http://147.102.106.44/rs/wiki/index.php?feed=atom&target=Niknakkas&title=%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C%3A%CE%A3%CF%85%CE%BD%CE%B5%CE%B9%CF%83%CF%86%CE%BF%CF%81%CE%AD%CF%82%2FNiknakkas 2026-05-19T23:14:31Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/Climate_Change_Education_through_Earth_Observation:_An_Approach_for_EO_Newcomers_in_Schools 2024-02-23T23:30:21Z

<p>Niknakkas: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Climate Change Education through Earth Observation: An Approach for EO Newcomers in Schools''<br /> <br /> '''Συγγραφείς: ''' Panagiota Asimakopoulou, Panagiotis Nastos, Emmanuel Vassilakis, Assimina Antonarakou, Maria Hatzaki, Ourania Katsigianni, Maria Papamatthaiou, Charalampos (Haris) Kontoes<br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2023, 15(19), 14454; https://doi.org/10.3390/su151914454'' <br /> <br /> '''Λέξεις κλειδιά: ''' Παρατήρηση της Γης, Κλιματική Αλλαγή και Εκπαίδευση για την Αειφορία , μάθηση με βάση τα φαινόμενα, μάθηση βάσει περιβάλλοντος, EO browser, δημοτικό σχολείο<br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> [[Αρχείο:Education1.png | thumb| right|'''Εικόνα 1.''' '' Μεταφρασμένο απόσπασμα από τα προσαρμοσμένα επιστημονικά κείμενα που δόθηκαν στους μαθητές για την υποστήριξη της διερευνητικής μαθησιακής διαδικασίας. Η επίδραση της κλίσης στη συμπεριφορά της πυρκαγιάς: α) μια χαμηλού κινδύνου «έρπουσα φωτιά» που καίει αργά στην κατηφόρα και (β) μια επικίνδυνη «φωτιά που τρέχει» που καίει γρήγορα σε ανηφόρα'' ]]<br /> [[Αρχείο:Large1.jpeg | thumb| right|'''Εικόνα 2.''' '' Ενδιαφέρουσα εικόνα που χρησιμοποιείται ως εφαλτήριο στο σχέδιο 2ου μαθήματος, με βάση την προσέγγιση μάθησης με βάση το φαινόμενο.'' ]]<br /> [[Αρχείο:Education3.png | thumb| right|'''Εικόνα 3.''' '' Στιγμιότυπο από το εργαλείο Diachronic BSM του BEYOND FireHub, που χρησιμοποιήθηκε από τους μαθητές για τη μελέτη των τοπικών πυρκαγιών.'' ]]<br /> [[Αρχείο:Education4.png | thumb| right|'''Εικόνα 4.''' '' Μαθητές στο Αγρίνιο (αριστερά) και στην Αθήνα (δεξιά) που μελετούν το προαιρετικό συμπληρωματικό υλικό «Διδάξτε με Δορυφόρους» μετά την ολοκλήρωση των δραστηριοτήτων MaFiSS.'' ]]<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Στο παρόν άρθρο υπογραμμίζεται ο επείγον χαρακτήρας για την αντιμετώπισης της κλιματικής αλλαγής (CC) και της περιβαλλοντικής υποβάθμισης λόγω της υπαρξιακής απειλής τους. Τονίζεται η ανάγκη για εκπαίδευση στην και την κλιματική αλλαγή (CCE) στα σχολεία, όπως αναγνωρίζεται από διεθνή πλαίσια όπως η Σύμβαση-Πλαίσιο των Ηνωμένων Εθνών για την κλιματική αλλαγή, η Συμφωνία των Παρισίων και η Ευρωπαϊκή Πράσινη Συμφωνία. Η UNESCO τάσσεται υπέρ της CCE, τονίζοντας τον ρόλο της στην ενδυνάμωση των νέων με τις απαραίτητες γνώσεις και δεξιότητες για τον περιορισμό και την προσαρμογή στην κλιματική αλλαγή. Οι έρευνες δείχνουν ότι τα προγράμματα CCE επηρεάζουν όχι μόνο τους μαθητές αλλά και τους γονείς τους, οδηγώντας σε αυξημένη ευαισθητοποίηση για την κλιματική αλλαγή και υιοθέτηση φιλικού προς το περιβάλλον τρόπου ζωής. Στη συνέχεια, το κείμενο εξετάζει την αυξανόμενη σημασία της Εκπαίδευσης για την Κλιματική Αλλαγή και την Βιωσιμότητα (CCSE) στα σχολικά προγράμματα σπουδών παγκοσμίως και τη συνεχή αναζήτηση καινοτόμων προσεγγίσεων και εργαλείων για την προώθηση της κλιματικής παιδείας και των στόχων της βιωσιμότητας στους μαθητές. Η Παρατήρηση της Γης (EO) αναδεικνύεται ως μια διεπιστημονική προσέγγιση που αναγνωρίζεται για τις δυνατότητές της να ενισχύσει τους στόχους της CCSE και να προωθήσει τον τεχνικό και επιστημονικό γραμματισμό των μαθητών. Τα δεδομένα της ΕΟ θεωρούνται ισχυρό εργαλείο για την κατανόηση των περιβαλλοντικών διεργασιών, την εστίαση στις τοπικές επιπτώσεις της κλιματικής αλλαγής και την εμπλοκή των μαθητών με πραγματικά επιστημονικά δεδομένα, με προσέγγιση βιωματικής μάθησης. Η ενότητα εξετάζει επίσης προηγούμενες προσπάθειες για την προώθηση της ΕΟ στα σχολεία, αναφέροντας διάφορες ευρωπαϊκές πρωτοβουλίες και έργα που αποσκοπούν στην ενσωμάτωση της στα εκπαιδευτικά συστήματα. Ωστόσο, αναγνωρίζει τους περιορισμούς στην αξιοποίηση της ΕΟ στα ευρωπαϊκά σχολεία, κυρίως λόγω τεχνικών, κινητήριων, πληροφοριακών και γλωσσικών εμποδίων. Παρά τις προκλήσεις αυτές, οι πρόσφατες εξελίξεις στην Ελλάδα, όπως η ίδρυση του ελληνικού παραρτήματος του ESERO και οι μεταρρυθμίσεις στο σχολικό πρόγραμμα σπουδών, έχουν δημιουργήσει βελτιωμένες συνθήκες για την ενσωμάτωση εκπαιδευτικών δραστηριοτήτων που βασίζονται στην ΕΟ στα ελληνικά σχολεία. <br /> Τέλος, γίνεται παρουσίαση του εκπαιδευτικού σεναρίου βασισμένου στην ΕΟ που αναπτύχθηκε για τα ελληνικά δημοτικά σχολεία, με στόχο να καταδείξει πώς η ΕΟ μπορεί να ενσωματωθεί στην εκπαίδευση για να προσελκύσει και διατηρήσει το ενδιαφέρον νέων χρηστών, να αναδειχθεί η ΕΟ ως επιστήμη και να προωθήσει την CCSE. Περιγράφεται το κύριο ερευνητικό ερώτημα, το οποίο επικεντρώνεται στην αξιολόγηση της αποτελεσματικότητας του σεναρίου που βασίζεται στην EO όσον αφορά την προσέλκυση και διατήρηση του ενδιαφέροντος των μαθητών, την ευαισθητοποίηση για την κλιματική αλλαγή, την προώθηση της επιμόρφωσης των εκπαιδευτικών και την ενσωμάτωσή της στο ελληνικό σχολικό πρόγραμμα σπουδών.<br /> &lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΛΟΓΙΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Στη συνέχεια θα περιγράφει το εκπαιδευτικό υλικό, οι παιδαγωγικές μεθόδους, τα εργαλεία και η μεθοδολογία αξιολόγησης που χρησιμοποιήθηκαν κατά την υλοποίηση του εκπαιδευτικού σεναρίου με τίτλο &quot;Χαρτογράφηση των σημαδιών της πυρκαγιάς από το διάστημα&quot; (MaFiSS), το οποίο αποτελείται από ένα σύνολο δομημένων δραστηριοτήτων σχετικά με τις πυρκαγιές και το αντίκτυπό τους στην κλιματική αλλαγή. Οι πυρκαγιές επιλέχθηκαν ως μεθοδολογία καθώς είναι σχετικά εύκολη η μελέτη τους στα Γεωγραφικά Συστήματα Πληροφοριών (GIS). Το σενάριο σχεδιάστηκε και υλοποιήθηκε σε διάρκεια επτά (7) εβδομάδων (1 μαθησιακή δραστηριότητα-πλάνο μαθήματος των 45 λεπτών ανά εβδομάδα) από τον Δεκέμβριο του 2021 έως το Φεβρουάριο του 2022 σε τρεις (3) τάξεις της 5ης τάξης, σε 57 συνολικά παιδιά ηλικίας 11-15 ετών που φοιτούν σε δημόσια δημοτικά σχολεία της Αθήνας και του Αγρινίου. Μελετήθηκαν περιστατικά πυρκαγιών που συνέβησαν στο τοπικό περιβάλλον των μαθητών, ώστε να υπάρχει συναισθηματικό δέσιμο, νόημα, εμπειρία και δυνατότητα επιτόπιας μελέτης από τους μαθητές, ενισχύοντας έτσι την προώθηση της περιβαλλοντικής υπευθυνότητας&lt;/p&gt;<br /> &lt;u&gt;Παιδαγωγικές Μέθοδοι&lt;/u&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS περιλαμβάνει ένα σύνολο δομημένων δραστηριοτήτων που έχουν σχεδιαστεί για τη διερεύνηση των πυρκαγιών, εστιάζοντας στο κατά πόσον η παρατήρηση της Γης (EO) μπορεί να ενσωματωθεί στο σχολικό πρόγραμμα σπουδών χωρίς προηγούμενες γνώσεις EO. Το θέμα των πυρκαγιών επιλέχθηκε λόγω της καταλληλότητάς του για τη μελέτη της ΕΟ, της διαθεσιμότητας πόρων ΕΟ στα ελληνικά, της συνάφειας με τους Έλληνες μαθητές και της σύνδεσής του με την κλιματική αλλαγή. Η παιδαγωγική μέθοδος προσεγγίζει τη μάθηση βάσει διερεύνησης, την ενεργητική και συμμετοχική μάθηση. Στο μοντέλο εντάχθηκε επίσης η ενεργή εμπλοκή των μαθητών σε ένα φαινόμενο της πραγματικής ζωής και η εκπαίδευση με βάση τον τόπο (place- based education), με την τελευταία ειδικά να αποτελεί ιδιαίτερα πετυχημένη μέθοδο περιβαλλοντικής εκπαίδευσης. Συνολικά δίνει έμφαση στις διεπιστημονικές, μαθητοκεντρικές και συνεργατικές προσεγγίσεις επίλυσης προβλημάτων. &lt;/p&gt;<br /> <br /> &lt;u&gt;Εργαλεία και πόροι της Ε.Ο.&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS χρησιμοποιεί εργαλεία ΕΟ ανοικτής πρόσβασης, όπως το πρόγραμμα περιήγησης ΕΟ και το Diachronic Burnt Scar Mapping (Diachronic BSM). Το πρόγραμμα περιήγησης EO, παρά το γεγονός ότι αναπτύχθηκε αρχικά για προχωρημένους χρήστες, επιλέγεται για την απλότητά του, την υποστήριξη πολλών γλωσσών (συμπεριλαμβανομένων των ελληνικών) και τα εκπαιδευτικά χαρακτηριστικά του. Το Diachronic BSM παρέχει μια ολοκληρωμένη εικόνα των πυρκαγιών στην Ελλάδα τα τελευταία 35 χρόνια, ενώ το περιβάλλον χρήστη είναι αρκετά φιλικό σε νέους χρήστες.&lt;/p&gt;<br /> &lt;u&gt;Εκπαιδευτικό υλικό-σχέδια μαθήματος&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS αποτελείται από επτά πλάνα μαθήματος:&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;1. Το ήξερες; : Εισάγει τους μαθητές στο θέμα των πυρκαγιών και τους εμπλέκει σε αυτοαξιολόγηση και συνεργατική διερεύνηση (Εικόνα 1).&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;2. Καυτά νέα: Εισάγει τους μαθητές στο φαινόμενο των ξηρών καταιγίδων και τη σχέση τους με τις πυρκαγιές (Εικόνα 2).&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;3. Χαρτογράφηση των πυρκαγιών με τα χέρια: Καθοδηγεί τους μαθητές στη χαρτογράφηση καμένων περιοχών χρησιμοποιώντας δορυφορικές εικόνες του Sentinel-2b.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;4. Χαρτογράφηση πυρκαγιάς με το πρόγραμμα περιήγησης EO: Επιτρέπει στους μαθητές να εξερευνήσουν τις δορυφορικές εικόνες υψηλής ανάλυσης και να χαρτογραφήσουν τα σημάδια πυρκαγιών χρησιμοποιώντας το πρόγραμμα περιήγησης EO, αφού προηγηθεί μία βασική «εκπαίδευσή» τους πάνω στην τηλεπισκόπηση και τον EO Browser. &lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;5. Πόσο έχει πληγεί η περιοχή σας από πυρκαγιές; : Ενθαρρύνει τους μαθητές να διερευνήσουν τις τοπικές πυρκαγιές χρησιμοποιώντας το Diachronic BSM (Εικόνα 3).&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;6.&amp;7. Αξιολογήστε αυτά που μάθατε και διαδώστε τα νέα: Περιλαμβάνει το σχεδιασμό μιας εκστρατείας ευαισθητοποίησης του σχολείου ή της τοπικής κοινότητας και την αξιολόγηση της αποτελεσματικότητας του προγράμματος. Κατά τη διάρκεια των δύο τελευταίων μαθημάτων, οι μαθητές ανακαλούν όλα τα στάδια του προγράμματος.&lt;/p&gt;<br /> <br /> &lt;u&gt;Μεθοδολογία αξιολόγησης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η αξιολόγηση περιλαμβάνει την ανατροφοδότηση των εκπαιδευτικών μέσω συνεντεύξεων και φορμών αξιολόγησης για την αξιολόγηση της αποτελεσματικότητας του προγράμματος, της φιλικότητας προς το χρήστη, της εμπλοκής των μαθητών και της συνάφειας του με το πρόραμμα σπουδών. Οι μαθητές παρέχουν επίσης ανατροφοδότηση μέσω ερωτηματολογίων για την αξιολόγηση της ευαισθητοποίησης, του ενδιαφέροντος, της ικανοποίησης και της ευθυγράμμισης με το πρόγραμμα σπουδών.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Αποτελέσματα αξιολόγησης των εκπαιδευτικών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Παρουσιάζονται τα αποτελέσματα αξιολόγησης από τους εκπαιδευτικούς που εφάρμοσαν το πρόγραμμα MaFiSS με μαθητές της πέμπτης τάξης. Κανείς από τους εκπαιδευτικούς δεν είχε χρησιμοποιήσει προηγουμένως ΕΟ ή τα άλλα προγράμματα που χρησιμοποιήθηκαν. Περιγράφονται τα σχόλιά τους σχετικά με διάφορες πτυχές του προγράμματος.&lt;/p&gt;<br /> &lt;u&gt;Φιλικότητα του υλικού προς τους εκπαιδευτικούς και ευκολία εφαρμογής&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί βρήκαν το πρόγραμμα MaFiSS φιλικό προς το χρήστη και απλό στην εφαρμογή του, παρά το γεγονός ότι δεν είχαν προηγούμενες γνώσεις σχετικά με την EO. Σημείωσαν ότι το παρεχόμενο υλικό ήταν σαφές, οργανωμένο και έτοιμο προς χρήση, απαιτώντας ελάχιστο χρόνο προετοιμασίας. Ωστόσο, ορισμένες δραστηριότητες απαιτούσαν περισσότερο χρόνο από τον προβλεπόμενο, γεγονός που επέβαλε την επέκταση του προγράμματος σε μαθήματα ΤΠΕ.&lt;/p&gt;<br /> &lt;u&gt;Ελκυστικότητα του προγράμματος και συμμετοχή των μαθητών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί ανέφεραν θετική εμπλοκή των μαθητών καθ' όλη τη διάρκεια του προγράμματος, ακόμη και από μαθητές που συνήθως δεν ήταν συγκεντρωμένοι στο μάθημα. Δραστηριότητες όπως η εξερεύνηση του φαινομένου της ξηρής καταιγίδας και η αλληλεπίδραση με τον ΕΟ Browser ήταν ιδιαίτερα επιτυχείς στο να προσελκύσουν το ενδιαφέρον των μαθητών. Λιγότερο ενδιαφέρον έδειξαν οι μαθητές στη συμπλήρωση του ερωτηματολογίου, στην ανάλυση των απαντήσεων και στην αξιολόγηση.&lt;/p&gt;<br /> &lt;u&gt;Καταλληλότητα των εργαλείων ΕΟ στην εκπαίδευση&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Όλοι οι εκπαιδευτικοί επιβεβαίωσαν ότι οι εφαρμογές που βασίζονται σε ΕΟ και χρησιμοποιήθηκαν στο MaFiSS ήταν εύκολες στη χρήση και κατάλληλες για εκπαιδευτικούς σκοπούς. Οι μαθητές και οι εκπαιδευτικοί εξοικειώθηκαν γρήγορα με τις εφαρμογές.&lt;/p&gt;<br /> &lt;u&gt;Αποτελεσματικότητα της προσέγγισης με βάση το φαινόμενο&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί συμφώνησαν ότι η προσέγγιση με βάση το φαινόμενο, ιδίως η εστίαση στο φαινόμενο της ξηρής καταιγίδας, τόνωσε το ενδιαφέρον και την περιέργεια των μαθητών. Η προσέγγιση αυτή ευθυγραμμίστηκε επίσης καλά με τα αποτελέσματα της αξιολόγησης των μαθητών, υποδεικνύοντας αυξημένο ενδιαφέρον στην τάξη.&lt;/p&gt;<br /> &lt;u&gt;Αποτελεσματικότητα της προσέγγισης με βάση την ΕΟ&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η προσέγγιση με βάση τις ΕΟ αύξησε σημαντικά την ευαισθητοποίηση των μαθητών σχετικά με τις πυρκαγιές, ιδίως σε τοπικό επίπεδο. Οι μαθητές κατανόησαν βαθύτερα την κλίμακα και το μέγεθος των πυρκαγιών μέσω δραστηριοτήτων όπως η μελέτη εικόνων EO με σημάδια πυρκαγιάς και η καταγραφή παλαιότερων πυρκαγιών στην περιοχή τους.&lt;/p&gt;<br /> &lt;u&gt;Αντίκτυπο στο ενδιαφέρον των μαθητών για τους δορυφόρους και την ΕΟ&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί παρατήρησαν μια σημαντική αύξηση του ενδιαφέροντος των μαθητών για τους δορυφόρους και την EO καθ' όλη τη διάρκεια του προγράμματος. Οι μαθητές αναζήτησαν ενεργά πρόσθετες πληροφορίες πέρα από το υλικό του προγράμματος, υποδεικνύοντας μια γνήσια περιέργεια για το θέμα (Εικόνα 4).&lt;/p&gt;<br /> &lt;u&gt;Σύνδεση με έννοιες του προγράμματος σπουδών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS βοήθησε τους εκπαιδευτικούς να διευρύνουν το πεδίο εφαρμογής των θεμάτων που διδάσκονται στην τάξη και επέτρεψε στους μαθητές να συνδέσουν τις έννοιες του αναλυτικού προγράμματος με την πραγματική ζωή. Οι εκπαιδευτικοί εντόπισαν συσχετισμούς με θέματα όπως η φυσική, η γεωγραφία και τα μαθηματικά.&lt;/p&gt;<br /> &lt;u&gt;Αποτελέσματα αξιολόγησης των μαθητών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι μαθητές έδειξαν αυξημένη ευαισθητοποίηση και κατανόηση των επιπτώσεων της κλιματικής αλλαγής, ιδίως όσον αφορά τις πυρκαγιές. Η πλειονότητα θεώρησε ότι οι δορυφορικές εικόνες και τα εργαλεία βοήθησαν σημαντικά στην κατανόηση του κινδύνου πυρκαγιών. Σχετικά με την EO και τα STEM, οι μαθητές έδειξαν ενδιαφέρον για τους δορυφόρους και την ΕΟ, εκφράζοντας την επιθυμία να μάθουν περισσότερα για την ΕΟ μέσω τηλεπισκόπησης. Το πρόγραμμα ενίσχυσε αποτελεσματικά την κατανόηση των εννοιών STEM από τους μαθητές. Επιπλέον οι μαθητές βρήκαν το MaFiSS χρήσιμο για την κατανόηση διαφορετικών σχολικών μαθημάτων και την ενίσχυση των δεξιοτήτων πλοήγησης και προσανατολισμού στο χάρτη. Η πλειονότητα των φοιτητών εξέφρασε θετική άποψη για το πρόγραμμα, εκφράζοντας ενδιαφέρον για συμμετοχή σε παρόμοια προγράμματα που βασίζονται στην ΕΟ στο μέλλον, ενώ κανείς δεν το αξιολόγησε αρνητικά. Παρατηρήθηκαν ωστόσο διαφορές στις απαντήσεις των μαθητών μεταξύ των τάξεων, ιδίως μεταξύ των σχολείων του Αγρινίου και της Αθήνας, με τους μαθητές της Αθήνας να αξιολογούν λιγότερο θετικά το σύνολο του προγράμματος. Συνολικά οι μαθητές εξέφρασαν προτιμήσεις για δραστηριότητες όπως η αλληλεπίδραση με τον EO Browser, το φαινόμενο ξηρής καταιγίδας και την εκστρατεία ευαισθητοποίησης, ενώ έδειξαν λιγότερο ενθουσιασμό για δραστηριότητες που περιλάμβαναν μαθηματικούς υπολογισμούς.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η ενσωμάτωση των εργαλείων EO που βασίζονται στο νέφος στην εκπαίδευση σημειώνει πρόοδο, ξεπερνώντας τα σχετικά εμπόδια. Για την πλήρη αξιοποίηση της EO στην CCSE, η προσαρμογή του παιδαγωγικού περιεχομένου στα σχολικά προγράμματα σπουδών είναι καθοριστικής σημασίας.<br /> Η παρούσα μελέτη δείχνει ότι η ΕΟ μπορεί να χρησιμοποιηθεί αποτελεσματικά στα δημοτικά σχολεία από αρχάριους εκπαιδευτικούς και μαθητές, όταν παρέχεται κατάλληλο παιδαγωγικό περιεχόμενο. Η αξιοποίηση της ΕΟ στα σχολεία ωφελεί την CCSE, αυξάνοντας την ευαισθητοποίηση και την κατανόηση των μαθητών για τους κινδύνους της κλιματικής αλλαγής.<br /> Τα βασικά αποτελέσματα από την εφαρμογή του μαθησιακού σεναρίου MaFiSS με βάση τις ΕΟ έδειξαν ότι:&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;1. Εργαλεία EO που βασίζονται στο νέφος, όπως το πρόγραμμα περιήγησης EO, είναι φιλικά προς το χρήστη και χρησιμοποιούνται εύκολα.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;2. Η CCSE επωφελείται από συνδυασμό των προσεγγίσεων που βασίζονται στις ΕΟ και στον τόπο.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;3. Τα εργαλεία που βασίζονται στην ΕΟ διεγείρουν το ενδιαφέρον των μαθητών και προωθούν την επιστημονική έρευνα.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;4. Η προσέγγιση με βάση το φαινόμενο και το φαινόμενο της ξηρής καταιγίδας τράβηξε το ενδιαφέρον και έχει προοπτική ως θεματική.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;5. Ενθαρρύνεται η συνεργασία μεταξύ εκπαιδευτικών ΤΠΕ και εκπαιδευτικών πρωτοβάθμιας εκπαίδευσης, καθώς η συνεργασία τους προάγει την εξέλιξη των δεξιοτήτων τους.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;6. Η εκπαίδευση με βάση την ΕΟ συνδυάζεται με διάφορα μαθήματα του δημοτικού σχολείου.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η προσέλκυση νέων χρηστών ΕΟ στα σχολεία προκαλεί ενδιαφέρον καθώς αποτελεί προσαρμόσιμο παιδαγωγικό περιεχόμενο, το οποίο θα πρέπει να εφαρμόζεται σε τοπικό επίπεδο. Απαιτείται περαιτέρω έρευνα για την αξιολόγηση της ενίσχυσης της κατανόησης των μαθητών. Στα μελλοντικά σχέδια περιλαμβάνεται η ανάπτυξη νέων αντίστοιχων προγραμμάτων με βάση την ΕΟ για την μελέτη ζητημάτων Μετεωρολογίας και Ατμοσφαιρικής Σύνθεσης.<br /> &lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Large-Scale_Flood_Hazard_Monitoring_and_Impact_Assessment_on_Landscape:_Representative_Case_Study_in_India 2024-02-23T23:29:41Z

<p>Niknakkas: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Large-Scale Flood Hazard Monitoring and Impact Assessment on Landscape: Representative Case Study in India ''<br /> <br /> '''Συγγραφείς: ''' Bijay Halder, Subhadip Barman, Papiya Banik, Puja Das, Jatisankar Bandyopadhyay, Fredolin Tangang, Shamsuddin Shahid, Chaitanya B. Pande, Baqer Al-Ramadan, Zaher Mundher Yaseen <br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2023, 15(14), 11413; https://doi.org/10.3390/su151411413'' <br /> <br /> '''Λέξεις κλειδιά: ''' Πλημμύρα Assam, υποβάθμιση βλάστησης, εκτίμηση κινδύνου, Google Earth Engine, Δεδομένα SAR Sentinel-1 <br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> [[Αρχείο:Large1.png| thumb| right|'''Εικόνα 1.''' '' Τοπικός χάρτης της περιοχής μελέτης.'' ]]<br /> [[Αρχείο:Large2.png | thumb| right|'''Εικόνα 2.''' '' Πλημμυρισμένη περιοχή της Assam.'' ]]<br /> [[Αρχείο:Large3.png | thumb| right|'''Εικόνα 3.''' '' α) επηρεασμένη περιοχή βλάστησης από την πλημμύρα στην Assam. ( β ) πληγείσα περιοχή βλάστησης κατά τη διάρκεια της πλημμύρας στην Assam.'' ]]<br /> [[Αρχείο:Large4.png | thumb| right|'''Εικόνα 4.''' '' Πληγείσες περιοχές από την πλημμύρα του 2022.'' ]]<br /> [[Αρχείο:Large5.png | thumb| right|'''Εικόνα 5.''' '' Επηρεασμένες κατηγορίες LULC από τις πλημμύρες του 2022 στην Assam.'' ]]<br /> <br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Οι πλημμύρες αποτελούν από τις πιο σημαντικές φυσικές καταστροφές παγκοσμίως, προκαλώντας εκτεταμένες ζημιές σε περιουσίες και αφαιρώντας πολλές ανθρώπινες ζωές, επιφέροντας σημαντικές γεωμορφολογικές αλλαγές στο έδαφος. Η Ινδία, ως μία από τις πιο ευάλωτες σε καταστροφές χώρες, βιώνει κάθε χρόνο πληθώρα περιβαλλοντικών καταστροφών, με τις πλημμύρες να αποτελούν την πιο συχνή και επικίνδυνη φυσική καταστροφή. Ερευνητικά στοιχεία υποδεικνύουν ότι οι πλημμύρες αποτέλεσαν τις πιο θανατηφόρες φυσικές καταστροφές μεταξύ του 1995 και του 2015, επηρεάζοντας πάνω από 2,3 δισεκατομμύρια ανθρώπους και προκαλώντας τουλάχιστον 157.000 καταγεγραμμένους θανάτους παγκοσμίως. &lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Ο ποταμός Brahmaputra και οι παραπόταμοί του, που χαρακτηρίζεται από μεγάλο βάθος και φέρουσα ικανότητα, αποτελεί σημαντικό κίνδυνο πλημμύρας, ιδίως στις περιοχές Mymensingh και Jamalpur. Οι πλημμύρες στην Ινδία συμβαίνουν κυρίως κατά τη διάρκεια της εποχής των νοτιοδυτικών μουσώνων, επηρεάζοντας εκατομμύρια εκτάρια γης και εκτοπίζοντας μεγάλους πληθυσμούς. Οι πιο ευάλωτες πολιτείες στις πλημμύρες είναι η Uttar Pradesh, η Assam, η Bihar και η Δυτική Βεγγάλη, με τις λεκάνες απορροής των ποταμών Ganga και Brahmaputra να αντιμετωπίζουν σοβαρούς κινδύνους. Η βορειοανατολική περιοχή της Ινδίας, συμπεριλαμβανομένης της Assam, βιώνει συχνά φυσικές καταστροφές, ιδιαίτερα πλημμύρες. Η Assam, ειδικότερα, αντιμετωπίζει σημαντικές ζημιές στις περιουσίες των κατοίκων της και προκαλείται κοινωνική αναστάτωση λόγω των ετήσιων πλημμυρών, επηρεάζοντας χώρους όπως τα εθνικά πάρκα Kaziranga και Pobitora. Οι πλημμύρες λαμβάνουν χώρα ιδίως κατά την εποχή των Μουσώνων και προκαλούνται από τις έντονες βροχοπτώσεις και τις συγκεκριμένες γεωκλιματικές συνθήκες που επικρατούν κατά την εποχή των Μουσώνων&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η παρούσα μελέτη έχει ως στόχο να αξιολογήσει τις επιπτώσεις των πλημμυρών του 2022 στην Assam σχετικά με τη χρήση της γης, την επικάλυψη της γης, τις περιοχές πλημμυρών και τις αποψιλωμένες περιοχές, χρησιμοποιώντας δεδομένα από τον Sentinel-1 C band SAR και το Google Earth Engine (GEE). Η ανάλυση επικεντρώνεται στην ακριβή μέτρηση των εκτάσεων πλημμύρας και την αναγνώριση περιοχών με ζημιές στη βλάστηση, παρέχοντας κρίσιμες εισηγήσεις για την παρακολούθηση του κινδύνου πλημμύρας και την αξιολόγηση της υγείας της βλάστησης κατά τη διάρκεια των πλημμυρών.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Χρησιμοποιήθηκαν δεδομένα υψηλής ανάλυσης SAR μικροκυμάτων για τη χαρτογράφηση των κινδύνων πλημμύρας και την αξιολόγηση της υγείας της βλάστησης, που είναι ζωτικής σημασίας για τη διαχείριση καταστροφών και τις προσπάθειες περιβαλλοντικής προστασίας.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τα ευρήματα αυτής της μελέτης προσφέρουν πολύτιμες εισηγήσεις σχετικά με τις επιπτώσεις των πλημμυρών του 2022 στη χρήση γης, τις περιοχές πλημμύρας και τις ζημιές στη βλάστηση. Αυτά μπορούν να καθοδηγήσουν τους εκάστοτε υπευθύνους, διοικητές, ερευνητές και τμήματα διαχείρισης στην υλοποίηση μέτρων για τη μείωση των κινδύνων πλημμύρας και την προστασία των δασών, συμβάλλοντας τελικά στην πρόληψη και τελικά στην προστασία του περιβάλλοντος και ανθρώπινων ζωών.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ &lt;/span&gt;''' <br /> &lt;p align=&quot;justify&quot;&gt;Η Assam, που βρίσκεται στη βορειοανατολική Ινδία, είναι η πιο πυκνοκατοικημένη και δεύτερη μεγαλύτερη πολιτεία της χώρας. Έχει μεγάλη σημασία γεωγραφικά, δημογραφικά, πολιτιστικά και περιβαλλοντικά. Γεωγραφικά, η Assam καλύπτει μια έκταση 78.438 τ.χλμ (Εικόνα 1). Η πολιτεία συνορεύει με διάφορες γειτονικές περιοχές και χώρες, συμπεριλαμβανομένης της Δυτικής Βεγγάλης στα δυτικά, της Μεγαλάγιας, της Τριπούρας, το Μιζοράμ και το Μπανγκλαντές στα νότια, το Μπουτάν και το Αρουνατσαλ Πραντές στα βόρεια και το Ναγκαλάντ και το Μανιπούρ στα ανατολικά. Το δέλτα του ποταμού Γκάγκα-Μπραχμαπούτρα-Μεγνα, γνωστό για τη γόνιμη γη και τη βλάστησή του, παίζει έναν κρίσιμο ρόλο στην περιοχή. Ωστόσο, η Assam είναι ευάλωτη σε διάφορες φυσικές καταστροφές, ιδίως πλημμύρες, λόγω της θέσης της εντός της λεκάνης απορροής του ποταμού Μπραχμαπούτρα και της επίδρασης των πολλών παραποτάμων του. Το κλίμα της περιοχής είναι ιδίως τροπικός μουσώνας, με έντονες βροχοπτώσεις και υγρασία. Από την απογραφή πληθυσμού του 2011 προκύπτει ότι ο πληθυσμός της περιοχής αποτελεί το 2,58% του πληθυσμού της Ινδίας (31.205.576), ο οποίος αποτελείται από ποικιλία εθνοτικών πολιτισμών, συμπεριλαμβανομένων των Boro, Deori, Rava, Karbi, Assamese, Bengali, Ahom και Rajbanshi.&lt;/p&gt;<br /> <br /> <br /> &lt;u&gt;Αιτίες των Πλημμύρων στην Assam&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η Assam αντιμετωπίζει κάθε χρόνο σοβαρές ζημιές από πλημμύρες, κυρίως λόγω των έντονων βροχοπτώσεων κατά τη διάρκεια της εποχής των μουσώνων. Το κοιλάδα του Μπραχμαπούτρα λαμβάνει σημαντική ετήσια βροχόπτωση, με την πολιτεία να εμπειρίζεται πραγματικές βροχοπτώσεις υπερβαίνοντας τα κανονικά επίπεδα σε ορισμένα έτη. Οι παράγοντες που συντελούν στις πλημμύρες περιλαμβάνουν τη συμφόρηση της αποστράγγισης, την κατάληψη των ποταμίσκων περιοχών, την υψηλή πυκνότητα πληθυσμού, την τεκτονική δραστηριότητα και την υποβάθμιση του δάσους. Η συμφόρηση της αποστράγγισης οδηγεί σε αντίστροφη ροή και συμφόρηση κοντά στις εκβολές. Η κατάληψη ποταμίσκων περιοχών και η αύξηση του πληθυσμού επιδεινώνουν τους κινδύνους πλημμύρας. Η τεκτονική δραστηριότητα και η υποβάθμιση του δάσους συμβάλλουν στην ερείπωση του εδάφους και την αύξηση του σεντιμέντου στα ποτάμια, ανεβάζοντας τα επίπεδα τους [25,32].&lt;/p&gt;<br /> <br /> &lt;u&gt;Ιστορία Πλημμύρων της Assam&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πολιτεία της Assam έχει ιστορία συχνών και σοβαρών πλημμυρών, με σημαντικές ζημιές να παρατηρούνται τα τελευταία χρόνια. Κάποιες από τις σημαντικότερες συνέβησαν τα έτη 1954, 1966, 1972, 1975, 1978, 1983, 1986, 1996, 1998, 2000, 2002, 2012 και 2014. Το μέγεθοε των καταστροφών είναι τεράστιο. Ενδεικτικά το 2022 οι πλημμύρες στις περιοχές Lakhimpur, Karimganj και Kokrajhar εξανάγκασαν σε μετεγκατάσταση περισσότερους από 1,7 εκατομμύρια ανθρώπους και επηρέασαν περίπου 2450 χωριά. Περισσότερο από το 40% της κοιλάδας του Brahmaputra είναι ευάλωτο σε πλημμύρες. Αξίζει να σημειωθεί ότι οι πλημμύρες του 2020 συνέπεσαν με την πανδημία COVID-19, επιδεινώνοντας τις προκλήσεις που αντιμετώπιζαν οι επηρεαζόμενες κοινότητες.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΔΟΛΟΓΙΑ&lt;/span&gt;''' <br /> <br /> &lt;u&gt;Δεδομένα και Λογισμικό &lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Χρησιμοποιήθηκαν πολυ-ημερομηνιακές εικόνες Sentinel-1 SAR C band GRD για τον υπολογισμό της υποβάθμισης της βλάστησης και των πλημμυρών κατά την πρόσφατη πλημμύρα της Assam τον Μάιο του 2022. Τα δεδομένα του Sentinel-1 SAR χρησιμοποιήθηκαν για την εκτίμηση της έκτασης πλημμύρας και του αντίκτυπου στη βλάστηση σε διάφορες περιοχές της Assam. Η ανάλυση αυτή πραγματοποιήθηκε χρησιμοποιώντας την πλατφόρμα Google Earth Engine (GEE) βασισμένη σε cloud για τη δημιουργία των χαρτών πλημμυρών και την αξιολόγηση του αντίκτυπου στη βλάστηση. Επίσης, χρησιμοποιήθηκαν εικόνες πολυφασματικών αισθητήρων Sentinel-2 της ESRI με ανάλυση 10 m για την αξιολόγηση της επίδρασης στο τοπίο. Τέλος, διατέθηκαν στοιχεία χρήσης γης και κάλυψης γης από τις εικόνες του Sentinel-2 της ESRI με ανάλυση 10 m.&lt;/p&gt;<br /> <br /> &lt;u&gt;Ταξινόμηση Εικόνων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εικόνες ταξινομήθηκαν χρησιμοποιώντας τεχνικές επιβλεπόμενης ταξινόμησης στην πλατφόρμα GEE, χρησιμοποιώντας τις φασματικές υπογραφές διαφορετικών χαρακτηριστικών κάλυψης γης. Καθορίστηκαν έξι κατηγορίες κάλυψης γης και χρήσης γης για την πολιτεία της Assam που περιλαμβάνουν περιοχές κατοικημένες, υδάτινους χώρους, δέντρα, γυμνό έδαφος, πλημμυρισμένες περιοχές με βλάστηση και αγροτικές εκτάσεις.&lt;/p&gt;<br /> <br /> &lt;u&gt;Προ-επεξεργασία Δεδομένων SAR και Πλατφόρμα GEE&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πλατφόρμα GEE χρησιμοποιήθηκε για τον προσδιορισμό της έκτασης της πλημμύρας και της υποβάθμισης της βλάστησης που προκάλεσε η πλημμύρα του 2022 στην Assam. Χρησιμοποιήθηκαν δεδομένα Sentinel-1 προσέγγισης Interferometric Wide Wide (IW) με pixel 10 m και πλάτος ζώνης 250 χλμ. Τα δεδομένα Sentinel-1 παρείχαν πληροφορίες για την έκταση της πλημμύρας, την κάλυψη δάσους, τις αγροτικές περιοχές και την παραμόρφωση της γης. Τα δεδομένα SAR υποβλήθηκαν σε προ-επεξεργασία, συμπεριλαμβανομένης της εφαρμογής αρχείων τροχιάς, της αφαίρεσης θερμικού θορύβου, της ραδιομετρικής βαθμονόμησης, της ατμοσφαιρικής διόρθωσης και της διόρθωσης εδάφους Doppler.&lt;/p&gt;<br /> <br /> &lt;u&gt;Εκτίμηση MNDWI&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η τροποποιημένη έκδοση του NDWI (Δείκτης Κανονικοποιημένης Διαφοράς Νερού) χρησιμοποιήθηκε για την καθορισμό των υδάτινων περιοχών. Χρησιμοποιήθηκε η εξίσωση MNDWI=(Πράσινο − SWIR 1 )/( Πράσινο = SWIR 1) για τη διεξαγωγή της έρευνας MNDWI. Ο «raster calculator» της ArcGIS έκδοσης 10.8 χρησιμοποιήθηκε για τον υπολογισμό της έκτασης της κατάδυσης από πλημμύρες.&lt;/p&gt;<br /> <br /> &lt;u&gt;Εκτίμηση Πλημμύρας και Υποβάθμισης της Βλάστησης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η μελέτη χρησιμοποίησε τους αλγορίθμους Random Forest (RF) και Classification and Regression Trees (CART) εντός της πλατφόρμας Google Earth Engine (GEE) για τον προσδιορισμό των περιοχών όπου φάνηκε μείωση της βλάστησης και για υπολογισμο του ορίου των πλημμυρών. Επιπλέον, τα datasets Sentinel-1 Level 1 GRD χρησιμοποιήθηκαν για την αξιολόγηση της υποβάθμισης της βλάστησης στην πολιτεία της Assam.&lt;/p&gt;<br /> <br /> &lt;u&gt;Έρευνα Επηρεαζόμενης Περιοχής LULC &lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η ταξινόμηση LULC χρησιμοποίησε δεδομένα Sentinel-2 10 m. Ο υπολογισμός των πληγεισών εκτάσεων έγινε χρησιμοποιώντας τεχνικές επικάλυψης και ένωσης/τομής. Οι πληγείσες εκτάσεις υπολογίστηκαν σε επίπεδο περιφέρειας επικαλύπτοντας τις κατηγορίες LULC με τις πλημμυρισμένες περιοχές, ενώ φάνηκε να επηρεάζεται έντονα η βλάστηση, οι καλλιέργειες και οι δομημένες περιοχές.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;.Φάνηκε ότι οι ξαφνικές πλημμύρες που προέρχονται από γειτονικές περιοχές επιδείνωσαν την κατάσταση πλημμύρων στην Assam. Τον Ιούνιο του 2022, παρατηρήθηκαν εξαιρετικά έντονες πλημμύρες λόγω βροχοπτώσεων σε αυτές τις περιοχές, με αποτέλεσμα πολλούς νεκρούς και εκτεταμένες ζημιές. Οι κατολισθήσεις που ανέτρεψαν βαγόνια τρένου στο σιδηροδρομικό σταθμό Νέας Χάφλονγκ στην περιοχή Ντίμα Χασάο, τονίζοντας το βαθμό σοβαρότητας των πλημμυρών στην Assam. Αυτά τα γεγονότα αναδεικνύουν την σχέση μεταξύ της εποχής των μουσώνων και των πλημμυρών, τονίζοντας τη σημασία της κατανόησης αυτής της σύνδεσης για την αξιολόγηση του κινδύνου καταστροφών, τον σχεδιασμό και τη λήψη αποφάσεων από τις αρχές, καθώς και για την λήψη προληπτικών μέτρων, την ευαισθητοποίηση, την ανάπτυξη στρατηγικών προσαρμογής και τον καθορισμό πολιτικών.&lt;/p&gt;<br /> <br /> &lt;u&gt;Πλημμύρες και Αναγνώριση Απoδασωμένης Γης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πλημμύρα του 2022 στην Assam επέφερε μεγάλης κλίμακας καταστροφές, κατευθύνοντας την παρούσα μελέτη στην αναγνώριση των πληγεισών περιοχών πολιτεία της Assam (Εικόνα 2). Ο δείκτης MNDWI χρησιμοποιήθηκε για την οριοθέτηση των υδάτινων περιοχών και αναδεικνύει τις περιοχές με υψηλή στάθμη νερού. Η έρευνα επικεντρώθηκε στο Dispur, την πρωτεύουσα της πόλης, για τον εντοπισμό των τοποθεσιών με νερό. Επιπλέον, εντοπίστηκαν περιοχές που πλημμύρισαν σε διάφορες επαρχίες. &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Επίσης, εντοπίστηκαν πληγείσες περιοχές, κυρίως στα νότια, βορειοανατολικά, δυτικά και κεντρικά τμήματα της Assam (Εικόνα 3). Η ανάλυση αποκάλυψε σημαντική εκτρωμένη έκταση σε επαρχίες όπως η Κοκρατζάρ, η Τινσουκία και η Λαχίμπουρ.&lt;/p&gt;<br /> <br /> &lt;u&gt;Επηρεασμένες Περιοχές LULC&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η αναγνώριση των περιοχών που επηρεάζονται από την αλλαγή χρήσης της γης και την κάλυψη της γης (LULC) είναι κρίσιμη για τις μελέτες των πλημμυρών, καθώς οι γεωργικές εκτάσεις, τα δέντρα και οι οικισμοί είναι ιδιαίτερα ευάλωτα. Χρησιμοποιώντας την τεχνική επικάλυψης, καθορίστηκε το μέγεθος των επηρεασμένων περιοχών LULC σε διάφορες επαρχίες (Εικόνα 4). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η ανάλυση έδειξε εκτεταμένη επίδραση στις γεωργικές εκτάσεις, με κάποιες επαρχίες να εμφανίζουν μεγάλες καταστροφές (Εικόνα 5). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Αντίστοιχα, κτισμένες περιοχές σε διάφορες επαρχίες αντιμετώπισαν σοβαρές ζημιές. Αυτά τα ευρήματα υπογραμμίζουν την ανάγκη για κατάλληλο σχεδιασμό, διαχείριση και στρατηγικές προσαρμογής για τη μείωση των οικονομικών και ανθρώπινων απωλειών που προκαλούνται από πλημμύρες. Επιπλέον, μία αειφόρος διαχείριση κινδύνων από πλημμύρες είναι απαραίτητη για τη μείωση των κινδύνων και τη βελτίωση των προσπαθειών διαχείρισης καταστροφών στο μέλλον.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 5. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Το πρόβλημα των πλημμυρών στην Assam είναι ιδιαίτερα σοβαρό και ιδιαίτερο λόγω του μεγέθους, της διάρκειας των πλημμυρών, του αριθμού νεκρών και πληγέντων και του όγκου της διάβρωσης, ενώ έχουν σημαντικές επιπτώσεις και στη φτώχεια, το περιβάλλον και τη γεωργία. Η συνολική πλημμυρισμένη περιοχή της χώρας ανέρχεται περίπου στο 10,2% των συνολικών τμημάτων της. Αντίθετα, οι πλημμυρισμένες περιοχές της Assam ανέρχονται στο 39,58% των συνολικών της τμημάτων. Η χαρτογράφηση και παρακολούθηση των πλημμυρισμένων εκτάσεων είναι σημαντική για σχετικό μελλοντικό σχεδιασμό και διαχείριση. Μελλοντικές μελέτες θα πρέπει να εστιάσουν στην ανάλυση των πλημμυρών, της διάβρωσης του εδάφους και των περιοχών ευαίσθητες στις πλημμύρες για τη βελτίωση της διαχείρισης καταστροφών και των πολιτικών λήψης αποφάσεων.&lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Applying_Remotely_Sensed_Environmental_Information_to_Model_Mosquito_Populations 2024-02-23T23:27:05Z

