς μια χρονοσειρά ψηφιακών μοντέλων υψομέτρου μπορεί να αποκαλύψει πώς αλλάζει το έδαφος στο σύστημα μονοπατιών.
Συνολικά, τα δεδομένα τηλεπισκόπησης είναι ένα αποτελεσματικό μέσο για την εκτίμηση των υδρολογικών ζητημάτων στα ορεινά μονοπάτια. Οι καλύτερες σχέσεις εμφανίστηκαν μεταξύ της καμπυλότητας, της συσσώρευσης ροής και των διαφορών εικόνας των NDVI και SAVI. Λαμβάνοντας υπόψη ότι η υγεία της βλάστησης και η γεωμορφολογία έχουν αντίκτυπο στην υδρολογία και ότι τα μονοπάτια μπορεί να υποβαθμίσουν τη βλάστηση και να δημιουργήσουν υδρολογικά προβλήματα, ο συνδυασμός δεδομένων εδάφους που προέρχονται από το Lidar και NDVI θα μπορούσε να αναδειχθεί ως αποτελεσματική μέθοδος για την παρακολούθηση των μονοπατιών.

[[category:ΔΠΜΣ ]]

Χρήστης:GioBisas

2024-02-21T12:08:08Z

GioBisas: Διαγραφή του περιεχομένου της σελίδας

Παρακολούθηση ποιότητας της επιφάνειας των υδάτων του ποταμού Τίγρη με χρήση δεδομένων τηλεπισκόπησης και τεχνικών GIS

2024-02-21T12:07:45Z

GioBisas: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Tigris River water surface quality monitoring using remote sensing data and GIS techniques '''Συγγραφείς:''' Wael Ahmed...'

'''Πρωτότυπος τίτλος:''' Tigris River water surface quality monitoring using remote sensing data and GIS techniques

'''Συγγραφείς:''' Wael Ahmed, Suhaib Mohammed, Adel El-Shazly, Salem Morsy

1 Τμήμα Δημοσίων Έργων, Σχολή Μηχανικών, Πανεπιστήμιο Καΐρου, Γκίζα 12613, Αίγυπτος
2 ENV. Μηχανικός, Υπουργείο Περιβάλλοντος, Karada, Βαγδάτη 10062, Ιράκ
3 School of Ocean Technology, Fisheries and Marine Institute of Memorial University of Newfoundland, St. John’s NL A1C 5R3, Καναδάς

'''Δημοσιεύθηκε:''' The Egyptian Journal of Remote sensing and Space Sciences, 2023.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.ejrs.2023.09.001]]

'''Λέξεις-κλειδιά:''' ποιότητα νερού, ποταμός Τίγρης, τηλεπισκόπηση, μοντέλα πρόβλεψης αλλαγών'''

'''Εισαγωγή '''

Ο ποταμός Τίγρη αποτελεί μία τις κύριες πηγές νερού στο Ιράκ. Δεδομένης της πρόσφατης υδατικής κρίσης στην περιοχή, έχει καταστεί επιτακτική η ανάγκη αξιολόγησης της ποιότητας του νερού του Τίγρη. Αξίζει να σημειωθεί ότι, η ποιότητα του νερού του Τίγρη επηρεάζεται από την κλιματική αλλαγή (μειωμένες βροχοπτώσεις και αύξηση θερμοκρασίες), από την ύπαρξη φραγμάτων και έργων άρδευσης, που είναι υπό τον έλεγχο γειτονικών κρατών όπως η Τουρκία και το Ιράν κ.λπ. Τις τελευταίες δεκαετίες, οι ειδικοί έχουν επικεντρωθεί στη μελέτη του ποταμού Τίγρη για να εξετάσουν τις επιπτώσεις των φυσικών φαινομένων και των ανθρώπινων δραστηριοτήτων στην ποιότητα του νερού.
Το νερό είναι ζωτικής σημασίας για την ανθρώπινη υγεία και τις γεωργικές δραστηριότητες. Για την εκτίμηση της ποιότητας του νερού πρέπει να μετρηθούν πολλές παράμετροι και γι’αυτό χρησιμοποιείται ο δείκτης ποιότητας νερού (WQI) που αποτελεί μια ενιαία τιμή, συνδυάζοντας τη μέτρηση διαφορετικών παραμέτρων. Οι μετρήσεις πεδίου για την εκτίμηση της ποιότητας νερού είναι ακριβείς όμως έχουν υψηλό κόστος. Σήμερα έχουν αναπτυχθεί μεθοδολογίες δορυφορικής τηλεπισκόπησης για την αξιολόγηση της ποιότητας του νερού, λόγω της οικονομικής αποδοτικότητάς της και της υψηλής χωροχρονικής ανάλυσης σε μεγάλες γεωγραφικές περιοχές. Αν και η τηλεπισκόπηση δεν παρέχει άμεσες μετρήσεις, έχουν αναπτυχθεί αρκετοί αλγόριθμοι και μαθηματικές εξισώσεις για την πρόβλεψη της ποιότητας του νερού με τα δεδομένα που λαμβάνονται από τηλεαισθητήρες.

'''Στόχος'''

Ο στόχος της μελέτης είναι η διερεύνηση της αποτελεσματικότητας της χρήσης δεδομένων τηλεπισκόπησης με δορυφορικές εικόνες για την πρόβλεψη των παραμέτρων ποιότητας του νερού και η επιβεβαίωση των αποτελεσμάτων μέσω της επιτόπιας συλλογής δειγμάτων νερού από σταθμούς κατά μήκος του ποταμού Τίγρη στο Ιράκ. Η παρούσα μελέτη στοχεύει να αναπτύξει και να επικυρώσει μια μεθοδολογία αξιολόγησης της ποιότητας του νερού με βάση την τηλεπισκόπηση χρησιμοποιώντας ελεύθερα διαθέσιμα δεδομένα ποιότητας νερού και δορυφορικές εικόνες Landsat 8. Επιπλέον, επιδιώκει να καθορίσει τη σχέση μεταξύ των παραμέτρων του νερού και των φασματικών ζώνών του Landsat 8.

'''Περιοχή Μελέτης'''

Η παρούσα μελέτη επικεντρώνεται σε τμήμα του ποταμού Τίγρη στη Βαγδάτη (Εικ. 1). Αυτός διασχίζει την πόλη, χωρίζοντας την σε δύο διακριτές περιοχές: την Al Rusafa και την Al Karkh. Ο ποταμός Τίγρης, που εκτείνεται σε μήκος 1900 χλμ., πηγάζει από τα ανατολικά βουνά της Τουρκίας και ρέει προς τα νότια προτού διασχίσει από βορρά προς νότο το έδαφος του Ιράκ.

[[Αρχείο:G_bisas_tiger_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.]]

Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.

'''Μέθοδοι και υλικά'''

Για αυτήν τη μελέτη, καθορίστηκαν 14 σταθμοί δειγματοληψίας κατά μήκος του ποταμού Τίγρη στη Βαγδάτη, κατά την χρονική περίοδο 2018 – 2019 (Εικ. 1) . Το όργανο μέτρησης, μέτρησε 8 παραμέτρους της ποιότητας νερού ήτοι: θερμοκρασία, ηλεκτρική αγωγιμότητα (Cond), TDS, pH, θολερότητα (Turb), Chl_a, μπλε-πράσινα φύκια (BGA), διαλυμένο οξυγόνο (DO).
Η παρούσα μελέτη χρησιμοποίησε ελεύθερα δεδομένα δορυφορικών εικόνων τηλεπισκόπησης Landsat 8 (https://earthexplorer.usgs.gov) και 9 φασματικούς δείκτες που προέκυψαν από τις ζώνες Landsat 8 για αυτήν τη μελέτη. Οι φασματικοί δεικτών (DVI), (GNDVI), (MNDWI), (MSAVI, (NDVI) , (NDWI), (NRVI), (SLAVI), (RVI) χρησιμοποιούνται για τη βελτίωση της ποιότητας του νερού και των μοντέλων πρόβλεψης.
Η μεθοδολογία που χρησιμοποιείται για την παρακολούθηση των παραμέτρων του νερού απεικονίζεται στην Εικ. 2. Τα κύρια σύνολα δεδομένων που χρησιμοποιούνται για την αξιολόγηση της ποιότητας του νερού είναι οι επιτόπιες μετρήσεις και οι δορυφορικές εικόνες τηλεπισκόπησης (Landsat 8). Η προτεινόμενη μεθοδολογία περιλαμβάνει τρεις φάσεις: αξιολόγηση (assessment) ποιότητας νερού, πρόβλεψη παραμέτρων νερού και δείκτης WQI. Κάθε φάση αναλύεται λεπτομερώς στις επόμενες ενότητες.

[[Αρχείο:gbisas_tiger_foto2.jpg|200px|thumb|right|'''Εικόνα 2.''' Μεθοδολογία της έρευνας]]

- Για την αξιολόγηση της ποιότητας νερού χρησιμοποιήθηκαν δείγματα νερού για την ανάλυση των βασικών στατιστικών στοιχείων. Η αξιολόγηση βασίστηκε σε οπτική ερμηνεία και τυπικές ποσοτικές προσεγγίσεις όπως το R2.
- Για την πρόβλεψη ποιότητας νερού χρησιμοποιήθηκε ο ελάχιστος απόλυτος τελεστής συρρίκνωσης και επιλογής (LASSO). Η παλινδρόμηση LASSO είναι λειτουργική για τη μοντελοποίηση δεδομένων με υψηλά επίπεδα πολυσυγγραμμικότητας. Η παλινδρόμηση LASSO χρησιμοποιήθηκε επίσης για την επιλογή των καλύτερων χαρακτηριστικών (k) που περιλαμβάνονται στα μοντέλα παλινδρόμησης για την πρόβλεψη της ποιότητας του νερού στον Τίγρη. Οι πιο σημαντικές παράμετροι για την πρόβλεψη της ποιότητας του νερού επιλέχθηκαν με αλγόριθμο
- Τα μοντέλα πρόβλεψης ποιότητας νερού αξιολογήθηκαν ποσοτικά με βάση το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) και το R2. Το RMSE χρησιμοποιήθηκε για την αξιολόγηση της μέσης απόδοσης του μοντέλου, ενώ το R2 χρησιμοποιήθηκε για τη μέτρηση της συσχέτισης μεταξύ των προβλεπόμενων και των παρατηρούμενων μετρήσεων.

'''Αποτελέσματα και Συζήτηση'''

Η αξιολόγηση της ποιότητας του νερού πραγματοποιήθηκε για πρώτη φορά ως στάδιο προεπεξεργασίας για την εκτίμηση των παραμέτρων του νερού. Τα στατιστικά για τις οκτώ παραμέτρους ποιότητας του νερού υπολογίστηκαν για το 2018 και το 2019 και σημειώνεται ότι οι διακυμάνσεις στις παραμέτρους ποιότητας του νερού μεταξύ των δύο ετών, είναι ασήμαντες εκτός από το Turb. Επίσης διαπιστώθηκε ότι, εκτός από το DO, οι άλλες παράμετροι είχαν υψηλότερη τιμές το καλοκαίρι σε σύγκριση με το χειμώνα και το 2019 ήταν ακόμη μεγαλύτερες.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες για την υποβάθμιση της ποιότητας νερού σε θέσεις δειγματοληψίας.
Από την ανάλυση συσχέτισης μεταξύ των παραμέτρων ποιότητας του νερού φάνηκε ότι υπάρχει ισχυρή, ασθενής και μέτρια συσχέτιση και υποδεικνύεται με το πράσινο, μπλε και το ενδιάμεσο χρώμα, αντίστοιχα. Το σύνολο δεδομένων δεν έδειξε ισχυρές συσχετίσεις. Η ανάλυση συσχέτισης έγινε για να εξεταστεί η αποτελεσματικότητα των φασματικών ζωνών στην αξιολόγηση των παραμέτρων ποιότητας του νερού, με βάση τις αντίστοιχες συγκεντρώσεις τους σε συνδυασμό με δορυφορικά δεδομένα. Στην εικ. 3β φαίνεται η συσχέτιση μεταξύ των δεδομένων Landsat 8 και των συγκεντρώσεων των παραμέτρων ποιότητας του νερού. Οι φασματικοί δείκτες μπορούν επίσης να βοηθήσουν στην πρόβλεψη των συγκεντρώσεων των παραμέτρων του νερού, καθώς μπορούν να ενισχύσουν τη φασματική αντίθεση μεταξύ διαφορετικών στόχων.

[[Αρχείο:gbisas_tiger_foto3.jpg|200px|thumb|right|'''Εικόνα 3.''' Η ανάλυση συσχέτισης: (α) μεταξύ των παραμέτρων ποιότητας του νερού και (β) μεταξύ των μέσων συγκεντρώσεων διαφόρων παραμέτρων ποιότητας του νερού στους σταθμούς της περιοχής μελέτης και των φασματικών ζωνών του Landsat 8.]]

Αναπτύχθηκαν μοντέλα πρόβλεψης για τις παραμέτρους νερού χρησιμοποιώντας παλινδρόμηση LASSO μετά την ενσωμάτωση φασματικών ζωνών και δεικτών. Η δειγματοληψία νερού έγινε ταυτόχρονα με τη λήψη δεδομένων εικόνας Landsat 8. Η επικύρωση των μοντέλων βασίστηκε σε ανεξάρτητα δεδομένα που επιλέχθηκαν τυχαία από ολόκληρο το σύνολο δεδομένων. Το μέγεθος διαχωρισμού ήταν 70% για την εκπαίδευση των μοντέλων και το υπόλοιπο 30% για την επικύρωση των μοντέλων. Για την εύρεση του βέλτιστου αριθμό χαρακτηριστικών που θα χρησιμοποιηθούν στο μοντέλο, διεξήχθη ανάλυση ευαισθησίας (4). Αυτή η μελέτη πραγματοποίησε ένα πείραμα για να αξιολογήσει τη βελτίωση της ακρίβειας λόγω της συμπερίληψης φασματικών δεικτών στην πρόβλεψη ποιότητα νερού.

[[Αρχείο:gbisas_tiger_foto4.jpg|200px|thumb|right|'''Εικόνα 4.''' Απόδοση του Μοντέλου (RMSE) με διαφορετικό αριθμό χαρακτηριστικών (k) για την πρόβλεψη των παραμέτρων του νερού. Όπου πράσινο τα καλύτερα αποτελέσματα.]]