<p>Niknakkas: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Applying Remotely Sensed Environmental Information to Model Mosquito Populations ''<br /> <br /> '''Συγγραφείς: ''' Maria Kofidou, Michael de Courcy Williams, Andreas Nearchou, Stavroula Veletza, Alexandra Gemitzi, Ioannis Karakasiliotis <br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2021, 13(14), 7655; https://doi.org/10.3390/su13147655'' <br /> <br /> '''Λέξεις κλειδιά: ''' πληθυσμοί κουνουπιών, υδάτινες περιοχές, NDVI, LST, τηλεπισκόπηση <br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> [[Αρχείο:Mosquito1.jpeg | thumb| right|'''Εικόνα 1.''' '' Περιοχή μελέτης και τοποθεσίες παρακολούθησης.'' ]]<br /> [[Αρχείο:Mosquito2.jpeg | thumb| right|'''Εικόνα 2.''' '' Σχέδιο μεταφοράς της χρονικής ανάλυσης MODIS LST στο LST του Landsat 8.'' ]]<br /> [[Αρχείο:Mosquito3.jpeg | thumb| right|'''Εικόνα 3.''' '' Μέσος αριθμός κουνουπιών ανά τοποθεσία κατά τη διάρκεια της περιόδου μελέτης. '' ]]<br /> [[Αρχείο:Mosquito4.jpeg | thumb| right|'''Εικόνα 4.''' '' Μέσος αριθμός κουνουπιών ανά ( α ) Υδατική περιοχή, ( β ) Υψόμετρο, ( γ ) LST, ( δ ) NDVI, ( ε ) Ημερομηνία Ιουλιανού.'' ]]<br /> [[Αρχείο:Mosquito5.jpeg | thumb| right|'''Εικόνα 5.''' '' Αρχιτεκτονική του νευρωνικού δικτύου.'' ]]<br /> [[Αρχείο:Mosquito6.jpeg | thumb| right|'''Εικόνα 6.''' '' Σχετική σημασία για κάθε μεταβλητή εισόδου στο MLP NN.'' ]]<br /> [[Αρχείο:Mosquito7.jpeg | thumb| right|'''Εικόνα 7.''' '' Αριθμός αναφερόμενων περιπτώσεων με εργαστηριακά διαγνωσμένη νόσο WNV (WNF με WNND και χωρίς WNND) με μέσο LST σε δήμους εντός και κοντά στην περιοχή μελέτης. Τα δεδομένα ανακτώνται από τον Εθνικό Οργανισμό Δημόσιας Υγείας της Ελλάδος (ΕΟΔΥ) και αναφέρονται ανά πιθανό δήμο έκθεσης.'' ]]<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Υπάρχουν προγράμματα ελέγχου κουνουπιών που έχουν εφαρμοστεί εκτενώς σε πολλές χώρες με σκοπό τη μείωση των επιπτώσεων και της εξάπλωσης λοιμώξεων και ασθενειών, στοχεύοντας στη μείωση της μακροβιότητας των φορέων, της πυκνότητας πληθυσμού τους, της επαφής τους με ανθρώπους και της έντασης της ελονοσίας. Οι αλλαγές στη χρήση γης επηρεάζουν τα χαρακτηριστικά του περιβάλλοντος, όπως την ποιότητα του νερού και την βλάστηση, επιδρώντας στους πληθυσμούς των κουνουπιών. Επιπλέον, οι ανθρωπογενείς αλλαγές στο τοπίο μπορούν να μειώσουν τη βιοποικιλότητα των κουνουπιών και να οδηγήσουν σε πολλαπλασιασμό των φορέων ασθενειών.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Προηγούμενες μελέτες έχουν χρησιμοποιήσει Γεωγραφικά Πληροφοριακά Συστήματα (GIS) για την εξέταση των περιβαλλοντικών αλλαγών σε σχέση με την επιδημιολογία της ελονοσίας. Έχουν εκτιμηθεί πιθανές περιοχές για εμφάνιση ελονοσίας στην Ελλάδα, ενώ άλλες μελέτες έχουν χρησιμοποιήσει δορυφορικά δεδομένα για τη μοντελοποίηση της ελονοσίας, της νόσου ντενγκέ και του ιού του Δυτικού Νείλου. Η χρήση δορυφορικών μοντέλων προβλέπει τον κίνδυνο για ελονοσία και εξετάζει τις δυνατότητες για ανάπτυξη συστημάτων προειδοποίησης για την εμφάνισή της. Μελέτες έχουν εξετάσει πως οι δείκτες NDVI και LST επηρεάζουν τον πληθυσμό των κουνουπιών σε περιοχές της Βορειοδυτικής Αργεντινής όπου έχει εμφανιστεί ελονοσία.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Είναι γνωστό ότι παράγοντες όπως η βροχόπτωση, η θερμοκρασία και η υγρασία επηρεάζουν τη μετάδοση της ελονοσίας, καθώς επηρεάζουν την ανάπτυξη και επιβίωση τόσο των κουνουπιών όσο και των παρασίτων που τη φέρουν. Διάφοροι ερευνητές έχουν υπογραμμίσει ότι σε φυσικές πηγές νερού, όπως λιμνούλες, αναπτύσσονται οι πληθυσμοί των κουνουπιών και αποτελούν δυνητικά εστία εκτροφής τους.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Ενώ έχουν γίνει προσπάθειες να εφαρμοστούν τεχνικές τηλεπισκόπησης και μηχανικής μάθησης για την αποτύπωση της κατανομής και του πληθυσμού των κουνουπιών, πρόσφατες μελέτες υποδεικνύουν την έλλειψη μελετών σχετικά με την εφαρμογή τηλεπισκόπησης και μηχανικής μάθησης σε επιδημιολογικές μελέτες. Στην μελέτη των Scavuzzo et al, χρησιμοποιήθηκαν δεδομένα (MODIS)-derived NDVI, LST και NDWI σε συνδυασμό με δεδομένα υετού TRMM για τη μοντελοποίηση των πληθυσμών των κουνουπιών. Στην παρούσα εργασία, χρησιμοποιήθηκαν δεδομένα LST και NDVI για την ανάπτυξη προγνωστικού μοντέλου για τη χωρική και χρονική κατανομή των πληθυσμών των κουνουπιών. Ως εκ τούτου, τα δεδομένα τηλεπισκόπησης NDVI και LST που αποκτήθηκαν από το Landsat 8 σε χωρική ανάλυση 30 m ανα 16 ημέρες χρησιμοποιήθηκαν για την ανάπτυξη και τη δοκιμή ενός MLP ANN για την πρόβλεψη πληθυσμών κουνουπιών. Το μοντέλο εκπαιδεύτηκε και δοκιμάστηκε στους νομούς Ξάνθης και Δράμας (ΒΑ Ελλάδα) από τον Ιούλιο έως τον Οκτώβριο του 2019.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΛΟΓΙΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Περιγραφή Περιοχής Μελέτης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η περιοχή μελέτης βρίσκεται στη βορειοανατολική Ελλάδα και πραγματοποιήθηκε σε δεκαεπτά τοποθεσίες στις νομαρχίες Ξάνθης και Δράμας (Εικόνα 1). Η περιοχή αυτή περιλαμβάνει παράκτιες, ορεινές και πεδινές περιοχές. Το τοπίο έχει κυρίως καλλιέργειες όπως βαμβάκι, σιτάρι, ηλιόσπορο, κηπευτικά (ντομάτα, καλαμπόκι, κολοκύθια, κ.λπ.) και καπνό.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Στην περιοχή μελέτης υπάρχουν διάφοροι τύποι κάλυψης γης. Για παράδειγμα, οι παράκτιες τοποθεσίες Αη Γιάννη και Πόρτο Λάγος βρίσκονται εντός ενός παράκτιου υγροτόπου. Οι τοποθεσίες Εράσμιο, τα Μάγγανα και τα Άβδηρα βρίσκονται κοντά στην παράκτια ζώνη και έχουν έντονη γεωργική δραστηριότητα. Άλλες περιοχές είναι ημιορεινές, δομημένες ή βιομηχανικές όπως είναι η πόλη της Δράμας και άλλες είναι τυπικοί αγροτικοί οικισμοί περιτριγυρισμένοι από γεωργική γη.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Σύμφωνα με τον Κλιματικό Άτλαντα της Εθνικής Μετεωρολογικής Υπηρεσίας της Ελλάδας, η Ελλάδα χαρακτηρίζεται από ποικίλα εδάφη που διαχωρίζουν τη χώρα σε κλιματικές ζώνες. Οι κύριες κλιματικές ζώνες της περιοχής μελέτης κυμαίνονται από το θερμό-καλοκαιρινό μεσογειακό κλίμα στις παράκτιες ζώνες, σε πιο εύκρατους κλιματικούς τύπους προς τα βόρεια.&lt;/p&gt;<br /> <br /> &lt;u&gt;Περιγραφή του Συνόλου Δεδομένων&lt;/u&gt;<br /> &lt;u&gt;Πειραματικό Πλαίσιο&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Για τη συλλογή και αναγνώριση των ενηλίκων κουνουπιών χρησιμοποιήθηκαν παγίδες φωτός CDC με δόλωμα CO2. Τα δείγματα αποθηκεύτηκαν στους -80 °C για να διατηρηθούν. Η ταυτοποίηση θηλυκών έγινε με ταυτοποίηση των εξωτερικών μορφολογικών τους χαρακτηριστικών και COI (Cytochrome oxidase subunit I) barcoding από ένα αποκομμένο πόδι.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Για να ταυτοποιηθούν τα είδη των κουνουπιών πραγματοποιήθηκε σχετική ανάλυση. Για το barcoding του DNA τους χρησιμοποιήθηκε, όπου ενδείκνυνταν, το πρότυπο COI PCR και το Sanger Sequencing. &lt;/p&gt;<br /> <br /> &lt;u&gt;Σύνολα δεδομένων τηλεπισκόπησης και περιβαλλοντικών δεδομένων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Για να μελετηθούν οι συνθήκες ανάπτυξης των κουνουπιών στις περιοχές μελέτης χρησιμοποιήθηκε ο δείκτης NDVI. Επιπλέον, σημαντική κλιματική μεταβλητή αποτελεί ο δείκτης LST που αποτυπώνει τη θερμοκρασία της επιφάνειας της Γης και χρησιμοποιείται για εκτίμηση της εξάτμισης, της υγρασίας του εδάφους και των επιπτώσεων της κλιματικής αλλαγής.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Δεδομένου ότι τα κουνούπια αναπτύσσονται και πολλαπλασιάζονται στο νερό, λήφθηκε υπόψιν η διάρκεια εκκόλαψης, η διάρκεια ζωής της προνύμφης και του κάθε είδους κουνουπιού και η περιοχή που καλύπτεται από νερό γύρω από τα σημεία παρακολούθησης. Χρησιμοποιήθηκαν οι δείκτες NDVI και LST σε διάφορες χρονικές στιγμές για να εντοπιστεί συσχέτιση με τα δεδομένα του πληθυσμού των κουνουπιών. Τα δεδομένα NDVI συλλέχθηκαν από τον Landsat 8 OLI, με χωρική ανάλυση 30 m και δεδομένα ανά 16 ημέρες, θεωρώντας πως σε διάρκεια 16 ημερών το NDVI δεν αλλάζει σημαντικά κατά τις περιόδους παρατήρησης (29 Ιουνίου 2019 έως 29 Σεπτεμβρίου 2019). Για τη μελέτη των δεδομένων LST χρησιμοποιήθηκε ο MODIS daytime LST με χωρική ανάλυση 1 km, και στη συνέχεια τα δεδομένα μεταφέρθηκαν στον LST του Landsat 8 (Εικόνα 2).&lt;/p&gt;<br /> <br /> &lt;u&gt;Ανάπτυξη Μοντέλου&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τα μοντέλα τεχνητών νευρωνικών δικτύων (ANNs) ανήκουν στην ευρύτερη κατηγορία μοντέλων μηχανικής μάθησης. Προσπαθούν να μιμηθούν τον τρόπο με τον οποίο οι νευρώνες μεταδίδουν σήματα μέσα στον ανθρώπινο εγκέφαλο, με σκοπό να επιτρέψουν στους υπολογιστές να μάθουν να εκτελούν συγκεκριμένες εργασίες αναλύοντας σύνολα δεδομένων εκπαίδευσης. <br /> Στην παρούσα εργασία, αναπτύχθηκε, εκπαιδεύτηκε και εφαρμόστηκε Νευρωνικό Δίκτυο Πολλαπλών Στρωμάτων (MLP) ANN για την πρόβλεψη των πληθυσμών κουνουπιών, που περιελάμβανε τους 17 τοποθετημένους σταθμούς στη ΒΔ Ελλάδα (Εικόνα 1). Αυτό έγινε καθώς η μοντελοποίηση των δεδομένων καθίσταται δύσκολη, αφού υπάρχουν 17 διαφορετικές ομάδες πληθυσμών κουνουπιών, έλλειψη σαφούς συσχετισμού των πληθυσμών κουνουπιών με τις παραμέτρους NDVI και LST, το υψομέτρο και τις περιοχές με νερο. Έτσι, αναπτύχθηκε, εκπαιδεύτηκε και εφαρμόστηκε το Νευρωνικό Δίκτυο Πολλαπλών Στρωμάτων (MLP) ANN και η μοντελοποίηση και πρόβλεψη των πληθυσμών κουνουπιών πραγματοποιήθηκε με τη χρήση συγκεκριμένων συναρτήσεων αξιοποιώντας τα. <br /> Για να βελτιστοποιηθεί το μοντέλο, δοκιμάστηκαν διαφορετικά σχήματα αλλάζοντας τον αριθμό των κρυφών επιπέδων και των κρυφών κόμβων. <br /> Η απόδοση του μοντέλου αξιολογήθηκε με το Μέσο Τετραγωνικό Σφάλμα (MSE), το Scaled Root Mean Squared Error (𝑅∗) και την Αποτελεσματικότητα Μοντέλου Nash–Sutcliffe (NSE). <br /> Η εκπαίδευση του ANN έγινε με τυχαία επιλογή του 75% του συνόλου των δεδομένων και ελέγχθηκε με τα δεδομένα δοκιμής να είναι το υπόλοιπο 25%. Η γενίκευση του μοντέλου βελτιώθηκε με μια διαδικασία επαναληπτικής επικύρωσης 100 φορές, και ως τελική μέτρηση απόδοσης χρησιμοποιήθηκε ο μέσος όρος των τιμών των 100 μετρήσεων.<br /> Τέλος, μελετήθηκε η σημασία των μεταβλητών εισόδου με την τεχνική βάρους σύνδεσης.<br /> &lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Εκτίμηση Παραμέτρων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Συνολικά συλλέχθηκαν 7653 κουνούπια από παγίδες στη Βόρεια Ελλάδα. Η ταυτοποίηση έγινε μορφολογικά και, όταν απαιτούνταν, με χρήση DNA barcoding. Κάποιες τοποθεσίες, όπως το Πόρτο Λάγος, Αη Γιάννης και Μαγγανά, είχαν το 62.17% του συνολικού αριθμού κουνουπιών (Εικόνα 3). Περιβαλλοντικοί παράγοντες όπως η περιοχή νερού, το υψόμετρο, ο δείκτης LST, ο δείκτης NDVI και η Ημερομηνία Julian αξιολογήθηκαν σε σχέση με τον πληθυσμό των κουνουπιών. Η υψηλότερη συσχέτιση με τους πληθυσμούς κουνουπιών παρατηρήθηκε σε χρονική καθυστέρηση 13 ημερών στους δείκτες LST και NDVI. Παρατηρήθηκε αύξηση του πληθυσμού των κουνουπιών παράλληλα με την αύξηση στο LST και στις τιμές NDVI μεταξύ 0,27–0,39 (Εικόνα 4). Λόγω των πολύπλοκων και ετερογενών δεδομένων, χρησιμοποήθηκαν μοντέλα μηχανικής μάθησης, συγκεκριμένα ένα μοντέλο Νευρωνικού Δικτύου MLP, γιατί παρέχει εναλλακτική λύση σε σχέση με τα παραδοσιακά μοντέλα παλινδρόμησης.&lt;/p&gt;<br /> <br /> &lt;u&gt;Αποτελέσματα Μοντέλου&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η βέλτιστη αρχιτεκτονική του MLP Νευρωνικού Δικτύου περιλάμβανε δύο κρυφά επίπεδα με τρεις και δύο κρυφούς νευρώνες αντίστοιχα. (Εικόνα 5)&lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt; Το μοντέλο εμφάνισε απόδοση με μια διαδικασία επαναλαμβανόμενης επικύρωσης 100 φορές, με μέσες τιμές MSE = 739, RMSE (R*) = 0,162 και NSE = 0,83. Επιπλέον αναδείχθηκε η σημασία του LST και της περιοχής νερού ως κυριότερων παραγόντων που επηρεάζουν τους πληθυσμούς των κουνουπιών (Εικόνα 6). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Ελέγχοντας το μοντέλο σε σχέση με περιστατικά εμφάνισης του Ιού του Δυτικού Νείλου (WNV) σε δήμους γύρω από την περιοχή μελέτης, επιβεβαιώθηκε η ισχυρή συσχέτιση μεταξύ του μέσου LST και των αναφερθέντων περιπτώσεων WNV (Εικόνα 7). &lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Παρατηρείται ότι η αύξηση του πληθυσμού των κουνουπιών, και έτσι ο κίνδυνος μετάδοσης ασθενειών που μεταφέρονται από αυτά, μπορεί να προβλεφθεί με χρήση αισθητήρων απομακρυσμένης ανίχνευσης, όπως ο Landsat 8, σε συνδυασμό με μοντέλα τεχνητών νευρωνικών δικτύων. Η μεθοδολογία που αξιοποιήθηκε χρησιμοποιεί ένα ανοικτό, δωρεάν προσβάσιμο εργαλείο, ενώ οι εκτιμήσεις του μοντέλου επιτρέπουν την πρόβλεψη της ποσότητας κουνουπιών 13 ημέρες πριν την επιθυμητή ημερομηνία. Φάνηκε ότι ο δείκτης LST αποτελεί μακράν τη σημαντικότερη παράμετρο πρόβλεψης, χωρίς να υποβαθμίζεται η σημαντικότητα των άλλων παραμέτρων, αφού σημασία μπορεί να έχει η και τοποθεσία, το είδος των κουνουπιών και άλλες παράμετροι. Επιπλέον, τα αποτελέσματα ενισχύουν την άποψη ότι η επίδραση των περιβαλλοντικών παραμέτρων είναι πολύ σημαντική, ενώ η πραγματική αύξηση των πληθυσμών κουνουπιών μπορεί να προβλεφθεί με ακρίβεια χρησιμοποιώντας χρονοσειρές τηλεανιχνευόμενων πληροφοριών.&lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Analysis_of_Forest_Cover_Change_and_Its_Drivers_in_Biodiversity_Hotspot_Areas_of_the_Semien_Mountains_National_Park,_Northwest_Ethiopia 2024-02-23T23:24:53Z

<p>Niknakkas: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Analysis of Forest Cover Change and Its Drivers in Biodiversity Hotspot Areas of the Semien Mountains National Park, Northwest Ethiopia''<br /> <br /> '''Συγγραφείς: '''Belete Debebe, Feyera Senbeta, Ermias Teferi, Dawit Diriba, Demel Teketay <br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2023, 15(4), 3001; https://doi.org/10.3390/su15043001'' <br /> <br /> '''Λέξεις κλειδιά: '''αποδάσωση, δάσος, κέρδη, κέρδος προς σταθερότητα, απώλεια, απώλεια προς σταθερότητα, καθαρή αλλαγή, σταθερότητα, αλλαγή ανταλλαγής<br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> [[Αρχείο:Analysis1.png | thumb| right|'''Εικόνα 1.''' '' Χάρτης της Περιοχής Μελέτης.'' ]]<br /> [[Αρχείο:Analysis2.png | thumb| right|'''Εικόνα 2.''' '' Διάγραμμα ροής που δείχνει τη διαδικασία που πραγματοποιήθηκε κατά τη διάρκεια της μελέτης.'' ]]<br /> [[Αρχείο:Analysis3.png | thumb| right|'''Εικόνα 3.''' '' Ταξινομημένος χάρτης κάλυψης γης από το 1984 έως το 2020'' ]]<br /> [[Αρχείο:Analysis4.png | thumb| right|'''Εικόνα 4.''' '' Ποσοστό μεταβολής σε κάθε τύπο κάλυψης γης.'' ]]<br /> [[Αρχείο:Analysis5.png | thumb| right|'''Εικόνα 5.''' '' Αλλαγές κάλυψης γης στην περιοχή μελέτης μεταξύ 1984 και 2020.'' ]]<br /> [[Αρχείο:Analysis6.png | thumb| right|'''Εικόνα 6.''' '' Διαθεσιμότητα δασικών αγαθών στο SMNP. Πηγή: Έρευνα Νοικοκυριών (2021).'' ]]<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Τα δάση αποτελούν αναπόσπαστο μέρος της παγκόσμιας βιοποικιλότητας, καλύπτοντας περίπου το 30,8% της χερσαίας έκτασης της Γης. Διαδραματίζουν κρίσιμο ρόλο στη διατήρηση των συστημάτων υποστήριξης της ζωής, στη στήριξη της κοινωνικής και οικονομικής ανάπτυξης και χρησιμεύουν ως ζωτικές δεξαμενές άνθρακα. Παρά τη σημασία τους, αντιμετωπίζουν συνεχείς απειλές λόγω ανθρώπινων δραστηριοτήτων.<br /> Η αποδάσωση παραμένει σημαντικό περιβαλλοντικό πρόβλημα σε παγκόσμιο επίπεδο. Οι εκθέσεις δείχνουν καθαρή απώλεια δασικών εκτάσεων τις τελευταίες δεκαετίες λόγω διαφόρων παραγόντων, όπως η γεωργία, η επέκταση των πόλεων, η ανάπτυξη υποδομών και η εξόρυξη καυσόξυλων. Οι αναπτυσσόμενες χώρες, όπου βρίσκεται μεγάλο μέρος των τροπικών δασών του κόσμου, είναι ιδιαίτερα ευάλωτες σε αυτές τις τάσεις.<br /> Η Αιθιοπία, όπως και πολλά αναπτυσσόμενα έθνη, βασίζεται σε μεγάλο βαθμό στα δάση για την κοινωνικοοικονομική και περιβαλλοντική ευημερία. Ωστόσο τα δάση της διαρκώς μειώνονται λόγω αύξησης του πληθυσμού, ανεξέλεγκτης εξόρυξης καυσόξυλων, φτώχειας και ανεπαρκών δασικών πολιτικών. Οι πρόσφατες αστικές επεκτάσεις και η ανάπτυξη υποδομών έχουν επιδεινώσει περαιτέρω την απώλεια δασικής κάλυψης στην Αιθιοπία.<br /> Σα υψίπεδα της Αιθιοπίας, ιδίως στα βορειοδυτικά, μειώνεται απότομα η εδαφοκάλυψη, με αντίκτυπο στη βιοποικιλότητα, την κλιματική αλλαγή, τη διάβρωση του εδάφους και την επισιτιστική ανασφάλεια. Η παρακολούθηση και ο ποσοτικός προσδιορισμός των αλλαγών της κάλυψης γης σε αυτές τις περιοχές είναι απαραίτητες για τις σχετικές παρεμβάσεις, ωστόσο, υπάρχει έλλειψη ολοκληρωμένων μελετών σχετικά με την αλλαγή της δασικής κάλυψης, ιδίως σε περιοχές με μεγάλο υψόμετρο, όπως το Εθνικό Πάρκο Ορέων Semien (SMNP).<br /> Το SMNP, γνωστό για τη βιοποικιλότητά του, αντιμετωπίζει αυξανόμενες απειλές στους δασικούς του πόρους λόγω της εκμετάλλευσής του για ενέργεια και βιοπορισμό. Η ενσωμάτωση τεχνολογιών τηλεπισκόπησης (ΤΑ) και γεωγραφικών συστημάτων πληροφοριών (GIS) με την τοπική γνώση μπορεί να προσφέρει πολύτιμες πληροφορίες για τη δυναμική της δασικής κάλυψης και τους υποκείμενους παράγοντες.<br /> Η παρούσα μελέτη αποσκοπεί στην ποσοτικοποίηση των χωροχρονικών μεταβολών της δασοκάλυψης κατά τα τελευταία 36 χρόνια και στον προσδιορισμό των παραγόντων της αλλαγής της δασοκάλυψης στην SMNP. Τα ευρήματα στοχεύουν να βελτιώσουν τις μελλοντικές πολιτικές και στρατηγικές διατήρησης στην Αιθιοπία και αλλού και θα συμβάλουν στην κατανόηση των διαδικασιών αποδάσωσης στην Αιθιοπία.<br /> &lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΛΟΓΙΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Περιγραφή της περιοχής μελέτης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Το Εθνικό Πάρκο Semien Mountains (SMNP) βρίσκεται στο Εθνικό Περιφερειακό Κράτος Amhara (ANRS) της βορειοδυτικής Αιθιοπίας (Εικόνα 1). Εκτείνεται σε πέντε περιφέρειες και διαθέτει ποικίλα τοπογραφικά χαρακτηριστικά, όπως τραχύ έδαφος με απότομες πλαγιές, κυματιστούς λόφους και επίπεδο έδαφος. Το υψόμετρο κυμαίνεται από 1276 έως 4540 μέτρα. Παρουσιάζει μονοτροπική κατανομή βροχόπτωσης μεταξύ Ιουνίου και Σεπτεμβρίου, ενώ οι μέσες ημερήσιες θερμοκρασίες κυμαίνονται από -2 έως 18 °C. Η περιοχή υποστηρίζει τη μικτή γεωργία ως κύρια πηγή βιοπορισμού για τις τοπικές κοινότητες. Το πάρκο χρησιμεύει ως πηγή σε εκατομμύρια ανθρώπους στην Αιθιοπία, το Σουδάν και την Αίγυπτο. Αναγνωρισμένο ως Μνημείο Παγκόσμιας Κληρονομιάς της UNESCO από το 1978, φημίζεται για τη βιοποικιλότητά του, φιλοξενώντας πολλά απειλούμενα είδη. &lt;/p&gt;<br /> <br /> &lt;u&gt;Τύπος και πηγή δεδομένων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η μελέτη χρησιμοποίησε χωρικά και μη χωρικά σύνολα δεδομένων από πρωτογενείς και δευτερογενείς πηγές. Οι πρωτογενείς πηγές δεδομένων περιλάμβαναν εικόνες Landsat, το Google Earth, έρευνες σε νοικοκυριά, συνεντεύξεις με βασικούς πληροφοριοδότες (KII) και παρατηρήσεις πεδίου. Τα δευτερογενή δεδομένα προήλθαν από δημοσιευμένο υλικό, κυβερνητικές εκθέσεις και έγγραφα πολιτικής.&lt;/p&gt;<br /> <br /> &lt;u&gt;Απόκτηση χωρικών δεδομένων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι δορυφορικές εικόνες από τους Landsat 4-5 (TM), Landsat 7 (ETM+) και Landsat 8 (OLI) για τα έτη 1984, 1996, 2008 και 2020, αντίστοιχα, αποκτήθηκαν από τη Γεωλογική Υπηρεσία των Ηνωμένων Πολιτειών (USGS). Οι εικόνες επιλέχθηκαν κατά τη διάρκεια της ξηρής περιόδου. Η επεξεργασία των δορυφορικών εικόνων πραγματοποιήθηκε με χρήση λογισμικού ERDAS Imagine 2015, ArcGIS 10.7 και QGIS 2.41.&lt;/p&gt;<br /> <br /> &lt;u&gt;Δεδομένα εδάφους&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τα δεδομένα εδάφους για την ταξινόμηση της κάλυψης γης και την αξιολόγηση της ακρίβειας συλλέχθηκαν μέσω συνδυασμού μεθόδων, συμπεριλαμβανομένων ερευνών πεδίου, συνεντεύξεων με ηλικιωμένους και βοηθητικών πηγών δεδομένων, όπως εικόνες του Google Earth. Για τη συλλογή των σημείων αναφοράς χρησιμοποιήθηκε στρωματοποιημένη τυχαία δειγματοληψία και συγκεντρώθηκαν συνολικά 1717 δειγματοληπτικά σημεία.&lt;/p&gt;<br /> <br /> &lt;u&gt;Κοινωνικοοικονομικά δεδομένα&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τα κοινωνικοοικονομικά δεδομένα αποκτήθηκαν μέσω ερευνών σε αγρότες, δασολόγους και με ερωτηματολόγια. Πραγματοποιήθηκαν έρευνες σε 420 νοικοκυριά, τα οποία επιλέχθηκαν με συστηματική τυχαία δειγματοληψία, για να εκτιμηθούν οι κοινωνικοοικονομικές συνθήκες, οι αντιλήψεις για την αλλαγή της δασικής κάλυψης, η διαθεσιμότητα και η αντίληψη των αλλαγών στο οικοσύστημα. Διεξήχθησαν επίσης συνεντεύξεις με υπαλλήλους δασαρχείου και πάρκων και τοπικούς κατοίκους για τη συλλογή ιστορικών δεδομένων σχετικά με τις αλλαγές στη δασική κάλυψη και τους παράγοντές της.&lt;/p&gt;<br /> <br /> &lt;u&gt;Προεπεξεργασία δορυφορικών εικόνων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι δορυφορικές εικόνες υποβλήθηκαν σε βήματα προ- και μεταεπεξεργασίας (Εικόνα 2) για την ελαχιστοποίηση των σφαλμάτων και την ενίσχυση της ακρίβειας ταξινόμησης. Εφαρμόστηκαν τοπογραφική διόρθωση (C-correction) και ατμοσφαιρικές και ραδιομετρικές διορθώσεις(Cost Model). Οι εικόνες Landsat 7 που επηρεάστηκαν από την αποτυχία SLC off διορθώθηκαν και όλες οι εικόνες προβάλλονταν στο Σύστημα Προβολής του χάρτη Universal Transverse Mercator (UTM), στη Ζώνη 37N και στο Dataum of the World Geodetic System (WGS84).&lt;/p&gt;<br /> <br /> &lt;u&gt;Ταξινόμηση εικόνων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Χρησιμοποιήθηκαν τεχνικές επιβλεπόμενης και μη επιβλεπόμενης ταξινόμησης. Η ταξινόμηση χωρίς επίβλεψη με χρήση του αλγορίθμου ISODATA ακολουθήθηκε από επιβλεπόμενη ταξινόμηση με χρήση δεδομένων εκπαίδευσης που συλλέχθηκαν από τις υπάρχουσες κατηγορίες κάλυψης γης, όπου χρησιμοποιήθηκε ο αλγόριθμος ταξινόμησης μέγιστης πιθανοφάνειας (MLC) και αναπτύχθηκε ένα σχήμα ταξινόμησης των κατηγοριών κάλυψης γης με βάση επιτόπιες έρευνες, Google Earth και άλλα δεδομένα.&lt;/p&gt;<br /> <br /> &lt;u&gt;Επεξεργασία μετά την ταξινόμηση&lt;/u&gt;<br /> &lt;u&gt;Αξιολόγηση Ακρίβειας&lt;/u&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η αξιολόγηση της ακρίβειας των ταξινομημένων εικόνων πραγματοποιήθηκε με τυχαία επιλογή σημείων και σύγκριση των θέσεών τους με δεδομένα που συλλέχθηκαν από έρευνες πεδίου, συνεντεύξεις και βοηθητικές πηγές. Πραγματοποιήθηκε στρωματοποιημένη τυχαία δειγματοληψία. Για την αξιολόγηση της ακρίβειας ταξινόμησης χρησιμοποιήθηκε ένας πίνακας σύγχυσης και με βάση τον τύπο των Congalton και Green (2009) υπολογίστηκαν η συνολική ακρίβεια, η ακρίβεια του παραγωγού και του χρήστη και τα στατιστικά στοιχεία kappa.&lt;/p&gt;<br /> <br /> &lt;u&gt;Ανάλυση ανίχνευσης αλλαγών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Μετά την ταξινόμηση πραγματοποιήθηκε ανάλυση ανίχνευσης αλλαγών για τον εντοπισμό αλλαγών στις κατηγορίες κάλυψης γης με την πάροδο του χρόνου. Υπολογίστηκαν πίνακες μετάβασης στο ArcGIS 10.8 για την ανάλυση των μοτίβων αλλαγών, συμπεριλαμβανομένης της σταθερότητας(η μη μεταβολή του LC), των κερδών, των απωλειών, της καθαρής μεταβολής, της συνολικής αλλαγής και της ανταλλαγής κατηγοριών κάλυψης γης. Επιπλέον, υπολογίστηκαν η απώλεια, το κέρδος και η καθαρή αλλαγή προς την σταθερότητα για να εκτιμηθεί η ευαλωτότητα των κατηγοριών κάλυψης γης στη μετάβαση. Οι ετήσιοι ρυθμοί αλλαγής της κάλυψης γης προσδιορίστηκαν με τη χρήση του τύπου του σύνθετου επιτοκίου (Puyravaud, 2003).&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Ακρίβεια ταξινόμησης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η αξιολόγηση της ακρίβειας ταξινόμησης των εικόνων έδειξε συνολική ακρίβεια 90% για τον ταξινομημένο χάρτη του 2020. Επιπλέον, ελήφθησαν υψηλές τιμές του συντελεστή kappa (Khat) σε διάφορα έτη, υποδεικνύοντας δυνατή συσχέτιση μεταξύ των ταξινομημένων χαρτών και των δεδομένων εδάφους. Αυτό εξασφάλισε την αξιοπιστία των αναλύσεων ανίχνευσης αλλαγών.&lt;/p&gt;<br /> <br /> &lt;u&gt;Κατάσταση της κάλυψης γης εντός και γύρω από την SMNP&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η ανάλυση της κάλυψης γης απεικόνισε σημαντικές αλλαγές στο τοπίο κατά την περίοδο μελέτης. Η δασική κάλυψη μειώθηκε από 45% το 1984 σε 31% το 2020, ενώ τα λιβάδια και οι καλλιεργούμενες εκτάσεις αυξήθηκαν (Εικόνα 3, Εικόνα 4). Το σύνολο των αλλαγών αντανακλά την συσχέτιση μεταξύ των ανθρωπογενών δραστηριοτήτων και των αλλαγών κάλυψης γης.&lt;/p&gt;<br /> <br /> &lt;u&gt;Αλλαγή της δασικής κάλυψης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η ανάλυση της αλλαγής της δασικής κάλυψης ανέδειξε μια ανησυχητική τάση αποδάσωσης, με απώλεια περίπου 33.094 εκταρίων δάσους μεταξύ 1984 και 2020. Τα υψηλότερα ποσοστά αποψίλωσης παρατηρήθηκαν σε περιόδους ξηρασίας, ζήτησης δασικών προϊόντων και πολιτικών αλλαγών.&lt;/p&gt;<br /> <br /> Αλλαγή της κάλυψης γης μεταξύ των κατηγοριών&lt;p align=&quot;justify&quot;&gt;Η έρευνα αναδεικνύει έντονες αλλαγές στις κατηγορίες κάλυψης γης, με τα δάση να υφίστανται τη σημαντικότερη αλλαγή σε άλλες κατηγορίες κάλυψης γης, κυρίως σε λιβάδια και καλλιεργούμενες εκτάσεις. Αναδεικνύεται η ευαλωτότητα των δασικών οικοσυστημάτων στις ανθρωπογενείς πιέσεις και τις αλλαγές στις χρήσεις γης που προκαλούνται από την επέκταση της γεωργίας και την αύξηση του πληθυσμού. Επίσης έχουν αυξηθεί σταθερά οι καλλιεργούμενες εκτάσεις, οι κτισμένες περιοχές (Εικόνα 5).&lt;/p&gt;<br /> <br /> &lt;u&gt;Καθαρή αλλαγή και εναλλαγή εντός και γύρω από το SMNP (1984-2020)&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τόσο η καθαρή αλλαγή όσο και η ανταλλαγή συνέβαλαν στις παρατηρούμενες αλλαγές κατηγορίας κάλυψης γης, με την καλλιεργούμενη γη να παρουσιάζει την υψηλότερη καθαρή αλλαγή και τα λιβάδια την υψηλότερη αλλαγή. Τα ευρήματα δείχνουν ότι η κάλυψη γης επηρεάζεται τόσο από ποσοτικές αλλαγές στην έκταση της κάλυψης γης όσο και από τη χωρική ανακατανομή των κατηγοριών κάλυψης γης.&lt;/p&gt;<br /> <br /> &lt;u&gt;Ευαλωτότητα του SMNP στη μετάβαση&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η ανάλυση ευαλωτότητας ανέδειξε την ευαισθησία των διαφόρων τύπων κάλυψης γης στη μετάβαση, με τα δάση και τα λιβάδια να παρουσιάζουν υψηλότερους ρυθμούς μείωσης σε σύγκριση με τις καλλιεργούμενες εκτάσεις, τα γυμνά εδάφη και τις κατοικημένες περιοχές. &lt;/p&gt;<br /> <br /> &lt;u&gt;Παράγοντες των μεταβολών της δασικής κάλυψης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι ανθρωπογενείς παράγοντες, όπως η γεωργική επέκταση, η συγκομιδή καυσόξυλων, η αύξηση του πληθυσμού, οι φωτιές και η κτηνοτροφία, αναδείχθηκαν ως βασικοί παράγοντες που συμβάλλουν στην αποδάσωση στην περιοχή μελέτης. Η αντιμετώπιση αυτών των παραγόντων απαιτεί ολοκληρωμένες προσεγγίσεις που εξισορροπούν τις προσπάθειες διατήρησης με τους στόχους κοινωνικοοικονομικής ανάπτυξης.&lt;/p&gt;<br /> <br /> &lt;u&gt;Επιπτώσεις της αλλαγής της δασικής κάλυψης στη διαθεσιμότητα των δασικών αγαθών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η μείωση της δασικής κάλυψης έχει οδηγήσει σε μείωση των καυσόξυλων, άγριας τροφής, ζωοτροφών, και γλυκού νερού (Εικόνα 6). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Τα δάση των βουνών Semien διαδραματίζουν ζωτικό ρόλο στην παροχή κοινωνικοοικονομικών, οικολογικών και περιβαλλοντικών οφελών, ιδίως στις τοπικές κοινότητες. Ωστόσο, τα τελευταία 36 χρόνια, τα δάση αυτά έχουν υποστεί σημαντικές αλλαγές, με αποτέλεσμα την απώλεια περίπου 33.084 εκταρίων δασικής κάλυψης, απειλώντας τη διαθεσιμότητα καυσόξυλων, τη ρύθμιση του κλίματος, τη διατήρηση της βιοποικιλότητας και τη προστασία των λεκανών απορροής, με κύρια αιτία την επέκταση της γεωργίας και την αστική ανάπτυξη.&lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η γεωργική επέκταση, ιδίως η μετατροπή των δασικών πόρων σε καλλιεργήσιμες εκτάσεις παρατηρείται σε ολόκληρη την Αιθιοπία. Το φαινόμενο αυτό έχει οδηγήσει στη μετατροπή περίπου 24.759 εκταρίων δασών σε γεωργική γη μόνο στην περιοχή μελέτης. Η ταχεία επέκταση των γεωργικών εκτάσεων, συχνά χωρίς κατάλληλες πρακτικές διαχείρισης της γης, έχει οδηγήσει σε δυσμενείς περιβαλλοντικές συνέπειες, όπως η διάβρωση του εδάφους και η υποβάθμιση της γης, επηρεάζοντας τόσο το περιβάλλον όσο και τις τοπικές κοινότητες.&lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Επιπλέον, η γυμνή γη και οι δομημένες περιοχές έχουν σημειώσει σημαντική αύξηση, η οποία αποδίδεται σε φυσικούς παράγοντες, όπως το ηφαιστειακό και βραχώδες έδαφος, καθώς και σε ανθρώπινες δραστηριότητες, όπως η αποδάσωση και η αύξηση του πληθυσμού. Η επέκταση των δομημένων περιοχών, λόγω της ανάπτυξης των υποδομών και της αυξανόμενης ζήτησης για οικιστικό χώρο, καταπατά τις δασικές εκτάσεις και τα λιβάδια.&lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Πολλοί είναι οι παράγοντες που συμβάλλουν στις αλλαγές της δασικής κάλυψης, οι οποίοι αλληλεπιδρούν με πολύπλοκους τρόπους, υπογραμμίζοντας την ανάγκηκατανόησής τους για μια πολύπλευρη προσέγγιση για την αντιμετώπιση της αποψίλωσης των δασών και των συναφών περιβαλλοντικών επιπτώσεων. &lt;/p&gt;<br /> <br /> &lt;u&gt;ΕΠΙΠΤΩΣΕΙΣ ΤΗΣ ΑΛΛΑΓΗΣ ΤΗΣ ΔΑΣΙΚΗΣ ΕΚΤΑΣΗΣ&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η αλλαγή της δασικής κάλυψης έχει πολύπλευρες κοινωνικοοικονομικές και οικολογικές επιπτώσεις, με τη μετατροπή της βλάστησης σε γεωργικές και άλλες χρήσεις γης να αποτελεί σημαντική απειλή για τη βιοποικιλότητα της περιοχής. Τα αυτόχθονα είδη δέντρων που κάποτε αφθονούσαν στα βουνά Semien βρίσκονται τώρα στα πρόθυρα της εξαφάνισης λόγω της αποδάσωσης, οδηγώντας σε μείωση της άγριας πανίδας. Η απώλεια της δασικών εκτάσεων και λιβαδιών μειώνει επίσης τα δασικά αγαθά, όπως τη διαθεσιμότητα άγριας τροφής, τα καυσόξυλα και τη βιοποικιλότητα, ενώ συμβάλλει στην υποβάθμιση του εδάφους, στην εξάντληση του γλυκού νερού και στις εκπομπές διοξειδίου του άνθρακα.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η παρακολούθηση της αλλαγής της δασικής κάλυψης και η κατανόηση των παραγόντων είναι ζωτικής σημασίας για τη λήψη αποφάσεων και την ανάπτυξη πολιτικής. Χρησιμοποιώντας εικόνες Landsat και έρευνες νοικοκυριών, η παρούσα μελέτη εξέτασε την αλλαγή της δασικής κάλυψης στο Εθνικό Πάρκο Semien Mountains και γύρω από αυτό από το 1984 έως το 2020. Η μελέτη αποκάλυψε σημαντική αποδάσωση, με περίπου 33.084 εκτάρια δάσους να χάνονται κατά την περίοδο μελέτης. Στους παράγοντες της αποδάσωσης περιλαμβάνονται η αύξηση του πληθυσμού, η γεωργική επέκταση, η συλλογή καυσόξυλων, η πίεση των ζώων και οι δασικές πυρκαγιές.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η μελέτη υπογραμμίζει τη σημασία της διατήρησης των δασικών πόρων των βουνών Semien, που φιλοξενούν απειλούμενα είδη και ζωτικής σημασίας οικοσυστημικές υπηρεσίες. Οι προσπάθειες διατήρησης θα πρέπει να επικεντρωθούν στην αντιμετώπιση των εστιών αποψίλωσης, στην ευαισθητοποίηση της κοινότητας, στην προώθηση βιώσιμων πρακτικών διαχείρισης της γης και στην ενίσχυση της συμμετοχικής διαχείρισης των δασών. Συνιστάται περαιτέρω έρευνα για την αξιολόγηση του αντίκτυπου της αλλαγής της δασικής κάλυψης στην αξία των οικοσυστημικών υπηρεσιών και στην κοινωνικοοικονομική ευημερία των τοπικών κοινοτήτων.<br /> &lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Climate_Change_Education_through_Earth_Observation:_An_Approach_for_EO_Newcomers_in_Schools 2024-02-23T23:24:26Z

<p>Niknakkas: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Climate Change Education through Earth Observation: An Approach for EO Newcomers in Schools''<br /> <br /> '''Συγγραφείς: ''' Panagiota Asimakopoulou, Panagiotis Nastos, Emmanuel Vassilakis, Assimina Antonarakou, Maria Hatzaki, Ourania Katsigianni, Maria Papamatthaiou, Charalampos (Haris) Kontoes<br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2023, 15(19), 14454; https://doi.org/10.3390/su151914454'' <br /> <br /> '''Λέξεις κλειδιά: ''' Παρατήρηση της Γης, Κλιματική Αλλαγή και Εκπαίδευση για την Αειφορία , μάθηση με βάση τα φαινόμενα, μάθηση βάσει περιβάλλοντος, EO browser, δημοτικό σχολείο<br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> [[Αρχείο:Education1.png | thumb| right|'''Εικόνα 1.''' '' Μεταφρασμένο απόσπασμα από τα προσαρμοσμένα επιστημονικά κείμενα που δόθηκαν στους μαθητές για την υποστήριξη της διερευνητικής μαθησιακής διαδικασίας. Η επίδραση της κλίσης στη συμπεριφορά της πυρκαγιάς: α) μια χαμηλού κινδύνου «έρπουσα φωτιά» που καίει αργά στην κατηφόρα και (β) μια επικίνδυνη «φωτιά που τρέχει» που καίει γρήγορα σε ανηφόρα'' ]]<br /> [[Αρχείο:Large1.jpeg | thumb| right|'''Εικόνα 2.''' '' Ενδιαφέρουσα εικόνα που χρησιμοποιείται ως εφαλτήριο στο σχέδιο 2ου μαθήματος, με βάση την προσέγγιση μάθησης με βάση το φαινόμενο.'' ]]<br /> [[Αρχείο:Education3.png | thumb| right|'''Εικόνα 3.''' '' Στιγμιότυπο από το εργαλείο Diachronic BSM του BEYOND FireHub, που χρησιμοποιήθηκε από τους μαθητές για τη μελέτη των τοπικών πυρκαγιών.'' ]]<br /> [[Αρχείο:Education4.png | thumb| right|'''Εικόνα 4.''' '' Μαθητές στο Αγρίνιο (αριστερά) και στην Αθήνα (δεξιά) που μελετούν το προαιρετικό συμπληρωματικό υλικό «Διδάξτε με Δορυφόρους» μετά την ολοκλήρωση των δραστηριοτήτων MaFiSS.'' ]]<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Στο παρόν άρθρο υπογραμμίζεται ο επείγον χαρακτήρας για την αντιμετώπισης της κλιματικής αλλαγής (CC) και της περιβαλλοντικής υποβάθμισης λόγω της υπαρξιακής απειλής τους. Τονίζεται η ανάγκη για εκπαίδευση στην και την κλιματική αλλαγή (CCE) στα σχολεία, όπως αναγνωρίζεται από διεθνή πλαίσια όπως η Σύμβαση-Πλαίσιο των Ηνωμένων Εθνών για την κλιματική αλλαγή, η Συμφωνία των Παρισίων και η Ευρωπαϊκή Πράσινη Συμφωνία. Η UNESCO τάσσεται υπέρ της CCE, τονίζοντας τον ρόλο της στην ενδυνάμωση των νέων με τις απαραίτητες γνώσεις και δεξιότητες για τον περιορισμό και την προσαρμογή στην κλιματική αλλαγή. Οι έρευνες δείχνουν ότι τα προγράμματα CCE επηρεάζουν όχι μόνο τους μαθητές αλλά και τους γονείς τους, οδηγώντας σε αυξημένη ευαισθητοποίηση για την κλιματική αλλαγή και υιοθέτηση φιλικού προς το περιβάλλον τρόπου ζωής. Στη συνέχεια, το κείμενο εξετάζει την αυξανόμενη σημασία της Εκπαίδευσης για την Κλιματική Αλλαγή και την Βιωσιμότητα (CCSE) στα σχολικά προγράμματα σπουδών παγκοσμίως και τη συνεχή αναζήτηση καινοτόμων προσεγγίσεων και εργαλείων για την προώθηση της κλιματικής παιδείας και των στόχων της βιωσιμότητας στους μαθητές. Η Παρατήρηση της Γης (EO) αναδεικνύεται ως μια διεπιστημονική προσέγγιση που αναγνωρίζεται για τις δυνατότητές της να ενισχύσει τους στόχους της CCSE και να προωθήσει τον τεχνικό και επιστημονικό γραμματισμό των μαθητών. Τα δεδομένα της ΕΟ θεωρούνται ισχυρό εργαλείο για την κατανόηση των περιβαλλοντικών διεργασιών, την εστίαση στις τοπικές επιπτώσεις της κλιματικής αλλαγής και την εμπλοκή των μαθητών με πραγματικά επιστημονικά δεδομένα, με προσέγγιση βιωματικής μάθησης. Η ενότητα εξετάζει επίσης προηγούμενες προσπάθειες για την προώθηση της ΕΟ στα σχολεία, αναφέροντας διάφορες ευρωπαϊκές πρωτοβουλίες και έργα που αποσκοπούν στην ενσωμάτωση της στα εκπαιδευτικά συστήματα. Ωστόσο, αναγνωρίζει τους περιορισμούς στην αξιοποίηση της ΕΟ στα ευρωπαϊκά σχολεία, κυρίως λόγω τεχνικών, κινητήριων, πληροφοριακών και γλωσσικών εμποδίων. Παρά τις προκλήσεις αυτές, οι πρόσφατες εξελίξεις στην Ελλάδα, όπως η ίδρυση του ελληνικού παραρτήματος του ESERO και οι μεταρρυθμίσεις στο σχολικό πρόγραμμα σπουδών, έχουν δημιουργήσει βελτιωμένες συνθήκες για την ενσωμάτωση εκπαιδευτικών δραστηριοτήτων που βασίζονται στην ΕΟ στα ελληνικά σχολεία. <br /> Τέλος, γίνεται παρουσίαση του εκπαιδευτικού σεναρίου βασισμένου στην ΕΟ που αναπτύχθηκε για τα ελληνικά δημοτικά σχολεία, με στόχο να καταδείξει πώς η ΕΟ μπορεί να ενσωματωθεί στην εκπαίδευση για να προσελκύσει και διατηρήσει το ενδιαφέρον νέων χρηστών, να αναδειχθεί η ΕΟ ως επιστήμη και να προωθήσει την CCSE. Περιγράφεται το κύριο ερευνητικό ερώτημα, το οποίο επικεντρώνεται στην αξιολόγηση της αποτελεσματικότητας του σεναρίου που βασίζεται στην EO όσον αφορά την προσέλκυση και διατήρηση του ενδιαφέροντος των μαθητών, την ευαισθητοποίηση για την κλιματική αλλαγή, την προώθηση της επιμόρφωσης των εκπαιδευτικών και την ενσωμάτωσή της στο ελληνικό σχολικό πρόγραμμα σπουδών.<br /> &lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΛΟΓΙΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Στη συνέχεια θα περιγράφει το εκπαιδευτικό υλικό, οι παιδαγωγικές μεθόδους, τα εργαλεία και η μεθοδολογία αξιολόγησης που χρησιμοποιήθηκαν κατά την υλοποίηση του εκπαιδευτικού σεναρίου με τίτλο &quot;Χαρτογράφηση των σημαδιών της πυρκαγιάς από το διάστημα&quot; (MaFiSS), το οποίο αποτελείται από ένα σύνολο δομημένων δραστηριοτήτων σχετικά με τις πυρκαγιές και το αντίκτυπό τους στην κλιματική αλλαγή. Οι πυρκαγιές επιλέχθηκαν ως μεθοδολογία καθώς είναι σχετικά εύκολη η μελέτη τους στα Γεωγραφικά Συστήματα Πληροφοριών (GIS). Το σενάριο σχεδιάστηκε και υλοποιήθηκε σε διάρκεια επτά (7) εβδομάδων (1 μαθησιακή δραστηριότητα-πλάνο μαθήματος των 45 λεπτών ανά εβδομάδα) από τον Δεκέμβριο του 2021 έως το Φεβρουάριο του 2022 σε τρεις (3) τάξεις της 5ης τάξης, σε 57 συνολικά παιδιά ηλικίας 11-15 ετών που φοιτούν σε δημόσια δημοτικά σχολεία της Αθήνας και του Αγρινίου. Μελετήθηκαν περιστατικά πυρκαγιών που συνέβησαν στο τοπικό περιβάλλον των μαθητών, ώστε να υπάρχει συναισθηματικό δέσιμο, νόημα, εμπειρία και δυνατότητα επιτόπιας μελέτης από τους μαθητές, ενισχύοντας έτσι την προώθηση της περιβαλλοντικής υπευθυνότητας&lt;/p&gt;<br /> &lt;u&gt;Παιδαγωγικές Μέθοδοι&lt;/u&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS περιλαμβάνει ένα σύνολο δομημένων δραστηριοτήτων που έχουν σχεδιαστεί για τη διερεύνηση των πυρκαγιών, εστιάζοντας στο κατά πόσον η παρατήρηση της Γης (EO) μπορεί να ενσωματωθεί στο σχολικό πρόγραμμα σπουδών χωρίς προηγούμενες γνώσεις EO. Το θέμα των πυρκαγιών επιλέχθηκε λόγω της καταλληλότητάς του για τη μελέτη της ΕΟ, της διαθεσιμότητας πόρων ΕΟ στα ελληνικά, της συνάφειας με τους Έλληνες μαθητές και της σύνδεσής του με την κλιματική αλλαγή. Η παιδαγωγική μέθοδος προσεγγίζει τη μάθηση βάσει διερεύνησης, την ενεργητική και συμμετοχική μάθηση. Στο μοντέλο εντάχθηκε επίσης η ενεργή εμπλοκή των μαθητών σε ένα φαινόμενο της πραγματικής ζωής και η εκπαίδευση με βάση τον τόπο (place- based education), με την τελευταία ειδικά να αποτελεί ιδιαίτερα πετυχημένη μέθοδο περιβαλλοντικής εκπαίδευσης. Συνολικά δίνει έμφαση στις διεπιστημονικές, μαθητοκεντρικές και συνεργατικές προσεγγίσεις επίλυσης προβλημάτων. &lt;/p&gt;<br /> <br /> &lt;u&gt;Εργαλεία και πόροι της Ε.Ο.&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS χρησιμοποιεί εργαλεία ΕΟ ανοικτής πρόσβασης, όπως το πρόγραμμα περιήγησης ΕΟ και το Diachronic Burnt Scar Mapping (Diachronic BSM). Το πρόγραμμα περιήγησης EO, παρά το γεγονός ότι αναπτύχθηκε αρχικά για προχωρημένους χρήστες, επιλέγεται για την απλότητά του, την υποστήριξη πολλών γλωσσών (συμπεριλαμβανομένων των ελληνικών) και τα εκπαιδευτικά χαρακτηριστικά του. Το Diachronic BSM παρέχει μια ολοκληρωμένη εικόνα των πυρκαγιών στην Ελλάδα τα τελευταία 35 χρόνια, ενώ το περιβάλλον χρήστη είναι αρκετά φιλικό σε νέους χρήστες.&lt;/p&gt;<br /> &lt;u&gt;Εκπαιδευτικό υλικό-σχέδια μαθήματος&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS αποτελείται από επτά πλάνα μαθήματος:&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;1. Το ήξερες; : Εισάγει τους μαθητές στο θέμα των πυρκαγιών και τους εμπλέκει σε αυτοαξιολόγηση και συνεργατική διερεύνηση (Εικόνα 1).&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;2. Καυτά νέα: Εισάγει τους μαθητές στο φαινόμενο των ξηρών καταιγίδων και τη σχέση τους με τις πυρκαγιές (Εικόνα 2).&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;3. Χαρτογράφηση των πυρκαγιών με τα χέρια: Καθοδηγεί τους μαθητές στη χαρτογράφηση καμένων περιοχών χρησιμοποιώντας δορυφορικές εικόνες του Sentinel-2b.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;4. Χαρτογράφηση πυρκαγιάς με το πρόγραμμα περιήγησης EO: Επιτρέπει στους μαθητές να εξερευνήσουν τις δορυφορικές εικόνες υψηλής ανάλυσης και να χαρτογραφήσουν τα σημάδια πυρκαγιών χρησιμοποιώντας το πρόγραμμα περιήγησης EO, αφού προηγηθεί μία βασική «εκπαίδευσή» τους πάνω στην τηλεπισκόπηση και τον EO Browser. &lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;5. Πόσο έχει πληγεί η περιοχή σας από πυρκαγιές; : Ενθαρρύνει τους μαθητές να διερευνήσουν τις τοπικές πυρκαγιές χρησιμοποιώντας το Diachronic BSM (Εικόνα 3).&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;6.&amp;7. Αξιολογήστε αυτά που μάθατε και διαδώστε τα νέα: Περιλαμβάνει το σχεδιασμό μιας εκστρατείας ευαισθητοποίησης του σχολείου ή της τοπικής κοινότητας και την αξιολόγηση της αποτελεσματικότητας του προγράμματος. Κατά τη διάρκεια των δύο τελευταίων μαθημάτων, οι μαθητές ανακαλούν όλα τα στάδια του προγράμματος.&lt;/p&gt;<br /> <br /> &lt;u&gt;Μεθοδολογία αξιολόγησης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η αξιολόγηση περιλαμβάνει την ανατροφοδότηση των εκπαιδευτικών μέσω συνεντεύξεων και φορμών αξιολόγησης για την αξιολόγηση της αποτελεσματικότητας του προγράμματος, της φιλικότητας προς το χρήστη, της εμπλοκής των μαθητών και της συνάφειας του με το πρόραμμα σπουδών. Οι μαθητές παρέχουν επίσης ανατροφοδότηση μέσω ερωτηματολογίων για την αξιολόγηση της ευαισθητοποίησης, του ενδιαφέροντος, της ικανοποίησης και της ευθυγράμμισης με το πρόγραμμα σπουδών.&lt;/p&gt;<br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Αποτελέσματα αξιολόγησης των εκπαιδευτικών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Παρουσιάζονται τα αποτελέσματα αξιολόγησης από τους εκπαιδευτικούς που εφάρμοσαν το πρόγραμμα MaFiSS με μαθητές της πέμπτης τάξης. Κανείς από τους εκπαιδευτικούς δεν είχε χρησιμοποιήσει προηγουμένως ΕΟ ή τα άλλα προγράμματα που χρησιμοποιήθηκαν. Περιγράφονται τα σχόλιά τους σχετικά με διάφορες πτυχές του προγράμματος.&lt;/p&gt;<br /> &lt;u&gt;Φιλικότητα του υλικού προς τους εκπαιδευτικούς και ευκολία εφαρμογής&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί βρήκαν το πρόγραμμα MaFiSS φιλικό προς το χρήστη και απλό στην εφαρμογή του, παρά το γεγονός ότι δεν είχαν προηγούμενες γνώσεις σχετικά με την EO. Σημείωσαν ότι το παρεχόμενο υλικό ήταν σαφές, οργανωμένο και έτοιμο προς χρήση, απαιτώντας ελάχιστο χρόνο προετοιμασίας. Ωστόσο, ορισμένες δραστηριότητες απαιτούσαν περισσότερο χρόνο από τον προβλεπόμενο, γεγονός που επέβαλε την επέκταση του προγράμματος σε μαθήματα ΤΠΕ.&lt;/p&gt;<br /> &lt;u&gt;Ελκυστικότητα του προγράμματος και συμμετοχή των μαθητών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί ανέφεραν θετική εμπλοκή των μαθητών καθ' όλη τη διάρκεια του προγράμματος, ακόμη και από μαθητές που συνήθως δεν ήταν συγκεντρωμένοι στο μάθημα. Δραστηριότητες όπως η εξερεύνηση του φαινομένου της ξηρής καταιγίδας και η αλληλεπίδραση με τον ΕΟ Browser ήταν ιδιαίτερα επιτυχείς στο να προσελκύσουν το ενδιαφέρον των μαθητών. Λιγότερο ενδιαφέρον έδειξαν οι μαθητές στη συμπλήρωση του ερωτηματολογίου, στην ανάλυση των απαντήσεων και στην αξιολόγηση.&lt;/p&gt;<br /> &lt;u&gt;Καταλληλότητα των εργαλείων ΕΟ στην εκπαίδευση&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Όλοι οι εκπαιδευτικοί επιβεβαίωσαν ότι οι εφαρμογές που βασίζονται σε ΕΟ και χρησιμοποιήθηκαν στο MaFiSS ήταν εύκολες στη χρήση και κατάλληλες για εκπαιδευτικούς σκοπούς. Οι μαθητές και οι εκπαιδευτικοί εξοικειώθηκαν γρήγορα με τις εφαρμογές.&lt;/p&gt;<br /> &lt;u&gt;Αποτελεσματικότητα της προσέγγισης με βάση το φαινόμενο&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί συμφώνησαν ότι η προσέγγιση με βάση το φαινόμενο, ιδίως η εστίαση στο φαινόμενο της ξηρής καταιγίδας, τόνωσε το ενδιαφέρον και την περιέργεια των μαθητών. Η προσέγγιση αυτή ευθυγραμμίστηκε επίσης καλά με τα αποτελέσματα της αξιολόγησης των μαθητών, υποδεικνύοντας αυξημένο ενδιαφέρον στην τάξη.&lt;/p&gt;<br /> &lt;u&gt;Αποτελεσματικότητα της προσέγγισης με βάση την ΕΟ&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η προσέγγιση με βάση τις ΕΟ αύξησε σημαντικά την ευαισθητοποίηση των μαθητών σχετικά με τις πυρκαγιές, ιδίως σε τοπικό επίπεδο. Οι μαθητές κατανόησαν βαθύτερα την κλίμακα και το μέγεθος των πυρκαγιών μέσω δραστηριοτήτων όπως η μελέτη εικόνων EO με σημάδια πυρκαγιάς και η καταγραφή παλαιότερων πυρκαγιών στην περιοχή τους.&lt;/p&gt;<br /> &lt;u&gt;Αντίκτυπο στο ενδιαφέρον των μαθητών για τους δορυφόρους και την ΕΟ&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί παρατήρησαν μια σημαντική αύξηση του ενδιαφέροντος των μαθητών για τους δορυφόρους και την EO καθ' όλη τη διάρκεια του προγράμματος. Οι μαθητές αναζήτησαν ενεργά πρόσθετες πληροφορίες πέρα από το υλικό του προγράμματος, υποδεικνύοντας μια γνήσια περιέργεια για το θέμα (Εικόνα 4).&lt;/p&gt;<br /> &lt;u&gt;Σύνδεση με έννοιες του προγράμματος σπουδών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS βοήθησε τους εκπαιδευτικούς να διευρύνουν το πεδίο εφαρμογής των θεμάτων που διδάσκονται στην τάξη και επέτρεψε στους μαθητές να συνδέσουν τις έννοιες του αναλυτικού προγράμματος με την πραγματική ζωή. Οι εκπαιδευτικοί εντόπισαν συσχετισμούς με θέματα όπως η φυσική, η γεωγραφία και τα μαθηματικά.&lt;/p&gt;<br /> &lt;u&gt;Αποτελέσματα αξιολόγησης των μαθητών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι μαθητές έδειξαν αυξημένη ευαισθητοποίηση και κατανόηση των επιπτώσεων της κλιματικής αλλαγής, ιδίως όσον αφορά τις πυρκαγιές. Η πλειονότητα θεώρησε ότι οι δορυφορικές εικόνες και τα εργαλεία βοήθησαν σημαντικά στην κατανόηση του κινδύνου πυρκαγιών. Σχετικά με την EO και τα STEM, οι μαθητές έδειξαν ενδιαφέρον για τους δορυφόρους και την ΕΟ, εκφράζοντας την επιθυμία να μάθουν περισσότερα για την ΕΟ μέσω τηλεπισκόπησης. Το πρόγραμμα ενίσχυσε αποτελεσματικά την κατανόηση των εννοιών STEM από τους μαθητές. Επιπλέον οι μαθητές βρήκαν το MaFiSS χρήσιμο για την κατανόηση διαφορετικών σχολικών μαθημάτων και την ενίσχυση των δεξιοτήτων πλοήγησης και προσανατολισμού στο χάρτη. Η πλειονότητα των φοιτητών εξέφρασε θετική άποψη για το πρόγραμμα, εκφράζοντας ενδιαφέρον για συμμετοχή σε παρόμοια προγράμματα που βασίζονται στην ΕΟ στο μέλλον, ενώ κανείς δεν το αξιολόγησε αρνητικά. Παρατηρήθηκαν ωστόσο διαφορές στις απαντήσεις των μαθητών μεταξύ των τάξεων, ιδίως μεταξύ των σχολείων του Αγρινίου και της Αθήνας, με τους μαθητές της Αθήνας να αξιολογούν λιγότερο θετικά το σύνολο του προγράμματος. Συνολικά οι μαθητές εξέφρασαν προτιμήσεις για δραστηριότητες όπως η αλληλεπίδραση με τον EO Browser, το φαινόμενο ξηρής καταιγίδας και την εκστρατεία ευαισθητοποίησης, ενώ έδειξαν λιγότερο ενθουσιασμό για δραστηριότητες που περιλάμβαναν μαθηματικούς υπολογισμούς.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η ενσωμάτωση των εργαλείων EO που βασίζονται στο νέφος στην εκπαίδευση σημειώνει πρόοδο, ξεπερνώντας τα σχετικά εμπόδια. Για την πλήρη αξιοποίηση της EO στην CCSE, η προσαρμογή του παιδαγωγικού περιεχομένου στα σχολικά προγράμματα σπουδών είναι καθοριστικής σημασίας.<br /> Η παρούσα μελέτη δείχνει ότι η ΕΟ μπορεί να χρησιμοποιηθεί αποτελεσματικά στα δημοτικά σχολεία από αρχάριους εκπαιδευτικούς και μαθητές, όταν παρέχεται κατάλληλο παιδαγωγικό περιεχόμενο. Η αξιοποίηση της ΕΟ στα σχολεία ωφελεί την CCSE, αυξάνοντας την ευαισθητοποίηση και την κατανόηση των μαθητών για τους κινδύνους της κλιματικής αλλαγής.<br /> Τα βασικά αποτελέσματα από την εφαρμογή του μαθησιακού σεναρίου MaFiSS με βάση τις ΕΟ έδειξαν ότι:&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;1. Εργαλεία EO που βασίζονται στο νέφος, όπως το πρόγραμμα περιήγησης EO, είναι φιλικά προς το χρήστη και χρησιμοποιούνται εύκολα.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;2. Η CCSE επωφελείται από συνδυασμό των προσεγγίσεων που βασίζονται στις ΕΟ και στον τόπο.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;3. Τα εργαλεία που βασίζονται στην ΕΟ διεγείρουν το ενδιαφέρον των μαθητών και προωθούν την επιστημονική έρευνα.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;4. Η προσέγγιση με βάση το φαινόμενο και το φαινόμενο της ξηρής καταιγίδας τράβηξε το ενδιαφέρον και έχει προοπτική ως θεματική.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;5. Ενθαρρύνεται η συνεργασία μεταξύ εκπαιδευτικών ΤΠΕ και εκπαιδευτικών πρωτοβάθμιας εκπαίδευσης, καθώς η συνεργασία τους προάγει την εξέλιξη των δεξιοτήτων τους.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;6. Η εκπαίδευση με βάση την ΕΟ συνδυάζεται με διάφορα μαθήματα του δημοτικού σχολείου.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η προσέλκυση νέων χρηστών ΕΟ στα σχολεία προκαλεί ενδιαφέρον καθώς αποτελεί προσαρμόσιμο παιδαγωγικό περιεχόμενο, το οποίο θα πρέπει να εφαρμόζεται σε τοπικό επίπεδο. Απαιτείται περαιτέρω έρευνα για την αξιολόγηση της ενίσχυσης της κατανόησης των μαθητών. Στα μελλοντικά σχέδια περιλαμβάνεται η ανάπτυξη νέων αντίστοιχων προγραμμάτων με βάση την ΕΟ για την μελέτη ζητημάτων Μετεωρολογίας και Ατμοσφαιρικής Σύνθεσης.<br /> &lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Large-Scale_Flood_Hazard_Monitoring_and_Impact_Assessment_on_Landscape:_Representative_Case_Study_in_India 2024-02-23T23:19:31Z