Από την ανάπτυξη των μοντέλων, διαπιστώθηκε ότι τα SWIR2, SVR, SVR, GNDVI, SLAVI, MSAVI, NDVI και SWIR1 ήταν τα πιο σημαντικά χαρακτηριστικά για την: Temp, Cond, TDS, PH, Turb, Chl_a, BGA και DO, αντίστοιχα. Τα NRVI, TIRS2, Κυανό, Κόκκινο, Πράσινο, SVR και SVR ήταν τα λιγότερο σημαντικά χαρακτηριστικά για τις παραπάνω παραμέτρους. Επιπλέον, τα ευρήματα υποδηλώνουν ότι η ενσωμάτωση φασματικών δεικτών στα μοντέλα πρόβλεψης των παραμέτρων ποιότητας του νερού είναι απαραίτητη για τη βελτίωση της απόδοσής τους. Η συμπερίληψη και των φασματικών δεικτών έχει βελτιώσει σημαντικά την αποτελεσματικότητα των μοντέλων LASSO στη διαφοροποίηση διαφόρων στόχων, όπως υποδεικνύεται από έναν μέσο όρο R2- 0,7, σε σύγκριση με μόνο 0,42 όταν χρησιμοποιούνται μόνο φασματικές ζώνες.
Όσον αφορά τον δείκτης WQI, τα αποτελέσματα με δεδομένα τηλεπισκόπησης από το 2018 – 2019, έδειξαν ότι ο τόσο το καλοκαίρι όσο και το χειμώνα, κυμαινόταν από φτωχός έως πολύ φτωχός.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες της υποβάθμισης της ποιότητας του νερού σε διάφορες τοποθεσίες. Αυτή η μελέτη επεδίωξε να κάνει πρόβλεψη των παραμέτρων ποιότητας του νερού χρησιμοποιώντας δορυφορικές εικόνες και να επικυρώσει τα αποτελέσματα μέσω της επιτόπιας συλλογής δειγμάτων νερού από 14 σταθμούς κατά μήκος του ποταμού.

[[category:ΔΠΜΣ ]]

Αρχείο:Gbisas2 foto3.jpg

2024-02-21T11:56:35Z

GioBisas:

Αρχείο:Gbisas2 foto2.jpg

2024-02-21T11:56:24Z

GioBisas:

Αρχείο:Gbisas2 foto1.jpg

2024-02-21T11:56:16Z

GioBisas:

Χρήστης:GioBisas

2024-02-21T11:09:42Z

GioBisas:

Αρχείο:Gbisas tiger foto4.jpg

2024-02-21T11:09:35Z

GioBisas: ανέβασμα νέας έκδοσης του "Αρχείο:Gbisas tiger foto4.jpg"

Χρήστης:GioBisas

2024-02-21T11:08:31Z

GioBisas:

'''Πρωτότυπος τίτλος:''' Tigris River water surface quality monitoring using remote sensing data and GIS techniques

'''Συγγραφείς:''' Wael Ahmed, Suhaib Mohammed, Adel El-Shazly, Salem Morsy

1 Τμήμα Δημοσίων Έργων, Σχολή Μηχανικών, Πανεπιστήμιο Καΐρου, Γκίζα 12613, Αίγυπτος
2 ENV. Μηχανικός, Υπουργείο Περιβάλλοντος, Karada, Βαγδάτη 10062, Ιράκ
3 School of Ocean Technology, Fisheries and Marine Institute of Memorial University of Newfoundland, St. John’s NL A1C 5R3, Καναδάς

'''Δημοσιεύθηκε:''' The Egyptian Journal of Remote sensing and Space Sciences, 2023.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.ejrs.2023.09.001]]

'''Λέξεις-κλειδιά:''' ποιότητα νερού, ποταμός Τίγρης, τηλεπισκόπηση, μοντέλα πρόβλεψης αλλαγών'''

'''Εισαγωγή '''

Ο ποταμός Τίγρη αποτελεί μία τις κύριες πηγές νερού στο Ιράκ. Δεδομένης της πρόσφατης υδατικής κρίσης στην περιοχή, έχει καταστεί επιτακτική η ανάγκη αξιολόγησης της ποιότητας του νερού του Τίγρη. Αξίζει να σημειωθεί ότι, η ποιότητα του νερού του Τίγρη επηρεάζεται από την κλιματική αλλαγή (μειωμένες βροχοπτώσεις και αύξηση θερμοκρασίες), από την ύπαρξη φραγμάτων και έργων άρδευσης, που είναι υπό τον έλεγχο γειτονικών κρατών όπως η Τουρκία και το Ιράν κ.λπ. Τις τελευταίες δεκαετίες, οι ειδικοί έχουν επικεντρωθεί στη μελέτη του ποταμού Τίγρη για να εξετάσουν τις επιπτώσεις των φυσικών φαινομένων και των ανθρώπινων δραστηριοτήτων στην ποιότητα του νερού.
Το νερό είναι ζωτικής σημασίας για την ανθρώπινη υγεία και τις γεωργικές δραστηριότητες. Για την εκτίμηση της ποιότητας του νερού πρέπει να μετρηθούν πολλές παράμετροι και γι’αυτό χρησιμοποιείται ο δείκτης ποιότητας νερού (WQI) που αποτελεί μια ενιαία τιμή, συνδυάζοντας τη μέτρηση διαφορετικών παραμέτρων. Οι μετρήσεις πεδίου για την εκτίμηση της ποιότητας νερού είναι ακριβείς όμως έχουν υψηλό κόστος. Σήμερα έχουν αναπτυχθεί μεθοδολογίες δορυφορικής τηλεπισκόπησης για την αξιολόγηση της ποιότητας του νερού, λόγω της οικονομικής αποδοτικότητάς της και της υψηλής χωροχρονικής ανάλυσης σε μεγάλες γεωγραφικές περιοχές. Αν και η τηλεπισκόπηση δεν παρέχει άμεσες μετρήσεις, έχουν αναπτυχθεί αρκετοί αλγόριθμοι και μαθηματικές εξισώσεις για την πρόβλεψη της ποιότητας του νερού με τα δεδομένα που λαμβάνονται από τηλεαισθητήρες.

'''Στόχος'''

Ο στόχος της μελέτης είναι η διερεύνηση της αποτελεσματικότητας της χρήσης δεδομένων τηλεπισκόπησης με δορυφορικές εικόνες για την πρόβλεψη των παραμέτρων ποιότητας του νερού και η επιβεβαίωση των αποτελεσμάτων μέσω της επιτόπιας συλλογής δειγμάτων νερού από σταθμούς κατά μήκος του ποταμού Τίγρη στο Ιράκ. Η παρούσα μελέτη στοχεύει να αναπτύξει και να επικυρώσει μια μεθοδολογία αξιολόγησης της ποιότητας του νερού με βάση την τηλεπισκόπηση χρησιμοποιώντας ελεύθερα διαθέσιμα δεδομένα ποιότητας νερού και δορυφορικές εικόνες Landsat 8. Επιπλέον, επιδιώκει να καθορίσει τη σχέση μεταξύ των παραμέτρων του νερού και των φασματικών ζώνών του Landsat 8.

'''Περιοχή Μελέτης'''

Η παρούσα μελέτη επικεντρώνεται σε τμήμα του ποταμού Τίγρη στη Βαγδάτη (Εικ. 1). Αυτός διασχίζει την πόλη, χωρίζοντας την σε δύο διακριτές περιοχές: την Al Rusafa και την Al Karkh. Ο ποταμός Τίγρης, που εκτείνεται σε μήκος 1900 χλμ., πηγάζει από τα ανατολικά βουνά της Τουρκίας και ρέει προς τα νότια προτού διασχίσει από βορρά προς νότο το έδαφος του Ιράκ.

[[Αρχείο:G_bisas_tiger_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.]]

Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.

'''Μέθοδοι και υλικά'''

Για αυτήν τη μελέτη, καθορίστηκαν 14 σταθμοί δειγματοληψίας κατά μήκος του ποταμού Τίγρη στη Βαγδάτη, κατά την χρονική περίοδο 2018 – 2019 (Εικ. 1) . Το όργανο μέτρησης, μέτρησε 8 παραμέτρους της ποιότητας νερού ήτοι: θερμοκρασία, ηλεκτρική αγωγιμότητα (Cond), TDS, pH, θολερότητα (Turb), Chl_a, μπλε-πράσινα φύκια (BGA), διαλυμένο οξυγόνο (DO).
Η παρούσα μελέτη χρησιμοποίησε ελεύθερα δεδομένα δορυφορικών εικόνων τηλεπισκόπησης Landsat 8 (https://earthexplorer.usgs.gov) και 9 φασματικούς δείκτες που προέκυψαν από τις ζώνες Landsat 8 για αυτήν τη μελέτη. Οι φασματικοί δεικτών (DVI), (GNDVI), (MNDWI), (MSAVI, (NDVI) , (NDWI), (NRVI), (SLAVI), (RVI) χρησιμοποιούνται για τη βελτίωση της ποιότητας του νερού και των μοντέλων πρόβλεψης.
Η μεθοδολογία που χρησιμοποιείται για την παρακολούθηση των παραμέτρων του νερού απεικονίζεται στην Εικ. 2. Τα κύρια σύνολα δεδομένων που χρησιμοποιούνται για την αξιολόγηση της ποιότητας του νερού είναι οι επιτόπιες μετρήσεις και οι δορυφορικές εικόνες τηλεπισκόπησης (Landsat 8). Η προτεινόμενη μεθοδολογία περιλαμβάνει τρεις φάσεις: αξιολόγηση (assessment) ποιότητας νερού, πρόβλεψη παραμέτρων νερού και δείκτης WQI. Κάθε φάση αναλύεται λεπτομερώς στις επόμενες ενότητες.

[[Αρχείο:gbisas_tiger_foto2.jpg|200px|thumb|right|'''Εικόνα 2.''' Μεθοδολογία της έρευνας]]

- Για την αξιολόγηση της ποιότητας νερού χρησιμοποιήθηκαν δείγματα νερού για την ανάλυση των βασικών στατιστικών στοιχείων. Η αξιολόγηση βασίστηκε σε οπτική ερμηνεία και τυπικές ποσοτικές προσεγγίσεις όπως το R2.
- Για την πρόβλεψη ποιότητας νερού χρησιμοποιήθηκε ο ελάχιστος απόλυτος τελεστής συρρίκνωσης και επιλογής (LASSO). Η παλινδρόμηση LASSO είναι λειτουργική για τη μοντελοποίηση δεδομένων με υψηλά επίπεδα πολυσυγγραμμικότητας. Η παλινδρόμηση LASSO χρησιμοποιήθηκε επίσης για την επιλογή των καλύτερων χαρακτηριστικών (k) που περιλαμβάνονται στα μοντέλα παλινδρόμησης για την πρόβλεψη της ποιότητας του νερού στον Τίγρη. Οι πιο σημαντικές παράμετροι για την πρόβλεψη της ποιότητας του νερού επιλέχθηκαν με αλγόριθμο
- Τα μοντέλα πρόβλεψης ποιότητας νερού αξιολογήθηκαν ποσοτικά με βάση το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) και το R2. Το RMSE χρησιμοποιήθηκε για την αξιολόγηση της μέσης απόδοσης του μοντέλου, ενώ το R2 χρησιμοποιήθηκε για τη μέτρηση της συσχέτισης μεταξύ των προβλεπόμενων και των παρατηρούμενων μετρήσεων.

'''Αποτελέσματα και Συζήτηση'''

Η αξιολόγηση της ποιότητας του νερού πραγματοποιήθηκε για πρώτη φορά ως στάδιο προεπεξεργασίας για την εκτίμηση των παραμέτρων του νερού. Τα στατιστικά για τις οκτώ παραμέτρους ποιότητας του νερού υπολογίστηκαν για το 2018 και το 2019 και σημειώνεται ότι οι διακυμάνσεις στις παραμέτρους ποιότητας του νερού μεταξύ των δύο ετών, είναι ασήμαντες εκτός από το Turb. Επίσης διαπιστώθηκε ότι, εκτός από το DO, οι άλλες παράμετροι είχαν υψηλότερη τιμές το καλοκαίρι σε σύγκριση με το χειμώνα και το 2019 ήταν ακόμη μεγαλύτερες.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες για την υποβάθμιση της ποιότητας νερού σε θέσεις δειγματοληψίας.
Από την ανάλυση συσχέτισης μεταξύ των παραμέτρων ποιότητας του νερού φάνηκε ότι υπάρχει ισχυρή, ασθενής και μέτρια συσχέτιση και υποδεικνύεται με το πράσινο, μπλε και το ενδιάμεσο χρώμα, αντίστοιχα. Το σύνολο δεδομένων δεν έδειξε ισχυρές συσχετίσεις. Η ανάλυση συσχέτισης έγινε για να εξεταστεί η αποτελεσματικότητα των φασματικών ζωνών στην αξιολόγηση των παραμέτρων ποιότητας του νερού, με βάση τις αντίστοιχες συγκεντρώσεις τους σε συνδυασμό με δορυφορικά δεδομένα. Στην εικ. 3β φαίνεται η συσχέτιση μεταξύ των δεδομένων Landsat 8 και των συγκεντρώσεων των παραμέτρων ποιότητας του νερού. Οι φασματικοί δείκτες μπορούν επίσης να βοηθήσουν στην πρόβλεψη των συγκεντρώσεων των παραμέτρων του νερού, καθώς μπορούν να ενισχύσουν τη φασματική αντίθεση μεταξύ διαφορετικών στόχων.

[[Αρχείο:gbisas_tiger_foto3.jpg|200px|thumb|right|'''Εικόνα 3.''' Η ανάλυση συσχέτισης: (α) μεταξύ των παραμέτρων ποιότητας του νερού και (β) μεταξύ των μέσων συγκεντρώσεων διαφόρων παραμέτρων ποιότητας του νερού στους σταθμούς της περιοχής μελέτης και των φασματικών ζωνών του Landsat 8.]]

Αναπτύχθηκαν μοντέλα πρόβλεψης για τις παραμέτρους νερού χρησιμοποιώντας παλινδρόμηση LASSO μετά την ενσωμάτωση φασματικών ζωνών και δεικτών. Η δειγματοληψία νερού έγινε ταυτόχρονα με τη λήψη δεδομένων εικόνας Landsat 8. Η επικύρωση των μοντέλων βασίστηκε σε ανεξάρτητα δεδομένα που επιλέχθηκαν τυχαία από ολόκληρο το σύνολο δεδομένων. Το μέγεθος διαχωρισμού ήταν 70% για την εκπαίδευση των μοντέλων και το υπόλοιπο 30% για την επικύρωση των μοντέλων. Για την εύρεση του βέλτιστου αριθμό χαρακτηριστικών που θα χρησιμοποιηθούν στο μοντέλο, διεξήχθη ανάλυση ευαισθησίας (4). Αυτή η μελέτη πραγματοποίησε ένα πείραμα για να αξιολογήσει τη βελτίωση της ακρίβειας λόγω της συμπερίληψης φασματικών δεικτών στην πρόβλεψη ποιότητα νερού.