<p>Niknakkas: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Large-Scale Flood Hazard Monitoring and Impact Assessment on Landscape: Representative Case Study in India ''<br /> <br /> '''Συγγραφείς: ''' Bijay Halder, Subhadip Barman, Papiya Banik, Puja Das, Jatisankar Bandyopadhyay, Fredolin Tangang, Shamsuddin Shahid, Chaitanya B. Pande, Baqer Al-Ramadan, Zaher Mundher Yaseen <br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2023, 15(14), 11413; https://doi.org/10.3390/su151411413'' <br /> <br /> '''Λέξεις κλειδιά: ''' Πλημμύρα Assam, υποβάθμιση βλάστησης, εκτίμηση κινδύνου, Google Earth Engine, Δεδομένα SAR Sentinel-1 <br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> [[Αρχείο:Large1.png| thumb| right|'''Εικόνα 1.''' '' Τοπικός χάρτης της περιοχής μελέτης.'' ]]<br /> [[Αρχείο:Large2.png | thumb| right|'''Εικόνα 2.''' '' Πλημμυρισμένη περιοχή της Assam.'' ]]<br /> [[Αρχείο:Large3.png | thumb| right|'''Εικόνα 3.''' '' α) επηρεασμένη περιοχή βλάστησης από την πλημμύρα στην Assam. ( β ) πληγείσα περιοχή βλάστησης κατά τη διάρκεια της πλημμύρας στην Assam.'' ]]<br /> [[Αρχείο:Large4.png | thumb| right|'''Εικόνα 4.''' '' Πληγείσες περιοχές από την πλημμύρα του 2022.'' ]]<br /> [[Αρχείο:Large5.png | thumb| right|'''Εικόνα 5.''' '' Επηρεασμένες κατηγορίες LULC από τις πλημμύρες του 2022 στην Assam.'' ]]<br /> <br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Οι πλημμύρες αποτελούν από τις πιο σημαντικές φυσικές καταστροφές παγκοσμίως, προκαλώντας εκτεταμένες ζημιές σε περιουσίες και αφαιρώντας πολλές ανθρώπινες ζωές, επιφέροντας σημαντικές γεωμορφολογικές αλλαγές στο έδαφος. Η Ινδία, ως μία από τις πιο ευάλωτες σε καταστροφές χώρες, βιώνει κάθε χρόνο πληθώρα περιβαλλοντικών καταστροφών, με τις πλημμύρες να αποτελούν την πιο συχνή και επικίνδυνη φυσική καταστροφή. Ερευνητικά στοιχεία υποδεικνύουν ότι οι πλημμύρες αποτέλεσαν τις πιο θανατηφόρες φυσικές καταστροφές μεταξύ του 1995 και του 2015, επηρεάζοντας πάνω από 2,3 δισεκατομμύρια ανθρώπους και προκαλώντας τουλάχιστον 157.000 καταγεγραμμένους θανάτους παγκοσμίως. &lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Ο ποταμός Brahmaputra και οι παραπόταμοί του, που χαρακτηρίζεται από μεγάλο βάθος και φέρουσα ικανότητα, αποτελεί σημαντικό κίνδυνο πλημμύρας, ιδίως στις περιοχές Mymensingh και Jamalpur. Οι πλημμύρες στην Ινδία συμβαίνουν κυρίως κατά τη διάρκεια της εποχής των νοτιοδυτικών μουσώνων, επηρεάζοντας εκατομμύρια εκτάρια γης και εκτοπίζοντας μεγάλους πληθυσμούς. Οι πιο ευάλωτες πολιτείες στις πλημμύρες είναι η Uttar Pradesh, η Assam, η Bihar και η Δυτική Βεγγάλη, με τις λεκάνες απορροής των ποταμών Ganga και Brahmaputra να αντιμετωπίζουν σοβαρούς κινδύνους. Η βορειοανατολική περιοχή της Ινδίας, συμπεριλαμβανομένης της Assam, βιώνει συχνά φυσικές καταστροφές, ιδιαίτερα πλημμύρες. Η Assam, ειδικότερα, αντιμετωπίζει σημαντικές ζημιές στις περιουσίες των κατοίκων της και προκαλείται κοινωνική αναστάτωση λόγω των ετήσιων πλημμυρών, επηρεάζοντας χώρους όπως τα εθνικά πάρκα Kaziranga και Pobitora. Οι πλημμύρες λαμβάνουν χώρα ιδίως κατά την εποχή των Μουσώνων και προκαλούνται από τις έντονες βροχοπτώσεις και τις συγκεκριμένες γεωκλιματικές συνθήκες που επικρατούν κατά την εποχή των Μουσώνων&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η παρούσα μελέτη έχει ως στόχο να αξιολογήσει τις επιπτώσεις των πλημμυρών του 2022 στην Assam σχετικά με τη χρήση της γης, την επικάλυψη της γης, τις περιοχές πλημμυρών και τις αποψιλωμένες περιοχές, χρησιμοποιώντας δεδομένα από τον Sentinel-1 C band SAR και το Google Earth Engine (GEE). Η ανάλυση επικεντρώνεται στην ακριβή μέτρηση των εκτάσεων πλημμύρας και την αναγνώριση περιοχών με ζημιές στη βλάστηση, παρέχοντας κρίσιμες εισηγήσεις για την παρακολούθηση του κινδύνου πλημμύρας και την αξιολόγηση της υγείας της βλάστησης κατά τη διάρκεια των πλημμυρών.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Χρησιμοποιήθηκαν δεδομένα υψηλής ανάλυσης SAR μικροκυμάτων για τη χαρτογράφηση των κινδύνων πλημμύρας και την αξιολόγηση της υγείας της βλάστησης, που είναι ζωτικής σημασίας για τη διαχείριση καταστροφών και τις προσπάθειες περιβαλλοντικής προστασίας.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τα ευρήματα αυτής της μελέτης προσφέρουν πολύτιμες εισηγήσεις σχετικά με τις επιπτώσεις των πλημμυρών του 2022 στη χρήση γης, τις περιοχές πλημμύρας και τις ζημιές στη βλάστηση. Αυτά μπορούν να καθοδηγήσουν τους εκάστοτε υπευθύνους, διοικητές, ερευνητές και τμήματα διαχείρισης στην υλοποίηση μέτρων για τη μείωση των κινδύνων πλημμύρας και την προστασία των δασών, συμβάλλοντας τελικά στην πρόληψη και τελικά στην προστασία του περιβάλλοντος και ανθρώπινων ζωών.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ &lt;/span&gt;''' <br /> &lt;p align=&quot;justify&quot;&gt;Η Assam, που βρίσκεται στη βορειοανατολική Ινδία, είναι η πιο πυκνοκατοικημένη και δεύτερη μεγαλύτερη πολιτεία της χώρας. Έχει μεγάλη σημασία γεωγραφικά, δημογραφικά, πολιτιστικά και περιβαλλοντικά. Γεωγραφικά, η Assam καλύπτει μια έκταση 78.438 τ.χλμ (Εικόνα 1). Η πολιτεία συνορεύει με διάφορες γειτονικές περιοχές και χώρες, συμπεριλαμβανομένης της Δυτικής Βεγγάλης στα δυτικά, της Μεγαλάγιας, της Τριπούρας, το Μιζοράμ και το Μπανγκλαντές στα νότια, το Μπουτάν και το Αρουνατσαλ Πραντές στα βόρεια και το Ναγκαλάντ και το Μανιπούρ στα ανατολικά. Το δέλτα του ποταμού Γκάγκα-Μπραχμαπούτρα-Μεγνα, γνωστό για τη γόνιμη γη και τη βλάστησή του, παίζει έναν κρίσιμο ρόλο στην περιοχή. Ωστόσο, η Assam είναι ευάλωτη σε διάφορες φυσικές καταστροφές, ιδίως πλημμύρες, λόγω της θέσης της εντός της λεκάνης απορροής του ποταμού Μπραχμαπούτρα και της επίδρασης των πολλών παραποτάμων του. Το κλίμα της περιοχής είναι ιδίως τροπικός μουσώνας, με έντονες βροχοπτώσεις και υγρασία. Από την απογραφή πληθυσμού του 2011 προκύπτει ότι ο πληθυσμός της περιοχής αποτελεί το 2,58% του πληθυσμού της Ινδίας (31.205.576), ο οποίος αποτελείται από ποικιλία εθνοτικών πολιτισμών, συμπεριλαμβανομένων των Boro, Deori, Rava, Karbi, Assamese, Bengali, Ahom και Rajbanshi.&lt;/p&gt;<br /> <br /> <br /> &lt;u&gt;Αιτίες των Πλημμύρων στην Assam&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η Assam αντιμετωπίζει κάθε χρόνο σοβαρές ζημιές από πλημμύρες, κυρίως λόγω των έντονων βροχοπτώσεων κατά τη διάρκεια της εποχής των μουσώνων. Το κοιλάδα του Μπραχμαπούτρα λαμβάνει σημαντική ετήσια βροχόπτωση, με την πολιτεία να εμπειρίζεται πραγματικές βροχοπτώσεις υπερβαίνοντας τα κανονικά επίπεδα σε ορισμένα έτη. Οι παράγοντες που συντελούν στις πλημμύρες περιλαμβάνουν τη συμφόρηση της αποστράγγισης, την κατάληψη των ποταμίσκων περιοχών, την υψηλή πυκνότητα πληθυσμού, την τεκτονική δραστηριότητα και την υποβάθμιση του δάσους. Η συμφόρηση της αποστράγγισης οδηγεί σε αντίστροφη ροή και συμφόρηση κοντά στις εκβολές. Η κατάληψη ποταμίσκων περιοχών και η αύξηση του πληθυσμού επιδεινώνουν τους κινδύνους πλημμύρας. Η τεκτονική δραστηριότητα και η υποβάθμιση του δάσους συμβάλλουν στην ερείπωση του εδάφους και την αύξηση του σεντιμέντου στα ποτάμια, ανεβάζοντας τα επίπεδα τους [25,32].&lt;/p&gt;<br /> <br /> &lt;u&gt;Ιστορία Πλημμύρων της Assam&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πολιτεία της Assam έχει ιστορία συχνών και σοβαρών πλημμυρών, με σημαντικές ζημιές να παρατηρούνται τα τελευταία χρόνια. Κάποιες από τις σημαντικότερες συνέβησαν τα έτη 1954, 1966, 1972, 1975, 1978, 1983, 1986, 1996, 1998, 2000, 2002, 2012 και 2014. Το μέγεθοε των καταστροφών είναι τεράστιο. Ενδεικτικά το 2022 οι πλημμύρες στις περιοχές Lakhimpur, Karimganj και Kokrajhar εξανάγκασαν σε μετεγκατάσταση περισσότερους από 1,7 εκατομμύρια ανθρώπους και επηρέασαν περίπου 2450 χωριά. Περισσότερο από το 40% της κοιλάδας του Brahmaputra είναι ευάλωτο σε πλημμύρες. Αξίζει να σημειωθεί ότι οι πλημμύρες του 2020 συνέπεσαν με την πανδημία COVID-19, επιδεινώνοντας τις προκλήσεις που αντιμετώπιζαν οι επηρεαζόμενες κοινότητες.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΔΟΛΟΓΙΑ&lt;/span&gt;''' <br /> <br /> <br /> &lt;u&gt;Δεδομένα και Λογισμικό &lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Χρησιμοποιήθηκαν πολυ-ημερομηνιακές εικόνες Sentinel-1 SAR C band GRD για τον υπολογισμό της υποβάθμισης της βλάστησης και των πλημμυρών κατά την πρόσφατη πλημμύρα της Assam τον Μάιο του 2022. Τα δεδομένα του Sentinel-1 SAR χρησιμοποιήθηκαν για την εκτίμηση της έκτασης πλημμύρας και του αντίκτυπου στη βλάστηση σε διάφορες περιοχές της Assam. Η ανάλυση αυτή πραγματοποιήθηκε χρησιμοποιώντας την πλατφόρμα Google Earth Engine (GEE) βασισμένη σε cloud για τη δημιουργία των χαρτών πλημμυρών και την αξιολόγηση του αντίκτυπου στη βλάστηση. Επίσης, χρησιμοποιήθηκαν εικόνες πολυφασματικών αισθητήρων Sentinel-2 της ESRI με ανάλυση 10 m για την αξιολόγηση της επίδρασης στο τοπίο. Τέλος, διατέθηκαν στοιχεία χρήσης γης και κάλυψης γης από τις εικόνες του Sentinel-2 της ESRI με ανάλυση 10 m.&lt;/p&gt;<br /> <br /> &lt;u&gt;Ταξινόμηση Εικόνων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εικόνες ταξινομήθηκαν χρησιμοποιώντας τεχνικές επιβλεπόμενης ταξινόμησης στην πλατφόρμα GEE, χρησιμοποιώντας τις φασματικές υπογραφές διαφορετικών χαρακτηριστικών κάλυψης γης. Καθορίστηκαν έξι κατηγορίες κάλυψης γης και χρήσης γης για την πολιτεία της Assam που περιλαμβάνουν περιοχές κατοικημένες, υδάτινους χώρους, δέντρα, γυμνό έδαφος, πλημμυρισμένες περιοχές με βλάστηση και αγροτικές εκτάσεις.&lt;/p&gt;<br /> <br /> &lt;u&gt;Προ-επεξεργασία Δεδομένων SAR και Πλατφόρμα GEE&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πλατφόρμα GEE χρησιμοποιήθηκε για τον προσδιορισμό της έκτασης της πλημμύρας και της υποβάθμισης της βλάστησης που προκάλεσε η πλημμύρα του 2022 στην Assam. Χρησιμοποιήθηκαν δεδομένα Sentinel-1 προσέγγισης Interferometric Wide Wide (IW) με pixel 10 m και πλάτος ζώνης 250 χλμ. Τα δεδομένα Sentinel-1 παρείχαν πληροφορίες για την έκταση της πλημμύρας, την κάλυψη δάσους, τις αγροτικές περιοχές και την παραμόρφωση της γης. Τα δεδομένα SAR υποβλήθηκαν σε προ-επεξεργασία, συμπεριλαμβανομένης της εφαρμογής αρχείων τροχιάς, της αφαίρεσης θερμικού θορύβου, της ραδιομετρικής βαθμονόμησης, της ατμοσφαιρικής διόρθωσης και της διόρθωσης εδάφους Doppler.&lt;/p&gt;<br /> <br /> &lt;u&gt;Εκτίμηση MNDWI&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η τροποποιημένη έκδοση του NDWI (Δείκτης Κανονικοποιημένης Διαφοράς Νερού) χρησιμοποιήθηκε για την καθορισμό των υδάτινων περιοχών. Χρησιμοποιήθηκε η εξίσωση MNDWI=(Πράσινο − SWIR 1 )/( Πράσινο = SWIR 1) για τη διεξαγωγή της έρευνας MNDWI. Ο «raster calculator» της ArcGIS έκδοσης 10.8 χρησιμοποιήθηκε για τον υπολογισμό της έκτασης της κατάδυσης από πλημμύρες.&lt;/p&gt;<br /> <br /> &lt;u&gt;Εκτίμηση Πλημμύρας και Υποβάθμισης της Βλάστησης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η μελέτη χρησιμοποίησε τους αλγορίθμους Random Forest (RF) και Classification and Regression Trees (CART) εντός της πλατφόρμας Google Earth Engine (GEE) για τον προσδιορισμό των περιοχών όπου φάνηκε μείωση της βλάστησης και για υπολογισμο του ορίου των πλημμυρών. Επιπλέον, τα datasets Sentinel-1 Level 1 GRD χρησιμοποιήθηκαν για την αξιολόγηση της υποβάθμισης της βλάστησης στην πολιτεία της Assam.&lt;/p&gt;<br /> <br /> &lt;u&gt;Έρευνα Επηρεαζόμενης Περιοχής LULC &lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η ταξινόμηση LULC χρησιμοποίησε δεδομένα Sentinel-2 10 m. Ο υπολογισμός των πληγεισών εκτάσεων έγινε χρησιμοποιώντας τεχνικές επικάλυψης και ένωσης/τομής. Οι πληγείσες εκτάσεις υπολογίστηκαν σε επίπεδο περιφέρειας επικαλύπτοντας τις κατηγορίες LULC με τις πλημμυρισμένες περιοχές, ενώ φάνηκε να επηρεάζεται έντονα η βλάστηση, οι καλλιέργειες και οι δομημένες περιοχές.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> &lt;p align=&quot;justify&quot;&gt;.Φάνηκε ότι οι ξαφνικές πλημμύρες που προέρχονται από γειτονικές περιοχές επιδείνωσαν την κατάσταση πλημμύρων στην Assam. Τον Ιούνιο του 2022, παρατηρήθηκαν εξαιρετικά έντονες πλημμύρες λόγω βροχοπτώσεων σε αυτές τις περιοχές, με αποτέλεσμα πολλούς νεκρούς και εκτεταμένες ζημιές. Οι κατολισθήσεις που ανέτρεψαν βαγόνια τρένου στο σιδηροδρομικό σταθμό Νέας Χάφλονγκ στην περιοχή Ντίμα Χασάο, τονίζοντας το βαθμό σοβαρότητας των πλημμυρών στην Assam. Αυτά τα γεγονότα αναδεικνύουν την σχέση μεταξύ της εποχής των μουσώνων και των πλημμυρών, τονίζοντας τη σημασία της κατανόησης αυτής της σύνδεσης για την αξιολόγηση του κινδύνου καταστροφών, τον σχεδιασμό και τη λήψη αποφάσεων από τις αρχές, καθώς και για την λήψη προληπτικών μέτρων, την ευαισθητοποίηση, την ανάπτυξη στρατηγικών προσαρμογής και τον καθορισμό πολιτικών.&lt;/p&gt;<br /> <br /> <br /> &lt;u&gt;Πλημμύρες και Αναγνώριση Απoδασωμένης Γης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πλημμύρα του 2022 στην Assam επέφερε μεγάλης κλίμακας καταστροφές, κατευθύνοντας την παρούσα μελέτη στην αναγνώριση των πληγεισών περιοχών πολιτεία της Assam (Εικόνα 2). Ο δείκτης MNDWI χρησιμοποιήθηκε για την οριοθέτηση των υδάτινων περιοχών και αναδεικνύει τις περιοχές με υψηλή στάθμη νερού. Η έρευνα επικεντρώθηκε στο Dispur, την πρωτεύουσα της πόλης, για τον εντοπισμό των τοποθεσιών με νερό. Επιπλέον, εντοπίστηκαν περιοχές που πλημμύρισαν σε διάφορες επαρχίες. &lt;/p&gt;<br /> <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Επίσης, εντοπίστηκαν πληγείσες περιοχές, κυρίως στα νότια, βορειοανατολικά, δυτικά και κεντρικά τμήματα της Assam (Εικόνα 3). Η ανάλυση αποκάλυψε σημαντική εκτρωμένη έκταση σε επαρχίες όπως η Κοκρατζάρ, η Τινσουκία και η Λαχίμπουρ.&lt;/p&gt;<br /> <br /> <br /> &lt;u&gt;Επηρεασμένες Περιοχές LULC&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η αναγνώριση των περιοχών που επηρεάζονται από την αλλαγή χρήσης της γης και την κάλυψη της γης (LULC) είναι κρίσιμη για τις μελέτες των πλημμυρών, καθώς οι γεωργικές εκτάσεις, τα δέντρα και οι οικισμοί είναι ιδιαίτερα ευάλωτα. Χρησιμοποιώντας την τεχνική επικάλυψης, καθορίστηκε το μέγεθος των επηρεασμένων περιοχών LULC σε διάφορες επαρχίες (Εικόνα 4). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η ανάλυση έδειξε εκτεταμένη επίδραση στις γεωργικές εκτάσεις, με κάποιες επαρχίες να εμφανίζουν μεγάλες καταστροφές (Εικόνα 5). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Αντίστοιχα, κτισμένες περιοχές σε διάφορες επαρχίες αντιμετώπισαν σοβαρές ζημιές. Αυτά τα ευρήματα υπογραμμίζουν την ανάγκη για κατάλληλο σχεδιασμό, διαχείριση και στρατηγικές προσαρμογής για τη μείωση των οικονομικών και ανθρώπινων απωλειών που προκαλούνται από πλημμύρες. Επιπλέον, μία αειφόρος διαχείριση κινδύνων από πλημμύρες είναι απαραίτητη για τη μείωση των κινδύνων και τη βελτίωση των προσπαθειών διαχείρισης καταστροφών στο μέλλον.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 5. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Το πρόβλημα των πλημμυρών στην Assam είναι ιδιαίτερα σοβαρό και ιδιαίτερο λόγω του μεγέθους, της διάρκειας των πλημμυρών, του αριθμού νεκρών και πληγέντων και του όγκου της διάβρωσης, ενώ έχουν σημαντικές επιπτώσεις και στη φτώχεια, το περιβάλλον και τη γεωργία. Η συνολική πλημμυρισμένη περιοχή της χώρας ανέρχεται περίπου στο 10,2% των συνολικών τμημάτων της. Αντίθετα, οι πλημμυρισμένες περιοχές της Assam ανέρχονται στο 39,58% των συνολικών της τμημάτων. Η χαρτογράφηση και παρακολούθηση των πλημμυρισμένων εκτάσεων είναι σημαντική για σχετικό μελλοντικό σχεδιασμό και διαχείριση. Μελλοντικές μελέτες θα πρέπει να εστιάσουν στην ανάλυση των πλημμυρών, της διάβρωσης του εδάφους και των περιοχών ευαίσθητες στις πλημμύρες για τη βελτίωση της διαχείρισης καταστροφών και των πολιτικών λήψης αποφάσεων.&lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Large-Scale_Flood_Hazard_Monitoring_and_Impact_Assessment_on_Landscape:_Representative_Case_Study_in_India 2024-02-23T23:17:46Z