Εικ 4: Απόδοση του Μοντέλου (RMSE) με διαφορετικό αριθμό χαρακτηριστικών (k) για την πρόβλεψη των παραμέτρων του νερού. Όπου πράσινο τα καλύτερα αποτελέσματα.
Από την ανάπτυξη των μοντέλων, διαπιστώθηκε ότι τα SWIR2, SVR, SVR, GNDVI, SLAVI, MSAVI, NDVI και SWIR1 ήταν τα πιο σημαντικά χαρακτηριστικά για την: Temp, Cond, TDS, PH, Turb, Chl_a, BGA και DO, αντίστοιχα. Τα NRVI, TIRS2, Κυανό, Κόκκινο, Πράσινο, SVR και SVR ήταν τα λιγότερο σημαντικά χαρακτηριστικά για τις παραπάνω παραμέτρους. Επιπλέον, τα ευρήματα υποδηλώνουν ότι η ενσωμάτωση φασματικών δεικτών στα μοντέλα πρόβλεψης των παραμέτρων ποιότητας του νερού είναι απαραίτητη για τη βελτίωση της απόδοσής τους. Η συμπερίληψη και των φασματικών δεικτών έχει βελτιώσει σημαντικά την αποτελεσματικότητα των μοντέλων LASSO στη διαφοροποίηση διαφόρων στόχων, όπως υποδεικνύεται από έναν μέσο όρο R2- 0,7, σε σύγκριση με μόνο 0,42 όταν χρησιμοποιούνται μόνο φασματικές ζώνες.
Όσον αφορά τον δείκτης WQI, τα αποτελέσματα με δεδομένα τηλεπισκόπησης από το 2018 – 2019, έδειξαν ότι ο τόσο το καλοκαίρι όσο και το χειμώνα, κυμαινόταν από φτωχός έως πολύ φτωχός.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες της υποβάθμισης της ποιότητας του νερού σε διάφορες τοποθεσίες. Αυτή η μελέτη επεδίωξε να κάνει πρόβλεψη των παραμέτρων ποιότητας του νερού χρησιμοποιώντας δορυφορικές εικόνες και να επικυρώσει τα αποτελέσματα μέσω της επιτόπιας συλλογής δειγμάτων νερού από 14 σταθμούς κατά μήκος του ποταμού.

Αρχείο:Gbisas tiger foto3.jpg

2024-02-21T11:04:45Z

GioBisas: ανέβασμα νέας έκδοσης του "Αρχείο:Gbisas tiger foto3.jpg"

Χρήστης:GioBisas

2024-02-21T11:03:33Z

GioBisas:

'''Πρωτότυπος τίτλος:''' Tigris River water surface quality monitoring using remote sensing data and GIS techniques

'''Συγγραφείς:''' Wael Ahmed, Suhaib Mohammed, Adel El-Shazly, Salem Morsy

1 Τμήμα Δημοσίων Έργων, Σχολή Μηχανικών, Πανεπιστήμιο Καΐρου, Γκίζα 12613, Αίγυπτος
2 ENV. Μηχανικός, Υπουργείο Περιβάλλοντος, Karada, Βαγδάτη 10062, Ιράκ
3 School of Ocean Technology, Fisheries and Marine Institute of Memorial University of Newfoundland, St. John’s NL A1C 5R3, Καναδάς

'''Δημοσιεύθηκε:''' The Egyptian Journal of Remote sensing and Space Sciences, 2023.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.ejrs.2023.09.001]]

'''Λέξεις-κλειδιά:''' ποιότητα νερού, ποταμός Τίγρης, τηλεπισκόπηση, μοντέλα πρόβλεψης αλλαγών'''

'''Εισαγωγή '''

Ο ποταμός Τίγρη αποτελεί μία τις κύριες πηγές νερού στο Ιράκ. Δεδομένης της πρόσφατης υδατικής κρίσης στην περιοχή, έχει καταστεί επιτακτική η ανάγκη αξιολόγησης της ποιότητας του νερού του Τίγρη. Αξίζει να σημειωθεί ότι, η ποιότητα του νερού του Τίγρη επηρεάζεται από την κλιματική αλλαγή (μειωμένες βροχοπτώσεις και αύξηση θερμοκρασίες), από την ύπαρξη φραγμάτων και έργων άρδευσης, που είναι υπό τον έλεγχο γειτονικών κρατών όπως η Τουρκία και το Ιράν κ.λπ. Τις τελευταίες δεκαετίες, οι ειδικοί έχουν επικεντρωθεί στη μελέτη του ποταμού Τίγρη για να εξετάσουν τις επιπτώσεις των φυσικών φαινομένων και των ανθρώπινων δραστηριοτήτων στην ποιότητα του νερού.
Το νερό είναι ζωτικής σημασίας για την ανθρώπινη υγεία και τις γεωργικές δραστηριότητες. Για την εκτίμηση της ποιότητας του νερού πρέπει να μετρηθούν πολλές παράμετροι και γι’αυτό χρησιμοποιείται ο δείκτης ποιότητας νερού (WQI) που αποτελεί μια ενιαία τιμή, συνδυάζοντας τη μέτρηση διαφορετικών παραμέτρων. Οι μετρήσεις πεδίου για την εκτίμηση της ποιότητας νερού είναι ακριβείς όμως έχουν υψηλό κόστος. Σήμερα έχουν αναπτυχθεί μεθοδολογίες δορυφορικής τηλεπισκόπησης για την αξιολόγηση της ποιότητας του νερού, λόγω της οικονομικής αποδοτικότητάς της και της υψηλής χωροχρονικής ανάλυσης σε μεγάλες γεωγραφικές περιοχές. Αν και η τηλεπισκόπηση δεν παρέχει άμεσες μετρήσεις, έχουν αναπτυχθεί αρκετοί αλγόριθμοι και μαθηματικές εξισώσεις για την πρόβλεψη της ποιότητας του νερού με τα δεδομένα που λαμβάνονται από τηλεαισθητήρες.

'''Στόχος'''

Ο στόχος της μελέτης είναι η διερεύνηση της αποτελεσματικότητας της χρήσης δεδομένων τηλεπισκόπησης με δορυφορικές εικόνες για την πρόβλεψη των παραμέτρων ποιότητας του νερού και η επιβεβαίωση των αποτελεσμάτων μέσω της επιτόπιας συλλογής δειγμάτων νερού από σταθμούς κατά μήκος του ποταμού Τίγρη στο Ιράκ. Η παρούσα μελέτη στοχεύει να αναπτύξει και να επικυρώσει μια μεθοδολογία αξιολόγησης της ποιότητας του νερού με βάση την τηλεπισκόπηση χρησιμοποιώντας ελεύθερα διαθέσιμα δεδομένα ποιότητας νερού και δορυφορικές εικόνες Landsat 8. Επιπλέον, επιδιώκει να καθορίσει τη σχέση μεταξύ των παραμέτρων του νερού και των φασματικών ζώνών του Landsat 8.

'''Περιοχή Μελέτης'''

Η παρούσα μελέτη επικεντρώνεται σε τμήμα του ποταμού Τίγρη στη Βαγδάτη (Εικ. 1). Αυτός διασχίζει την πόλη, χωρίζοντας την σε δύο διακριτές περιοχές: την Al Rusafa και την Al Karkh. Ο ποταμός Τίγρης, που εκτείνεται σε μήκος 1900 χλμ., πηγάζει από τα ανατολικά βουνά της Τουρκίας και ρέει προς τα νότια προτού διασχίσει από βορρά προς νότο το έδαφος του Ιράκ.

[[Αρχείο:G_bisas_tiger_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.]]

Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.

'''Μέθοδοι και υλικά'''

Για αυτήν τη μελέτη, καθορίστηκαν 14 σταθμοί δειγματοληψίας κατά μήκος του ποταμού Τίγρη στη Βαγδάτη, κατά την χρονική περίοδο 2018 – 2019 (Εικ. 1) . Το όργανο μέτρησης, μέτρησε 8 παραμέτρους της ποιότητας νερού ήτοι: θερμοκρασία, ηλεκτρική αγωγιμότητα (Cond), TDS, pH, θολερότητα (Turb), Chl_a, μπλε-πράσινα φύκια (BGA), διαλυμένο οξυγόνο (DO).
Η παρούσα μελέτη χρησιμοποίησε ελεύθερα δεδομένα δορυφορικών εικόνων τηλεπισκόπησης Landsat 8 (https://earthexplorer.usgs.gov) και 9 φασματικούς δείκτες που προέκυψαν από τις ζώνες Landsat 8 για αυτήν τη μελέτη. Οι φασματικοί δεικτών (DVI), (GNDVI), (MNDWI), (MSAVI, (NDVI) , (NDWI), (NRVI), (SLAVI), (RVI) χρησιμοποιούνται για τη βελτίωση της ποιότητας του νερού και των μοντέλων πρόβλεψης.
Η μεθοδολογία που χρησιμοποιείται για την παρακολούθηση των παραμέτρων του νερού απεικονίζεται στην Εικ. 2. Τα κύρια σύνολα δεδομένων που χρησιμοποιούνται για την αξιολόγηση της ποιότητας του νερού είναι οι επιτόπιες μετρήσεις και οι δορυφορικές εικόνες τηλεπισκόπησης (Landsat 8). Η προτεινόμενη μεθοδολογία περιλαμβάνει τρεις φάσεις: αξιολόγηση (assessment) ποιότητας νερού, πρόβλεψη παραμέτρων νερού και δείκτης WQI. Κάθε φάση αναλύεται λεπτομερώς στις επόμενες ενότητες.

[[Αρχείο:gbisas_tiger_foto2.jpg|200px|thumb|right|'''Εικόνα 2.''' Μεθοδολογία της έρευνας]]

- Για την αξιολόγηση της ποιότητας νερού χρησιμοποιήθηκαν δείγματα νερού για την ανάλυση των βασικών στατιστικών στοιχείων. Η αξιολόγηση βασίστηκε σε οπτική ερμηνεία και τυπικές ποσοτικές προσεγγίσεις όπως το R2.
- Για την πρόβλεψη ποιότητας νερού χρησιμοποιήθηκε ο ελάχιστος απόλυτος τελεστής συρρίκνωσης και επιλογής (LASSO). Η παλινδρόμηση LASSO είναι λειτουργική για τη μοντελοποίηση δεδομένων με υψηλά επίπεδα πολυσυγγραμμικότητας. Η παλινδρόμηση LASSO χρησιμοποιήθηκε επίσης για την επιλογή των καλύτερων χαρακτηριστικών (k) που περιλαμβάνονται στα μοντέλα παλινδρόμησης για την πρόβλεψη της ποιότητας του νερού στον Τίγρη. Οι πιο σημαντικές παράμετροι για την πρόβλεψη της ποιότητας του νερού επιλέχθηκαν με αλγόριθμο
- Τα μοντέλα πρόβλεψης ποιότητας νερού αξιολογήθηκαν ποσοτικά με βάση το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) και το R2. Το RMSE χρησιμοποιήθηκε για την αξιολόγηση της μέσης απόδοσης του μοντέλου, ενώ το R2 χρησιμοποιήθηκε για τη μέτρηση της συσχέτισης μεταξύ των προβλεπόμενων και των παρατηρούμενων μετρήσεων.

'''Αποτελέσματα και Συζήτηση'''

Η αξιολόγηση της ποιότητας του νερού πραγματοποιήθηκε για πρώτη φορά ως στάδιο προεπεξεργασίας για την εκτίμηση των παραμέτρων του νερού. Τα στατιστικά για τις οκτώ παραμέτρους ποιότητας του νερού υπολογίστηκαν για το 2018 και το 2019 και σημειώνεται ότι οι διακυμάνσεις στις παραμέτρους ποιότητας του νερού μεταξύ των δύο ετών, είναι ασήμαντες εκτός από το Turb. Επίσης διαπιστώθηκε ότι, εκτός από το DO, οι άλλες παράμετροι είχαν υψηλότερη τιμές το καλοκαίρι σε σύγκριση με το χειμώνα και το 2019 ήταν ακόμη μεγαλύτερες.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες για την υποβάθμιση της ποιότητας νερού σε θέσεις δειγματοληψίας.
Από την ανάλυση συσχέτισης μεταξύ των παραμέτρων ποιότητας του νερού φάνηκε ότι υπάρχει ισχυρή, ασθενής και μέτρια συσχέτιση και υποδεικνύεται με το πράσινο, μπλε και το ενδιάμεσο χρώμα, αντίστοιχα. Το σύνολο δεδομένων δεν έδειξε ισχυρές συσχετίσεις. Η ανάλυση συσχέτισης έγινε για να εξεταστεί η αποτελεσματικότητα των φασματικών ζωνών στην αξιολόγηση των παραμέτρων ποιότητας του νερού, με βάση τις αντίστοιχες συγκεντρώσεις τους σε συνδυασμό με δορυφορικά δεδομένα. Στην εικ. 3β φαίνεται η συσχέτιση μεταξύ των δεδομένων Landsat 8 και των συγκεντρώσεων των παραμέτρων ποιότητας του νερού. Οι φασματικοί δείκτες μπορούν επίσης να βοηθήσουν στην πρόβλεψη των συγκεντρώσεων των παραμέτρων του νερού, καθώς μπορούν να ενισχύσουν τη φασματική αντίθεση μεταξύ διαφορετικών στόχων.

Εικ. 3. Η ανάλυση συσχέτισης: (α) μεταξύ των παραμέτρων ποιότητας του νερού και (β) μεταξύ των μέσων συγκεντρώσεων διαφόρων παραμέτρων ποιότητας του νερού στους σταθμούς της περιοχής μελέτης και των φασματικών ζωνών του Landsat 8.
Αναπτύχθηκαν μοντέλα πρόβλεψης για τις παραμέτρους νερού χρησιμοποιώντας παλινδρόμηση LASSO μετά την ενσωμάτωση φασματικών ζωνών και δεικτών. Η δειγματοληψία νερού έγινε ταυτόχρονα με τη λήψη δεδομένων εικόνας Landsat 8. Η επικύρωση των μοντέλων βασίστηκε σε ανεξάρτητα δεδομένα που επιλέχθηκαν τυχαία από ολόκληρο το σύνολο δεδομένων. Το μέγεθος διαχωρισμού ήταν 70% για την εκπαίδευση των μοντέλων και το υπόλοιπο 30% για την επικύρωση των μοντέλων. Για την εύρεση του βέλτιστου αριθμό χαρακτηριστικών που θα χρησιμοποιηθούν στο μοντέλο, διεξήχθη ανάλυση ευαισθησίας (4). Αυτή η μελέτη πραγματοποίησε ένα πείραμα για να αξιολογήσει τη βελτίωση της ακρίβειας λόγω της συμπερίληψης φασματικών δεικτών στην πρόβλεψη ποιότητα νερού.

Εικ 4: Απόδοση του Μοντέλου (RMSE) με διαφορετικό αριθμό χαρακτηριστικών (k) για την πρόβλεψη των παραμέτρων του νερού. Όπου πράσινο τα καλύτερα αποτελέσματα.
Από την ανάπτυξη των μοντέλων, διαπιστώθηκε ότι τα SWIR2, SVR, SVR, GNDVI, SLAVI, MSAVI, NDVI και SWIR1 ήταν τα πιο σημαντικά χαρακτηριστικά για την: Temp, Cond, TDS, PH, Turb, Chl_a, BGA και DO, αντίστοιχα. Τα NRVI, TIRS2, Κυανό, Κόκκινο, Πράσινο, SVR και SVR ήταν τα λιγότερο σημαντικά χαρακτηριστικά για τις παραπάνω παραμέτρους. Επιπλέον, τα ευρήματα υποδηλώνουν ότι η ενσωμάτωση φασματικών δεικτών στα μοντέλα πρόβλεψης των παραμέτρων ποιότητας του νερού είναι απαραίτητη για τη βελτίωση της απόδοσής τους. Η συμπερίληψη και των φασματικών δεικτών έχει βελτιώσει σημαντικά την αποτελεσματικότητα των μοντέλων LASSO στη διαφοροποίηση διαφόρων στόχων, όπως υποδεικνύεται από έναν μέσο όρο R2- 0,7, σε σύγκριση με μόνο 0,42 όταν χρησιμοποιούνται μόνο φασματικές ζώνες.
Όσον αφορά τον δείκτης WQI, τα αποτελέσματα με δεδομένα τηλεπισκόπησης από το 2018 – 2019, έδειξαν ότι ο τόσο το καλοκαίρι όσο και το χειμώνα, κυμαινόταν από φτωχός έως πολύ φτωχός.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες της υποβάθμισης της ποιότητας του νερού σε διάφορες τοποθεσίες. Αυτή η μελέτη επεδίωξε να κάνει πρόβλεψη των παραμέτρων ποιότητας του νερού χρησιμοποιώντας δορυφορικές εικόνες και να επικυρώσει τα αποτελέσματα μέσω της επιτόπιας συλλογής δειγμάτων νερού από 14 σταθμούς κατά μήκος του ποταμού.

Χρήστης:GioBisas

2024-02-21T11:01:36Z

GioBisas:

'''Πρωτότυπος τίτλος:''' Tigris River water surface quality monitoring using remote sensing data and GIS techniques

'''Συγγραφείς:''' Wael Ahmed, Suhaib Mohammed, Adel El-Shazly, Salem Morsy

1 Τμήμα Δημοσίων Έργων, Σχολή Μηχανικών, Πανεπιστήμιο Καΐρου, Γκίζα 12613, Αίγυπτος
2 ENV. Μηχανικός, Υπουργείο Περιβάλλοντος, Karada, Βαγδάτη 10062, Ιράκ
3 School of Ocean Technology, Fisheries and Marine Institute of Memorial University of Newfoundland, St. John’s NL A1C 5R3, Καναδάς

'''Δημοσιεύθηκε:''' The Egyptian Journal of Remote sensing and Space Sciences, 2023.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.ejrs.2023.09.001]]

'''Λέξεις-κλειδιά:''' ποιότητα νερού, ποταμός Τίγρης, τηλεπισκόπηση, μοντέλα πρόβλεψης αλλαγών'''

'''Εισαγωγή '''

Ο ποταμός Τίγρη αποτελεί μία τις κύριες πηγές νερού στο Ιράκ. Δεδομένης της πρόσφατης υδατικής κρίσης στην περιοχή, έχει καταστεί επιτακτική η ανάγκη αξιολόγησης της ποιότητας του νερού του Τίγρη. Αξίζει να σημειωθεί ότι, η ποιότητα του νερού του Τίγρη επηρεάζεται από την κλιματική αλλαγή (μειωμένες βροχοπτώσεις και αύξηση θερμοκρασίες), από την ύπαρξη φραγμάτων και έργων άρδευσης, που είναι υπό τον έλεγχο γειτονικών κρατών όπως η Τουρκία και το Ιράν κ.λπ. Τις τελευταίες δεκαετίες, οι ειδικοί έχουν επικεντρωθεί στη μελέτη του ποταμού Τίγρη για να εξετάσουν τις επιπτώσεις των φυσικών φαινομένων και των ανθρώπινων δραστηριοτήτων στην ποιότητα του νερού.
Το νερό είναι ζωτικής σημασίας για την ανθρώπινη υγεία και τις γεωργικές δραστηριότητες. Για την εκτίμηση της ποιότητας του νερού πρέπει να μετρηθούν πολλές παράμετροι και γι’αυτό χρησιμοποιείται ο δείκτης ποιότητας νερού (WQI) που αποτελεί μια ενιαία τιμή, συνδυάζοντας τη μέτρηση διαφορετικών παραμέτρων. Οι μετρήσεις πεδίου για την εκτίμηση της ποιότητας νερού είναι ακριβείς όμως έχουν υψηλό κόστος. Σήμερα έχουν αναπτυχθεί μεθοδολογίες δορυφορικής τηλεπισκόπησης για την αξιολόγηση της ποιότητας του νερού, λόγω της οικονομικής αποδοτικότητάς της και της υψηλής χωροχρονικής ανάλυσης σε μεγάλες γεωγραφικές περιοχές. Αν και η τηλεπισκόπηση δεν παρέχει άμεσες μετρήσεις, έχουν αναπτυχθεί αρκετοί αλγόριθμοι και μαθηματικές εξισώσεις για την πρόβλεψη της ποιότητας του νερού με τα δεδομένα που λαμβάνονται από τηλεαισθητήρες.

'''Στόχος'''

Ο στόχος της μελέτης είναι η διερεύνηση της αποτελεσματικότητας της χρήσης δεδομένων τηλεπισκόπησης με δορυφορικές εικόνες για την πρόβλεψη των παραμέτρων ποιότητας του νερού και η επιβεβαίωση των αποτελεσμάτων μέσω της επιτόπιας συλλογής δειγμάτων νερού από σταθμούς κατά μήκος του ποταμού Τίγρη στο Ιράκ. Η παρούσα μελέτη στοχεύει να αναπτύξει και να επικυρώσει μια μεθοδολογία αξιολόγησης της ποιότητας του νερού με βάση την τηλεπισκόπηση χρησιμοποιώντας ελεύθερα διαθέσιμα δεδομένα ποιότητας νερού και δορυφορικές εικόνες Landsat 8. Επιπλέον, επιδιώκει να καθορίσει τη σχέση μεταξύ των παραμέτρων του νερού και των φασματικών ζώνών του Landsat 8.

'''Περιοχή Μελέτης'''

Η παρούσα μελέτη επικεντρώνεται σε τμήμα του ποταμού Τίγρη στη Βαγδάτη (Εικ. 1). Αυτός διασχίζει την πόλη, χωρίζοντας την σε δύο διακριτές περιοχές: την Al Rusafa και την Al Karkh. Ο ποταμός Τίγρης, που εκτείνεται σε μήκος 1900 χλμ., πηγάζει από τα ανατολικά βουνά της Τουρκίας και ρέει προς τα νότια προτού διασχίσει από βορρά προς νότο το έδαφος του Ιράκ.

[[Αρχείο:G_bisas_tiger_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.]]

Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.

'''Μέθοδοι και υλικά'''

Για αυτήν τη μελέτη, καθορίστηκαν 14 σταθμοί δειγματοληψίας κατά μήκος του ποταμού Τίγρη στη Βαγδάτη, κατά την χρονική περίοδο 2018 – 2019 (Εικ. 1) . Το όργανο μέτρησης, μέτρησε 8 παραμέτρους της ποιότητας νερού ήτοι: θερμοκρασία, ηλεκτρική αγωγιμότητα (Cond), TDS, pH, θολερότητα (Turb), Chl_a, μπλε-πράσινα φύκια (BGA), διαλυμένο οξυγόνο (DO).
Η παρούσα μελέτη χρησιμοποίησε ελεύθερα δεδομένα δορυφορικών εικόνων τηλεπισκόπησης Landsat 8 (https://earthexplorer.usgs.gov) και 9 φασματικούς δείκτες που προέκυψαν από τις ζώνες Landsat 8 για αυτήν τη μελέτη. Οι φασματικοί δεικτών (DVI), (GNDVI), (MNDWI), (MSAVI, (NDVI) , (NDWI), (NRVI), (SLAVI), (RVI) χρησιμοποιούνται για τη βελτίωση της ποιότητας του νερού και των μοντέλων πρόβλεψης.
Η μεθοδολογία που χρησιμοποιείται για την παρακολούθηση των παραμέτρων του νερού απεικονίζεται στην Εικ. 2. Τα κύρια σύνολα δεδομένων που χρησιμοποιούνται για την αξιολόγηση της ποιότητας του νερού είναι οι επιτόπιες μετρήσεις και οι δορυφορικές εικόνες τηλεπισκόπησης (Landsat 8). Η προτεινόμενη μεθοδολογία περιλαμβάνει τρεις φάσεις: αξιολόγηση (assessment) ποιότητας νερού, πρόβλεψη παραμέτρων νερού και δείκτης WQI. Κάθε φάση αναλύεται λεπτομερώς στις επόμενες ενότητες.

[[Αρχείο:G_bisas_tiger_foto2.jpg|200px|thumb|right|'''Εικόνα 2.''' Μεθοδολογία της έρευνας]]

- Για την αξιολόγηση της ποιότητας νερού χρησιμοποιήθηκαν δείγματα νερού για την ανάλυση των βασικών στατιστικών στοιχείων. Η αξιολόγηση βασίστηκε σε οπτική ερμηνεία και τυπικές ποσοτικές προσεγγίσεις όπως το R2.
- Για την πρόβλεψη ποιότητας νερού χρησιμοποιήθηκε ο ελάχιστος απόλυτος τελεστής συρρίκνωσης και επιλογής (LASSO). Η παλινδρόμηση LASSO είναι λειτουργική για τη μοντελοποίηση δεδομένων με υψηλά επίπεδα πολυσυγγραμμικότητας. Η παλινδρόμηση LASSO χρησιμοποιήθηκε επίσης για την επιλογή των καλύτερων χαρακτηριστικών (k) που περιλαμβάνονται στα μοντέλα παλινδρόμησης για την πρόβλεψη της ποιότητας του νερού στον Τίγρη. Οι πιο σημαντικές παράμετροι για την πρόβλεψη της ποιότητας του νερού επιλέχθηκαν με αλγόριθμο
- Τα μοντέλα πρόβλεψης ποιότητας νερού αξιολογήθηκαν ποσοτικά με βάση το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) και το R2. Το RMSE χρησιμοποιήθηκε για την αξιολόγηση της μέσης απόδοσης του μοντέλου, ενώ το R2 χρησιμοποιήθηκε για τη μέτρηση της συσχέτισης μεταξύ των προβλεπόμενων και των παρατηρούμενων μετρήσεων.

'''Αποτελέσματα και Συζήτηση'''

Η αξιολόγηση της ποιότητας του νερού πραγματοποιήθηκε για πρώτη φορά ως στάδιο προεπεξεργασίας για την εκτίμηση των παραμέτρων του νερού. Τα στατιστικά για τις οκτώ παραμέτρους ποιότητας του νερού υπολογίστηκαν για το 2018 και το 2019 και σημειώνεται ότι οι διακυμάνσεις στις παραμέτρους ποιότητας του νερού μεταξύ των δύο ετών, είναι ασήμαντες εκτός από το Turb. Επίσης διαπιστώθηκε ότι, εκτός από το DO, οι άλλες παράμετροι είχαν υψηλότερη τιμές το καλοκαίρι σε σύγκριση με το χειμώνα και το 2019 ήταν ακόμη μεγαλύτερες.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες για την υποβάθμιση της ποιότητας νερού σε θέσεις δειγματοληψίας.
Από την ανάλυση συσχέτισης μεταξύ των παραμέτρων ποιότητας του νερού φάνηκε ότι υπάρχει ισχυρή, ασθενής και μέτρια συσχέτιση και υποδεικνύεται με το πράσινο, μπλε και το ενδιάμεσο χρώμα, αντίστοιχα. Το σύνολο δεδομένων δεν έδειξε ισχυρές συσχετίσεις. Η ανάλυση συσχέτισης έγινε για να εξεταστεί η αποτελεσματικότητα των φασματικών ζωνών στην αξιολόγηση των παραμέτρων ποιότητας του νερού, με βάση τις αντίστοιχες συγκεντρώσεις τους σε συνδυασμό με δορυφορικά δεδομένα. Στην εικ. 3β φαίνεται η συσχέτιση μεταξύ των δεδομένων Landsat 8 και των συγκεντρώσεων των παραμέτρων ποιότητας του νερού. Οι φασματικοί δείκτες μπορούν επίσης να βοηθήσουν στην πρόβλεψη των συγκεντρώσεων των παραμέτρων του νερού, καθώς μπορούν να ενισχύσουν τη φασματική αντίθεση μεταξύ διαφορετικών στόχων.

Εικ. 3. Η ανάλυση συσχέτισης: (α) μεταξύ των παραμέτρων ποιότητας του νερού και (β) μεταξύ των μέσων συγκεντρώσεων διαφόρων παραμέτρων ποιότητας του νερού στους σταθμούς της περιοχής μελέτης και των φασματικών ζωνών του Landsat 8.
Αναπτύχθηκαν μοντέλα πρόβλεψης για τις παραμέτρους νερού χρησιμοποιώντας παλινδρόμηση LASSO μετά την ενσωμάτωση φασματικών ζωνών και δεικτών. Η δειγματοληψία νερού έγινε ταυτόχρονα με τη λήψη δεδομένων εικόνας Landsat 8. Η επικύρωση των μοντέλων βασίστηκε σε ανεξάρτητα δεδομένα που επιλέχθηκαν τυχαία από ολόκληρο το σύνολο δεδομένων. Το μέγεθος διαχωρισμού ήταν 70% για την εκπαίδευση των μοντέλων και το υπόλοιπο 30% για την επικύρωση των μοντέλων. Για την εύρεση του βέλτιστου αριθμό χαρακτηριστικών που θα χρησιμοποιηθούν στο μοντέλο, διεξήχθη ανάλυση ευαισθησίας (4). Αυτή η μελέτη πραγματοποίησε ένα πείραμα για να αξιολογήσει τη βελτίωση της ακρίβειας λόγω της συμπερίληψης φασματικών δεικτών στην πρόβλεψη ποιότητα νερού.

Εικ 4: Απόδοση του Μοντέλου (RMSE) με διαφορετικό αριθμό χαρακτηριστικών (k) για την πρόβλεψη των παραμέτρων του νερού. Όπου πράσινο τα καλύτερα αποτελέσματα.
Από την ανάπτυξη των μοντέλων, διαπιστώθηκε ότι τα SWIR2, SVR, SVR, GNDVI, SLAVI, MSAVI, NDVI και SWIR1 ήταν τα πιο σημαντικά χαρακτηριστικά για την: Temp, Cond, TDS, PH, Turb, Chl_a, BGA και DO, αντίστοιχα. Τα NRVI, TIRS2, Κυανό, Κόκκινο, Πράσινο, SVR και SVR ήταν τα λιγότερο σημαντικά χαρακτηριστικά για τις παραπάνω παραμέτρους. Επιπλέον, τα ευρήματα υποδηλώνουν ότι η ενσωμάτωση φασματικών δεικτών στα μοντέλα πρόβλεψης των παραμέτρων ποιότητας του νερού είναι απαραίτητη για τη βελτίωση της απόδοσής τους. Η συμπερίληψη και των φασματικών δεικτών έχει βελτιώσει σημαντικά την αποτελεσματικότητα των μοντέλων LASSO στη διαφοροποίηση διαφόρων στόχων, όπως υποδεικνύεται από έναν μέσο όρο R2- 0,7, σε σύγκριση με μόνο 0,42 όταν χρησιμοποιούνται μόνο φασματικές ζώνες.
Όσον αφορά τον δείκτης WQI, τα αποτελέσματα με δεδομένα τηλεπισκόπησης από το 2018 – 2019, έδειξαν ότι ο τόσο το καλοκαίρι όσο και το χειμώνα, κυμαινόταν από φτωχός έως πολύ φτωχός.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες της υποβάθμισης της ποιότητας του νερού σε διάφορες τοποθεσίες. Αυτή η μελέτη επεδίωξε να κάνει πρόβλεψη των παραμέτρων ποιότητας του νερού χρησιμοποιώντας δορυφορικές εικόνες και να επικυρώσει τα αποτελέσματα μέσω της επιτόπιας συλλογής δειγμάτων νερού από 14 σταθμούς κατά μήκος του ποταμού.