<p>Niknakkas: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Large-Scale Flood Hazard Monitoring and Impact Assessment on Landscape: Representative Case Study in India ''<br /> <br /> '''Συγγραφείς: ''' Bijay Halder, Subhadip Barman, Papiya Banik, Puja Das, Jatisankar Bandyopadhyay, Fredolin Tangang, Shamsuddin Shahid, Chaitanya B. Pande, Baqer Al-Ramadan, Zaher Mundher Yaseen <br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2023, 15(14), 11413; https://doi.org/10.3390/su151411413'' <br /> <br /> '''Λέξεις κλειδιά: ''' Πλημμύρα Assam, υποβάθμιση βλάστησης, εκτίμηση κινδύνου, Google Earth Engine, Δεδομένα SAR Sentinel-1 <br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> [[Αρχείο:Large1.png | thumb| right|'''Εικόνα 1.''' '' Τοπικός χάρτης της περιοχής μελέτης.'' ]]<br /> [[Αρχείο:Large2.png | thumb| right|'''Εικόνα 2.''' '' Πλημμυρισμένη περιοχή της Assam.'' ]]<br /> [[Αρχείο:Large3.png | thumb| right|'''Εικόνα 3.''' '' α) επηρεασμένη περιοχή βλάστησης από την πλημμύρα στην Assam. ( β ) πληγείσα περιοχή βλάστησης κατά τη διάρκεια της πλημμύρας στην Assam.'' ]]<br /> [[Αρχείο:Large4.png | thumb| right|'''Εικόνα 4.''' '' Πληγείσες περιοχές από την πλημμύρα του 2022.'' ]]<br /> [[Αρχείο:Large5.png | thumb| right|'''Εικόνα 5.''' '' Επηρεασμένες κατηγορίες LULC από τις πλημμύρες του 2022 στην Assam.'' ]]<br /> <br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Οι πλημμύρες αποτελούν από τις πιο σημαντικές φυσικές καταστροφές παγκοσμίως, προκαλώντας εκτεταμένες ζημιές σε περιουσίες και αφαιρώντας πολλές ανθρώπινες ζωές, επιφέροντας σημαντικές γεωμορφολογικές αλλαγές στο έδαφος. Η Ινδία, ως μία από τις πιο ευάλωτες σε καταστροφές χώρες, βιώνει κάθε χρόνο πληθώρα περιβαλλοντικών καταστροφών, με τις πλημμύρες να αποτελούν την πιο συχνή και επικίνδυνη φυσική καταστροφή. Ερευνητικά στοιχεία υποδεικνύουν ότι οι πλημμύρες αποτέλεσαν τις πιο θανατηφόρες φυσικές καταστροφές μεταξύ του 1995 και του 2015, επηρεάζοντας πάνω από 2,3 δισεκατομμύρια ανθρώπους και προκαλώντας τουλάχιστον 157.000 καταγεγραμμένους θανάτους παγκοσμίως. &lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Ο ποταμός Brahmaputra και οι παραπόταμοί του, που χαρακτηρίζεται από μεγάλο βάθος και φέρουσα ικανότητα, αποτελεί σημαντικό κίνδυνο πλημμύρας, ιδίως στις περιοχές Mymensingh και Jamalpur. Οι πλημμύρες στην Ινδία συμβαίνουν κυρίως κατά τη διάρκεια της εποχής των νοτιοδυτικών μουσώνων, επηρεάζοντας εκατομμύρια εκτάρια γης και εκτοπίζοντας μεγάλους πληθυσμούς. Οι πιο ευάλωτες πολιτείες στις πλημμύρες είναι η Uttar Pradesh, η Assam, η Bihar και η Δυτική Βεγγάλη, με τις λεκάνες απορροής των ποταμών Ganga και Brahmaputra να αντιμετωπίζουν σοβαρούς κινδύνους. Η βορειοανατολική περιοχή της Ινδίας, συμπεριλαμβανομένης της Assam, βιώνει συχνά φυσικές καταστροφές, ιδιαίτερα πλημμύρες. Η Assam, ειδικότερα, αντιμετωπίζει σημαντικές ζημιές στις περιουσίες των κατοίκων της και προκαλείται κοινωνική αναστάτωση λόγω των ετήσιων πλημμυρών, επηρεάζοντας χώρους όπως τα εθνικά πάρκα Kaziranga και Pobitora. Οι πλημμύρες λαμβάνουν χώρα ιδίως κατά την εποχή των Μουσώνων και προκαλούνται από τις έντονες βροχοπτώσεις και τις συγκεκριμένες γεωκλιματικές συνθήκες που επικρατούν κατά την εποχή των Μουσώνων&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η παρούσα μελέτη έχει ως στόχο να αξιολογήσει τις επιπτώσεις των πλημμυρών του 2022 στην Assam σχετικά με τη χρήση της γης, την επικάλυψη της γης, τις περιοχές πλημμυρών και τις αποψιλωμένες περιοχές, χρησιμοποιώντας δεδομένα από τον Sentinel-1 C band SAR και το Google Earth Engine (GEE). Η ανάλυση επικεντρώνεται στην ακριβή μέτρηση των εκτάσεων πλημμύρας και την αναγνώριση περιοχών με ζημιές στη βλάστηση, παρέχοντας κρίσιμες εισηγήσεις για την παρακολούθηση του κινδύνου πλημμύρας και την αξιολόγηση της υγείας της βλάστησης κατά τη διάρκεια των πλημμυρών.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Χρησιμοποιήθηκαν δεδομένα υψηλής ανάλυσης SAR μικροκυμάτων για τη χαρτογράφηση των κινδύνων πλημμύρας και την αξιολόγηση της υγείας της βλάστησης, που είναι ζωτικής σημασίας για τη διαχείριση καταστροφών και τις προσπάθειες περιβαλλοντικής προστασίας.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τα ευρήματα αυτής της μελέτης προσφέρουν πολύτιμες εισηγήσεις σχετικά με τις επιπτώσεις των πλημμυρών του 2022 στη χρήση γης, τις περιοχές πλημμύρας και τις ζημιές στη βλάστηση. Αυτά μπορούν να καθοδηγήσουν τους εκάστοτε υπευθύνους, διοικητές, ερευνητές και τμήματα διαχείρισης στην υλοποίηση μέτρων για τη μείωση των κινδύνων πλημμύρας και την προστασία των δασών, συμβάλλοντας τελικά στην πρόληψη και τελικά στην προστασία του περιβάλλοντος και ανθρώπινων ζωών.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ &lt;/span&gt;''' <br /> &lt;p align=&quot;justify&quot;&gt;Η Assam, που βρίσκεται στη βορειοανατολική Ινδία, είναι η πιο πυκνοκατοικημένη και δεύτερη μεγαλύτερη πολιτεία της χώρας. Έχει μεγάλη σημασία γεωγραφικά, δημογραφικά, πολιτιστικά και περιβαλλοντικά. Γεωγραφικά, η Assam καλύπτει μια έκταση 78.438 τ.χλμ (Εικόνα 1). Η πολιτεία συνορεύει με διάφορες γειτονικές περιοχές και χώρες, συμπεριλαμβανομένης της Δυτικής Βεγγάλης στα δυτικά, της Μεγαλάγιας, της Τριπούρας, το Μιζοράμ και το Μπανγκλαντές στα νότια, το Μπουτάν και το Αρουνατσαλ Πραντές στα βόρεια και το Ναγκαλάντ και το Μανιπούρ στα ανατολικά. Το δέλτα του ποταμού Γκάγκα-Μπραχμαπούτρα-Μεγνα, γνωστό για τη γόνιμη γη και τη βλάστησή του, παίζει έναν κρίσιμο ρόλο στην περιοχή. Ωστόσο, η Assam είναι ευάλωτη σε διάφορες φυσικές καταστροφές, ιδίως πλημμύρες, λόγω της θέσης της εντός της λεκάνης απορροής του ποταμού Μπραχμαπούτρα και της επίδρασης των πολλών παραποτάμων του. Το κλίμα της περιοχής είναι ιδίως τροπικός μουσώνας, με έντονες βροχοπτώσεις και υγρασία. Από την απογραφή πληθυσμού του 2011 προκύπτει ότι ο πληθυσμός της περιοχής αποτελεί το 2,58% του πληθυσμού της Ινδίας (31.205.576), ο οποίος αποτελείται από ποικιλία εθνοτικών πολιτισμών, συμπεριλαμβανομένων των Boro, Deori, Rava, Karbi, Assamese, Bengali, Ahom και Rajbanshi.&lt;/p&gt;<br /> <br /> <br /> &lt;u&gt;Αιτίες των Πλημμύρων στην Assam&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η Assam αντιμετωπίζει κάθε χρόνο σοβαρές ζημιές από πλημμύρες, κυρίως λόγω των έντονων βροχοπτώσεων κατά τη διάρκεια της εποχής των μουσώνων. Το κοιλάδα του Μπραχμαπούτρα λαμβάνει σημαντική ετήσια βροχόπτωση, με την πολιτεία να εμπειρίζεται πραγματικές βροχοπτώσεις υπερβαίνοντας τα κανονικά επίπεδα σε ορισμένα έτη. Οι παράγοντες που συντελούν στις πλημμύρες περιλαμβάνουν τη συμφόρηση της αποστράγγισης, την κατάληψη των ποταμίσκων περιοχών, την υψηλή πυκνότητα πληθυσμού, την τεκτονική δραστηριότητα και την υποβάθμιση του δάσους. Η συμφόρηση της αποστράγγισης οδηγεί σε αντίστροφη ροή και συμφόρηση κοντά στις εκβολές. Η κατάληψη ποταμίσκων περιοχών και η αύξηση του πληθυσμού επιδεινώνουν τους κινδύνους πλημμύρας. Η τεκτονική δραστηριότητα και η υποβάθμιση του δάσους συμβάλλουν στην ερείπωση του εδάφους και την αύξηση του σεντιμέντου στα ποτάμια, ανεβάζοντας τα επίπεδα τους [25,32].&lt;/p&gt;<br /> <br /> &lt;u&gt;Ιστορία Πλημμύρων της Assam&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πολιτεία της Assam έχει ιστορία συχνών και σοβαρών πλημμυρών, με σημαντικές ζημιές να παρατηρούνται τα τελευταία χρόνια. Κάποιες από τις σημαντικότερες συνέβησαν τα έτη 1954, 1966, 1972, 1975, 1978, 1983, 1986, 1996, 1998, 2000, 2002, 2012 και 2014. Το μέγεθοε των καταστροφών είναι τεράστιο. Ενδεικτικά το 2022 οι πλημμύρες στις περιοχές Lakhimpur, Karimganj και Kokrajhar εξανάγκασαν σε μετεγκατάσταση περισσότερους από 1,7 εκατομμύρια ανθρώπους και επηρέασαν περίπου 2450 χωριά. Περισσότερο από το 40% της κοιλάδας του Brahmaputra είναι ευάλωτο σε πλημμύρες. Αξίζει να σημειωθεί ότι οι πλημμύρες του 2020 συνέπεσαν με την πανδημία COVID-19, επιδεινώνοντας τις προκλήσεις που αντιμετώπιζαν οι επηρεαζόμενες κοινότητες.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΔΟΛΟΓΙΑ&lt;/span&gt;''' <br /> <br /> <br /> &lt;u&gt;Δεδομένα και Λογισμικό &lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Χρησιμοποιήθηκαν πολυ-ημερομηνιακές εικόνες Sentinel-1 SAR C band GRD για τον υπολογισμό της υποβάθμισης της βλάστησης και των πλημμυρών κατά την πρόσφατη πλημμύρα της Assam τον Μάιο του 2022. Τα δεδομένα του Sentinel-1 SAR χρησιμοποιήθηκαν για την εκτίμηση της έκτασης πλημμύρας και του αντίκτυπου στη βλάστηση σε διάφορες περιοχές της Assam. Η ανάλυση αυτή πραγματοποιήθηκε χρησιμοποιώντας την πλατφόρμα Google Earth Engine (GEE) βασισμένη σε cloud για τη δημιουργία των χαρτών πλημμυρών και την αξιολόγηση του αντίκτυπου στη βλάστηση. Επίσης, χρησιμοποιήθηκαν εικόνες πολυφασματικών αισθητήρων Sentinel-2 της ESRI με ανάλυση 10 m για την αξιολόγηση της επίδρασης στο τοπίο. Τέλος, διατέθηκαν στοιχεία χρήσης γης και κάλυψης γης από τις εικόνες του Sentinel-2 της ESRI με ανάλυση 10 m.&lt;/p&gt;<br /> <br /> &lt;u&gt;Ταξινόμηση Εικόνων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εικόνες ταξινομήθηκαν χρησιμοποιώντας τεχνικές επιβλεπόμενης ταξινόμησης στην πλατφόρμα GEE, χρησιμοποιώντας τις φασματικές υπογραφές διαφορετικών χαρακτηριστικών κάλυψης γης. Καθορίστηκαν έξι κατηγορίες κάλυψης γης και χρήσης γης για την πολιτεία της Assam που περιλαμβάνουν περιοχές κατοικημένες, υδάτινους χώρους, δέντρα, γυμνό έδαφος, πλημμυρισμένες περιοχές με βλάστηση και αγροτικές εκτάσεις.&lt;/p&gt;<br /> <br /> &lt;u&gt;Προ-επεξεργασία Δεδομένων SAR και Πλατφόρμα GEE&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πλατφόρμα GEE χρησιμοποιήθηκε για τον προσδιορισμό της έκτασης της πλημμύρας και της υποβάθμισης της βλάστησης που προκάλεσε η πλημμύρα του 2022 στην Assam. Χρησιμοποιήθηκαν δεδομένα Sentinel-1 προσέγγισης Interferometric Wide Wide (IW) με pixel 10 m και πλάτος ζώνης 250 χλμ. Τα δεδομένα Sentinel-1 παρείχαν πληροφορίες για την έκταση της πλημμύρας, την κάλυψη δάσους, τις αγροτικές περιοχές και την παραμόρφωση της γης. Τα δεδομένα SAR υποβλήθηκαν σε προ-επεξεργασία, συμπεριλαμβανομένης της εφαρμογής αρχείων τροχιάς, της αφαίρεσης θερμικού θορύβου, της ραδιομετρικής βαθμονόμησης, της ατμοσφαιρικής διόρθωσης και της διόρθωσης εδάφους Doppler.&lt;/p&gt;<br /> <br /> &lt;u&gt;Εκτίμηση MNDWI&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η τροποποιημένη έκδοση του NDWI (Δείκτης Κανονικοποιημένης Διαφοράς Νερού) χρησιμοποιήθηκε για την καθορισμό των υδάτινων περιοχών. Χρησιμοποιήθηκε η εξίσωση MNDWI=(Πράσινο − SWIR 1 )/( Πράσινο = SWIR 1) για τη διεξαγωγή της έρευνας MNDWI. Ο «raster calculator» της ArcGIS έκδοσης 10.8 χρησιμοποιήθηκε για τον υπολογισμό της έκτασης της κατάδυσης από πλημμύρες.&lt;/p&gt;<br /> <br /> &lt;u&gt;Εκτίμηση Πλημμύρας και Υποβάθμισης της Βλάστησης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η μελέτη χρησιμοποίησε τους αλγορίθμους Random Forest (RF) και Classification and Regression Trees (CART) εντός της πλατφόρμας Google Earth Engine (GEE) για τον προσδιορισμό των περιοχών όπου φάνηκε μείωση της βλάστησης και για υπολογισμο του ορίου των πλημμυρών. Επιπλέον, τα datasets Sentinel-1 Level 1 GRD χρησιμοποιήθηκαν για την αξιολόγηση της υποβάθμισης της βλάστησης στην πολιτεία της Assam.&lt;/p&gt;<br /> <br /> &lt;u&gt;Έρευνα Επηρεαζόμενης Περιοχής LULC &lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η ταξινόμηση LULC χρησιμοποίησε δεδομένα Sentinel-2 10 m. Ο υπολογισμός των πληγεισών εκτάσεων έγινε χρησιμοποιώντας τεχνικές επικάλυψης και ένωσης/τομής. Οι πληγείσες εκτάσεις υπολογίστηκαν σε επίπεδο περιφέρειας επικαλύπτοντας τις κατηγορίες LULC με τις πλημμυρισμένες περιοχές, ενώ φάνηκε να επηρεάζεται έντονα η βλάστηση, οι καλλιέργειες και οι δομημένες περιοχές.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> &lt;p align=&quot;justify&quot;&gt;.Φάνηκε ότι οι ξαφνικές πλημμύρες που προέρχονται από γειτονικές περιοχές επιδείνωσαν την κατάσταση πλημμύρων στην Assam. Τον Ιούνιο του 2022, παρατηρήθηκαν εξαιρετικά έντονες πλημμύρες λόγω βροχοπτώσεων σε αυτές τις περιοχές, με αποτέλεσμα πολλούς νεκρούς και εκτεταμένες ζημιές. Οι κατολισθήσεις που ανέτρεψαν βαγόνια τρένου στο σιδηροδρομικό σταθμό Νέας Χάφλονγκ στην περιοχή Ντίμα Χασάο, τονίζοντας το βαθμό σοβαρότητας των πλημμυρών στην Assam. Αυτά τα γεγονότα αναδεικνύουν την σχέση μεταξύ της εποχής των μουσώνων και των πλημμυρών, τονίζοντας τη σημασία της κατανόησης αυτής της σύνδεσης για την αξιολόγηση του κινδύνου καταστροφών, τον σχεδιασμό και τη λήψη αποφάσεων από τις αρχές, καθώς και για την λήψη προληπτικών μέτρων, την ευαισθητοποίηση, την ανάπτυξη στρατηγικών προσαρμογής και τον καθορισμό πολιτικών.&lt;/p&gt;<br /> <br /> <br /> &lt;u&gt;Πλημμύρες και Αναγνώριση Απoδασωμένης Γης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πλημμύρα του 2022 στην Assam επέφερε μεγάλης κλίμακας καταστροφές, κατευθύνοντας την παρούσα μελέτη στην αναγνώριση των πληγεισών περιοχών πολιτεία της Assam (Εικόνα 2). Ο δείκτης MNDWI χρησιμοποιήθηκε για την οριοθέτηση των υδάτινων περιοχών και αναδεικνύει τις περιοχές με υψηλή στάθμη νερού. Η έρευνα επικεντρώθηκε στο Dispur, την πρωτεύουσα της πόλης, για τον εντοπισμό των τοποθεσιών με νερό. Επιπλέον, εντοπίστηκαν περιοχές που πλημμύρισαν σε διάφορες επαρχίες. &lt;/p&gt;<br /> <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Επίσης, εντοπίστηκαν πληγείσες περιοχές, κυρίως στα νότια, βορειοανατολικά, δυτικά και κεντρικά τμήματα της Assam (Εικόνα 3). Η ανάλυση αποκάλυψε σημαντική εκτρωμένη έκταση σε επαρχίες όπως η Κοκρατζάρ, η Τινσουκία και η Λαχίμπουρ.&lt;/p&gt;<br /> <br /> <br /> &lt;u&gt;Επηρεασμένες Περιοχές LULC&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η αναγνώριση των περιοχών που επηρεάζονται από την αλλαγή χρήσης της γης και την κάλυψη της γης (LULC) είναι κρίσιμη για τις μελέτες των πλημμυρών, καθώς οι γεωργικές εκτάσεις, τα δέντρα και οι οικισμοί είναι ιδιαίτερα ευάλωτα. Χρησιμοποιώντας την τεχνική επικάλυψης, καθορίστηκε το μέγεθος των επηρεασμένων περιοχών LULC σε διάφορες επαρχίες (Εικόνα 4). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η ανάλυση έδειξε εκτεταμένη επίδραση στις γεωργικές εκτάσεις, με κάποιες επαρχίες να εμφανίζουν μεγάλες καταστροφές (Εικόνα 5). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Αντίστοιχα, κτισμένες περιοχές σε διάφορες επαρχίες αντιμετώπισαν σοβαρές ζημιές. Αυτά τα ευρήματα υπογραμμίζουν την ανάγκη για κατάλληλο σχεδιασμό, διαχείριση και στρατηγικές προσαρμογής για τη μείωση των οικονομικών και ανθρώπινων απωλειών που προκαλούνται από πλημμύρες. Επιπλέον, μία αειφόρος διαχείριση κινδύνων από πλημμύρες είναι απαραίτητη για τη μείωση των κινδύνων και τη βελτίωση των προσπαθειών διαχείρισης καταστροφών στο μέλλον.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 5. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Το πρόβλημα των πλημμυρών στην Assam είναι ιδιαίτερα σοβαρό και ιδιαίτερο λόγω του μεγέθους, της διάρκειας των πλημμυρών, του αριθμού νεκρών και πληγέντων και του όγκου της διάβρωσης, ενώ έχουν σημαντικές επιπτώσεις και στη φτώχεια, το περιβάλλον και τη γεωργία. Η συνολική πλημμυρισμένη περιοχή της χώρας ανέρχεται περίπου στο 10,2% των συνολικών τμημάτων της. Αντίθετα, οι πλημμυρισμένες περιοχές της Assam ανέρχονται στο 39,58% των συνολικών της τμημάτων. Η χαρτογράφηση και παρακολούθηση των πλημμυρισμένων εκτάσεων είναι σημαντική για σχετικό μελλοντικό σχεδιασμό και διαχείριση. Μελλοντικές μελέτες θα πρέπει να εστιάσουν στην ανάλυση των πλημμυρών, της διάβρωσης του εδάφους και των περιοχών ευαίσθητες στις πλημμύρες για τη βελτίωση της διαχείρισης καταστροφών και των πολιτικών λήψης αποφάσεων.&lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Large-Scale_Flood_Hazard_Monitoring_and_Impact_Assessment_on_Landscape:_Representative_Case_Study_in_India 2024-02-23T23:16:54Z

<p>Niknakkas: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Large-Scale Flood Hazard Monitoring and Impact Assessment on Landscape: Representative Case Study in India ''<br /> <br /> '''Συγγραφείς: ''' Bijay Halder, Subhadip Barman, Papiya Banik, Puja Das, Jatisankar Bandyopadhyay, Fredolin Tangang, Shamsuddin Shahid, Chaitanya B. Pande, Baqer Al-Ramadan, Zaher Mundher Yaseen <br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2023, 15(14), 11413; https://doi.org/10.3390/su151411413'' <br /> <br /> '''Λέξεις κλειδιά: ''' Πλημμύρα Assam, υποβάθμιση βλάστησης, εκτίμηση κινδύνου, Google Earth Engine, Δεδομένα SAR Sentinel-1 <br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> [[Αρχείο:Large1 | thumb| right|'''Εικόνα 1.''' '' Τοπικός χάρτης της περιοχής μελέτης.'' ]]<br /> [[Αρχείο:Large2 | thumb| right|'''Εικόνα 2.''' '' Πλημμυρισμένη περιοχή της Assam.'' ]]<br /> [[Αρχείο:Large3 | thumb| right|'''Εικόνα 3.''' '' α) επηρεασμένη περιοχή βλάστησης από την πλημμύρα στην Assam. ( β ) πληγείσα περιοχή βλάστησης κατά τη διάρκεια της πλημμύρας στην Assam.'' ]]<br /> [[Αρχείο:Large4 | thumb| right|'''Εικόνα 4.''' '' Πληγείσες περιοχές από την πλημμύρα του 2022.'' ]]<br /> [[Αρχείο:Large5 | thumb| right|'''Εικόνα 5.''' '' Επηρεασμένες κατηγορίες LULC από τις πλημμύρες του 2022 στην Assam.'' ]]<br /> <br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Οι πλημμύρες αποτελούν από τις πιο σημαντικές φυσικές καταστροφές παγκοσμίως, προκαλώντας εκτεταμένες ζημιές σε περιουσίες και αφαιρώντας πολλές ανθρώπινες ζωές, επιφέροντας σημαντικές γεωμορφολογικές αλλαγές στο έδαφος. Η Ινδία, ως μία από τις πιο ευάλωτες σε καταστροφές χώρες, βιώνει κάθε χρόνο πληθώρα περιβαλλοντικών καταστροφών, με τις πλημμύρες να αποτελούν την πιο συχνή και επικίνδυνη φυσική καταστροφή. Ερευνητικά στοιχεία υποδεικνύουν ότι οι πλημμύρες αποτέλεσαν τις πιο θανατηφόρες φυσικές καταστροφές μεταξύ του 1995 και του 2015, επηρεάζοντας πάνω από 2,3 δισεκατομμύρια ανθρώπους και προκαλώντας τουλάχιστον 157.000 καταγεγραμμένους θανάτους παγκοσμίως. &lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Ο ποταμός Brahmaputra και οι παραπόταμοί του, που χαρακτηρίζεται από μεγάλο βάθος και φέρουσα ικανότητα, αποτελεί σημαντικό κίνδυνο πλημμύρας, ιδίως στις περιοχές Mymensingh και Jamalpur. Οι πλημμύρες στην Ινδία συμβαίνουν κυρίως κατά τη διάρκεια της εποχής των νοτιοδυτικών μουσώνων, επηρεάζοντας εκατομμύρια εκτάρια γης και εκτοπίζοντας μεγάλους πληθυσμούς. Οι πιο ευάλωτες πολιτείες στις πλημμύρες είναι η Uttar Pradesh, η Assam, η Bihar και η Δυτική Βεγγάλη, με τις λεκάνες απορροής των ποταμών Ganga και Brahmaputra να αντιμετωπίζουν σοβαρούς κινδύνους. Η βορειοανατολική περιοχή της Ινδίας, συμπεριλαμβανομένης της Assam, βιώνει συχνά φυσικές καταστροφές, ιδιαίτερα πλημμύρες. Η Assam, ειδικότερα, αντιμετωπίζει σημαντικές ζημιές στις περιουσίες των κατοίκων της και προκαλείται κοινωνική αναστάτωση λόγω των ετήσιων πλημμυρών, επηρεάζοντας χώρους όπως τα εθνικά πάρκα Kaziranga και Pobitora. Οι πλημμύρες λαμβάνουν χώρα ιδίως κατά την εποχή των Μουσώνων και προκαλούνται από τις έντονες βροχοπτώσεις και τις συγκεκριμένες γεωκλιματικές συνθήκες που επικρατούν κατά την εποχή των Μουσώνων&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η παρούσα μελέτη έχει ως στόχο να αξιολογήσει τις επιπτώσεις των πλημμυρών του 2022 στην Assam σχετικά με τη χρήση της γης, την επικάλυψη της γης, τις περιοχές πλημμυρών και τις αποψιλωμένες περιοχές, χρησιμοποιώντας δεδομένα από τον Sentinel-1 C band SAR και το Google Earth Engine (GEE). Η ανάλυση επικεντρώνεται στην ακριβή μέτρηση των εκτάσεων πλημμύρας και την αναγνώριση περιοχών με ζημιές στη βλάστηση, παρέχοντας κρίσιμες εισηγήσεις για την παρακολούθηση του κινδύνου πλημμύρας και την αξιολόγηση της υγείας της βλάστησης κατά τη διάρκεια των πλημμυρών.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Χρησιμοποιήθηκαν δεδομένα υψηλής ανάλυσης SAR μικροκυμάτων για τη χαρτογράφηση των κινδύνων πλημμύρας και την αξιολόγηση της υγείας της βλάστησης, που είναι ζωτικής σημασίας για τη διαχείριση καταστροφών και τις προσπάθειες περιβαλλοντικής προστασίας.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τα ευρήματα αυτής της μελέτης προσφέρουν πολύτιμες εισηγήσεις σχετικά με τις επιπτώσεις των πλημμυρών του 2022 στη χρήση γης, τις περιοχές πλημμύρας και τις ζημιές στη βλάστηση. Αυτά μπορούν να καθοδηγήσουν τους εκάστοτε υπευθύνους, διοικητές, ερευνητές και τμήματα διαχείρισης στην υλοποίηση μέτρων για τη μείωση των κινδύνων πλημμύρας και την προστασία των δασών, συμβάλλοντας τελικά στην πρόληψη και τελικά στην προστασία του περιβάλλοντος και ανθρώπινων ζωών.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ &lt;/span&gt;''' <br /> &lt;p align=&quot;justify&quot;&gt;Η Assam, που βρίσκεται στη βορειοανατολική Ινδία, είναι η πιο πυκνοκατοικημένη και δεύτερη μεγαλύτερη πολιτεία της χώρας. Έχει μεγάλη σημασία γεωγραφικά, δημογραφικά, πολιτιστικά και περιβαλλοντικά. Γεωγραφικά, η Assam καλύπτει μια έκταση 78.438 τ.χλμ (Εικόνα 1). Η πολιτεία συνορεύει με διάφορες γειτονικές περιοχές και χώρες, συμπεριλαμβανομένης της Δυτικής Βεγγάλης στα δυτικά, της Μεγαλάγιας, της Τριπούρας, το Μιζοράμ και το Μπανγκλαντές στα νότια, το Μπουτάν και το Αρουνατσαλ Πραντές στα βόρεια και το Ναγκαλάντ και το Μανιπούρ στα ανατολικά. Το δέλτα του ποταμού Γκάγκα-Μπραχμαπούτρα-Μεγνα, γνωστό για τη γόνιμη γη και τη βλάστησή του, παίζει έναν κρίσιμο ρόλο στην περιοχή. Ωστόσο, η Assam είναι ευάλωτη σε διάφορες φυσικές καταστροφές, ιδίως πλημμύρες, λόγω της θέσης της εντός της λεκάνης απορροής του ποταμού Μπραχμαπούτρα και της επίδρασης των πολλών παραποτάμων του. Το κλίμα της περιοχής είναι ιδίως τροπικός μουσώνας, με έντονες βροχοπτώσεις και υγρασία. Από την απογραφή πληθυσμού του 2011 προκύπτει ότι ο πληθυσμός της περιοχής αποτελεί το 2,58% του πληθυσμού της Ινδίας (31.205.576), ο οποίος αποτελείται από ποικιλία εθνοτικών πολιτισμών, συμπεριλαμβανομένων των Boro, Deori, Rava, Karbi, Assamese, Bengali, Ahom και Rajbanshi.&lt;/p&gt;<br /> <br /> <br /> &lt;u&gt;Αιτίες των Πλημμύρων στην Assam&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η Assam αντιμετωπίζει κάθε χρόνο σοβαρές ζημιές από πλημμύρες, κυρίως λόγω των έντονων βροχοπτώσεων κατά τη διάρκεια της εποχής των μουσώνων. Το κοιλάδα του Μπραχμαπούτρα λαμβάνει σημαντική ετήσια βροχόπτωση, με την πολιτεία να εμπειρίζεται πραγματικές βροχοπτώσεις υπερβαίνοντας τα κανονικά επίπεδα σε ορισμένα έτη. Οι παράγοντες που συντελούν στις πλημμύρες περιλαμβάνουν τη συμφόρηση της αποστράγγισης, την κατάληψη των ποταμίσκων περιοχών, την υψηλή πυκνότητα πληθυσμού, την τεκτονική δραστηριότητα και την υποβάθμιση του δάσους. Η συμφόρηση της αποστράγγισης οδηγεί σε αντίστροφη ροή και συμφόρηση κοντά στις εκβολές. Η κατάληψη ποταμίσκων περιοχών και η αύξηση του πληθυσμού επιδεινώνουν τους κινδύνους πλημμύρας. Η τεκτονική δραστηριότητα και η υποβάθμιση του δάσους συμβάλλουν στην ερείπωση του εδάφους και την αύξηση του σεντιμέντου στα ποτάμια, ανεβάζοντας τα επίπεδα τους [25,32].&lt;/p&gt;<br /> <br /> &lt;u&gt;Ιστορία Πλημμύρων της Assam&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πολιτεία της Assam έχει ιστορία συχνών και σοβαρών πλημμυρών, με σημαντικές ζημιές να παρατηρούνται τα τελευταία χρόνια. Κάποιες από τις σημαντικότερες συνέβησαν τα έτη 1954, 1966, 1972, 1975, 1978, 1983, 1986, 1996, 1998, 2000, 2002, 2012 και 2014. Το μέγεθοε των καταστροφών είναι τεράστιο. Ενδεικτικά το 2022 οι πλημμύρες στις περιοχές Lakhimpur, Karimganj και Kokrajhar εξανάγκασαν σε μετεγκατάσταση περισσότερους από 1,7 εκατομμύρια ανθρώπους και επηρέασαν περίπου 2450 χωριά. Περισσότερο από το 40% της κοιλάδας του Brahmaputra είναι ευάλωτο σε πλημμύρες. Αξίζει να σημειωθεί ότι οι πλημμύρες του 2020 συνέπεσαν με την πανδημία COVID-19, επιδεινώνοντας τις προκλήσεις που αντιμετώπιζαν οι επηρεαζόμενες κοινότητες.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΔΟΛΟΓΙΑ&lt;/span&gt;''' <br /> <br /> <br /> &lt;u&gt;Δεδομένα και Λογισμικό &lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Χρησιμοποιήθηκαν πολυ-ημερομηνιακές εικόνες Sentinel-1 SAR C band GRD για τον υπολογισμό της υποβάθμισης της βλάστησης και των πλημμυρών κατά την πρόσφατη πλημμύρα της Assam τον Μάιο του 2022. Τα δεδομένα του Sentinel-1 SAR χρησιμοποιήθηκαν για την εκτίμηση της έκτασης πλημμύρας και του αντίκτυπου στη βλάστηση σε διάφορες περιοχές της Assam. Η ανάλυση αυτή πραγματοποιήθηκε χρησιμοποιώντας την πλατφόρμα Google Earth Engine (GEE) βασισμένη σε cloud για τη δημιουργία των χαρτών πλημμυρών και την αξιολόγηση του αντίκτυπου στη βλάστηση. Επίσης, χρησιμοποιήθηκαν εικόνες πολυφασματικών αισθητήρων Sentinel-2 της ESRI με ανάλυση 10 m για την αξιολόγηση της επίδρασης στο τοπίο. Τέλος, διατέθηκαν στοιχεία χρήσης γης και κάλυψης γης από τις εικόνες του Sentinel-2 της ESRI με ανάλυση 10 m.&lt;/p&gt;<br /> <br /> &lt;u&gt;Ταξινόμηση Εικόνων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εικόνες ταξινομήθηκαν χρησιμοποιώντας τεχνικές επιβλεπόμενης ταξινόμησης στην πλατφόρμα GEE, χρησιμοποιώντας τις φασματικές υπογραφές διαφορετικών χαρακτηριστικών κάλυψης γης. Καθορίστηκαν έξι κατηγορίες κάλυψης γης και χρήσης γης για την πολιτεία της Assam που περιλαμβάνουν περιοχές κατοικημένες, υδάτινους χώρους, δέντρα, γυμνό έδαφος, πλημμυρισμένες περιοχές με βλάστηση και αγροτικές εκτάσεις.&lt;/p&gt;<br /> <br /> &lt;u&gt;Προ-επεξεργασία Δεδομένων SAR και Πλατφόρμα GEE&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πλατφόρμα GEE χρησιμοποιήθηκε για τον προσδιορισμό της έκτασης της πλημμύρας και της υποβάθμισης της βλάστησης που προκάλεσε η πλημμύρα του 2022 στην Assam. Χρησιμοποιήθηκαν δεδομένα Sentinel-1 προσέγγισης Interferometric Wide Wide (IW) με pixel 10 m και πλάτος ζώνης 250 χλμ. Τα δεδομένα Sentinel-1 παρείχαν πληροφορίες για την έκταση της πλημμύρας, την κάλυψη δάσους, τις αγροτικές περιοχές και την παραμόρφωση της γης. Τα δεδομένα SAR υποβλήθηκαν σε προ-επεξεργασία, συμπεριλαμβανομένης της εφαρμογής αρχείων τροχιάς, της αφαίρεσης θερμικού θορύβου, της ραδιομετρικής βαθμονόμησης, της ατμοσφαιρικής διόρθωσης και της διόρθωσης εδάφους Doppler.&lt;/p&gt;<br /> <br /> &lt;u&gt;Εκτίμηση MNDWI&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η τροποποιημένη έκδοση του NDWI (Δείκτης Κανονικοποιημένης Διαφοράς Νερού) χρησιμοποιήθηκε για την καθορισμό των υδάτινων περιοχών. Χρησιμοποιήθηκε η εξίσωση MNDWI=(Πράσινο − SWIR 1 )/( Πράσινο = SWIR 1) για τη διεξαγωγή της έρευνας MNDWI. Ο «raster calculator» της ArcGIS έκδοσης 10.8 χρησιμοποιήθηκε για τον υπολογισμό της έκτασης της κατάδυσης από πλημμύρες.&lt;/p&gt;<br /> <br /> &lt;u&gt;Εκτίμηση Πλημμύρας και Υποβάθμισης της Βλάστησης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η μελέτη χρησιμοποίησε τους αλγορίθμους Random Forest (RF) και Classification and Regression Trees (CART) εντός της πλατφόρμας Google Earth Engine (GEE) για τον προσδιορισμό των περιοχών όπου φάνηκε μείωση της βλάστησης και για υπολογισμο του ορίου των πλημμυρών. Επιπλέον, τα datasets Sentinel-1 Level 1 GRD χρησιμοποιήθηκαν για την αξιολόγηση της υποβάθμισης της βλάστησης στην πολιτεία της Assam.&lt;/p&gt;<br /> <br /> &lt;u&gt;Έρευνα Επηρεαζόμενης Περιοχής LULC &lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η ταξινόμηση LULC χρησιμοποίησε δεδομένα Sentinel-2 10 m. Ο υπολογισμός των πληγεισών εκτάσεων έγινε χρησιμοποιώντας τεχνικές επικάλυψης και ένωσης/τομής. Οι πληγείσες εκτάσεις υπολογίστηκαν σε επίπεδο περιφέρειας επικαλύπτοντας τις κατηγορίες LULC με τις πλημμυρισμένες περιοχές, ενώ φάνηκε να επηρεάζεται έντονα η βλάστηση, οι καλλιέργειες και οι δομημένες περιοχές.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> &lt;p align=&quot;justify&quot;&gt;.Φάνηκε ότι οι ξαφνικές πλημμύρες που προέρχονται από γειτονικές περιοχές επιδείνωσαν την κατάσταση πλημμύρων στην Assam. Τον Ιούνιο του 2022, παρατηρήθηκαν εξαιρετικά έντονες πλημμύρες λόγω βροχοπτώσεων σε αυτές τις περιοχές, με αποτέλεσμα πολλούς νεκρούς και εκτεταμένες ζημιές. Οι κατολισθήσεις που ανέτρεψαν βαγόνια τρένου στο σιδηροδρομικό σταθμό Νέας Χάφλονγκ στην περιοχή Ντίμα Χασάο, τονίζοντας το βαθμό σοβαρότητας των πλημμυρών στην Assam. Αυτά τα γεγονότα αναδεικνύουν την σχέση μεταξύ της εποχής των μουσώνων και των πλημμυρών, τονίζοντας τη σημασία της κατανόησης αυτής της σύνδεσης για την αξιολόγηση του κινδύνου καταστροφών, τον σχεδιασμό και τη λήψη αποφάσεων από τις αρχές, καθώς και για την λήψη προληπτικών μέτρων, την ευαισθητοποίηση, την ανάπτυξη στρατηγικών προσαρμογής και τον καθορισμό πολιτικών.&lt;/p&gt;<br /> <br /> <br /> &lt;u&gt;Πλημμύρες και Αναγνώριση Απoδασωμένης Γης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πλημμύρα του 2022 στην Assam επέφερε μεγάλης κλίμακας καταστροφές, κατευθύνοντας την παρούσα μελέτη στην αναγνώριση των πληγεισών περιοχών πολιτεία της Assam (Εικόνα 2). Ο δείκτης MNDWI χρησιμοποιήθηκε για την οριοθέτηση των υδάτινων περιοχών και αναδεικνύει τις περιοχές με υψηλή στάθμη νερού. Η έρευνα επικεντρώθηκε στο Dispur, την πρωτεύουσα της πόλης, για τον εντοπισμό των τοποθεσιών με νερό. Επιπλέον, εντοπίστηκαν περιοχές που πλημμύρισαν σε διάφορες επαρχίες. &lt;/p&gt;<br /> <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Επίσης, εντοπίστηκαν πληγείσες περιοχές, κυρίως στα νότια, βορειοανατολικά, δυτικά και κεντρικά τμήματα της Assam (Εικόνα 3). Η ανάλυση αποκάλυψε σημαντική εκτρωμένη έκταση σε επαρχίες όπως η Κοκρατζάρ, η Τινσουκία και η Λαχίμπουρ.&lt;/p&gt;<br /> <br /> <br /> &lt;u&gt;Επηρεασμένες Περιοχές LULC&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η αναγνώριση των περιοχών που επηρεάζονται από την αλλαγή χρήσης της γης και την κάλυψη της γης (LULC) είναι κρίσιμη για τις μελέτες των πλημμυρών, καθώς οι γεωργικές εκτάσεις, τα δέντρα και οι οικισμοί είναι ιδιαίτερα ευάλωτα. Χρησιμοποιώντας την τεχνική επικάλυψης, καθορίστηκε το μέγεθος των επηρεασμένων περιοχών LULC σε διάφορες επαρχίες (Εικόνα 4). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η ανάλυση έδειξε εκτεταμένη επίδραση στις γεωργικές εκτάσεις, με κάποιες επαρχίες να εμφανίζουν μεγάλες καταστροφές (Εικόνα 5). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Αντίστοιχα, κτισμένες περιοχές σε διάφορες επαρχίες αντιμετώπισαν σοβαρές ζημιές. Αυτά τα ευρήματα υπογραμμίζουν την ανάγκη για κατάλληλο σχεδιασμό, διαχείριση και στρατηγικές προσαρμογής για τη μείωση των οικονομικών και ανθρώπινων απωλειών που προκαλούνται από πλημμύρες. Επιπλέον, μία αειφόρος διαχείριση κινδύνων από πλημμύρες είναι απαραίτητη για τη μείωση των κινδύνων και τη βελτίωση των προσπαθειών διαχείρισης καταστροφών στο μέλλον.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 5. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Το πρόβλημα των πλημμυρών στην Assam είναι ιδιαίτερα σοβαρό και ιδιαίτερο λόγω του μεγέθους, της διάρκειας των πλημμυρών, του αριθμού νεκρών και πληγέντων και του όγκου της διάβρωσης, ενώ έχουν σημαντικές επιπτώσεις και στη φτώχεια, το περιβάλλον και τη γεωργία. Η συνολική πλημμυρισμένη περιοχή της χώρας ανέρχεται περίπου στο 10,2% των συνολικών τμημάτων της. Αντίθετα, οι πλημμυρισμένες περιοχές της Assam ανέρχονται στο 39,58% των συνολικών της τμημάτων. Η χαρτογράφηση και παρακολούθηση των πλημμυρισμένων εκτάσεων είναι σημαντική για σχετικό μελλοντικό σχεδιασμό και διαχείριση. Μελλοντικές μελέτες θα πρέπει να εστιάσουν στην ανάλυση των πλημμυρών, της διάβρωσης του εδάφους και των περιοχών ευαίσθητες στις πλημμύρες για τη βελτίωση της διαχείρισης καταστροφών και των πολιτικών λήψης αποφάσεων.&lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Education1.png 2024-02-23T23:08:43Z