Αρχείο:Gbisas tiger foto2.jpg

2024-02-21T11:00:41Z

GioBisas:

Αρχείο:G bisas tiger foto1.jpg

2024-02-21T10:51:13Z

GioBisas: ανέβασμα νέας έκδοσης του "Αρχείο:G bisas tiger foto1.jpg"

Αρχείο:G bisas tiger foto1.jpg

2024-02-21T10:50:23Z

GioBisas: ανέβασμα νέας έκδοσης του "Αρχείο:G bisas tiger foto1.jpg"

Χρήστης:GioBisas

2024-02-21T10:48:48Z

GioBisas:

'''Πρωτότυπος τίτλος:''' Tigris River water surface quality monitoring using remote sensing data and GIS techniques

'''Συγγραφείς:''' Wael Ahmed, Suhaib Mohammed, Adel El-Shazly, Salem Morsy

1 Τμήμα Δημοσίων Έργων, Σχολή Μηχανικών, Πανεπιστήμιο Καΐρου, Γκίζα 12613, Αίγυπτος
2 ENV. Μηχανικός, Υπουργείο Περιβάλλοντος, Karada, Βαγδάτη 10062, Ιράκ
3 School of Ocean Technology, Fisheries and Marine Institute of Memorial University of Newfoundland, St. John’s NL A1C 5R3, Καναδάς

'''Δημοσιεύθηκε:''' The Egyptian Journal of Remote sensing and Space Sciences, 2023.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.ejrs.2023.09.001]]

'''Λέξεις-κλειδιά:''' ποιότητα νερού, ποταμός Τίγρης, τηλεπισκόπηση, μοντέλα πρόβλεψης αλλαγών'''

'''Εισαγωγή '''

Ο ποταμός Τίγρη αποτελεί μία τις κύριες πηγές νερού στο Ιράκ. Δεδομένης της πρόσφατης υδατικής κρίσης στην περιοχή, έχει καταστεί επιτακτική η ανάγκη αξιολόγησης της ποιότητας του νερού του Τίγρη. Αξίζει να σημειωθεί ότι, η ποιότητα του νερού του Τίγρη επηρεάζεται από την κλιματική αλλαγή (μειωμένες βροχοπτώσεις και αύξηση θερμοκρασίες), από την ύπαρξη φραγμάτων και έργων άρδευσης, που είναι υπό τον έλεγχο γειτονικών κρατών όπως η Τουρκία και το Ιράν κ.λπ. Τις τελευταίες δεκαετίες, οι ειδικοί έχουν επικεντρωθεί στη μελέτη του ποταμού Τίγρη για να εξετάσουν τις επιπτώσεις των φυσικών φαινομένων και των ανθρώπινων δραστηριοτήτων στην ποιότητα του νερού.
Το νερό είναι ζωτικής σημασίας για την ανθρώπινη υγεία και τις γεωργικές δραστηριότητες. Για την εκτίμηση της ποιότητας του νερού πρέπει να μετρηθούν πολλές παράμετροι και γι’αυτό χρησιμοποιείται ο δείκτης ποιότητας νερού (WQI) που αποτελεί μια ενιαία τιμή, συνδυάζοντας τη μέτρηση διαφορετικών παραμέτρων. Οι μετρήσεις πεδίου για την εκτίμηση της ποιότητας νερού είναι ακριβείς όμως έχουν υψηλό κόστος. Σήμερα έχουν αναπτυχθεί μεθοδολογίες δορυφορικής τηλεπισκόπησης για την αξιολόγηση της ποιότητας του νερού, λόγω της οικονομικής αποδοτικότητάς της και της υψηλής χωροχρονικής ανάλυσης σε μεγάλες γεωγραφικές περιοχές. Αν και η τηλεπισκόπηση δεν παρέχει άμεσες μετρήσεις, έχουν αναπτυχθεί αρκετοί αλγόριθμοι και μαθηματικές εξισώσεις για την πρόβλεψη της ποιότητας του νερού με τα δεδομένα που λαμβάνονται από τηλεαισθητήρες.

'''Στόχος'''

Ο στόχος της μελέτης είναι η διερεύνηση της αποτελεσματικότητας της χρήσης δεδομένων τηλεπισκόπησης με δορυφορικές εικόνες για την πρόβλεψη των παραμέτρων ποιότητας του νερού και η επιβεβαίωση των αποτελεσμάτων μέσω της επιτόπιας συλλογής δειγμάτων νερού από σταθμούς κατά μήκος του ποταμού Τίγρη στο Ιράκ. Η παρούσα μελέτη στοχεύει να αναπτύξει και να επικυρώσει μια μεθοδολογία αξιολόγησης της ποιότητας του νερού με βάση την τηλεπισκόπηση χρησιμοποιώντας ελεύθερα διαθέσιμα δεδομένα ποιότητας νερού και δορυφορικές εικόνες Landsat 8. Επιπλέον, επιδιώκει να καθορίσει τη σχέση μεταξύ των παραμέτρων του νερού και των φασματικών ζώνών του Landsat 8.

'''Περιοχή Μελέτης'''

Η παρούσα μελέτη επικεντρώνεται σε τμήμα του ποταμού Τίγρη στη Βαγδάτη (Εικ. 1). Αυτός διασχίζει την πόλη, χωρίζοντας την σε δύο διακριτές περιοχές: την Al Rusafa και την Al Karkh. Ο ποταμός Τίγρης, που εκτείνεται σε μήκος 1900 χλμ., πηγάζει από τα ανατολικά βουνά της Τουρκίας και ρέει προς τα νότια προτού διασχίσει από βορρά προς νότο το έδαφος του Ιράκ.

[[Αρχείο:G_bisas_tiger_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.]]

Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.

'''Μέθοδοι και υλικά'''

Για αυτήν τη μελέτη, καθορίστηκαν 14 σταθμοί δειγματοληψίας κατά μήκος του ποταμού Τίγρη στη Βαγδάτη, κατά την χρονική περίοδο 2018 – 2019 (Εικ. 1) . Το όργανο μέτρησης, μέτρησε 8 παραμέτρους της ποιότητας νερού ήτοι: θερμοκρασία, ηλεκτρική αγωγιμότητα (Cond), TDS, pH, θολερότητα (Turb), Chl_a, μπλε-πράσινα φύκια (BGA), διαλυμένο οξυγόνο (DO).
Η παρούσα μελέτη χρησιμοποίησε ελεύθερα δεδομένα δορυφορικών εικόνων τηλεπισκόπησης Landsat 8 (https://earthexplorer.usgs.gov) και 9 φασματικούς δείκτες που προέκυψαν από τις ζώνες Landsat 8 για αυτήν τη μελέτη. Οι φασματικοί δεικτών (DVI), (GNDVI), (MNDWI), (MSAVI, (NDVI) , (NDWI), (NRVI), (SLAVI), (RVI) χρησιμοποιούνται για τη βελτίωση της ποιότητας του νερού και των μοντέλων πρόβλεψης.
Η μεθοδολογία που χρησιμοποιείται για την παρακολούθηση των παραμέτρων του νερού απεικονίζεται στην Εικ. 2. Τα κύρια σύνολα δεδομένων που χρησιμοποιούνται για την αξιολόγηση της ποιότητας του νερού είναι οι επιτόπιες μετρήσεις και οι δορυφορικές εικόνες τηλεπισκόπησης (Landsat 8). Η προτεινόμενη μεθοδολογία περιλαμβάνει τρεις φάσεις: αξιολόγηση (assessment) ποιότητας νερού, πρόβλεψη παραμέτρων νερού και δείκτης WQI. Κάθε φάση αναλύεται λεπτομερώς στις επόμενες ενότητες.

Εικ. 2 Μεθοδολογία της έρευνας
- Για την αξιολόγηση της ποιότητας νερού χρησιμοποιήθηκαν δείγματα νερού για την ανάλυση των βασικών στατιστικών στοιχείων. Η αξιολόγηση βασίστηκε σε οπτική ερμηνεία και τυπικές ποσοτικές προσεγγίσεις όπως το R2.
- Για την πρόβλεψη ποιότητας νερού χρησιμοποιήθηκε ο ελάχιστος απόλυτος τελεστής συρρίκνωσης και επιλογής (LASSO). Η παλινδρόμηση LASSO είναι λειτουργική για τη μοντελοποίηση δεδομένων με υψηλά επίπεδα πολυσυγγραμμικότητας. Η παλινδρόμηση LASSO χρησιμοποιήθηκε επίσης για την επιλογή των καλύτερων χαρακτηριστικών (k) που περιλαμβάνονται στα μοντέλα παλινδρόμησης για την πρόβλεψη της ποιότητας του νερού στον Τίγρη. Οι πιο σημαντικές παράμετροι για την πρόβλεψη της ποιότητας του νερού επιλέχθηκαν με αλγόριθμο
- Τα μοντέλα πρόβλεψης ποιότητας νερού αξιολογήθηκαν ποσοτικά με βάση το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) και το R2. Το RMSE χρησιμοποιήθηκε για την αξιολόγηση της μέσης απόδοσης του μοντέλου, ενώ το R2 χρησιμοποιήθηκε για τη μέτρηση της συσχέτισης μεταξύ των προβλεπόμενων και των παρατηρούμενων μετρήσεων.

'''Αποτελέσματα και Συζήτηση'''

Η αξιολόγηση της ποιότητας του νερού πραγματοποιήθηκε για πρώτη φορά ως στάδιο προεπεξεργασίας για την εκτίμηση των παραμέτρων του νερού. Τα στατιστικά για τις οκτώ παραμέτρους ποιότητας του νερού υπολογίστηκαν για το 2018 και το 2019 και σημειώνεται ότι οι διακυμάνσεις στις παραμέτρους ποιότητας του νερού μεταξύ των δύο ετών, είναι ασήμαντες εκτός από το Turb. Επίσης διαπιστώθηκε ότι, εκτός από το DO, οι άλλες παράμετροι είχαν υψηλότερη τιμές το καλοκαίρι σε σύγκριση με το χειμώνα και το 2019 ήταν ακόμη μεγαλύτερες.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες για την υποβάθμιση της ποιότητας νερού σε θέσεις δειγματοληψίας.
Από την ανάλυση συσχέτισης μεταξύ των παραμέτρων ποιότητας του νερού φάνηκε ότι υπάρχει ισχυρή, ασθενής και μέτρια συσχέτιση και υποδεικνύεται με το πράσινο, μπλε και το ενδιάμεσο χρώμα, αντίστοιχα. Το σύνολο δεδομένων δεν έδειξε ισχυρές συσχετίσεις. Η ανάλυση συσχέτισης έγινε για να εξεταστεί η αποτελεσματικότητα των φασματικών ζωνών στην αξιολόγηση των παραμέτρων ποιότητας του νερού, με βάση τις αντίστοιχες συγκεντρώσεις τους σε συνδυασμό με δορυφορικά δεδομένα. Στην εικ. 3β φαίνεται η συσχέτιση μεταξύ των δεδομένων Landsat 8 και των συγκεντρώσεων των παραμέτρων ποιότητας του νερού. Οι φασματικοί δείκτες μπορούν επίσης να βοηθήσουν στην πρόβλεψη των συγκεντρώσεων των παραμέτρων του νερού, καθώς μπορούν να ενισχύσουν τη φασματική αντίθεση μεταξύ διαφορετικών στόχων.

Εικ. 3. Η ανάλυση συσχέτισης: (α) μεταξύ των παραμέτρων ποιότητας του νερού και (β) μεταξύ των μέσων συγκεντρώσεων διαφόρων παραμέτρων ποιότητας του νερού στους σταθμούς της περιοχής μελέτης και των φασματικών ζωνών του Landsat 8.
Αναπτύχθηκαν μοντέλα πρόβλεψης για τις παραμέτρους νερού χρησιμοποιώντας παλινδρόμηση LASSO μετά την ενσωμάτωση φασματικών ζωνών και δεικτών. Η δειγματοληψία νερού έγινε ταυτόχρονα με τη λήψη δεδομένων εικόνας Landsat 8. Η επικύρωση των μοντέλων βασίστηκε σε ανεξάρτητα δεδομένα που επιλέχθηκαν τυχαία από ολόκληρο το σύνολο δεδομένων. Το μέγεθος διαχωρισμού ήταν 70% για την εκπαίδευση των μοντέλων και το υπόλοιπο 30% για την επικύρωση των μοντέλων. Για την εύρεση του βέλτιστου αριθμό χαρακτηριστικών που θα χρησιμοποιηθούν στο μοντέλο, διεξήχθη ανάλυση ευαισθησίας (4). Αυτή η μελέτη πραγματοποίησε ένα πείραμα για να αξιολογήσει τη βελτίωση της ακρίβειας λόγω της συμπερίληψης φασματικών δεικτών στην πρόβλεψη ποιότητα νερού.

Εικ 4: Απόδοση του Μοντέλου (RMSE) με διαφορετικό αριθμό χαρακτηριστικών (k) για την πρόβλεψη των παραμέτρων του νερού. Όπου πράσινο τα καλύτερα αποτελέσματα.
Από την ανάπτυξη των μοντέλων, διαπιστώθηκε ότι τα SWIR2, SVR, SVR, GNDVI, SLAVI, MSAVI, NDVI και SWIR1 ήταν τα πιο σημαντικά χαρακτηριστικά για την: Temp, Cond, TDS, PH, Turb, Chl_a, BGA και DO, αντίστοιχα. Τα NRVI, TIRS2, Κυανό, Κόκκινο, Πράσινο, SVR και SVR ήταν τα λιγότερο σημαντικά χαρακτηριστικά για τις παραπάνω παραμέτρους. Επιπλέον, τα ευρήματα υποδηλώνουν ότι η ενσωμάτωση φασματικών δεικτών στα μοντέλα πρόβλεψης των παραμέτρων ποιότητας του νερού είναι απαραίτητη για τη βελτίωση της απόδοσής τους. Η συμπερίληψη και των φασματικών δεικτών έχει βελτιώσει σημαντικά την αποτελεσματικότητα των μοντέλων LASSO στη διαφοροποίηση διαφόρων στόχων, όπως υποδεικνύεται από έναν μέσο όρο R2- 0,7, σε σύγκριση με μόνο 0,42 όταν χρησιμοποιούνται μόνο φασματικές ζώνες.
Όσον αφορά τον δείκτης WQI, τα αποτελέσματα με δεδομένα τηλεπισκόπησης από το 2018 – 2019, έδειξαν ότι ο τόσο το καλοκαίρι όσο και το χειμώνα, κυμαινόταν από φτωχός έως πολύ φτωχός.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες της υποβάθμισης της ποιότητας του νερού σε διάφορες τοποθεσίες. Αυτή η μελέτη επεδίωξε να κάνει πρόβλεψη των παραμέτρων ποιότητας του νερού χρησιμοποιώντας δορυφορικές εικόνες και να επικυρώσει τα αποτελέσματα μέσω της επιτόπιας συλλογής δειγμάτων νερού από 14 σταθμούς κατά μήκος του ποταμού.

Χρήστης:GioBisas

2024-02-21T10:47:53Z

GioBisas:

'''Πρωτότυπος τίτλος:''' Tigris River water surface quality monitoring using remote sensing data and GIS techniques

'''Συγγραφείς:''' Wael Ahmed, Suhaib Mohammed, Adel El-Shazly, Salem Morsy

1 Τμήμα Δημοσίων Έργων, Σχολή Μηχανικών, Πανεπιστήμιο Καΐρου, Γκίζα 12613, Αίγυπτος
2 ENV. Μηχανικός, Υπουργείο Περιβάλλοντος, Karada, Βαγδάτη 10062, Ιράκ
3 School of Ocean Technology, Fisheries and Marine Institute of Memorial University of Newfoundland, St. John’s NL A1C 5R3, Καναδάς

'''Δημοσιεύθηκε:''' The Egyptian Journal of Remote sensing and Space Sciences, 2023.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.ejrs.2023.09.001]]

'''Λέξεις-κλειδιά:''' ποιότητα νερού, ποταμός Τίγρης, τηλεπισκόπηση, μοντέλα πρόβλεψης αλλαγών'''

'''Εισαγωγή '''

Ο ποταμός Τίγρη αποτελεί μία τις κύριες πηγές νερού στο Ιράκ. Δεδομένης της πρόσφατης υδατικής κρίσης στην περιοχή, έχει καταστεί επιτακτική η ανάγκη αξιολόγησης της ποιότητας του νερού του Τίγρη. Αξίζει να σημειωθεί ότι, η ποιότητα του νερού του Τίγρη επηρεάζεται από την κλιματική αλλαγή (μειωμένες βροχοπτώσεις και αύξηση θερμοκρασίες), από την ύπαρξη φραγμάτων και έργων άρδευσης, που είναι υπό τον έλεγχο γειτονικών κρατών όπως η Τουρκία και το Ιράν κ.λπ. Τις τελευταίες δεκαετίες, οι ειδικοί έχουν επικεντρωθεί στη μελέτη του ποταμού Τίγρη για να εξετάσουν τις επιπτώσεις των φυσικών φαινομένων και των ανθρώπινων δραστηριοτήτων στην ποιότητα του νερού.
Το νερό είναι ζωτικής σημασίας για την ανθρώπινη υγεία και τις γεωργικές δραστηριότητες. Για την εκτίμηση της ποιότητας του νερού πρέπει να μετρηθούν πολλές παράμετροι και γι’αυτό χρησιμοποιείται ο δείκτης ποιότητας νερού (WQI) που αποτελεί μια ενιαία τιμή, συνδυάζοντας τη μέτρηση διαφορετικών παραμέτρων. Οι μετρήσεις πεδίου για την εκτίμηση της ποιότητας νερού είναι ακριβείς όμως έχουν υψηλό κόστος. Σήμερα έχουν αναπτυχθεί μεθοδολογίες δορυφορικής τηλεπισκόπησης για την αξιολόγηση της ποιότητας του νερού, λόγω της οικονομικής αποδοτικότητάς της και της υψηλής χωροχρονικής ανάλυσης σε μεγάλες γεωγραφικές περιοχές. Αν και η τηλεπισκόπηση δεν παρέχει άμεσες μετρήσεις, έχουν αναπτυχθεί αρκετοί αλγόριθμοι και μαθηματικές εξισώσεις για την πρόβλεψη της ποιότητας του νερού με τα δεδομένα που λαμβάνονται από τηλεαισθητήρες.

'''Στόχος'''

Ο στόχος της μελέτης είναι η διερεύνηση της αποτελεσματικότητας της χρήσης δεδομένων τηλεπισκόπησης με δορυφορικές εικόνες για την πρόβλεψη των παραμέτρων ποιότητας του νερού και η επιβεβαίωση των αποτελεσμάτων μέσω της επιτόπιας συλλογής δειγμάτων νερού από σταθμούς κατά μήκος του ποταμού Τίγρη στο Ιράκ. Η παρούσα μελέτη στοχεύει να αναπτύξει και να επικυρώσει μια μεθοδολογία αξιολόγησης της ποιότητας του νερού με βάση την τηλεπισκόπηση χρησιμοποιώντας ελεύθερα διαθέσιμα δεδομένα ποιότητας νερού και δορυφορικές εικόνες Landsat 8. Επιπλέον, επιδιώκει να καθορίσει τη σχέση μεταξύ των παραμέτρων του νερού και των φασματικών ζώνών του Landsat 8.

'''Περιοχή Μελέτης'''

Η παρούσα μελέτη επικεντρώνεται σε τμήμα του ποταμού Τίγρη στη Βαγδάτη (Εικ. 1). Αυτός διασχίζει την πόλη, χωρίζοντας την σε δύο διακριτές περιοχές: την Al Rusafa και την Al Karkh. Ο ποταμός Τίγρης, που εκτείνεται σε μήκος 1900 χλμ., πηγάζει από τα ανατολικά βουνά της Τουρκίας και ρέει προς τα νότια προτού διασχίσει από βορρά προς νότο το έδαφος του Ιράκ.

[[Αρχείο:g_bisas_tiger_foto1|200px|thumb|right|'''Εικόνα 1.''' Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.]]

Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.

'''Μέθοδοι και υλικά'''

Για αυτήν τη μελέτη, καθορίστηκαν 14 σταθμοί δειγματοληψίας κατά μήκος του ποταμού Τίγρη στη Βαγδάτη, κατά την χρονική περίοδο 2018 – 2019 (Εικ. 1) . Το όργανο μέτρησης, μέτρησε 8 παραμέτρους της ποιότητας νερού ήτοι: θερμοκρασία, ηλεκτρική αγωγιμότητα (Cond), TDS, pH, θολερότητα (Turb), Chl_a, μπλε-πράσινα φύκια (BGA), διαλυμένο οξυγόνο (DO).
Η παρούσα μελέτη χρησιμοποίησε ελεύθερα δεδομένα δορυφορικών εικόνων τηλεπισκόπησης Landsat 8 (https://earthexplorer.usgs.gov) και 9 φασματικούς δείκτες που προέκυψαν από τις ζώνες Landsat 8 για αυτήν τη μελέτη. Οι φασματικοί δεικτών (DVI), (GNDVI), (MNDWI), (MSAVI, (NDVI) , (NDWI), (NRVI), (SLAVI), (RVI) χρησιμοποιούνται για τη βελτίωση της ποιότητας του νερού και των μοντέλων πρόβλεψης.
Η μεθοδολογία που χρησιμοποιείται για την παρακολούθηση των παραμέτρων του νερού απεικονίζεται στην Εικ. 2. Τα κύρια σύνολα δεδομένων που χρησιμοποιούνται για την αξιολόγηση της ποιότητας του νερού είναι οι επιτόπιες μετρήσεις και οι δορυφορικές εικόνες τηλεπισκόπησης (Landsat 8). Η προτεινόμενη μεθοδολογία περιλαμβάνει τρεις φάσεις: αξιολόγηση (assessment) ποιότητας νερού, πρόβλεψη παραμέτρων νερού και δείκτης WQI. Κάθε φάση αναλύεται λεπτομερώς στις επόμενες ενότητες.

Εικ. 2 Μεθοδολογία της έρευνας
- Για την αξιολόγηση της ποιότητας νερού χρησιμοποιήθηκαν δείγματα νερού για την ανάλυση των βασικών στατιστικών στοιχείων. Η αξιολόγηση βασίστηκε σε οπτική ερμηνεία και τυπικές ποσοτικές προσεγγίσεις όπως το R2.
- Για την πρόβλεψη ποιότητας νερού χρησιμοποιήθηκε ο ελάχιστος απόλυτος τελεστής συρρίκνωσης και επιλογής (LASSO). Η παλινδρόμηση LASSO είναι λειτουργική για τη μοντελοποίηση δεδομένων με υψηλά επίπεδα πολυσυγγραμμικότητας. Η παλινδρόμηση LASSO χρησιμοποιήθηκε επίσης για την επιλογή των καλύτερων χαρακτηριστικών (k) που περιλαμβάνονται στα μοντέλα παλινδρόμησης για την πρόβλεψη της ποιότητας του νερού στον Τίγρη. Οι πιο σημαντικές παράμετροι για την πρόβλεψη της ποιότητας του νερού επιλέχθηκαν με αλγόριθμο
- Τα μοντέλα πρόβλεψης ποιότητας νερού αξιολογήθηκαν ποσοτικά με βάση το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) και το R2. Το RMSE χρησιμοποιήθηκε για την αξιολόγηση της μέσης απόδοσης του μοντέλου, ενώ το R2 χρησιμοποιήθηκε για τη μέτρηση της συσχέτισης μεταξύ των προβλεπόμενων και των παρατηρούμενων μετρήσεων.

'''Αποτελέσματα και Συζήτηση'''

Η αξιολόγηση της ποιότητας του νερού πραγματοποιήθηκε για πρώτη φορά ως στάδιο προεπεξεργασίας για την εκτίμηση των παραμέτρων του νερού. Τα στατιστικά για τις οκτώ παραμέτρους ποιότητας του νερού υπολογίστηκαν για το 2018 και το 2019 και σημειώνεται ότι οι διακυμάνσεις στις παραμέτρους ποιότητας του νερού μεταξύ των δύο ετών, είναι ασήμαντες εκτός από το Turb. Επίσης διαπιστώθηκε ότι, εκτός από το DO, οι άλλες παράμετροι είχαν υψηλότερη τιμές το καλοκαίρι σε σύγκριση με το χειμώνα και το 2019 ήταν ακόμη μεγαλύτερες.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες για την υποβάθμιση της ποιότητας νερού σε θέσεις δειγματοληψίας.
Από την ανάλυση συσχέτισης μεταξύ των παραμέτρων ποιότητας του νερού φάνηκε ότι υπάρχει ισχυρή, ασθενής και μέτρια συσχέτιση και υποδεικνύεται με το πράσινο, μπλε και το ενδιάμεσο χρώμα, αντίστοιχα. Το σύνολο δεδομένων δεν έδειξε ισχυρές συσχετίσεις. Η ανάλυση συσχέτισης έγινε για να εξεταστεί η αποτελεσματικότητα των φασματικών ζωνών στην αξιολόγηση των παραμέτρων ποιότητας του νερού, με βάση τις αντίστοιχες συγκεντρώσεις τους σε συνδυασμό με δορυφορικά δεδομένα. Στην εικ. 3β φαίνεται η συσχέτιση μεταξύ των δεδομένων Landsat 8 και των συγκεντρώσεων των παραμέτρων ποιότητας του νερού. Οι φασματικοί δείκτες μπορούν επίσης να βοηθήσουν στην πρόβλεψη των συγκεντρώσεων των παραμέτρων του νερού, καθώς μπορούν να ενισχύσουν τη φασματική αντίθεση μεταξύ διαφορετικών στόχων.

Εικ. 3. Η ανάλυση συσχέτισης: (α) μεταξύ των παραμέτρων ποιότητας του νερού και (β) μεταξύ των μέσων συγκεντρώσεων διαφόρων παραμέτρων ποιότητας του νερού στους σταθμούς της περιοχής μελέτης και των φασματικών ζωνών του Landsat 8.
Αναπτύχθηκαν μοντέλα πρόβλεψης για τις παραμέτρους νερού χρησιμοποιώντας παλινδρόμηση LASSO μετά την ενσωμάτωση φασματικών ζωνών και δεικτών. Η δειγματοληψία νερού έγινε ταυτόχρονα με τη λήψη δεδομένων εικόνας Landsat 8. Η επικύρωση των μοντέλων βασίστηκε σε ανεξάρτητα δεδομένα που επιλέχθηκαν τυχαία από ολόκληρο το σύνολο δεδομένων. Το μέγεθος διαχωρισμού ήταν 70% για την εκπαίδευση των μοντέλων και το υπόλοιπο 30% για την επικύρωση των μοντέλων. Για την εύρεση του βέλτιστου αριθμό χαρακτηριστικών που θα χρησιμοποιηθούν στο μοντέλο, διεξήχθη ανάλυση ευαισθησίας (4). Αυτή η μελέτη πραγματοποίησε ένα πείραμα για να αξιολογήσει τη βελτίωση της ακρίβειας λόγω της συμπερίληψης φασματικών δεικτών στην πρόβλεψη ποιότητα νερού.

Εικ 4: Απόδοση του Μοντέλου (RMSE) με διαφορετικό αριθμό χαρακτηριστικών (k) για την πρόβλεψη των παραμέτρων του νερού. Όπου πράσινο τα καλύτερα αποτελέσματα.
Από την ανάπτυξη των μοντέλων, διαπιστώθηκε ότι τα SWIR2, SVR, SVR, GNDVI, SLAVI, MSAVI, NDVI και SWIR1 ήταν τα πιο σημαντικά χαρακτηριστικά για την: Temp, Cond, TDS, PH, Turb, Chl_a, BGA και DO, αντίστοιχα. Τα NRVI, TIRS2, Κυανό, Κόκκινο, Πράσινο, SVR και SVR ήταν τα λιγότερο σημαντικά χαρακτηριστικά για τις παραπάνω παραμέτρους. Επιπλέον, τα ευρήματα υποδηλώνουν ότι η ενσωμάτωση φασματικών δεικτών στα μοντέλα πρόβλεψης των παραμέτρων ποιότητας του νερού είναι απαραίτητη για τη βελτίωση της απόδοσής τους. Η συμπερίληψη και των φασματικών δεικτών έχει βελτιώσει σημαντικά την αποτελεσματικότητα των μοντέλων LASSO στη διαφοροποίηση διαφόρων στόχων, όπως υποδεικνύεται από έναν μέσο όρο R2- 0,7, σε σύγκριση με μόνο 0,42 όταν χρησιμοποιούνται μόνο φασματικές ζώνες.
Όσον αφορά τον δείκτης WQI, τα αποτελέσματα με δεδομένα τηλεπισκόπησης από το 2018 – 2019, έδειξαν ότι ο τόσο το καλοκαίρι όσο και το χειμώνα, κυμαινόταν από φτωχός έως πολύ φτωχός.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες της υποβάθμισης της ποιότητας του νερού σε διάφορες τοποθεσίες. Αυτή η μελέτη επεδίωξε να κάνει πρόβλεψη των παραμέτρων ποιότητας του νερού χρησιμοποιώντας δορυφορικές εικόνες και να επικυρώσει τα αποτελέσματα μέσω της επιτόπιας συλλογής δειγμάτων νερού από 14 σταθμούς κατά μήκος του ποταμού.