<p>Niknakkas: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:Education1.png&amp;quot;</p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Analysis6.png 2024-02-23T23:08:16Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Analysis5.png 2024-02-23T23:08:07Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Analysis4.png 2024-02-23T23:07:55Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Analysis3.png 2024-02-23T23:07:44Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Analysis2.png 2024-02-23T23:07:34Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Analysis1.png 2024-02-23T23:07:25Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Large5.png 2024-02-23T23:07:00Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Large4.png 2024-02-23T23:05:45Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Large3.png 2024-02-23T23:04:46Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Large2.png 2024-02-23T23:04:33Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Large1.png 2024-02-23T23:04:13Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Education4.png 2024-02-23T22:51:36Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Education3.png 2024-02-23T22:51:22Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Education1.png 2024-02-23T22:51:09Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Large1.jpeg 2024-02-23T22:42:42Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Applying_Remotely_Sensed_Environmental_Information_to_Model_Mosquito_Populations 2024-02-23T22:34:40Z

<p>Niknakkas: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Applying Remotely Sensed Environmental Information to Model Mosquito Populations ''<br /> <br /> '''Συγγραφείς: ''' Maria Kofidou, Michael de Courcy Williams, Andreas Nearchou, Stavroula Veletza, Alexandra Gemitzi, Ioannis Karakasiliotis <br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2021, 13(14), 7655; https://doi.org/10.3390/su13147655'' <br /> <br /> '''Λέξεις κλειδιά: ''' πληθυσμοί κουνουπιών, υδάτινες περιοχές, NDVI, LST, τηλεπισκόπηση <br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> [[Αρχείο:Mosquito1.jpeg | thumb| right|'''Εικόνα 1.''' '' Περιοχή μελέτης και τοποθεσίες παρακολούθησης.'' ]]<br /> [[Αρχείο:Mosquito2.jpeg | thumb| right|'''Εικόνα 2.''' '' Σχέδιο μεταφοράς της χρονικής ανάλυσης MODIS LST στο LST του Landsat 8.'' ]]<br /> [[Αρχείο:Mosquito3.jpeg | thumb| right|'''Εικόνα 3.''' '' Μέσος αριθμός κουνουπιών ανά τοποθεσία κατά τη διάρκεια της περιόδου μελέτης. '' ]]<br /> [[Αρχείο:Mosquito4.jpeg | thumb| right|'''Εικόνα 4.''' '' Μέσος αριθμός κουνουπιών ανά ( α ) Υδατική περιοχή, ( β ) Υψόμετρο, ( γ ) LST, ( δ ) NDVI, ( ε ) Ημερομηνία Ιουλιανού.'' ]]<br /> [[Αρχείο:Mosquito5.jpeg | thumb| right|'''Εικόνα 5.''' '' Αρχιτεκτονική του νευρωνικού δικτύου.'' ]]<br /> [[Αρχείο:Mosquito6.jpeg | thumb| right|'''Εικόνα 6.''' '' Σχετική σημασία για κάθε μεταβλητή εισόδου στο MLP NN.'' ]]<br /> [[Αρχείο:Mosquito7.jpeg | thumb| right|'''Εικόνα 7.''' '' Αριθμός αναφερόμενων περιπτώσεων με εργαστηριακά διαγνωσμένη νόσο WNV (WNF με WNND και χωρίς WNND) με μέσο LST σε δήμους εντός και κοντά στην περιοχή μελέτης. Τα δεδομένα ανακτώνται από τον Εθνικό Οργανισμό Δημόσιας Υγείας της Ελλάδος (ΕΟΔΥ) και αναφέρονται ανά πιθανό δήμο έκθεσης.'' ]]<br /> <br /> <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Υπάρχουν προγράμματα ελέγχου κουνουπιών που έχουν εφαρμοστεί εκτενώς σε πολλές χώρες με σκοπό τη μείωση των επιπτώσεων και της εξάπλωσης λοιμώξεων και ασθενειών, στοχεύοντας στη μείωση της μακροβιότητας των φορέων, της πυκνότητας πληθυσμού τους, της επαφής τους με ανθρώπους και της έντασης της ελονοσίας. Οι αλλαγές στη χρήση γης επηρεάζουν τα χαρακτηριστικά του περιβάλλοντος, όπως την ποιότητα του νερού και την βλάστηση, επιδρώντας στους πληθυσμούς των κουνουπιών. Επιπλέον, οι ανθρωπογενείς αλλαγές στο τοπίο μπορούν να μειώσουν τη βιοποικιλότητα των κουνουπιών και να οδηγήσουν σε πολλαπλασιασμό των φορέων ασθενειών.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Προηγούμενες μελέτες έχουν χρησιμοποιήσει Γεωγραφικά Πληροφοριακά Συστήματα (GIS) για την εξέταση των περιβαλλοντικών αλλαγών σε σχέση με την επιδημιολογία της ελονοσίας. Έχουν εκτιμηθεί πιθανές περιοχές για εμφάνιση ελονοσίας στην Ελλάδα, ενώ άλλες μελέτες έχουν χρησιμοποιήσει δορυφορικά δεδομένα για τη μοντελοποίηση της ελονοσίας, της νόσου ντενγκέ και του ιού του Δυτικού Νείλου. Η χρήση δορυφορικών μοντέλων προβλέπει τον κίνδυνο για ελονοσία και εξετάζει τις δυνατότητες για ανάπτυξη συστημάτων προειδοποίησης για την εμφάνισή της. Μελέτες έχουν εξετάσει πως οι δείκτες NDVI και LST επηρεάζουν τον πληθυσμό των κουνουπιών σε περιοχές της Βορειοδυτικής Αργεντινής όπου έχει εμφανιστεί ελονοσία.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Είναι γνωστό ότι παράγοντες όπως η βροχόπτωση, η θερμοκρασία και η υγρασία επηρεάζουν τη μετάδοση της ελονοσίας, καθώς επηρεάζουν την ανάπτυξη και επιβίωση τόσο των κουνουπιών όσο και των παρασίτων που τη φέρουν. Διάφοροι ερευνητές έχουν υπογραμμίσει ότι σε φυσικές πηγές νερού, όπως λιμνούλες, αναπτύσσονται οι πληθυσμοί των κουνουπιών και αποτελούν δυνητικά εστία εκτροφής τους.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Ενώ έχουν γίνει προσπάθειες να εφαρμοστούν τεχνικές τηλεπισκόπησης και μηχανικής μάθησης για την αποτύπωση της κατανομής και του πληθυσμού των κουνουπιών, πρόσφατες μελέτες υποδεικνύουν την έλλειψη μελετών σχετικά με την εφαρμογή τηλεπισκόπησης και μηχανικής μάθησης σε επιδημιολογικές μελέτες. Στην μελέτη των Scavuzzo et al, χρησιμοποιήθηκαν δεδομένα (MODIS)-derived NDVI, LST και NDWI σε συνδυασμό με δεδομένα υετού TRMM για τη μοντελοποίηση των πληθυσμών των κουνουπιών. Στην παρούσα εργασία, χρησιμοποιήθηκαν δεδομένα LST και NDVI για την ανάπτυξη προγνωστικού μοντέλου για τη χωρική και χρονική κατανομή των πληθυσμών των κουνουπιών. Ως εκ τούτου, τα δεδομένα τηλεπισκόπησης NDVI και LST που αποκτήθηκαν από το Landsat 8 σε χωρική ανάλυση 30 m ανα 16 ημέρες χρησιμοποιήθηκαν για την ανάπτυξη και τη δοκιμή ενός MLP ANN για την πρόβλεψη πληθυσμών κουνουπιών. Το μοντέλο εκπαιδεύτηκε και δοκιμάστηκε στους νομούς Ξάνθης και Δράμας (ΒΑ Ελλάδα) από τον Ιούλιο έως τον Οκτώβριο του 2019.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΛΟΓΙΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Περιγραφή Περιοχής Μελέτης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η περιοχή μελέτης βρίσκεται στη βορειοανατολική Ελλάδα και πραγματοποιήθηκε σε δεκαεπτά τοποθεσίες στις νομαρχίες Ξάνθης και Δράμας (Εικόνα 1). Η περιοχή αυτή περιλαμβάνει παράκτιες, ορεινές και πεδινές περιοχές. Το τοπίο έχει κυρίως καλλιέργειες όπως βαμβάκι, σιτάρι, ηλιόσπορο, κηπευτικά (ντομάτα, καλαμπόκι, κολοκύθια, κ.λπ.) και καπνό.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Στην περιοχή μελέτης υπάρχουν διάφοροι τύποι κάλυψης γης. Για παράδειγμα, οι παράκτιες τοποθεσίες Αη Γιάννη και Πόρτο Λάγος βρίσκονται εντός ενός παράκτιου υγροτόπου. Οι τοποθεσίες Εράσμιο, τα Μάγγανα και τα Άβδηρα βρίσκονται κοντά στην παράκτια ζώνη και έχουν έντονη γεωργική δραστηριότητα. Άλλες περιοχές είναι ημιορεινές, δομημένες ή βιομηχανικές όπως είναι η πόλη της Δράμας και άλλες είναι τυπικοί αγροτικοί οικισμοί περιτριγυρισμένοι από γεωργική γη.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Σύμφωνα με τον Κλιματικό Άτλαντα της Εθνικής Μετεωρολογικής Υπηρεσίας της Ελλάδας, η Ελλάδα χαρακτηρίζεται από ποικίλα εδάφη που διαχωρίζουν τη χώρα σε κλιματικές ζώνες. Οι κύριες κλιματικές ζώνες της περιοχής μελέτης κυμαίνονται από το θερμό-καλοκαιρινό μεσογειακό κλίμα στις παράκτιες ζώνες, σε πιο εύκρατους κλιματικούς τύπους προς τα βόρεια.&lt;/p&gt;<br /> <br /> &lt;u&gt;Περιγραφή του Συνόλου Δεδομένων&lt;/u&gt;<br /> &lt;u&gt;Πειραματικό Πλαίσιο&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Για τη συλλογή και αναγνώριση των ενηλίκων κουνουπιών χρησιμοποιήθηκαν παγίδες φωτός CDC με δόλωμα CO2. Τα δείγματα αποθηκεύτηκαν στους -80 °C για να διατηρηθούν. Η ταυτοποίηση θηλυκών έγινε με ταυτοποίηση των εξωτερικών μορφολογικών τους χαρακτηριστικών και COI (Cytochrome oxidase subunit I) barcoding από ένα αποκομμένο πόδι.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Για να ταυτοποιηθούν τα είδη των κουνουπιών πραγματοποιήθηκε σχετική ανάλυση. Για το barcoding του DNA τους χρησιμοποιήθηκε, όπου ενδείκνυνταν, το πρότυπο COI PCR και το Sanger Sequencing. &lt;/p&gt;<br /> <br /> &lt;u&gt;Σύνολα δεδομένων τηλεπισκόπησης και περιβαλλοντικών δεδομένων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Για να μελετηθούν οι συνθήκες ανάπτυξης των κουνουπιών στις περιοχές μελέτης χρησιμοποιήθηκε ο δείκτης NDVI. Επιπλέον, σημαντική κλιματική μεταβλητή αποτελεί ο δείκτης LST που αποτυπώνει τη θερμοκρασία της επιφάνειας της Γης και χρησιμοποιείται για εκτίμηση της εξάτμισης, της υγρασίας του εδάφους και των επιπτώσεων της κλιματικής αλλαγής.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Δεδομένου ότι τα κουνούπια αναπτύσσονται και πολλαπλασιάζονται στο νερό, λήφθηκε υπόψιν η διάρκεια εκκόλαψης, η διάρκεια ζωής της προνύμφης και του κάθε είδους κουνουπιού και η περιοχή που καλύπτεται από νερό γύρω από τα σημεία παρακολούθησης. Χρησιμοποιήθηκαν οι δείκτες NDVI και LST σε διάφορες χρονικές στιγμές για να εντοπιστεί συσχέτιση με τα δεδομένα του πληθυσμού των κουνουπιών. Τα δεδομένα NDVI συλλέχθηκαν από τον Landsat 8 OLI, με χωρική ανάλυση 30 m και δεδομένα ανά 16 ημέρες, θεωρώντας πως σε διάρκεια 16 ημερών το NDVI δεν αλλάζει σημαντικά κατά τις περιόδους παρατήρησης (29 Ιουνίου 2019 έως 29 Σεπτεμβρίου 2019). Για τη μελέτη των δεδομένων LST χρησιμοποιήθηκε ο MODIS daytime LST με χωρική ανάλυση 1 km, και στη συνέχεια τα δεδομένα μεταφέρθηκαν στον LST του Landsat 8 (Εικόνα 2).&lt;/p&gt;<br /> <br /> &lt;u&gt;Ανάπτυξη Μοντέλου&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τα μοντέλα τεχνητών νευρωνικών δικτύων (ANNs) ανήκουν στην ευρύτερη κατηγορία μοντέλων μηχανικής μάθησης. Προσπαθούν να μιμηθούν τον τρόπο με τον οποίο οι νευρώνες μεταδίδουν σήματα μέσα στον ανθρώπινο εγκέφαλο, με σκοπό να επιτρέψουν στους υπολογιστές να μάθουν να εκτελούν συγκεκριμένες εργασίες αναλύοντας σύνολα δεδομένων εκπαίδευσης. <br /> Στην παρούσα εργασία, αναπτύχθηκε, εκπαιδεύτηκε και εφαρμόστηκε Νευρωνικό Δίκτυο Πολλαπλών Στρωμάτων (MLP) ANN για την πρόβλεψη των πληθυσμών κουνουπιών, που περιελάμβανε τους 17 τοποθετημένους σταθμούς στη ΒΔ Ελλάδα (Εικόνα 1). Αυτό έγινε καθώς η μοντελοποίηση των δεδομένων καθίσταται δύσκολη, αφού υπάρχουν 17 διαφορετικές ομάδες πληθυσμών κουνουπιών, έλλειψη σαφούς συσχετισμού των πληθυσμών κουνουπιών με τις παραμέτρους NDVI και LST, το υψομέτρο και τις περιοχές με νερο. Έτσι, αναπτύχθηκε, εκπαιδεύτηκε και εφαρμόστηκε το Νευρωνικό Δίκτυο Πολλαπλών Στρωμάτων (MLP) ANN και η μοντελοποίηση και πρόβλεψη των πληθυσμών κουνουπιών πραγματοποιήθηκε με τη χρήση συγκεκριμένων συναρτήσεων αξιοποιώντας τα. <br /> Για να βελτιστοποιηθεί το μοντέλο, δοκιμάστηκαν διαφορετικά σχήματα αλλάζοντας τον αριθμό των κρυφών επιπέδων και των κρυφών κόμβων. <br /> Η απόδοση του μοντέλου αξιολογήθηκε με το Μέσο Τετραγωνικό Σφάλμα (MSE), το Scaled Root Mean Squared Error (𝑅∗) και την Αποτελεσματικότητα Μοντέλου Nash–Sutcliffe (NSE). <br /> Η εκπαίδευση του ANN έγινε με τυχαία επιλογή του 75% του συνόλου των δεδομένων και ελέγχθηκε με τα δεδομένα δοκιμής να είναι το υπόλοιπο 25%. Η γενίκευση του μοντέλου βελτιώθηκε με μια διαδικασία επαναληπτικής επικύρωσης 100 φορές, και ως τελική μέτρηση απόδοσης χρησιμοποιήθηκε ο μέσος όρος των τιμών των 100 μετρήσεων.<br /> Τέλος, μελετήθηκε η σημασία των μεταβλητών εισόδου με την τεχνική βάρους σύνδεσης.<br /> &lt;/p&gt;<br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Εκτίμηση Παραμέτρων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Συνολικά συλλέχθηκαν 7653 κουνούπια από παγίδες στη Βόρεια Ελλάδα. Η ταυτοποίηση έγινε μορφολογικά και, όταν απαιτούνταν, με χρήση DNA barcoding. Κάποιες τοποθεσίες, όπως το Πόρτο Λάγος, Αη Γιάννης και Μαγγανά, είχαν το 62.17% του συνολικού αριθμού κουνουπιών (Εικόνα 3). Περιβαλλοντικοί παράγοντες όπως η περιοχή νερού, το υψόμετρο, ο δείκτης LST, ο δείκτης NDVI και η Ημερομηνία Julian αξιολογήθηκαν σε σχέση με τον πληθυσμό των κουνουπιών. Η υψηλότερη συσχέτιση με τους πληθυσμούς κουνουπιών παρατηρήθηκε σε χρονική καθυστέρηση 13 ημερών στους δείκτες LST και NDVI. Παρατηρήθηκε αύξηση του πληθυσμού των κουνουπιών παράλληλα με την αύξηση στο LST και στις τιμές NDVI μεταξύ 0,27–0,39 (Εικόνα 4). Λόγω των πολύπλοκων και ετερογενών δεδομένων, χρησιμοποήθηκαν μοντέλα μηχανικής μάθησης, συγκεκριμένα ένα μοντέλο Νευρωνικού Δικτύου MLP, γιατί παρέχει εναλλακτική λύση σε σχέση με τα παραδοσιακά μοντέλα παλινδρόμησης.&lt;/p&gt;<br /> <br /> &lt;u&gt;Αποτελέσματα Μοντέλου&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η βέλτιστη αρχιτεκτονική του MLP Νευρωνικού Δικτύου περιλάμβανε δύο κρυφά επίπεδα με τρεις και δύο κρυφούς νευρώνες αντίστοιχα. (Εικόνα 5)&lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt; Το μοντέλο εμφάνισε απόδοση με μια διαδικασία επαναλαμβανόμενης επικύρωσης 100 φορές, με μέσες τιμές MSE = 739, RMSE (R*) = 0,162 και NSE = 0,83. Επιπλέον αναδείχθηκε η σημασία του LST και της περιοχής νερού ως κυριότερων παραγόντων που επηρεάζουν τους πληθυσμούς των κουνουπιών (Εικόνα 6). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Ελέγχοντας το μοντέλο σε σχέση με περιστατικά εμφάνισης του Ιού του Δυτικού Νείλου (WNV) σε δήμους γύρω από την περιοχή μελέτης, επιβεβαιώθηκε η ισχυρή συσχέτιση μεταξύ του μέσου LST και των αναφερθέντων περιπτώσεων WNV (Εικόνα 7). &lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Παρατηρείται ότι η αύξηση του πληθυσμού των κουνουπιών, και έτσι ο κίνδυνος μετάδοσης ασθενειών που μεταφέρονται από αυτά, μπορεί να προβλεφθεί με χρήση αισθητήρων απομακρυσμένης ανίχνευσης, όπως ο Landsat 8, σε συνδυασμό με μοντέλα τεχνητών νευρωνικών δικτύων. Η μεθοδολογία που αξιοποιήθηκε χρησιμοποιεί ένα ανοικτό, δωρεάν προσβάσιμο εργαλείο, ενώ οι εκτιμήσεις του μοντέλου επιτρέπουν την πρόβλεψη της ποσότητας κουνουπιών 13 ημέρες πριν την επιθυμητή ημερομηνία. Φάνηκε ότι ο δείκτης LST αποτελεί μακράν τη σημαντικότερη παράμετρο πρόβλεψης, χωρίς να υποβαθμίζεται η σημαντικότητα των άλλων παραμέτρων, αφού σημασία μπορεί να έχει η και τοποθεσία, το είδος των κουνουπιών και άλλες παράμετροι. Επιπλέον, τα αποτελέσματα ενισχύουν την άποψη ότι η επίδραση των περιβαλλοντικών παραμέτρων είναι πολύ σημαντική, ενώ η πραγματική αύξηση των πληθυσμών κουνουπιών μπορεί να προβλεφθεί με ακρίβεια χρησιμοποιώντας χρονοσειρές τηλεανιχνευόμενων πληροφοριών.&lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Applying_Remotely_Sensed_Environmental_Information_to_Model_Mosquito_Populations 2024-02-23T22:33:35Z

<p>Niknakkas: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Applying Remotely Sensed Environmental Information to Model Mosquito Populations ''<br /> <br /> '''Συγγραφείς: ''' Maria Kofidou, Michael de Courcy Williams, Andreas Nearchou, Stavroula Veletza, Alexandra Gemitzi, Ioannis Karakasiliotis <br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2021, 13(14), 7655; https://doi.org/10.3390/su13147655'' <br /> <br /> '''Λέξεις κλειδιά: ''' πληθυσμοί κουνουπιών, υδάτινες περιοχές, NDVI, LST, τηλεπισκόπηση <br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> [[Αρχείο:1 Mosquito1.jpeg | thumb| right|'''Εικόνα 1.''' '' Περιοχή μελέτης και τοποθεσίες παρακολούθησης.'' ]]<br /> [[Αρχείο:1 Mosquito2.jpeg | thumb| right|'''Εικόνα 2.''' '' Σχέδιο μεταφοράς της χρονικής ανάλυσης MODIS LST στο LST του Landsat 8.'' ]]<br /> [[Αρχείο:1 Mosquito3.jpeg | thumb| right|'''Εικόνα 3.''' '' Μέσος αριθμός κουνουπιών ανά τοποθεσία κατά τη διάρκεια της περιόδου μελέτης. '' ]]<br /> [[Αρχείο:1 Mosquito4.jpeg | thumb| right|'''Εικόνα 4.''' '' Μέσος αριθμός κουνουπιών ανά ( α ) Υδατική περιοχή, ( β ) Υψόμετρο, ( γ ) LST, ( δ ) NDVI, ( ε ) Ημερομηνία Ιουλιανού.'' ]]<br /> [[Αρχείο:1 Mosquito5.jpeg | thumb| right|'''Εικόνα 5.''' '' Αρχιτεκτονική του νευρωνικού δικτύου.'' ]]<br /> [[Αρχείο:1 Mosquito6.jpeg | thumb| right|'''Εικόνα 6.''' '' Σχετική σημασία για κάθε μεταβλητή εισόδου στο MLP NN.'' ]]<br /> [[Αρχείο:1 Mosquito7.jpeg | thumb| right|'''Εικόνα 7.''' '' Αριθμός αναφερόμενων περιπτώσεων με εργαστηριακά διαγνωσμένη νόσο WNV (WNF με WNND και χωρίς WNND) με μέσο LST σε δήμους εντός και κοντά στην περιοχή μελέτης. Τα δεδομένα ανακτώνται από τον Εθνικό Οργανισμό Δημόσιας Υγείας της Ελλάδος (ΕΟΔΥ) και αναφέρονται ανά πιθανό δήμο έκθεσης.'' ]]<br /> <br /> <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Υπάρχουν προγράμματα ελέγχου κουνουπιών που έχουν εφαρμοστεί εκτενώς σε πολλές χώρες με σκοπό τη μείωση των επιπτώσεων και της εξάπλωσης λοιμώξεων και ασθενειών, στοχεύοντας στη μείωση της μακροβιότητας των φορέων, της πυκνότητας πληθυσμού τους, της επαφής τους με ανθρώπους και της έντασης της ελονοσίας. Οι αλλαγές στη χρήση γης επηρεάζουν τα χαρακτηριστικά του περιβάλλοντος, όπως την ποιότητα του νερού και την βλάστηση, επιδρώντας στους πληθυσμούς των κουνουπιών. Επιπλέον, οι ανθρωπογενείς αλλαγές στο τοπίο μπορούν να μειώσουν τη βιοποικιλότητα των κουνουπιών και να οδηγήσουν σε πολλαπλασιασμό των φορέων ασθενειών.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Προηγούμενες μελέτες έχουν χρησιμοποιήσει Γεωγραφικά Πληροφοριακά Συστήματα (GIS) για την εξέταση των περιβαλλοντικών αλλαγών σε σχέση με την επιδημιολογία της ελονοσίας. Έχουν εκτιμηθεί πιθανές περιοχές για εμφάνιση ελονοσίας στην Ελλάδα, ενώ άλλες μελέτες έχουν χρησιμοποιήσει δορυφορικά δεδομένα για τη μοντελοποίηση της ελονοσίας, της νόσου ντενγκέ και του ιού του Δυτικού Νείλου. Η χρήση δορυφορικών μοντέλων προβλέπει τον κίνδυνο για ελονοσία και εξετάζει τις δυνατότητες για ανάπτυξη συστημάτων προειδοποίησης για την εμφάνισή της. Μελέτες έχουν εξετάσει πως οι δείκτες NDVI και LST επηρεάζουν τον πληθυσμό των κουνουπιών σε περιοχές της Βορειοδυτικής Αργεντινής όπου έχει εμφανιστεί ελονοσία.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Είναι γνωστό ότι παράγοντες όπως η βροχόπτωση, η θερμοκρασία και η υγρασία επηρεάζουν τη μετάδοση της ελονοσίας, καθώς επηρεάζουν την ανάπτυξη και επιβίωση τόσο των κουνουπιών όσο και των παρασίτων που τη φέρουν. Διάφοροι ερευνητές έχουν υπογραμμίσει ότι σε φυσικές πηγές νερού, όπως λιμνούλες, αναπτύσσονται οι πληθυσμοί των κουνουπιών και αποτελούν δυνητικά εστία εκτροφής τους.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Ενώ έχουν γίνει προσπάθειες να εφαρμοστούν τεχνικές τηλεπισκόπησης και μηχανικής μάθησης για την αποτύπωση της κατανομής και του πληθυσμού των κουνουπιών, πρόσφατες μελέτες υποδεικνύουν την έλλειψη μελετών σχετικά με την εφαρμογή τηλεπισκόπησης και μηχανικής μάθησης σε επιδημιολογικές μελέτες. Στην μελέτη των Scavuzzo et al, χρησιμοποιήθηκαν δεδομένα (MODIS)-derived NDVI, LST και NDWI σε συνδυασμό με δεδομένα υετού TRMM για τη μοντελοποίηση των πληθυσμών των κουνουπιών. Στην παρούσα εργασία, χρησιμοποιήθηκαν δεδομένα LST και NDVI για την ανάπτυξη προγνωστικού μοντέλου για τη χωρική και χρονική κατανομή των πληθυσμών των κουνουπιών. Ως εκ τούτου, τα δεδομένα τηλεπισκόπησης NDVI και LST που αποκτήθηκαν από το Landsat 8 σε χωρική ανάλυση 30 m ανα 16 ημέρες χρησιμοποιήθηκαν για την ανάπτυξη και τη δοκιμή ενός MLP ANN για την πρόβλεψη πληθυσμών κουνουπιών. Το μοντέλο εκπαιδεύτηκε και δοκιμάστηκε στους νομούς Ξάνθης και Δράμας (ΒΑ Ελλάδα) από τον Ιούλιο έως τον Οκτώβριο του 2019.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΛΟΓΙΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Περιγραφή Περιοχής Μελέτης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η περιοχή μελέτης βρίσκεται στη βορειοανατολική Ελλάδα και πραγματοποιήθηκε σε δεκαεπτά τοποθεσίες στις νομαρχίες Ξάνθης και Δράμας (Εικόνα 1). Η περιοχή αυτή περιλαμβάνει παράκτιες, ορεινές και πεδινές περιοχές. Το τοπίο έχει κυρίως καλλιέργειες όπως βαμβάκι, σιτάρι, ηλιόσπορο, κηπευτικά (ντομάτα, καλαμπόκι, κολοκύθια, κ.λπ.) και καπνό.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Στην περιοχή μελέτης υπάρχουν διάφοροι τύποι κάλυψης γης. Για παράδειγμα, οι παράκτιες τοποθεσίες Αη Γιάννη και Πόρτο Λάγος βρίσκονται εντός ενός παράκτιου υγροτόπου. Οι τοποθεσίες Εράσμιο, τα Μάγγανα και τα Άβδηρα βρίσκονται κοντά στην παράκτια ζώνη και έχουν έντονη γεωργική δραστηριότητα. Άλλες περιοχές είναι ημιορεινές, δομημένες ή βιομηχανικές όπως είναι η πόλη της Δράμας και άλλες είναι τυπικοί αγροτικοί οικισμοί περιτριγυρισμένοι από γεωργική γη.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Σύμφωνα με τον Κλιματικό Άτλαντα της Εθνικής Μετεωρολογικής Υπηρεσίας της Ελλάδας, η Ελλάδα χαρακτηρίζεται από ποικίλα εδάφη που διαχωρίζουν τη χώρα σε κλιματικές ζώνες. Οι κύριες κλιματικές ζώνες της περιοχής μελέτης κυμαίνονται από το θερμό-καλοκαιρινό μεσογειακό κλίμα στις παράκτιες ζώνες, σε πιο εύκρατους κλιματικούς τύπους προς τα βόρεια.&lt;/p&gt;<br /> <br /> &lt;u&gt;Περιγραφή του Συνόλου Δεδομένων&lt;/u&gt;<br /> &lt;u&gt;Πειραματικό Πλαίσιο&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Για τη συλλογή και αναγνώριση των ενηλίκων κουνουπιών χρησιμοποιήθηκαν παγίδες φωτός CDC με δόλωμα CO2. Τα δείγματα αποθηκεύτηκαν στους -80 °C για να διατηρηθούν. Η ταυτοποίηση θηλυκών έγινε με ταυτοποίηση των εξωτερικών μορφολογικών τους χαρακτηριστικών και COI (Cytochrome oxidase subunit I) barcoding από ένα αποκομμένο πόδι.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Για να ταυτοποιηθούν τα είδη των κουνουπιών πραγματοποιήθηκε σχετική ανάλυση. Για το barcoding του DNA τους χρησιμοποιήθηκε, όπου ενδείκνυνταν, το πρότυπο COI PCR και το Sanger Sequencing. &lt;/p&gt;<br /> <br /> &lt;u&gt;Σύνολα δεδομένων τηλεπισκόπησης και περιβαλλοντικών δεδομένων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Για να μελετηθούν οι συνθήκες ανάπτυξης των κουνουπιών στις περιοχές μελέτης χρησιμοποιήθηκε ο δείκτης NDVI. Επιπλέον, σημαντική κλιματική μεταβλητή αποτελεί ο δείκτης LST που αποτυπώνει τη θερμοκρασία της επιφάνειας της Γης και χρησιμοποιείται για εκτίμηση της εξάτμισης, της υγρασίας του εδάφους και των επιπτώσεων της κλιματικής αλλαγής.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Δεδομένου ότι τα κουνούπια αναπτύσσονται και πολλαπλασιάζονται στο νερό, λήφθηκε υπόψιν η διάρκεια εκκόλαψης, η διάρκεια ζωής της προνύμφης και του κάθε είδους κουνουπιού και η περιοχή που καλύπτεται από νερό γύρω από τα σημεία παρακολούθησης. Χρησιμοποιήθηκαν οι δείκτες NDVI και LST σε διάφορες χρονικές στιγμές για να εντοπιστεί συσχέτιση με τα δεδομένα του πληθυσμού των κουνουπιών. Τα δεδομένα NDVI συλλέχθηκαν από τον Landsat 8 OLI, με χωρική ανάλυση 30 m και δεδομένα ανά 16 ημέρες, θεωρώντας πως σε διάρκεια 16 ημερών το NDVI δεν αλλάζει σημαντικά κατά τις περιόδους παρατήρησης (29 Ιουνίου 2019 έως 29 Σεπτεμβρίου 2019). Για τη μελέτη των δεδομένων LST χρησιμοποιήθηκε ο MODIS daytime LST με χωρική ανάλυση 1 km, και στη συνέχεια τα δεδομένα μεταφέρθηκαν στον LST του Landsat 8 (Εικόνα 2).&lt;/p&gt;<br /> <br /> &lt;u&gt;Ανάπτυξη Μοντέλου&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τα μοντέλα τεχνητών νευρωνικών δικτύων (ANNs) ανήκουν στην ευρύτερη κατηγορία μοντέλων μηχανικής μάθησης. Προσπαθούν να μιμηθούν τον τρόπο με τον οποίο οι νευρώνες μεταδίδουν σήματα μέσα στον ανθρώπινο εγκέφαλο, με σκοπό να επιτρέψουν στους υπολογιστές να μάθουν να εκτελούν συγκεκριμένες εργασίες αναλύοντας σύνολα δεδομένων εκπαίδευσης. <br /> Στην παρούσα εργασία, αναπτύχθηκε, εκπαιδεύτηκε και εφαρμόστηκε Νευρωνικό Δίκτυο Πολλαπλών Στρωμάτων (MLP) ANN για την πρόβλεψη των πληθυσμών κουνουπιών, που περιελάμβανε τους 17 τοποθετημένους σταθμούς στη ΒΔ Ελλάδα (Εικόνα 1). Αυτό έγινε καθώς η μοντελοποίηση των δεδομένων καθίσταται δύσκολη, αφού υπάρχουν 17 διαφορετικές ομάδες πληθυσμών κουνουπιών, έλλειψη σαφούς συσχετισμού των πληθυσμών κουνουπιών με τις παραμέτρους NDVI και LST, το υψομέτρο και τις περιοχές με νερο. Έτσι, αναπτύχθηκε, εκπαιδεύτηκε και εφαρμόστηκε το Νευρωνικό Δίκτυο Πολλαπλών Στρωμάτων (MLP) ANN και η μοντελοποίηση και πρόβλεψη των πληθυσμών κουνουπιών πραγματοποιήθηκε με τη χρήση συγκεκριμένων συναρτήσεων αξιοποιώντας τα. <br /> Για να βελτιστοποιηθεί το μοντέλο, δοκιμάστηκαν διαφορετικά σχήματα αλλάζοντας τον αριθμό των κρυφών επιπέδων και των κρυφών κόμβων. <br /> Η απόδοση του μοντέλου αξιολογήθηκε με το Μέσο Τετραγωνικό Σφάλμα (MSE), το Scaled Root Mean Squared Error (𝑅∗) και την Αποτελεσματικότητα Μοντέλου Nash–Sutcliffe (NSE). <br /> Η εκπαίδευση του ANN έγινε με τυχαία επιλογή του 75% του συνόλου των δεδομένων και ελέγχθηκε με τα δεδομένα δοκιμής να είναι το υπόλοιπο 25%. Η γενίκευση του μοντέλου βελτιώθηκε με μια διαδικασία επαναληπτικής επικύρωσης 100 φορές, και ως τελική μέτρηση απόδοσης χρησιμοποιήθηκε ο μέσος όρος των τιμών των 100 μετρήσεων.<br /> Τέλος, μελετήθηκε η σημασία των μεταβλητών εισόδου με την τεχνική βάρους σύνδεσης.<br /> &lt;/p&gt;<br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Εκτίμηση Παραμέτρων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Συνολικά συλλέχθηκαν 7653 κουνούπια από παγίδες στη Βόρεια Ελλάδα. Η ταυτοποίηση έγινε μορφολογικά και, όταν απαιτούνταν, με χρήση DNA barcoding. Κάποιες τοποθεσίες, όπως το Πόρτο Λάγος, Αη Γιάννης και Μαγγανά, είχαν το 62.17% του συνολικού αριθμού κουνουπιών (Εικόνα 3). Περιβαλλοντικοί παράγοντες όπως η περιοχή νερού, το υψόμετρο, ο δείκτης LST, ο δείκτης NDVI και η Ημερομηνία Julian αξιολογήθηκαν σε σχέση με τον πληθυσμό των κουνουπιών. Η υψηλότερη συσχέτιση με τους πληθυσμούς κουνουπιών παρατηρήθηκε σε χρονική καθυστέρηση 13 ημερών στους δείκτες LST και NDVI. Παρατηρήθηκε αύξηση του πληθυσμού των κουνουπιών παράλληλα με την αύξηση στο LST και στις τιμές NDVI μεταξύ 0,27–0,39 (Εικόνα 4). Λόγω των πολύπλοκων και ετερογενών δεδομένων, χρησιμοποήθηκαν μοντέλα μηχανικής μάθησης, συγκεκριμένα ένα μοντέλο Νευρωνικού Δικτύου MLP, γιατί παρέχει εναλλακτική λύση σε σχέση με τα παραδοσιακά μοντέλα παλινδρόμησης.&lt;/p&gt;<br /> <br /> &lt;u&gt;Αποτελέσματα Μοντέλου&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η βέλτιστη αρχιτεκτονική του MLP Νευρωνικού Δικτύου περιλάμβανε δύο κρυφά επίπεδα με τρεις και δύο κρυφούς νευρώνες αντίστοιχα. (Εικόνα 5)&lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt; Το μοντέλο εμφάνισε απόδοση με μια διαδικασία επαναλαμβανόμενης επικύρωσης 100 φορές, με μέσες τιμές MSE = 739, RMSE (R*) = 0,162 και NSE = 0,83. Επιπλέον αναδείχθηκε η σημασία του LST και της περιοχής νερού ως κυριότερων παραγόντων που επηρεάζουν τους πληθυσμούς των κουνουπιών (Εικόνα 6). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Ελέγχοντας το μοντέλο σε σχέση με περιστατικά εμφάνισης του Ιού του Δυτικού Νείλου (WNV) σε δήμους γύρω από την περιοχή μελέτης, επιβεβαιώθηκε η ισχυρή συσχέτιση μεταξύ του μέσου LST και των αναφερθέντων περιπτώσεων WNV (Εικόνα 7). &lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Παρατηρείται ότι η αύξηση του πληθυσμού των κουνουπιών, και έτσι ο κίνδυνος μετάδοσης ασθενειών που μεταφέρονται από αυτά, μπορεί να προβλεφθεί με χρήση αισθητήρων απομακρυσμένης ανίχνευσης, όπως ο Landsat 8, σε συνδυασμό με μοντέλα τεχνητών νευρωνικών δικτύων. Η μεθοδολογία που αξιοποιήθηκε χρησιμοποιεί ένα ανοικτό, δωρεάν προσβάσιμο εργαλείο, ενώ οι εκτιμήσεις του μοντέλου επιτρέπουν την πρόβλεψη της ποσότητας κουνουπιών 13 ημέρες πριν την επιθυμητή ημερομηνία. Φάνηκε ότι ο δείκτης LST αποτελεί μακράν τη σημαντικότερη παράμετρο πρόβλεψης, χωρίς να υποβαθμίζεται η σημαντικότητα των άλλων παραμέτρων, αφού σημασία μπορεί να έχει η και τοποθεσία, το είδος των κουνουπιών και άλλες παράμετροι. Επιπλέον, τα αποτελέσματα ενισχύουν την άποψη ότι η επίδραση των περιβαλλοντικών παραμέτρων είναι πολύ σημαντική, ενώ η πραγματική αύξηση των πληθυσμών κουνουπιών μπορεί να προβλεφθεί με ακρίβεια χρησιμοποιώντας χρονοσειρές τηλεανιχνευόμενων πληροφοριών.&lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Mosquito1.jpeg 2024-02-23T22:32:12Z