Χρήστης:GioBisas

2024-02-21T10:43:27Z

GioBisas:

'''Πρωτότυπος τίτλος:''' Tigris River water surface quality monitoring using remote sensing data and GIS techniques

'''Συγγραφείς:''' Wael Ahmed, Suhaib Mohammed, Adel El-Shazly, Salem Morsy

1 Τμήμα Δημοσίων Έργων, Σχολή Μηχανικών, Πανεπιστήμιο Καΐρου, Γκίζα 12613, Αίγυπτος
2 ENV. Μηχανικός, Υπουργείο Περιβάλλοντος, Karada, Βαγδάτη 10062, Ιράκ
3 School of Ocean Technology, Fisheries and Marine Institute of Memorial University of Newfoundland, St. John’s NL A1C 5R3, Καναδάς

'''Δημοσιεύθηκε:''' The Egyptian Journal of Remote sensing and Space Sciences, 2023.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.ejrs.2023.09.001]]

'''Λέξεις-κλειδιά:''' ποιότητα νερού, ποταμός Τίγρης, τηλεπισκόπηση, μοντέλα πρόβλεψης αλλαγών'''

'''Εισαγωγή '''

Ο ποταμός Τίγρη αποτελεί μία τις κύριες πηγές νερού στο Ιράκ. Δεδομένης της πρόσφατης υδατικής κρίσης στην περιοχή, έχει καταστεί επιτακτική η ανάγκη αξιολόγησης της ποιότητας του νερού του Τίγρη. Αξίζει να σημειωθεί ότι, η ποιότητα του νερού του Τίγρη επηρεάζεται από την κλιματική αλλαγή (μειωμένες βροχοπτώσεις και αύξηση θερμοκρασίες), από την ύπαρξη φραγμάτων και έργων άρδευσης, που είναι υπό τον έλεγχο γειτονικών κρατών όπως η Τουρκία και το Ιράν κ.λπ. Τις τελευταίες δεκαετίες, οι ειδικοί έχουν επικεντρωθεί στη μελέτη του ποταμού Τίγρη για να εξετάσουν τις επιπτώσεις των φυσικών φαινομένων και των ανθρώπινων δραστηριοτήτων στην ποιότητα του νερού.
Το νερό είναι ζωτικής σημασίας για την ανθρώπινη υγεία και τις γεωργικές δραστηριότητες. Για την εκτίμηση της ποιότητας του νερού πρέπει να μετρηθούν πολλές παράμετροι και γι’αυτό χρησιμοποιείται ο δείκτης ποιότητας νερού (WQI) που αποτελεί μια ενιαία τιμή, συνδυάζοντας τη μέτρηση διαφορετικών παραμέτρων. Οι μετρήσεις πεδίου για την εκτίμηση της ποιότητας νερού είναι ακριβείς όμως έχουν υψηλό κόστος. Σήμερα έχουν αναπτυχθεί μεθοδολογίες δορυφορικής τηλεπισκόπησης για την αξιολόγηση της ποιότητας του νερού, λόγω της οικονομικής αποδοτικότητάς της και της υψηλής χωροχρονικής ανάλυσης σε μεγάλες γεωγραφικές περιοχές. Αν και η τηλεπισκόπηση δεν παρέχει άμεσες μετρήσεις, έχουν αναπτυχθεί αρκετοί αλγόριθμοι και μαθηματικές εξισώσεις για την πρόβλεψη της ποιότητας του νερού με τα δεδομένα που λαμβάνονται από τηλεαισθητήρες.

'''Στόχος'''

Ο στόχος της μελέτης είναι η διερεύνηση της αποτελεσματικότητας της χρήσης δεδομένων τηλεπισκόπησης με δορυφορικές εικόνες για την πρόβλεψη των παραμέτρων ποιότητας του νερού και η επιβεβαίωση των αποτελεσμάτων μέσω της επιτόπιας συλλογής δειγμάτων νερού από σταθμούς κατά μήκος του ποταμού Τίγρη στο Ιράκ. Η παρούσα μελέτη στοχεύει να αναπτύξει και να επικυρώσει μια μεθοδολογία αξιολόγησης της ποιότητας του νερού με βάση την τηλεπισκόπηση χρησιμοποιώντας ελεύθερα διαθέσιμα δεδομένα ποιότητας νερού και δορυφορικές εικόνες Landsat 8. Επιπλέον, επιδιώκει να καθορίσει τη σχέση μεταξύ των παραμέτρων του νερού και των φασματικών ζώνών του Landsat 8.

'''Περιοχή Μελέτης'''

Η παρούσα μελέτη επικεντρώνεται σε τμήμα του ποταμού Τίγρη στη Βαγδάτη (Εικ. 1). Αυτός διασχίζει την πόλη, χωρίζοντας την σε δύο διακριτές περιοχές: την Al Rusafa και την Al Karkh. Ο ποταμός Τίγρης, που εκτείνεται σε μήκος 1900 χλμ., πηγάζει από τα ανατολικά βουνά της Τουρκίας και ρέει προς τα νότια προτού διασχίσει από βορρά προς νότο το έδαφος του Ιράκ.

[[Αρχείο:g_bisas_tiger_foto1|200px|thumb|right|'''Εικόνα 1.''' Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.

Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.

'''Μέθοδοι και υλικά'''

Για αυτήν τη μελέτη, καθορίστηκαν 14 σταθμοί δειγματοληψίας κατά μήκος του ποταμού Τίγρη στη Βαγδάτη, κατά την χρονική περίοδο 2018 – 2019 (Εικ. 1) . Το όργανο μέτρησης, μέτρησε 8 παραμέτρους της ποιότητας νερού ήτοι: θερμοκρασία, ηλεκτρική αγωγιμότητα (Cond), TDS, pH, θολερότητα (Turb), Chl_a, μπλε-πράσινα φύκια (BGA), διαλυμένο οξυγόνο (DO).
Η παρούσα μελέτη χρησιμοποίησε ελεύθερα δεδομένα δορυφορικών εικόνων τηλεπισκόπησης Landsat 8 (https://earthexplorer.usgs.gov) και 9 φασματικούς δείκτες που προέκυψαν από τις ζώνες Landsat 8 για αυτήν τη μελέτη. Οι φασματικοί δεικτών (DVI), (GNDVI), (MNDWI), (MSAVI, (NDVI) , (NDWI), (NRVI), (SLAVI), (RVI) χρησιμοποιούνται για τη βελτίωση της ποιότητας του νερού και των μοντέλων πρόβλεψης.
Η μεθοδολογία που χρησιμοποιείται για την παρακολούθηση των παραμέτρων του νερού απεικονίζεται στην Εικ. 2. Τα κύρια σύνολα δεδομένων που χρησιμοποιούνται για την αξιολόγηση της ποιότητας του νερού είναι οι επιτόπιες μετρήσεις και οι δορυφορικές εικόνες τηλεπισκόπησης (Landsat 8). Η προτεινόμενη μεθοδολογία περιλαμβάνει τρεις φάσεις: αξιολόγηση (assessment) ποιότητας νερού, πρόβλεψη παραμέτρων νερού και δείκτης WQI. Κάθε φάση αναλύεται λεπτομερώς στις επόμενες ενότητες.

Εικ. 2 Μεθοδολογία της έρευνας
- Για την αξιολόγηση της ποιότητας νερού χρησιμοποιήθηκαν δείγματα νερού για την ανάλυση των βασικών στατιστικών στοιχείων. Η αξιολόγηση βασίστηκε σε οπτική ερμηνεία και τυπικές ποσοτικές προσεγγίσεις όπως το R2.
- Για την πρόβλεψη ποιότητας νερού χρησιμοποιήθηκε ο ελάχιστος απόλυτος τελεστής συρρίκνωσης και επιλογής (LASSO). Η παλινδρόμηση LASSO είναι λειτουργική για τη μοντελοποίηση δεδομένων με υψηλά επίπεδα πολυσυγγραμμικότητας. Η παλινδρόμηση LASSO χρησιμοποιήθηκε επίσης για την επιλογή των καλύτερων χαρακτηριστικών (k) που περιλαμβάνονται στα μοντέλα παλινδρόμησης για την πρόβλεψη της ποιότητας του νερού στον Τίγρη. Οι πιο σημαντικές παράμετροι για την πρόβλεψη της ποιότητας του νερού επιλέχθηκαν με αλγόριθμο
- Τα μοντέλα πρόβλεψης ποιότητας νερού αξιολογήθηκαν ποσοτικά με βάση το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) και το R2. Το RMSE χρησιμοποιήθηκε για την αξιολόγηση της μέσης απόδοσης του μοντέλου, ενώ το R2 χρησιμοποιήθηκε για τη μέτρηση της συσχέτισης μεταξύ των προβλεπόμενων και των παρατηρούμενων μετρήσεων.

'''Αποτελέσματα και Συζήτηση'''

Η αξιολόγηση της ποιότητας του νερού πραγματοποιήθηκε για πρώτη φορά ως στάδιο προεπεξεργασίας για την εκτίμηση των παραμέτρων του νερού. Τα στατιστικά για τις οκτώ παραμέτρους ποιότητας του νερού υπολογίστηκαν για το 2018 και το 2019 και σημειώνεται ότι οι διακυμάνσεις στις παραμέτρους ποιότητας του νερού μεταξύ των δύο ετών, είναι ασήμαντες εκτός από το Turb. Επίσης διαπιστώθηκε ότι, εκτός από το DO, οι άλλες παράμετροι είχαν υψηλότερη τιμές το καλοκαίρι σε σύγκριση με το χειμώνα και το 2019 ήταν ακόμη μεγαλύτερες.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες για την υποβάθμιση της ποιότητας νερού σε θέσεις δειγματοληψίας.
Από την ανάλυση συσχέτισης μεταξύ των παραμέτρων ποιότητας του νερού φάνηκε ότι υπάρχει ισχυρή, ασθενής και μέτρια συσχέτιση και υποδεικνύεται με το πράσινο, μπλε και το ενδιάμεσο χρώμα, αντίστοιχα. Το σύνολο δεδομένων δεν έδειξε ισχυρές συσχετίσεις. Η ανάλυση συσχέτισης έγινε για να εξεταστεί η αποτελεσματικότητα των φασματικών ζωνών στην αξιολόγηση των παραμέτρων ποιότητας του νερού, με βάση τις αντίστοιχες συγκεντρώσεις τους σε συνδυασμό με δορυφορικά δεδομένα. Στην εικ. 3β φαίνεται η συσχέτιση μεταξύ των δεδομένων Landsat 8 και των συγκεντρώσεων των παραμέτρων ποιότητας του νερού. Οι φασματικοί δείκτες μπορούν επίσης να βοηθήσουν στην πρόβλεψη των συγκεντρώσεων των παραμέτρων του νερού, καθώς μπορούν να ενισχύσουν τη φασματική αντίθεση μεταξύ διαφορετικών στόχων.

Εικ. 3. Η ανάλυση συσχέτισης: (α) μεταξύ των παραμέτρων ποιότητας του νερού και (β) μεταξύ των μέσων συγκεντρώσεων διαφόρων παραμέτρων ποιότητας του νερού στους σταθμούς της περιοχής μελέτης και των φασματικών ζωνών του Landsat 8.
Αναπτύχθηκαν μοντέλα πρόβλεψης για τις παραμέτρους νερού χρησιμοποιώντας παλινδρόμηση LASSO μετά την ενσωμάτωση φασματικών ζωνών και δεικτών. Η δειγματοληψία νερού έγινε ταυτόχρονα με τη λήψη δεδομένων εικόνας Landsat 8. Η επικύρωση των μοντέλων βασίστηκε σε ανεξάρτητα δεδομένα που επιλέχθηκαν τυχαία από ολόκληρο το σύνολο δεδομένων. Το μέγεθος διαχωρισμού ήταν 70% για την εκπαίδευση των μοντέλων και το υπόλοιπο 30% για την επικύρωση των μοντέλων. Για την εύρεση του βέλτιστου αριθμό χαρακτηριστικών που θα χρησιμοποιηθούν στο μοντέλο, διεξήχθη ανάλυση ευαισθησίας (4). Αυτή η μελέτη πραγματοποίησε ένα πείραμα για να αξιολογήσει τη βελτίωση της ακρίβειας λόγω της συμπερίληψης φασματικών δεικτών στην πρόβλεψη ποιότητα νερού.

Εικ 4: Απόδοση του Μοντέλου (RMSE) με διαφορετικό αριθμό χαρακτηριστικών (k) για την πρόβλεψη των παραμέτρων του νερού. Όπου πράσινο τα καλύτερα αποτελέσματα.
Από την ανάπτυξη των μοντέλων, διαπιστώθηκε ότι τα SWIR2, SVR, SVR, GNDVI, SLAVI, MSAVI, NDVI και SWIR1 ήταν τα πιο σημαντικά χαρακτηριστικά για την: Temp, Cond, TDS, PH, Turb, Chl_a, BGA και DO, αντίστοιχα. Τα NRVI, TIRS2, Κυανό, Κόκκινο, Πράσινο, SVR και SVR ήταν τα λιγότερο σημαντικά χαρακτηριστικά για τις παραπάνω παραμέτρους. Επιπλέον, τα ευρήματα υποδηλώνουν ότι η ενσωμάτωση φασματικών δεικτών στα μοντέλα πρόβλεψης των παραμέτρων ποιότητας του νερού είναι απαραίτητη για τη βελτίωση της απόδοσής τους. Η συμπερίληψη και των φασματικών δεικτών έχει βελτιώσει σημαντικά την αποτελεσματικότητα των μοντέλων LASSO στη διαφοροποίηση διαφόρων στόχων, όπως υποδεικνύεται από έναν μέσο όρο R2- 0,7, σε σύγκριση με μόνο 0,42 όταν χρησιμοποιούνται μόνο φασματικές ζώνες.
Όσον αφορά τον δείκτης WQI, τα αποτελέσματα με δεδομένα τηλεπισκόπησης από το 2018 – 2019, έδειξαν ότι ο τόσο το καλοκαίρι όσο και το χειμώνα, κυμαινόταν από φτωχός έως πολύ φτωχός.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες της υποβάθμισης της ποιότητας του νερού σε διάφορες τοποθεσίες. Αυτή η μελέτη επεδίωξε να κάνει πρόβλεψη των παραμέτρων ποιότητας του νερού χρησιμοποιώντας δορυφορικές εικόνες και να επικυρώσει τα αποτελέσματα μέσω της επιτόπιας συλλογής δειγμάτων νερού από 14 σταθμούς κατά μήκος του ποταμού.