<p>Niknakkas: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:Mosquito1.jpeg&amp;quot;</p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Mosquito7.jpeg 2024-02-23T22:25:56Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Mosquito6.jpeg 2024-02-23T22:25:43Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Mosquito5.jpeg 2024-02-23T22:25:28Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Mosquito4.jpeg 2024-02-23T22:25:15Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Mosquito3.jpeg 2024-02-23T22:25:06Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Mosquito2.jpeg 2024-02-23T22:23:26Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Mosquito1.jpeg 2024-02-23T22:22:45Z

<p>Niknakkas: </p> <hr /> <div></div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Climate_Change_Education_through_Earth_Observation:_An_Approach_for_EO_Newcomers_in_Schools 2024-02-23T22:14:37Z

<p>Niknakkas: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Climate Change Education through Earth Observation: An Approach for EO Newcomers in Schools''<br /> <br /> '''Συγγραφείς: ''' Panagiota Asimakopoulou, Panagiotis Nastos, Emmanuel Vassilakis, Assimina Antonarakou, Maria Hatzaki, Ourania Katsigianni, Maria Papamatthaiou, Charalampos (Haris) Kontoes<br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2023, 15(19), 14454; https://doi.org/10.3390/su151914454'' <br /> <br /> '''Λέξεις κλειδιά: ''' Παρατήρηση της Γης, Κλιματική Αλλαγή και Εκπαίδευση για την Αειφορία , μάθηση με βάση τα φαινόμενα, μάθηση βάσει περιβάλλοντος, EO browser, δημοτικό σχολείο<br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Στο παρόν άρθρο υπογραμμίζεται ο επείγον χαρακτήρας για την αντιμετώπισης της κλιματικής αλλαγής (CC) και της περιβαλλοντικής υποβάθμισης λόγω της υπαρξιακής απειλής τους. Τονίζεται η ανάγκη για εκπαίδευση στην και την κλιματική αλλαγή (CCE) στα σχολεία, όπως αναγνωρίζεται από διεθνή πλαίσια όπως η Σύμβαση-Πλαίσιο των Ηνωμένων Εθνών για την κλιματική αλλαγή, η Συμφωνία των Παρισίων και η Ευρωπαϊκή Πράσινη Συμφωνία. Η UNESCO τάσσεται υπέρ της CCE, τονίζοντας τον ρόλο της στην ενδυνάμωση των νέων με τις απαραίτητες γνώσεις και δεξιότητες για τον περιορισμό και την προσαρμογή στην κλιματική αλλαγή. Οι έρευνες δείχνουν ότι τα προγράμματα CCE επηρεάζουν όχι μόνο τους μαθητές αλλά και τους γονείς τους, οδηγώντας σε αυξημένη ευαισθητοποίηση για την κλιματική αλλαγή και υιοθέτηση φιλικού προς το περιβάλλον τρόπου ζωής. Στη συνέχεια, το κείμενο εξετάζει την αυξανόμενη σημασία της Εκπαίδευσης για την Κλιματική Αλλαγή και την Βιωσιμότητα (CCSE) στα σχολικά προγράμματα σπουδών παγκοσμίως και τη συνεχή αναζήτηση καινοτόμων προσεγγίσεων και εργαλείων για την προώθηση της κλιματικής παιδείας και των στόχων της βιωσιμότητας στους μαθητές. Η Παρατήρηση της Γης (EO) αναδεικνύεται ως μια διεπιστημονική προσέγγιση που αναγνωρίζεται για τις δυνατότητές της να ενισχύσει τους στόχους της CCSE και να προωθήσει τον τεχνικό και επιστημονικό γραμματισμό των μαθητών. Τα δεδομένα της ΕΟ θεωρούνται ισχυρό εργαλείο για την κατανόηση των περιβαλλοντικών διεργασιών, την εστίαση στις τοπικές επιπτώσεις της κλιματικής αλλαγής και την εμπλοκή των μαθητών με πραγματικά επιστημονικά δεδομένα, με προσέγγιση βιωματικής μάθησης. Η ενότητα εξετάζει επίσης προηγούμενες προσπάθειες για την προώθηση της ΕΟ στα σχολεία, αναφέροντας διάφορες ευρωπαϊκές πρωτοβουλίες και έργα που αποσκοπούν στην ενσωμάτωση της στα εκπαιδευτικά συστήματα. Ωστόσο, αναγνωρίζει τους περιορισμούς στην αξιοποίηση της ΕΟ στα ευρωπαϊκά σχολεία, κυρίως λόγω τεχνικών, κινητήριων, πληροφοριακών και γλωσσικών εμποδίων. Παρά τις προκλήσεις αυτές, οι πρόσφατες εξελίξεις στην Ελλάδα, όπως η ίδρυση του ελληνικού παραρτήματος του ESERO και οι μεταρρυθμίσεις στο σχολικό πρόγραμμα σπουδών, έχουν δημιουργήσει βελτιωμένες συνθήκες για την ενσωμάτωση εκπαιδευτικών δραστηριοτήτων που βασίζονται στην ΕΟ στα ελληνικά σχολεία. <br /> Τέλος, γίνεται παρουσίαση του εκπαιδευτικού σεναρίου βασισμένου στην ΕΟ που αναπτύχθηκε για τα ελληνικά δημοτικά σχολεία, με στόχο να καταδείξει πώς η ΕΟ μπορεί να ενσωματωθεί στην εκπαίδευση για να προσελκύσει και διατηρήσει το ενδιαφέρον νέων χρηστών, να αναδειχθεί η ΕΟ ως επιστήμη και να προωθήσει την CCSE. Περιγράφεται το κύριο ερευνητικό ερώτημα, το οποίο επικεντρώνεται στην αξιολόγηση της αποτελεσματικότητας του σεναρίου που βασίζεται στην EO όσον αφορά την προσέλκυση και διατήρηση του ενδιαφέροντος των μαθητών, την ευαισθητοποίηση για την κλιματική αλλαγή, την προώθηση της επιμόρφωσης των εκπαιδευτικών και την ενσωμάτωσή της στο ελληνικό σχολικό πρόγραμμα σπουδών.<br /> &lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΛΟΓΙΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Στη συνέχεια θα περιγράφει το εκπαιδευτικό υλικό, οι παιδαγωγικές μεθόδους, τα εργαλεία και η μεθοδολογία αξιολόγησης που χρησιμοποιήθηκαν κατά την υλοποίηση του εκπαιδευτικού σεναρίου με τίτλο &quot;Χαρτογράφηση των σημαδιών της πυρκαγιάς από το διάστημα&quot; (MaFiSS), το οποίο αποτελείται από ένα σύνολο δομημένων δραστηριοτήτων σχετικά με τις πυρκαγιές και το αντίκτυπό τους στην κλιματική αλλαγή. Οι πυρκαγιές επιλέχθηκαν ως μεθοδολογία καθώς είναι σχετικά εύκολη η μελέτη τους στα Γεωγραφικά Συστήματα Πληροφοριών (GIS). Το σενάριο σχεδιάστηκε και υλοποιήθηκε σε διάρκεια επτά (7) εβδομάδων (1 μαθησιακή δραστηριότητα-πλάνο μαθήματος των 45 λεπτών ανά εβδομάδα) από τον Δεκέμβριο του 2021 έως το Φεβρουάριο του 2022 σε τρεις (3) τάξεις της 5ης τάξης, σε 57 συνολικά παιδιά ηλικίας 11-15 ετών που φοιτούν σε δημόσια δημοτικά σχολεία της Αθήνας και του Αγρινίου. Μελετήθηκαν περιστατικά πυρκαγιών που συνέβησαν στο τοπικό περιβάλλον των μαθητών, ώστε να υπάρχει συναισθηματικό δέσιμο, νόημα, εμπειρία και δυνατότητα επιτόπιας μελέτης από τους μαθητές, ενισχύοντας έτσι την προώθηση της περιβαλλοντικής υπευθυνότητας&lt;/p&gt;<br /> &lt;u&gt;Παιδαγωγικές Μέθοδοι&lt;/u&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS περιλαμβάνει ένα σύνολο δομημένων δραστηριοτήτων που έχουν σχεδιαστεί για τη διερεύνηση των πυρκαγιών, εστιάζοντας στο κατά πόσον η παρατήρηση της Γης (EO) μπορεί να ενσωματωθεί στο σχολικό πρόγραμμα σπουδών χωρίς προηγούμενες γνώσεις EO. Το θέμα των πυρκαγιών επιλέχθηκε λόγω της καταλληλότητάς του για τη μελέτη της ΕΟ, της διαθεσιμότητας πόρων ΕΟ στα ελληνικά, της συνάφειας με τους Έλληνες μαθητές και της σύνδεσής του με την κλιματική αλλαγή. Η παιδαγωγική μέθοδος προσεγγίζει τη μάθηση βάσει διερεύνησης, την ενεργητική και συμμετοχική μάθηση. Στο μοντέλο εντάχθηκε επίσης η ενεργή εμπλοκή των μαθητών σε ένα φαινόμενο της πραγματικής ζωής και η εκπαίδευση με βάση τον τόπο (place- based education), με την τελευταία ειδικά να αποτελεί ιδιαίτερα πετυχημένη μέθοδο περιβαλλοντικής εκπαίδευσης. Συνολικά δίνει έμφαση στις διεπιστημονικές, μαθητοκεντρικές και συνεργατικές προσεγγίσεις επίλυσης προβλημάτων. &lt;/p&gt;<br /> <br /> &lt;u&gt;Εργαλεία και πόροι της Ε.Ο.&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS χρησιμοποιεί εργαλεία ΕΟ ανοικτής πρόσβασης, όπως το πρόγραμμα περιήγησης ΕΟ και το Diachronic Burnt Scar Mapping (Diachronic BSM). Το πρόγραμμα περιήγησης EO, παρά το γεγονός ότι αναπτύχθηκε αρχικά για προχωρημένους χρήστες, επιλέγεται για την απλότητά του, την υποστήριξη πολλών γλωσσών (συμπεριλαμβανομένων των ελληνικών) και τα εκπαιδευτικά χαρακτηριστικά του. Το Diachronic BSM παρέχει μια ολοκληρωμένη εικόνα των πυρκαγιών στην Ελλάδα τα τελευταία 35 χρόνια, ενώ το περιβάλλον χρήστη είναι αρκετά φιλικό σε νέους χρήστες.&lt;/p&gt;<br /> &lt;u&gt;Εκπαιδευτικό υλικό-σχέδια μαθήματος&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS αποτελείται από επτά πλάνα μαθήματος:&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;1. Το ήξερες; : Εισάγει τους μαθητές στο θέμα των πυρκαγιών και τους εμπλέκει σε αυτοαξιολόγηση και συνεργατική διερεύνηση (Εικόνα 1).&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;2. Καυτά νέα: Εισάγει τους μαθητές στο φαινόμενο των ξηρών καταιγίδων και τη σχέση τους με τις πυρκαγιές (Εικόνα 2).&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;3. Χαρτογράφηση των πυρκαγιών με τα χέρια: Καθοδηγεί τους μαθητές στη χαρτογράφηση καμένων περιοχών χρησιμοποιώντας δορυφορικές εικόνες του Sentinel-2b.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;4. Χαρτογράφηση πυρκαγιάς με το πρόγραμμα περιήγησης EO: Επιτρέπει στους μαθητές να εξερευνήσουν τις δορυφορικές εικόνες υψηλής ανάλυσης και να χαρτογραφήσουν τα σημάδια πυρκαγιών χρησιμοποιώντας το πρόγραμμα περιήγησης EO, αφού προηγηθεί μία βασική «εκπαίδευσή» τους πάνω στην τηλεπισκόπηση και τον EO Browser. &lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;5. Πόσο έχει πληγεί η περιοχή σας από πυρκαγιές; : Ενθαρρύνει τους μαθητές να διερευνήσουν τις τοπικές πυρκαγιές χρησιμοποιώντας το Diachronic BSM (Εικόνα 3).&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;6.&amp;7. Αξιολογήστε αυτά που μάθατε και διαδώστε τα νέα: Περιλαμβάνει το σχεδιασμό μιας εκστρατείας ευαισθητοποίησης του σχολείου ή της τοπικής κοινότητας και την αξιολόγηση της αποτελεσματικότητας του προγράμματος. Κατά τη διάρκεια των δύο τελευταίων μαθημάτων, οι μαθητές ανακαλούν όλα τα στάδια του προγράμματος.&lt;/p&gt;<br /> <br /> &lt;u&gt;Μεθοδολογία αξιολόγησης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η αξιολόγηση περιλαμβάνει την ανατροφοδότηση των εκπαιδευτικών μέσω συνεντεύξεων και φορμών αξιολόγησης για την αξιολόγηση της αποτελεσματικότητας του προγράμματος, της φιλικότητας προς το χρήστη, της εμπλοκής των μαθητών και της συνάφειας του με το πρόραμμα σπουδών. Οι μαθητές παρέχουν επίσης ανατροφοδότηση μέσω ερωτηματολογίων για την αξιολόγηση της ευαισθητοποίησης, του ενδιαφέροντος, της ικανοποίησης και της ευθυγράμμισης με το πρόγραμμα σπουδών.&lt;/p&gt;<br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Αποτελέσματα αξιολόγησης των εκπαιδευτικών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Παρουσιάζονται τα αποτελέσματα αξιολόγησης από τους εκπαιδευτικούς που εφάρμοσαν το πρόγραμμα MaFiSS με μαθητές της πέμπτης τάξης. Κανείς από τους εκπαιδευτικούς δεν είχε χρησιμοποιήσει προηγουμένως ΕΟ ή τα άλλα προγράμματα που χρησιμοποιήθηκαν. Περιγράφονται τα σχόλιά τους σχετικά με διάφορες πτυχές του προγράμματος.&lt;/p&gt;<br /> &lt;u&gt;Φιλικότητα του υλικού προς τους εκπαιδευτικούς και ευκολία εφαρμογής&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί βρήκαν το πρόγραμμα MaFiSS φιλικό προς το χρήστη και απλό στην εφαρμογή του, παρά το γεγονός ότι δεν είχαν προηγούμενες γνώσεις σχετικά με την EO. Σημείωσαν ότι το παρεχόμενο υλικό ήταν σαφές, οργανωμένο και έτοιμο προς χρήση, απαιτώντας ελάχιστο χρόνο προετοιμασίας. Ωστόσο, ορισμένες δραστηριότητες απαιτούσαν περισσότερο χρόνο από τον προβλεπόμενο, γεγονός που επέβαλε την επέκταση του προγράμματος σε μαθήματα ΤΠΕ.&lt;/p&gt;<br /> &lt;u&gt;Ελκυστικότητα του προγράμματος και συμμετοχή των μαθητών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί ανέφεραν θετική εμπλοκή των μαθητών καθ' όλη τη διάρκεια του προγράμματος, ακόμη και από μαθητές που συνήθως δεν ήταν συγκεντρωμένοι στο μάθημα. Δραστηριότητες όπως η εξερεύνηση του φαινομένου της ξηρής καταιγίδας και η αλληλεπίδραση με τον ΕΟ Browser ήταν ιδιαίτερα επιτυχείς στο να προσελκύσουν το ενδιαφέρον των μαθητών. Λιγότερο ενδιαφέρον έδειξαν οι μαθητές στη συμπλήρωση του ερωτηματολογίου, στην ανάλυση των απαντήσεων και στην αξιολόγηση.&lt;/p&gt;<br /> &lt;u&gt;Καταλληλότητα των εργαλείων ΕΟ στην εκπαίδευση&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Όλοι οι εκπαιδευτικοί επιβεβαίωσαν ότι οι εφαρμογές που βασίζονται σε ΕΟ και χρησιμοποιήθηκαν στο MaFiSS ήταν εύκολες στη χρήση και κατάλληλες για εκπαιδευτικούς σκοπούς. Οι μαθητές και οι εκπαιδευτικοί εξοικειώθηκαν γρήγορα με τις εφαρμογές.&lt;/p&gt;<br /> &lt;u&gt;Αποτελεσματικότητα της προσέγγισης με βάση το φαινόμενο&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί συμφώνησαν ότι η προσέγγιση με βάση το φαινόμενο, ιδίως η εστίαση στο φαινόμενο της ξηρής καταιγίδας, τόνωσε το ενδιαφέρον και την περιέργεια των μαθητών. Η προσέγγιση αυτή ευθυγραμμίστηκε επίσης καλά με τα αποτελέσματα της αξιολόγησης των μαθητών, υποδεικνύοντας αυξημένο ενδιαφέρον στην τάξη.&lt;/p&gt;<br /> &lt;u&gt;Αποτελεσματικότητα της προσέγγισης με βάση την ΕΟ&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η προσέγγιση με βάση τις ΕΟ αύξησε σημαντικά την ευαισθητοποίηση των μαθητών σχετικά με τις πυρκαγιές, ιδίως σε τοπικό επίπεδο. Οι μαθητές κατανόησαν βαθύτερα την κλίμακα και το μέγεθος των πυρκαγιών μέσω δραστηριοτήτων όπως η μελέτη εικόνων EO με σημάδια πυρκαγιάς και η καταγραφή παλαιότερων πυρκαγιών στην περιοχή τους.&lt;/p&gt;<br /> &lt;u&gt;Αντίκτυπο στο ενδιαφέρον των μαθητών για τους δορυφόρους και την ΕΟ&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί παρατήρησαν μια σημαντική αύξηση του ενδιαφέροντος των μαθητών για τους δορυφόρους και την EO καθ' όλη τη διάρκεια του προγράμματος. Οι μαθητές αναζήτησαν ενεργά πρόσθετες πληροφορίες πέρα από το υλικό του προγράμματος, υποδεικνύοντας μια γνήσια περιέργεια για το θέμα (Εικόνα 4).&lt;/p&gt;<br /> &lt;u&gt;Σύνδεση με έννοιες του προγράμματος σπουδών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS βοήθησε τους εκπαιδευτικούς να διευρύνουν το πεδίο εφαρμογής των θεμάτων που διδάσκονται στην τάξη και επέτρεψε στους μαθητές να συνδέσουν τις έννοιες του αναλυτικού προγράμματος με την πραγματική ζωή. Οι εκπαιδευτικοί εντόπισαν συσχετισμούς με θέματα όπως η φυσική, η γεωγραφία και τα μαθηματικά.&lt;/p&gt;<br /> &lt;u&gt;Αποτελέσματα αξιολόγησης των μαθητών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι μαθητές έδειξαν αυξημένη ευαισθητοποίηση και κατανόηση των επιπτώσεων της κλιματικής αλλαγής, ιδίως όσον αφορά τις πυρκαγιές. Η πλειονότητα θεώρησε ότι οι δορυφορικές εικόνες και τα εργαλεία βοήθησαν σημαντικά στην κατανόηση του κινδύνου πυρκαγιών. Σχετικά με την EO και τα STEM, οι μαθητές έδειξαν ενδιαφέρον για τους δορυφόρους και την ΕΟ, εκφράζοντας την επιθυμία να μάθουν περισσότερα για την ΕΟ μέσω τηλεπισκόπησης. Το πρόγραμμα ενίσχυσε αποτελεσματικά την κατανόηση των εννοιών STEM από τους μαθητές. Επιπλέον οι μαθητές βρήκαν το MaFiSS χρήσιμο για την κατανόηση διαφορετικών σχολικών μαθημάτων και την ενίσχυση των δεξιοτήτων πλοήγησης και προσανατολισμού στο χάρτη. Η πλειονότητα των φοιτητών εξέφρασε θετική άποψη για το πρόγραμμα, εκφράζοντας ενδιαφέρον για συμμετοχή σε παρόμοια προγράμματα που βασίζονται στην ΕΟ στο μέλλον, ενώ κανείς δεν το αξιολόγησε αρνητικά. Παρατηρήθηκαν ωστόσο διαφορές στις απαντήσεις των μαθητών μεταξύ των τάξεων, ιδίως μεταξύ των σχολείων του Αγρινίου και της Αθήνας, με τους μαθητές της Αθήνας να αξιολογούν λιγότερο θετικά το σύνολο του προγράμματος. Συνολικά οι μαθητές εξέφρασαν προτιμήσεις για δραστηριότητες όπως η αλληλεπίδραση με τον EO Browser, το φαινόμενο ξηρής καταιγίδας και την εκστρατεία ευαισθητοποίησης, ενώ έδειξαν λιγότερο ενθουσιασμό για δραστηριότητες που περιλάμβαναν μαθηματικούς υπολογισμούς.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η ενσωμάτωση των εργαλείων EO που βασίζονται στο νέφος στην εκπαίδευση σημειώνει πρόοδο, ξεπερνώντας τα σχετικά εμπόδια. Για την πλήρη αξιοποίηση της EO στην CCSE, η προσαρμογή του παιδαγωγικού περιεχομένου στα σχολικά προγράμματα σπουδών είναι καθοριστικής σημασίας.<br /> Η παρούσα μελέτη δείχνει ότι η ΕΟ μπορεί να χρησιμοποιηθεί αποτελεσματικά στα δημοτικά σχολεία από αρχάριους εκπαιδευτικούς και μαθητές, όταν παρέχεται κατάλληλο παιδαγωγικό περιεχόμενο. Η αξιοποίηση της ΕΟ στα σχολεία ωφελεί την CCSE, αυξάνοντας την ευαισθητοποίηση και την κατανόηση των μαθητών για τους κινδύνους της κλιματικής αλλαγής.<br /> Τα βασικά αποτελέσματα από την εφαρμογή του μαθησιακού σεναρίου MaFiSS με βάση τις ΕΟ έδειξαν ότι:&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;1. Εργαλεία EO που βασίζονται στο νέφος, όπως το πρόγραμμα περιήγησης EO, είναι φιλικά προς το χρήστη και χρησιμοποιούνται εύκολα.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;2. Η CCSE επωφελείται από συνδυασμό των προσεγγίσεων που βασίζονται στις ΕΟ και στον τόπο.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;3. Τα εργαλεία που βασίζονται στην ΕΟ διεγείρουν το ενδιαφέρον των μαθητών και προωθούν την επιστημονική έρευνα.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;4. Η προσέγγιση με βάση το φαινόμενο και το φαινόμενο της ξηρής καταιγίδας τράβηξε το ενδιαφέρον και έχει προοπτική ως θεματική.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;5. Ενθαρρύνεται η συνεργασία μεταξύ εκπαιδευτικών ΤΠΕ και εκπαιδευτικών πρωτοβάθμιας εκπαίδευσης, καθώς η συνεργασία τους προάγει την εξέλιξη των δεξιοτήτων τους.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;6. Η εκπαίδευση με βάση την ΕΟ συνδυάζεται με διάφορα μαθήματα του δημοτικού σχολείου.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η προσέλκυση νέων χρηστών ΕΟ στα σχολεία προκαλεί ενδιαφέρον καθώς αποτελεί προσαρμόσιμο παιδαγωγικό περιεχόμενο, το οποίο θα πρέπει να εφαρμόζεται σε τοπικό επίπεδο. Απαιτείται περαιτέρω έρευνα για την αξιολόγηση της ενίσχυσης της κατανόησης των μαθητών. Στα μελλοντικά σχέδια περιλαμβάνεται η ανάπτυξη νέων αντίστοιχων προγραμμάτων με βάση την ΕΟ για την μελέτη ζητημάτων Μετεωρολογίας και Ατμοσφαιρικής Σύνθεσης.<br /> &lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Applying_Remotely_Sensed_Environmental_Information_to_Model_Mosquito_Populations 2024-02-23T17:08:22Z