Αρχείο:Gbisas tiger foto4.jpg

2024-02-21T10:40:44Z

GioBisas:

Αρχείο:Gbisas tiger foto3.jpg

2024-02-21T10:40:31Z

GioBisas:

Αρχείο:G bisas tiger foto1.jpg

2024-02-21T10:37:25Z

GioBisas:

Χρήστης:GioBisas

2024-02-21T10:23:52Z

GioBisas:

'''Πρωτότυπος τίτλος:''' Tigris River water surface quality monitoring using remote sensing data and GIS techniques

'''Συγγραφείς:''' Wael Ahmed, Suhaib Mohammed, Adel El-Shazly, Salem Morsy

1 Τμήμα Δημοσίων Έργων, Σχολή Μηχανικών, Πανεπιστήμιο Καΐρου, Γκίζα 12613, Αίγυπτος
2 ENV. Μηχανικός, Υπουργείο Περιβάλλοντος, Karada, Βαγδάτη 10062, Ιράκ
3 School of Ocean Technology, Fisheries and Marine Institute of Memorial University of Newfoundland, St. John’s NL A1C 5R3, Καναδάς

'''Δημοσιεύθηκε:''' The Egyptian Journal of Remote sensing and Space Sciences, 2023.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.ejrs.2023.09.001]]

'''Λέξεις-κλειδιά:''' ποιότητα νερού, ποταμός Τίγρης, τηλεπισκόπηση, μοντέλα πρόβλεψης αλλαγών'''

'''Εισαγωγή '''

Ο ποταμός Τίγρη αποτελεί μία τις κύριες πηγές νερού στο Ιράκ. Δεδομένης της πρόσφατης υδατικής κρίσης στην περιοχή, έχει καταστεί επιτακτική η ανάγκη αξιολόγησης της ποιότητας του νερού του Τίγρη. Αξίζει να σημειωθεί ότι, η ποιότητα του νερού του Τίγρη επηρεάζεται από την κλιματική αλλαγή (μειωμένες βροχοπτώσεις και αύξηση θερμοκρασίες), από την ύπαρξη φραγμάτων και έργων άρδευσης, που είναι υπό τον έλεγχο γειτονικών κρατών όπως η Τουρκία και το Ιράν κ.λπ. Τις τελευταίες δεκαετίες, οι ειδικοί έχουν επικεντρωθεί στη μελέτη του ποταμού Τίγρη για να εξετάσουν τις επιπτώσεις των φυσικών φαινομένων και των ανθρώπινων δραστηριοτήτων στην ποιότητα του νερού.
Το νερό είναι ζωτικής σημασίας για την ανθρώπινη υγεία και τις γεωργικές δραστηριότητες. Για την εκτίμηση της ποιότητας του νερού πρέπει να μετρηθούν πολλές παράμετροι και γι’αυτό χρησιμοποιείται ο δείκτης ποιότητας νερού (WQI) που αποτελεί μια ενιαία τιμή, συνδυάζοντας τη μέτρηση διαφορετικών παραμέτρων. Οι μετρήσεις πεδίου για την εκτίμηση της ποιότητας νερού είναι ακριβείς όμως έχουν υψηλό κόστος. Σήμερα έχουν αναπτυχθεί μεθοδολογίες δορυφορικής τηλεπισκόπησης για την αξιολόγηση της ποιότητας του νερού, λόγω της οικονομικής αποδοτικότητάς της και της υψηλής χωροχρονικής ανάλυσης σε μεγάλες γεωγραφικές περιοχές. Αν και η τηλεπισκόπηση δεν παρέχει άμεσες μετρήσεις, έχουν αναπτυχθεί αρκετοί αλγόριθμοι και μαθηματικές εξισώσεις για την πρόβλεψη της ποιότητας του νερού με τα δεδομένα που λαμβάνονται από τηλεαισθητήρες.

'''Στόχος'''

Ο στόχος της μελέτης είναι η διερεύνηση της αποτελεσματικότητας της χρήσης δεδομένων τηλεπισκόπησης με δορυφορικές εικόνες για την πρόβλεψη των παραμέτρων ποιότητας του νερού και η επιβεβαίωση των αποτελεσμάτων μέσω της επιτόπιας συλλογής δειγμάτων νερού από σταθμούς κατά μήκος του ποταμού Τίγρη στο Ιράκ. Η παρούσα μελέτη στοχεύει να αναπτύξει και να επικυρώσει μια μεθοδολογία αξιολόγησης της ποιότητας του νερού με βάση την τηλεπισκόπηση χρησιμοποιώντας ελεύθερα διαθέσιμα δεδομένα ποιότητας νερού και δορυφορικές εικόνες Landsat 8. Επιπλέον, επιδιώκει να καθορίσει τη σχέση μεταξύ των παραμέτρων του νερού και των φασματικών ζώνών του Landsat 8.

'''Περιοχή Μελέτης'''

Η παρούσα μελέτη επικεντρώνεται σε τμήμα του ποταμού Τίγρη στη Βαγδάτη (Εικ. 1). Αυτός διασχίζει την πόλη, χωρίζοντας την σε δύο διακριτές περιοχές: την Al Rusafa και την Al Karkh. Ο ποταμός Τίγρης, που εκτείνεται σε μήκος 1900 χλμ., πηγάζει από τα ανατολικά βουνά της Τουρκίας και ρέει προς τα νότια προτού διασχίσει από βορρά προς νότο το έδαφος του Ιράκ.

Εικ. 1.Η περιοχή μελέτης και οι γεωγραφικές θέσεις των σταθμών παρακολούθησης της ποιότητας νερού φαίνονται με κόκκινο κύκλο.

'''Μέθοδοι και υλικά'''

Για αυτήν τη μελέτη, καθορίστηκαν 14 σταθμοί δειγματοληψίας κατά μήκος του ποταμού Τίγρη στη Βαγδάτη, κατά την χρονική περίοδο 2018 – 2019 (Εικ. 1) . Το όργανο μέτρησης, μέτρησε 8 παραμέτρους της ποιότητας νερού ήτοι: θερμοκρασία, ηλεκτρική αγωγιμότητα (Cond), TDS, pH, θολερότητα (Turb), Chl_a, μπλε-πράσινα φύκια (BGA), διαλυμένο οξυγόνο (DO).
Η παρούσα μελέτη χρησιμοποίησε ελεύθερα δεδομένα δορυφορικών εικόνων τηλεπισκόπησης Landsat 8 (https://earthexplorer.usgs.gov) και 9 φασματικούς δείκτες που προέκυψαν από τις ζώνες Landsat 8 για αυτήν τη μελέτη. Οι φασματικοί δεικτών (DVI), (GNDVI), (MNDWI), (MSAVI, (NDVI) , (NDWI), (NRVI), (SLAVI), (RVI) χρησιμοποιούνται για τη βελτίωση της ποιότητας του νερού και των μοντέλων πρόβλεψης.
Η μεθοδολογία που χρησιμοποιείται για την παρακολούθηση των παραμέτρων του νερού απεικονίζεται στην Εικ. 2. Τα κύρια σύνολα δεδομένων που χρησιμοποιούνται για την αξιολόγηση της ποιότητας του νερού είναι οι επιτόπιες μετρήσεις και οι δορυφορικές εικόνες τηλεπισκόπησης (Landsat 8). Η προτεινόμενη μεθοδολογία περιλαμβάνει τρεις φάσεις: αξιολόγηση (assessment) ποιότητας νερού, πρόβλεψη παραμέτρων νερού και δείκτης WQI. Κάθε φάση αναλύεται λεπτομερώς στις επόμενες ενότητες.

Εικ. 2 Μεθοδολογία της έρευνας
- Για την αξιολόγηση της ποιότητας νερού χρησιμοποιήθηκαν δείγματα νερού για την ανάλυση των βασικών στατιστικών στοιχείων. Η αξιολόγηση βασίστηκε σε οπτική ερμηνεία και τυπικές ποσοτικές προσεγγίσεις όπως το R2.
- Για την πρόβλεψη ποιότητας νερού χρησιμοποιήθηκε ο ελάχιστος απόλυτος τελεστής συρρίκνωσης και επιλογής (LASSO). Η παλινδρόμηση LASSO είναι λειτουργική για τη μοντελοποίηση δεδομένων με υψηλά επίπεδα πολυσυγγραμμικότητας. Η παλινδρόμηση LASSO χρησιμοποιήθηκε επίσης για την επιλογή των καλύτερων χαρακτηριστικών (k) που περιλαμβάνονται στα μοντέλα παλινδρόμησης για την πρόβλεψη της ποιότητας του νερού στον Τίγρη. Οι πιο σημαντικές παράμετροι για την πρόβλεψη της ποιότητας του νερού επιλέχθηκαν με αλγόριθμο
- Τα μοντέλα πρόβλεψης ποιότητας νερού αξιολογήθηκαν ποσοτικά με βάση το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) και το R2. Το RMSE χρησιμοποιήθηκε για την αξιολόγηση της μέσης απόδοσης του μοντέλου, ενώ το R2 χρησιμοποιήθηκε για τη μέτρηση της συσχέτισης μεταξύ των προβλεπόμενων και των παρατηρούμενων μετρήσεων.

'''Αποτελέσματα και Συζήτηση'''

Η αξιολόγηση της ποιότητας του νερού πραγματοποιήθηκε για πρώτη φορά ως στάδιο προεπεξεργασίας για την εκτίμηση των παραμέτρων του νερού. Τα στατιστικά για τις οκτώ παραμέτρους ποιότητας του νερού υπολογίστηκαν για το 2018 και το 2019 και σημειώνεται ότι οι διακυμάνσεις στις παραμέτρους ποιότητας του νερού μεταξύ των δύο ετών, είναι ασήμαντες εκτός από το Turb. Επίσης διαπιστώθηκε ότι, εκτός από το DO, οι άλλες παράμετροι είχαν υψηλότερη τιμές το καλοκαίρι σε σύγκριση με το χειμώνα και το 2019 ήταν ακόμη μεγαλύτερες.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες για την υποβάθμιση της ποιότητας νερού σε θέσεις δειγματοληψίας.
Από την ανάλυση συσχέτισης μεταξύ των παραμέτρων ποιότητας του νερού φάνηκε ότι υπάρχει ισχυρή, ασθενής και μέτρια συσχέτιση και υποδεικνύεται με το πράσινο, μπλε και το ενδιάμεσο χρώμα, αντίστοιχα. Το σύνολο δεδομένων δεν έδειξε ισχυρές συσχετίσεις. Η ανάλυση συσχέτισης έγινε για να εξεταστεί η αποτελεσματικότητα των φασματικών ζωνών στην αξιολόγηση των παραμέτρων ποιότητας του νερού, με βάση τις αντίστοιχες συγκεντρώσεις τους σε συνδυασμό με δορυφορικά δεδομένα. Στην εικ. 3β φαίνεται η συσχέτιση μεταξύ των δεδομένων Landsat 8 και των συγκεντρώσεων των παραμέτρων ποιότητας του νερού. Οι φασματικοί δείκτες μπορούν επίσης να βοηθήσουν στην πρόβλεψη των συγκεντρώσεων των παραμέτρων του νερού, καθώς μπορούν να ενισχύσουν τη φασματική αντίθεση μεταξύ διαφορετικών στόχων.

Εικ. 3. Η ανάλυση συσχέτισης: (α) μεταξύ των παραμέτρων ποιότητας του νερού και (β) μεταξύ των μέσων συγκεντρώσεων διαφόρων παραμέτρων ποιότητας του νερού στους σταθμούς της περιοχής μελέτης και των φασματικών ζωνών του Landsat 8.
Αναπτύχθηκαν μοντέλα πρόβλεψης για τις παραμέτρους νερού χρησιμοποιώντας παλινδρόμηση LASSO μετά την ενσωμάτωση φασματικών ζωνών και δεικτών. Η δειγματοληψία νερού έγινε ταυτόχρονα με τη λήψη δεδομένων εικόνας Landsat 8. Η επικύρωση των μοντέλων βασίστηκε σε ανεξάρτητα δεδομένα που επιλέχθηκαν τυχαία από ολόκληρο το σύνολο δεδομένων. Το μέγεθος διαχωρισμού ήταν 70% για την εκπαίδευση των μοντέλων και το υπόλοιπο 30% για την επικύρωση των μοντέλων. Για την εύρεση του βέλτιστου αριθμό χαρακτηριστικών που θα χρησιμοποιηθούν στο μοντέλο, διεξήχθη ανάλυση ευαισθησίας (4). Αυτή η μελέτη πραγματοποίησε ένα πείραμα για να αξιολογήσει τη βελτίωση της ακρίβειας λόγω της συμπερίληψης φασματικών δεικτών στην πρόβλεψη ποιότητα νερού.

Εικ 4: Απόδοση του Μοντέλου (RMSE) με διαφορετικό αριθμό χαρακτηριστικών (k) για την πρόβλεψη των παραμέτρων του νερού. Όπου πράσινο τα καλύτερα αποτελέσματα.
Από την ανάπτυξη των μοντέλων, διαπιστώθηκε ότι τα SWIR2, SVR, SVR, GNDVI, SLAVI, MSAVI, NDVI και SWIR1 ήταν τα πιο σημαντικά χαρακτηριστικά για την: Temp, Cond, TDS, PH, Turb, Chl_a, BGA και DO, αντίστοιχα. Τα NRVI, TIRS2, Κυανό, Κόκκινο, Πράσινο, SVR και SVR ήταν τα λιγότερο σημαντικά χαρακτηριστικά για τις παραπάνω παραμέτρους. Επιπλέον, τα ευρήματα υποδηλώνουν ότι η ενσωμάτωση φασματικών δεικτών στα μοντέλα πρόβλεψης των παραμέτρων ποιότητας του νερού είναι απαραίτητη για τη βελτίωση της απόδοσής τους. Η συμπερίληψη και των φασματικών δεικτών έχει βελτιώσει σημαντικά την αποτελεσματικότητα των μοντέλων LASSO στη διαφοροποίηση διαφόρων στόχων, όπως υποδεικνύεται από έναν μέσο όρο R2- 0,7, σε σύγκριση με μόνο 0,42 όταν χρησιμοποιούνται μόνο φασματικές ζώνες.
Όσον αφορά τον δείκτης WQI, τα αποτελέσματα με δεδομένα τηλεπισκόπησης από το 2018 – 2019, έδειξαν ότι ο τόσο το καλοκαίρι όσο και το χειμώνα, κυμαινόταν από φτωχός έως πολύ φτωχός.
Η γεωργία, οι βιομηχανικές δραστηριότητες, οι ανθρώπινες δραστηριότητες και η κλιματική αλλαγή είναι οι κύριες αιτίες της υποβάθμισης της ποιότητας του νερού σε διάφορες τοποθεσίες. Αυτή η μελέτη επεδίωξε να κάνει πρόβλεψη των παραμέτρων ποιότητας του νερού χρησιμοποιώντας δορυφορικές εικόνες και να επικυρώσει τα αποτελέσματα μέσω της επιτόπιας συλλογής δειγμάτων νερού από 14 σταθμούς κατά μήκος του ποταμού.