<p>Niknakkas: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' ''Applying Remotely Sensed Environmental Information to Model Mosquito Populations '' '''Συγγραφείς: ''' Maria Kofidou,...'</p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Applying Remotely Sensed Environmental Information to Model Mosquito Populations ''<br /> <br /> '''Συγγραφείς: ''' Maria Kofidou, Michael de Courcy Williams, Andreas Nearchou, Stavroula Veletza, Alexandra Gemitzi, Ioannis Karakasiliotis <br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2021, 13(14), 7655; https://doi.org/10.3390/su13147655'' <br /> <br /> '''Λέξεις κλειδιά: ''' πληθυσμοί κουνουπιών, υδάτινες περιοχές, NDVI, LST, τηλεπισκόπηση <br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Υπάρχουν προγράμματα ελέγχου κουνουπιών που έχουν εφαρμοστεί εκτενώς σε πολλές χώρες με σκοπό τη μείωση των επιπτώσεων και της εξάπλωσης λοιμώξεων και ασθενειών, στοχεύοντας στη μείωση της μακροβιότητας των φορέων, της πυκνότητας πληθυσμού τους, της επαφής τους με ανθρώπους και της έντασης της ελονοσίας. Οι αλλαγές στη χρήση γης επηρεάζουν τα χαρακτηριστικά του περιβάλλοντος, όπως την ποιότητα του νερού και την βλάστηση, επιδρώντας στους πληθυσμούς των κουνουπιών. Επιπλέον, οι ανθρωπογενείς αλλαγές στο τοπίο μπορούν να μειώσουν τη βιοποικιλότητα των κουνουπιών και να οδηγήσουν σε πολλαπλασιασμό των φορέων ασθενειών.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Προηγούμενες μελέτες έχουν χρησιμοποιήσει Γεωγραφικά Πληροφοριακά Συστήματα (GIS) για την εξέταση των περιβαλλοντικών αλλαγών σε σχέση με την επιδημιολογία της ελονοσίας. Έχουν εκτιμηθεί πιθανές περιοχές για εμφάνιση ελονοσίας στην Ελλάδα, ενώ άλλες μελέτες έχουν χρησιμοποιήσει δορυφορικά δεδομένα για τη μοντελοποίηση της ελονοσίας, της νόσου ντενγκέ και του ιού του Δυτικού Νείλου. Η χρήση δορυφορικών μοντέλων προβλέπει τον κίνδυνο για ελονοσία και εξετάζει τις δυνατότητες για ανάπτυξη συστημάτων προειδοποίησης για την εμφάνισή της. Μελέτες έχουν εξετάσει πως οι δείκτες NDVI και LST επηρεάζουν τον πληθυσμό των κουνουπιών σε περιοχές της Βορειοδυτικής Αργεντινής όπου έχει εμφανιστεί ελονοσία.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Είναι γνωστό ότι παράγοντες όπως η βροχόπτωση, η θερμοκρασία και η υγρασία επηρεάζουν τη μετάδοση της ελονοσίας, καθώς επηρεάζουν την ανάπτυξη και επιβίωση τόσο των κουνουπιών όσο και των παρασίτων που τη φέρουν. Διάφοροι ερευνητές έχουν υπογραμμίσει ότι σε φυσικές πηγές νερού, όπως λιμνούλες, αναπτύσσονται οι πληθυσμοί των κουνουπιών και αποτελούν δυνητικά εστία εκτροφής τους.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Ενώ έχουν γίνει προσπάθειες να εφαρμοστούν τεχνικές τηλεπισκόπησης και μηχανικής μάθησης για την αποτύπωση της κατανομής και του πληθυσμού των κουνουπιών, πρόσφατες μελέτες υποδεικνύουν την έλλειψη μελετών σχετικά με την εφαρμογή τηλεπισκόπησης και μηχανικής μάθησης σε επιδημιολογικές μελέτες. Στην μελέτη των Scavuzzo et al, χρησιμοποιήθηκαν δεδομένα (MODIS)-derived NDVI, LST και NDWI σε συνδυασμό με δεδομένα υετού TRMM για τη μοντελοποίηση των πληθυσμών των κουνουπιών. Στην παρούσα εργασία, χρησιμοποιήθηκαν δεδομένα LST και NDVI για την ανάπτυξη προγνωστικού μοντέλου για τη χωρική και χρονική κατανομή των πληθυσμών των κουνουπιών. Ως εκ τούτου, τα δεδομένα τηλεπισκόπησης NDVI και LST που αποκτήθηκαν από το Landsat 8 σε χωρική ανάλυση 30 m ανα 16 ημέρες χρησιμοποιήθηκαν για την ανάπτυξη και τη δοκιμή ενός MLP ANN για την πρόβλεψη πληθυσμών κουνουπιών. Το μοντέλο εκπαιδεύτηκε και δοκιμάστηκε στους νομούς Ξάνθης και Δράμας (ΒΑ Ελλάδα) από τον Ιούλιο έως τον Οκτώβριο του 2019.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΛΟΓΙΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Περιγραφή Περιοχής Μελέτης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η περιοχή μελέτης βρίσκεται στη βορειοανατολική Ελλάδα και πραγματοποιήθηκε σε δεκαεπτά τοποθεσίες στις νομαρχίες Ξάνθης και Δράμας (Εικόνα 1). Η περιοχή αυτή περιλαμβάνει παράκτιες, ορεινές και πεδινές περιοχές. Το τοπίο έχει κυρίως καλλιέργειες όπως βαμβάκι, σιτάρι, ηλιόσπορο, κηπευτικά (ντομάτα, καλαμπόκι, κολοκύθια, κ.λπ.) και καπνό.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Στην περιοχή μελέτης υπάρχουν διάφοροι τύποι κάλυψης γης. Για παράδειγμα, οι παράκτιες τοποθεσίες Αη Γιάννη και Πόρτο Λάγος βρίσκονται εντός ενός παράκτιου υγροτόπου. Οι τοποθεσίες Εράσμιο, τα Μάγγανα και τα Άβδηρα βρίσκονται κοντά στην παράκτια ζώνη και έχουν έντονη γεωργική δραστηριότητα. Άλλες περιοχές είναι ημιορεινές, δομημένες ή βιομηχανικές όπως είναι η πόλη της Δράμας και άλλες είναι τυπικοί αγροτικοί οικισμοί περιτριγυρισμένοι από γεωργική γη.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Σύμφωνα με τον Κλιματικό Άτλαντα της Εθνικής Μετεωρολογικής Υπηρεσίας της Ελλάδας, η Ελλάδα χαρακτηρίζεται από ποικίλα εδάφη που διαχωρίζουν τη χώρα σε κλιματικές ζώνες. Οι κύριες κλιματικές ζώνες της περιοχής μελέτης κυμαίνονται από το θερμό-καλοκαιρινό μεσογειακό κλίμα στις παράκτιες ζώνες, σε πιο εύκρατους κλιματικούς τύπους προς τα βόρεια.&lt;/p&gt;<br /> <br /> &lt;u&gt;Περιγραφή του Συνόλου Δεδομένων&lt;/u&gt;<br /> &lt;u&gt;Πειραματικό Πλαίσιο&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Για τη συλλογή και αναγνώριση των ενηλίκων κουνουπιών χρησιμοποιήθηκαν παγίδες φωτός CDC με δόλωμα CO2. Τα δείγματα αποθηκεύτηκαν στους -80 °C για να διατηρηθούν. Η ταυτοποίηση θηλυκών έγινε με ταυτοποίηση των εξωτερικών μορφολογικών τους χαρακτηριστικών και COI (Cytochrome oxidase subunit I) barcoding από ένα αποκομμένο πόδι.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Για να ταυτοποιηθούν τα είδη των κουνουπιών πραγματοποιήθηκε σχετική ανάλυση. Για το barcoding του DNA τους χρησιμοποιήθηκε, όπου ενδείκνυνταν, το πρότυπο COI PCR και το Sanger Sequencing. &lt;/p&gt;<br /> <br /> &lt;u&gt;Σύνολα δεδομένων τηλεπισκόπησης και περιβαλλοντικών δεδομένων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Για να μελετηθούν οι συνθήκες ανάπτυξης των κουνουπιών στις περιοχές μελέτης χρησιμοποιήθηκε ο δείκτης NDVI. Επιπλέον, σημαντική κλιματική μεταβλητή αποτελεί ο δείκτης LST που αποτυπώνει τη θερμοκρασία της επιφάνειας της Γης και χρησιμοποιείται για εκτίμηση της εξάτμισης, της υγρασίας του εδάφους και των επιπτώσεων της κλιματικής αλλαγής.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Δεδομένου ότι τα κουνούπια αναπτύσσονται και πολλαπλασιάζονται στο νερό, λήφθηκε υπόψιν η διάρκεια εκκόλαψης, η διάρκεια ζωής της προνύμφης και του κάθε είδους κουνουπιού και η περιοχή που καλύπτεται από νερό γύρω από τα σημεία παρακολούθησης. Χρησιμοποιήθηκαν οι δείκτες NDVI και LST σε διάφορες χρονικές στιγμές για να εντοπιστεί συσχέτιση με τα δεδομένα του πληθυσμού των κουνουπιών. Τα δεδομένα NDVI συλλέχθηκαν από τον Landsat 8 OLI, με χωρική ανάλυση 30 m και δεδομένα ανά 16 ημέρες, θεωρώντας πως σε διάρκεια 16 ημερών το NDVI δεν αλλάζει σημαντικά κατά τις περιόδους παρατήρησης (29 Ιουνίου 2019 έως 29 Σεπτεμβρίου 2019). Για τη μελέτη των δεδομένων LST χρησιμοποιήθηκε ο MODIS daytime LST με χωρική ανάλυση 1 km, και στη συνέχεια τα δεδομένα μεταφέρθηκαν στον LST του Landsat 8 (Εικόνα 2).&lt;/p&gt;<br /> <br /> &lt;u&gt;Ανάπτυξη Μοντέλου&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τα μοντέλα τεχνητών νευρωνικών δικτύων (ANNs) ανήκουν στην ευρύτερη κατηγορία μοντέλων μηχανικής μάθησης. Προσπαθούν να μιμηθούν τον τρόπο με τον οποίο οι νευρώνες μεταδίδουν σήματα μέσα στον ανθρώπινο εγκέφαλο, με σκοπό να επιτρέψουν στους υπολογιστές να μάθουν να εκτελούν συγκεκριμένες εργασίες αναλύοντας σύνολα δεδομένων εκπαίδευσης. <br /> Στην παρούσα εργασία, αναπτύχθηκε, εκπαιδεύτηκε και εφαρμόστηκε Νευρωνικό Δίκτυο Πολλαπλών Στρωμάτων (MLP) ANN για την πρόβλεψη των πληθυσμών κουνουπιών, που περιελάμβανε τους 17 τοποθετημένους σταθμούς στη ΒΔ Ελλάδα (Εικόνα 1). Αυτό έγινε καθώς η μοντελοποίηση των δεδομένων καθίσταται δύσκολη, αφού υπάρχουν 17 διαφορετικές ομάδες πληθυσμών κουνουπιών, έλλειψη σαφούς συσχετισμού των πληθυσμών κουνουπιών με τις παραμέτρους NDVI και LST, το υψομέτρο και τις περιοχές με νερο. Έτσι, αναπτύχθηκε, εκπαιδεύτηκε και εφαρμόστηκε το Νευρωνικό Δίκτυο Πολλαπλών Στρωμάτων (MLP) ANN και η μοντελοποίηση και πρόβλεψη των πληθυσμών κουνουπιών πραγματοποιήθηκε με τη χρήση συγκεκριμένων συναρτήσεων αξιοποιώντας τα. <br /> Για να βελτιστοποιηθεί το μοντέλο, δοκιμάστηκαν διαφορετικά σχήματα αλλάζοντας τον αριθμό των κρυφών επιπέδων και των κρυφών κόμβων. <br /> Η απόδοση του μοντέλου αξιολογήθηκε με το Μέσο Τετραγωνικό Σφάλμα (MSE), το Scaled Root Mean Squared Error (𝑅∗) και την Αποτελεσματικότητα Μοντέλου Nash–Sutcliffe (NSE). <br /> Η εκπαίδευση του ANN έγινε με τυχαία επιλογή του 75% του συνόλου των δεδομένων και ελέγχθηκε με τα δεδομένα δοκιμής να είναι το υπόλοιπο 25%. Η γενίκευση του μοντέλου βελτιώθηκε με μια διαδικασία επαναληπτικής επικύρωσης 100 φορές, και ως τελική μέτρηση απόδοσης χρησιμοποιήθηκε ο μέσος όρος των τιμών των 100 μετρήσεων.<br /> Τέλος, μελετήθηκε η σημασία των μεταβλητών εισόδου με την τεχνική βάρους σύνδεσης.<br /> &lt;/p&gt;<br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Εκτίμηση Παραμέτρων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Συνολικά συλλέχθηκαν 7653 κουνούπια από παγίδες στη Βόρεια Ελλάδα. Η ταυτοποίηση έγινε μορφολογικά και, όταν απαιτούνταν, με χρήση DNA barcoding. Κάποιες τοποθεσίες, όπως το Πόρτο Λάγος, Αη Γιάννης και Μαγγανά, είχαν το 62.17% του συνολικού αριθμού κουνουπιών (Εικόνα 3). Περιβαλλοντικοί παράγοντες όπως η περιοχή νερού, το υψόμετρο, ο δείκτης LST, ο δείκτης NDVI και η Ημερομηνία Julian αξιολογήθηκαν σε σχέση με τον πληθυσμό των κουνουπιών. Η υψηλότερη συσχέτιση με τους πληθυσμούς κουνουπιών παρατηρήθηκε σε χρονική καθυστέρηση 13 ημερών στους δείκτες LST και NDVI. Παρατηρήθηκε αύξηση του πληθυσμού των κουνουπιών παράλληλα με την αύξηση στο LST και στις τιμές NDVI μεταξύ 0,27–0,39 (Εικόνα 4). Λόγω των πολύπλοκων και ετερογενών δεδομένων, χρησιμοποήθηκαν μοντέλα μηχανικής μάθησης, συγκεκριμένα ένα μοντέλο Νευρωνικού Δικτύου MLP, γιατί παρέχει εναλλακτική λύση σε σχέση με τα παραδοσιακά μοντέλα παλινδρόμησης.&lt;/p&gt;<br /> <br /> &lt;u&gt;Αποτελέσματα Μοντέλου&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η βέλτιστη αρχιτεκτονική του MLP Νευρωνικού Δικτύου περιλάμβανε δύο κρυφά επίπεδα με τρεις και δύο κρυφούς νευρώνες αντίστοιχα. (Εικόνα 5)&lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt; Το μοντέλο εμφάνισε απόδοση με μια διαδικασία επαναλαμβανόμενης επικύρωσης 100 φορές, με μέσες τιμές MSE = 739, RMSE (R*) = 0,162 και NSE = 0,83. Επιπλέον αναδείχθηκε η σημασία του LST και της περιοχής νερού ως κυριότερων παραγόντων που επηρεάζουν τους πληθυσμούς των κουνουπιών (Εικόνα 6). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Ελέγχοντας το μοντέλο σε σχέση με περιστατικά εμφάνισης του Ιού του Δυτικού Νείλου (WNV) σε δήμους γύρω από την περιοχή μελέτης, επιβεβαιώθηκε η ισχυρή συσχέτιση μεταξύ του μέσου LST και των αναφερθέντων περιπτώσεων WNV (Εικόνα 7). &lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Παρατηρείται ότι η αύξηση του πληθυσμού των κουνουπιών, και έτσι ο κίνδυνος μετάδοσης ασθενειών που μεταφέρονται από αυτά, μπορεί να προβλεφθεί με χρήση αισθητήρων απομακρυσμένης ανίχνευσης, όπως ο Landsat 8, σε συνδυασμό με μοντέλα τεχνητών νευρωνικών δικτύων. Η μεθοδολογία που αξιοποιήθηκε χρησιμοποιεί ένα ανοικτό, δωρεάν προσβάσιμο εργαλείο, ενώ οι εκτιμήσεις του μοντέλου επιτρέπουν την πρόβλεψη της ποσότητας κουνουπιών 13 ημέρες πριν την επιθυμητή ημερομηνία. Φάνηκε ότι ο δείκτης LST αποτελεί μακράν τη σημαντικότερη παράμετρο πρόβλεψης, χωρίς να υποβαθμίζεται η σημαντικότητα των άλλων παραμέτρων, αφού σημασία μπορεί να έχει η και τοποθεσία, το είδος των κουνουπιών και άλλες παράμετροι. Επιπλέον, τα αποτελέσματα ενισχύουν την άποψη ότι η επίδραση των περιβαλλοντικών παραμέτρων είναι πολύ σημαντική, ενώ η πραγματική αύξηση των πληθυσμών κουνουπιών μπορεί να προβλεφθεί με ακρίβεια χρησιμοποιώντας χρονοσειρές τηλεανιχνευόμενων πληροφοριών.&lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Large-Scale_Flood_Hazard_Monitoring_and_Impact_Assessment_on_Landscape:_Representative_Case_Study_in_India 2024-02-23T16:49:28Z

<p>Niknakkas: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Large-Scale Flood Hazard Monitoring and Impact Assessment on Landscape: Representative Case Study in India ''<br /> <br /> '''Συγγραφείς: ''' Bijay Halder, Subhadip Barman, Papiya Banik, Puja Das, Jatisankar Bandyopadhyay, Fredolin Tangang, Shamsuddin Shahid, Chaitanya B. Pande, Baqer Al-Ramadan, Zaher Mundher Yaseen <br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2023, 15(14), 11413; https://doi.org/10.3390/su151411413'' <br /> <br /> '''Λέξεις κλειδιά: ''' Πλημμύρα Assam, υποβάθμιση βλάστησης, εκτίμηση κινδύνου, Google Earth Engine, Δεδομένα SAR Sentinel-1 <br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Οι πλημμύρες αποτελούν από τις πιο σημαντικές φυσικές καταστροφές παγκοσμίως, προκαλώντας εκτεταμένες ζημιές σε περιουσίες και αφαιρώντας πολλές ανθρώπινες ζωές, επιφέροντας σημαντικές γεωμορφολογικές αλλαγές στο έδαφος. Η Ινδία, ως μία από τις πιο ευάλωτες σε καταστροφές χώρες, βιώνει κάθε χρόνο πληθώρα περιβαλλοντικών καταστροφών, με τις πλημμύρες να αποτελούν την πιο συχνή και επικίνδυνη φυσική καταστροφή. Ερευνητικά στοιχεία υποδεικνύουν ότι οι πλημμύρες αποτέλεσαν τις πιο θανατηφόρες φυσικές καταστροφές μεταξύ του 1995 και του 2015, επηρεάζοντας πάνω από 2,3 δισεκατομμύρια ανθρώπους και προκαλώντας τουλάχιστον 157.000 καταγεγραμμένους θανάτους παγκοσμίως. &lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Ο ποταμός Brahmaputra και οι παραπόταμοί του, που χαρακτηρίζεται από μεγάλο βάθος και φέρουσα ικανότητα, αποτελεί σημαντικό κίνδυνο πλημμύρας, ιδίως στις περιοχές Mymensingh και Jamalpur. Οι πλημμύρες στην Ινδία συμβαίνουν κυρίως κατά τη διάρκεια της εποχής των νοτιοδυτικών μουσώνων, επηρεάζοντας εκατομμύρια εκτάρια γης και εκτοπίζοντας μεγάλους πληθυσμούς. Οι πιο ευάλωτες πολιτείες στις πλημμύρες είναι η Uttar Pradesh, η Assam, η Bihar και η Δυτική Βεγγάλη, με τις λεκάνες απορροής των ποταμών Ganga και Brahmaputra να αντιμετωπίζουν σοβαρούς κινδύνους. Η βορειοανατολική περιοχή της Ινδίας, συμπεριλαμβανομένης της Assam, βιώνει συχνά φυσικές καταστροφές, ιδιαίτερα πλημμύρες. Η Assam, ειδικότερα, αντιμετωπίζει σημαντικές ζημιές στις περιουσίες των κατοίκων της και προκαλείται κοινωνική αναστάτωση λόγω των ετήσιων πλημμυρών, επηρεάζοντας χώρους όπως τα εθνικά πάρκα Kaziranga και Pobitora. Οι πλημμύρες λαμβάνουν χώρα ιδίως κατά την εποχή των Μουσώνων και προκαλούνται από τις έντονες βροχοπτώσεις και τις συγκεκριμένες γεωκλιματικές συνθήκες που επικρατούν κατά την εποχή των Μουσώνων&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η παρούσα μελέτη έχει ως στόχο να αξιολογήσει τις επιπτώσεις των πλημμυρών του 2022 στην Assam σχετικά με τη χρήση της γης, την επικάλυψη της γης, τις περιοχές πλημμυρών και τις αποψιλωμένες περιοχές, χρησιμοποιώντας δεδομένα από τον Sentinel-1 C band SAR και το Google Earth Engine (GEE). Η ανάλυση επικεντρώνεται στην ακριβή μέτρηση των εκτάσεων πλημμύρας και την αναγνώριση περιοχών με ζημιές στη βλάστηση, παρέχοντας κρίσιμες εισηγήσεις για την παρακολούθηση του κινδύνου πλημμύρας και την αξιολόγηση της υγείας της βλάστησης κατά τη διάρκεια των πλημμυρών.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Χρησιμοποιήθηκαν δεδομένα υψηλής ανάλυσης SAR μικροκυμάτων για τη χαρτογράφηση των κινδύνων πλημμύρας και την αξιολόγηση της υγείας της βλάστησης, που είναι ζωτικής σημασίας για τη διαχείριση καταστροφών και τις προσπάθειες περιβαλλοντικής προστασίας.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τα ευρήματα αυτής της μελέτης προσφέρουν πολύτιμες εισηγήσεις σχετικά με τις επιπτώσεις των πλημμυρών του 2022 στη χρήση γης, τις περιοχές πλημμύρας και τις ζημιές στη βλάστηση. Αυτά μπορούν να καθοδηγήσουν τους εκάστοτε υπευθύνους, διοικητές, ερευνητές και τμήματα διαχείρισης στην υλοποίηση μέτρων για τη μείωση των κινδύνων πλημμύρας και την προστασία των δασών, συμβάλλοντας τελικά στην πρόληψη και τελικά στην προστασία του περιβάλλοντος και ανθρώπινων ζωών.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ &lt;/span&gt;''' <br /> &lt;p align=&quot;justify&quot;&gt;Η Assam, που βρίσκεται στη βορειοανατολική Ινδία, είναι η πιο πυκνοκατοικημένη και δεύτερη μεγαλύτερη πολιτεία της χώρας. Έχει μεγάλη σημασία γεωγραφικά, δημογραφικά, πολιτιστικά και περιβαλλοντικά. Γεωγραφικά, η Assam καλύπτει μια έκταση 78.438 τ.χλμ (Εικόνα 1). Η πολιτεία συνορεύει με διάφορες γειτονικές περιοχές και χώρες, συμπεριλαμβανομένης της Δυτικής Βεγγάλης στα δυτικά, της Μεγαλάγιας, της Τριπούρας, το Μιζοράμ και το Μπανγκλαντές στα νότια, το Μπουτάν και το Αρουνατσαλ Πραντές στα βόρεια και το Ναγκαλάντ και το Μανιπούρ στα ανατολικά. Το δέλτα του ποταμού Γκάγκα-Μπραχμαπούτρα-Μεγνα, γνωστό για τη γόνιμη γη και τη βλάστησή του, παίζει έναν κρίσιμο ρόλο στην περιοχή. Ωστόσο, η Assam είναι ευάλωτη σε διάφορες φυσικές καταστροφές, ιδίως πλημμύρες, λόγω της θέσης της εντός της λεκάνης απορροής του ποταμού Μπραχμαπούτρα και της επίδρασης των πολλών παραποτάμων του. Το κλίμα της περιοχής είναι ιδίως τροπικός μουσώνας, με έντονες βροχοπτώσεις και υγρασία. Από την απογραφή πληθυσμού του 2011 προκύπτει ότι ο πληθυσμός της περιοχής αποτελεί το 2,58% του πληθυσμού της Ινδίας (31.205.576), ο οποίος αποτελείται από ποικιλία εθνοτικών πολιτισμών, συμπεριλαμβανομένων των Boro, Deori, Rava, Karbi, Assamese, Bengali, Ahom και Rajbanshi.&lt;/p&gt;<br /> <br /> <br /> &lt;u&gt;Αιτίες των Πλημμύρων στην Assam&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η Assam αντιμετωπίζει κάθε χρόνο σοβαρές ζημιές από πλημμύρες, κυρίως λόγω των έντονων βροχοπτώσεων κατά τη διάρκεια της εποχής των μουσώνων. Το κοιλάδα του Μπραχμαπούτρα λαμβάνει σημαντική ετήσια βροχόπτωση, με την πολιτεία να εμπειρίζεται πραγματικές βροχοπτώσεις υπερβαίνοντας τα κανονικά επίπεδα σε ορισμένα έτη. Οι παράγοντες που συντελούν στις πλημμύρες περιλαμβάνουν τη συμφόρηση της αποστράγγισης, την κατάληψη των ποταμίσκων περιοχών, την υψηλή πυκνότητα πληθυσμού, την τεκτονική δραστηριότητα και την υποβάθμιση του δάσους. Η συμφόρηση της αποστράγγισης οδηγεί σε αντίστροφη ροή και συμφόρηση κοντά στις εκβολές. Η κατάληψη ποταμίσκων περιοχών και η αύξηση του πληθυσμού επιδεινώνουν τους κινδύνους πλημμύρας. Η τεκτονική δραστηριότητα και η υποβάθμιση του δάσους συμβάλλουν στην ερείπωση του εδάφους και την αύξηση του σεντιμέντου στα ποτάμια, ανεβάζοντας τα επίπεδα τους [25,32].&lt;/p&gt;<br /> <br /> &lt;u&gt;Ιστορία Πλημμύρων της Assam&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πολιτεία της Assam έχει ιστορία συχνών και σοβαρών πλημμυρών, με σημαντικές ζημιές να παρατηρούνται τα τελευταία χρόνια. Κάποιες από τις σημαντικότερες συνέβησαν τα έτη 1954, 1966, 1972, 1975, 1978, 1983, 1986, 1996, 1998, 2000, 2002, 2012 και 2014. Το μέγεθοε των καταστροφών είναι τεράστιο. Ενδεικτικά το 2022 οι πλημμύρες στις περιοχές Lakhimpur, Karimganj και Kokrajhar εξανάγκασαν σε μετεγκατάσταση περισσότερους από 1,7 εκατομμύρια ανθρώπους και επηρέασαν περίπου 2450 χωριά. Περισσότερο από το 40% της κοιλάδας του Brahmaputra είναι ευάλωτο σε πλημμύρες. Αξίζει να σημειωθεί ότι οι πλημμύρες του 2020 συνέπεσαν με την πανδημία COVID-19, επιδεινώνοντας τις προκλήσεις που αντιμετώπιζαν οι επηρεαζόμενες κοινότητες.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΔΟΛΟΓΙΑ&lt;/span&gt;''' <br /> <br /> <br /> &lt;u&gt;Δεδομένα και Λογισμικό &lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Χρησιμοποιήθηκαν πολυ-ημερομηνιακές εικόνες Sentinel-1 SAR C band GRD για τον υπολογισμό της υποβάθμισης της βλάστησης και των πλημμυρών κατά την πρόσφατη πλημμύρα της Assam τον Μάιο του 2022. Τα δεδομένα του Sentinel-1 SAR χρησιμοποιήθηκαν για την εκτίμηση της έκτασης πλημμύρας και του αντίκτυπου στη βλάστηση σε διάφορες περιοχές της Assam. Η ανάλυση αυτή πραγματοποιήθηκε χρησιμοποιώντας την πλατφόρμα Google Earth Engine (GEE) βασισμένη σε cloud για τη δημιουργία των χαρτών πλημμυρών και την αξιολόγηση του αντίκτυπου στη βλάστηση. Επίσης, χρησιμοποιήθηκαν εικόνες πολυφασματικών αισθητήρων Sentinel-2 της ESRI με ανάλυση 10 m για την αξιολόγηση της επίδρασης στο τοπίο. Τέλος, διατέθηκαν στοιχεία χρήσης γης και κάλυψης γης από τις εικόνες του Sentinel-2 της ESRI με ανάλυση 10 m.&lt;/p&gt;<br /> <br /> &lt;u&gt;Ταξινόμηση Εικόνων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εικόνες ταξινομήθηκαν χρησιμοποιώντας τεχνικές επιβλεπόμενης ταξινόμησης στην πλατφόρμα GEE, χρησιμοποιώντας τις φασματικές υπογραφές διαφορετικών χαρακτηριστικών κάλυψης γης. Καθορίστηκαν έξι κατηγορίες κάλυψης γης και χρήσης γης για την πολιτεία της Assam που περιλαμβάνουν περιοχές κατοικημένες, υδάτινους χώρους, δέντρα, γυμνό έδαφος, πλημμυρισμένες περιοχές με βλάστηση και αγροτικές εκτάσεις.&lt;/p&gt;<br /> <br /> &lt;u&gt;Προ-επεξεργασία Δεδομένων SAR και Πλατφόρμα GEE&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πλατφόρμα GEE χρησιμοποιήθηκε για τον προσδιορισμό της έκτασης της πλημμύρας και της υποβάθμισης της βλάστησης που προκάλεσε η πλημμύρα του 2022 στην Assam. Χρησιμοποιήθηκαν δεδομένα Sentinel-1 προσέγγισης Interferometric Wide Wide (IW) με pixel 10 m και πλάτος ζώνης 250 χλμ. Τα δεδομένα Sentinel-1 παρείχαν πληροφορίες για την έκταση της πλημμύρας, την κάλυψη δάσους, τις αγροτικές περιοχές και την παραμόρφωση της γης. Τα δεδομένα SAR υποβλήθηκαν σε προ-επεξεργασία, συμπεριλαμβανομένης της εφαρμογής αρχείων τροχιάς, της αφαίρεσης θερμικού θορύβου, της ραδιομετρικής βαθμονόμησης, της ατμοσφαιρικής διόρθωσης και της διόρθωσης εδάφους Doppler.&lt;/p&gt;<br /> <br /> &lt;u&gt;Εκτίμηση MNDWI&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η τροποποιημένη έκδοση του NDWI (Δείκτης Κανονικοποιημένης Διαφοράς Νερού) χρησιμοποιήθηκε για την καθορισμό των υδάτινων περιοχών. Χρησιμοποιήθηκε η εξίσωση MNDWI=(Πράσινο − SWIR 1 )/( Πράσινο = SWIR 1) για τη διεξαγωγή της έρευνας MNDWI. Ο «raster calculator» της ArcGIS έκδοσης 10.8 χρησιμοποιήθηκε για τον υπολογισμό της έκτασης της κατάδυσης από πλημμύρες.&lt;/p&gt;<br /> <br /> &lt;u&gt;Εκτίμηση Πλημμύρας και Υποβάθμισης της Βλάστησης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η μελέτη χρησιμοποίησε τους αλγορίθμους Random Forest (RF) και Classification and Regression Trees (CART) εντός της πλατφόρμας Google Earth Engine (GEE) για τον προσδιορισμό των περιοχών όπου φάνηκε μείωση της βλάστησης και για υπολογισμο του ορίου των πλημμυρών. Επιπλέον, τα datasets Sentinel-1 Level 1 GRD χρησιμοποιήθηκαν για την αξιολόγηση της υποβάθμισης της βλάστησης στην πολιτεία της Assam.&lt;/p&gt;<br /> <br /> &lt;u&gt;Έρευνα Επηρεαζόμενης Περιοχής LULC &lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η ταξινόμηση LULC χρησιμοποίησε δεδομένα Sentinel-2 10 m. Ο υπολογισμός των πληγεισών εκτάσεων έγινε χρησιμοποιώντας τεχνικές επικάλυψης και ένωσης/τομής. Οι πληγείσες εκτάσεις υπολογίστηκαν σε επίπεδο περιφέρειας επικαλύπτοντας τις κατηγορίες LULC με τις πλημμυρισμένες περιοχές, ενώ φάνηκε να επηρεάζεται έντονα η βλάστηση, οι καλλιέργειες και οι δομημένες περιοχές.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> &lt;p align=&quot;justify&quot;&gt;.Φάνηκε ότι οι ξαφνικές πλημμύρες που προέρχονται από γειτονικές περιοχές επιδείνωσαν την κατάσταση πλημμύρων στην Assam. Τον Ιούνιο του 2022, παρατηρήθηκαν εξαιρετικά έντονες πλημμύρες λόγω βροχοπτώσεων σε αυτές τις περιοχές, με αποτέλεσμα πολλούς νεκρούς και εκτεταμένες ζημιές. Οι κατολισθήσεις που ανέτρεψαν βαγόνια τρένου στο σιδηροδρομικό σταθμό Νέας Χάφλονγκ στην περιοχή Ντίμα Χασάο, τονίζοντας το βαθμό σοβαρότητας των πλημμυρών στην Assam. Αυτά τα γεγονότα αναδεικνύουν την σχέση μεταξύ της εποχής των μουσώνων και των πλημμυρών, τονίζοντας τη σημασία της κατανόησης αυτής της σύνδεσης για την αξιολόγηση του κινδύνου καταστροφών, τον σχεδιασμό και τη λήψη αποφάσεων από τις αρχές, καθώς και για την λήψη προληπτικών μέτρων, την ευαισθητοποίηση, την ανάπτυξη στρατηγικών προσαρμογής και τον καθορισμό πολιτικών.&lt;/p&gt;<br /> <br /> <br /> &lt;u&gt;Πλημμύρες και Αναγνώριση Απoδασωμένης Γης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η πλημμύρα του 2022 στην Assam επέφερε μεγάλης κλίμακας καταστροφές, κατευθύνοντας την παρούσα μελέτη στην αναγνώριση των πληγεισών περιοχών πολιτεία της Assam (Εικόνα 2). Ο δείκτης MNDWI χρησιμοποιήθηκε για την οριοθέτηση των υδάτινων περιοχών και αναδεικνύει τις περιοχές με υψηλή στάθμη νερού. Η έρευνα επικεντρώθηκε στο Dispur, την πρωτεύουσα της πόλης, για τον εντοπισμό των τοποθεσιών με νερό. Επιπλέον, εντοπίστηκαν περιοχές που πλημμύρισαν σε διάφορες επαρχίες. &lt;/p&gt;<br /> <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Επίσης, εντοπίστηκαν πληγείσες περιοχές, κυρίως στα νότια, βορειοανατολικά, δυτικά και κεντρικά τμήματα της Assam (Εικόνα 3). Η ανάλυση αποκάλυψε σημαντική εκτρωμένη έκταση σε επαρχίες όπως η Κοκρατζάρ, η Τινσουκία και η Λαχίμπουρ.&lt;/p&gt;<br /> <br /> <br /> &lt;u&gt;Επηρεασμένες Περιοχές LULC&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η αναγνώριση των περιοχών που επηρεάζονται από την αλλαγή χρήσης της γης και την κάλυψη της γης (LULC) είναι κρίσιμη για τις μελέτες των πλημμυρών, καθώς οι γεωργικές εκτάσεις, τα δέντρα και οι οικισμοί είναι ιδιαίτερα ευάλωτα. Χρησιμοποιώντας την τεχνική επικάλυψης, καθορίστηκε το μέγεθος των επηρεασμένων περιοχών LULC σε διάφορες επαρχίες (Εικόνα 4). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η ανάλυση έδειξε εκτεταμένη επίδραση στις γεωργικές εκτάσεις, με κάποιες επαρχίες να εμφανίζουν μεγάλες καταστροφές (Εικόνα 5). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Αντίστοιχα, κτισμένες περιοχές σε διάφορες επαρχίες αντιμετώπισαν σοβαρές ζημιές. Αυτά τα ευρήματα υπογραμμίζουν την ανάγκη για κατάλληλο σχεδιασμό, διαχείριση και στρατηγικές προσαρμογής για τη μείωση των οικονομικών και ανθρώπινων απωλειών που προκαλούνται από πλημμύρες. Επιπλέον, μία αειφόρος διαχείριση κινδύνων από πλημμύρες είναι απαραίτητη για τη μείωση των κινδύνων και τη βελτίωση των προσπαθειών διαχείρισης καταστροφών στο μέλλον.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 5. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Το πρόβλημα των πλημμυρών στην Assam είναι ιδιαίτερα σοβαρό και ιδιαίτερο λόγω του μεγέθους, της διάρκειας των πλημμυρών, του αριθμού νεκρών και πληγέντων και του όγκου της διάβρωσης, ενώ έχουν σημαντικές επιπτώσεις και στη φτώχεια, το περιβάλλον και τη γεωργία. Η συνολική πλημμυρισμένη περιοχή της χώρας ανέρχεται περίπου στο 10,2% των συνολικών τμημάτων της. Αντίθετα, οι πλημμυρισμένες περιοχές της Assam ανέρχονται στο 39,58% των συνολικών της τμημάτων. Η χαρτογράφηση και παρακολούθηση των πλημμυρισμένων εκτάσεων είναι σημαντική για σχετικό μελλοντικό σχεδιασμό και διαχείριση. Μελλοντικές μελέτες θα πρέπει να εστιάσουν στην ανάλυση των πλημμυρών, της διάβρωσης του εδάφους και των περιοχών ευαίσθητες στις πλημμύρες για τη βελτίωση της διαχείρισης καταστροφών και των πολιτικών λήψης αποφάσεων.&lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Analysis_of_Forest_Cover_Change_and_Its_Drivers_in_Biodiversity_Hotspot_Areas_of_the_Semien_Mountains_National_Park,_Northwest_Ethiopia 2024-02-23T16:19:03Z

<p>Niknakkas: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Analysis of Forest Cover Change and Its Drivers in Biodiversity Hotspot Areas of the Semien Mountains National Park, Northwest Ethiopia''<br /> <br /> '''Συγγραφείς: '''Belete Debebe, Feyera Senbeta, Ermias Teferi, Dawit Diriba, Demel Teketay <br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2023, 15(4), 3001; https://doi.org/10.3390/su15043001'' <br /> <br /> '''Λέξεις κλειδιά: '''αποδάσωση, δάσος, κέρδη, κέρδος προς σταθερότητα, απώλεια, απώλεια προς σταθερότητα, καθαρή αλλαγή, σταθερότητα, αλλαγή ανταλλαγής<br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Τα δάση αποτελούν αναπόσπαστο μέρος της παγκόσμιας βιοποικιλότητας, καλύπτοντας περίπου το 30,8% της χερσαίας έκτασης της Γης. Διαδραματίζουν κρίσιμο ρόλο στη διατήρηση των συστημάτων υποστήριξης της ζωής, στη στήριξη της κοινωνικής και οικονομικής ανάπτυξης και χρησιμεύουν ως ζωτικές δεξαμενές άνθρακα. Παρά τη σημασία τους, αντιμετωπίζουν συνεχείς απειλές λόγω ανθρώπινων δραστηριοτήτων.<br /> Η αποδάσωση παραμένει σημαντικό περιβαλλοντικό πρόβλημα σε παγκόσμιο επίπεδο. Οι εκθέσεις δείχνουν καθαρή απώλεια δασικών εκτάσεων τις τελευταίες δεκαετίες λόγω διαφόρων παραγόντων, όπως η γεωργία, η επέκταση των πόλεων, η ανάπτυξη υποδομών και η εξόρυξη καυσόξυλων. Οι αναπτυσσόμενες χώρες, όπου βρίσκεται μεγάλο μέρος των τροπικών δασών του κόσμου, είναι ιδιαίτερα ευάλωτες σε αυτές τις τάσεις.<br /> Η Αιθιοπία, όπως και πολλά αναπτυσσόμενα έθνη, βασίζεται σε μεγάλο βαθμό στα δάση για την κοινωνικοοικονομική και περιβαλλοντική ευημερία. Ωστόσο τα δάση της διαρκώς μειώνονται λόγω αύξησης του πληθυσμού, ανεξέλεγκτης εξόρυξης καυσόξυλων, φτώχειας και ανεπαρκών δασικών πολιτικών. Οι πρόσφατες αστικές επεκτάσεις και η ανάπτυξη υποδομών έχουν επιδεινώσει περαιτέρω την απώλεια δασικής κάλυψης στην Αιθιοπία.<br /> Σα υψίπεδα της Αιθιοπίας, ιδίως στα βορειοδυτικά, μειώνεται απότομα η εδαφοκάλυψη, με αντίκτυπο στη βιοποικιλότητα, την κλιματική αλλαγή, τη διάβρωση του εδάφους και την επισιτιστική ανασφάλεια. Η παρακολούθηση και ο ποσοτικός προσδιορισμός των αλλαγών της κάλυψης γης σε αυτές τις περιοχές είναι απαραίτητες για τις σχετικές παρεμβάσεις, ωστόσο, υπάρχει έλλειψη ολοκληρωμένων μελετών σχετικά με την αλλαγή της δασικής κάλυψης, ιδίως σε περιοχές με μεγάλο υψόμετρο, όπως το Εθνικό Πάρκο Ορέων Semien (SMNP).<br /> Το SMNP, γνωστό για τη βιοποικιλότητά του, αντιμετωπίζει αυξανόμενες απειλές στους δασικούς του πόρους λόγω της εκμετάλλευσής του για ενέργεια και βιοπορισμό. Η ενσωμάτωση τεχνολογιών τηλεπισκόπησης (ΤΑ) και γεωγραφικών συστημάτων πληροφοριών (GIS) με την τοπική γνώση μπορεί να προσφέρει πολύτιμες πληροφορίες για τη δυναμική της δασικής κάλυψης και τους υποκείμενους παράγοντες.<br /> Η παρούσα μελέτη αποσκοπεί στην ποσοτικοποίηση των χωροχρονικών μεταβολών της δασοκάλυψης κατά τα τελευταία 36 χρόνια και στον προσδιορισμό των παραγόντων της αλλαγής της δασοκάλυψης στην SMNP. Τα ευρήματα στοχεύουν να βελτιώσουν τις μελλοντικές πολιτικές και στρατηγικές διατήρησης στην Αιθιοπία και αλλού και θα συμβάλουν στην κατανόηση των διαδικασιών αποδάσωσης στην Αιθιοπία.<br /> &lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΛΟΓΙΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Περιγραφή της περιοχής μελέτης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Το Εθνικό Πάρκο Semien Mountains (SMNP) βρίσκεται στο Εθνικό Περιφερειακό Κράτος Amhara (ANRS) της βορειοδυτικής Αιθιοπίας (Εικόνα 1). Εκτείνεται σε πέντε περιφέρειες και διαθέτει ποικίλα τοπογραφικά χαρακτηριστικά, όπως τραχύ έδαφος με απότομες πλαγιές, κυματιστούς λόφους και επίπεδο έδαφος. Το υψόμετρο κυμαίνεται από 1276 έως 4540 μέτρα. Παρουσιάζει μονοτροπική κατανομή βροχόπτωσης μεταξύ Ιουνίου και Σεπτεμβρίου, ενώ οι μέσες ημερήσιες θερμοκρασίες κυμαίνονται από -2 έως 18 °C. Η περιοχή υποστηρίζει τη μικτή γεωργία ως κύρια πηγή βιοπορισμού για τις τοπικές κοινότητες. Το πάρκο χρησιμεύει ως πηγή σε εκατομμύρια ανθρώπους στην Αιθιοπία, το Σουδάν και την Αίγυπτο. Αναγνωρισμένο ως Μνημείο Παγκόσμιας Κληρονομιάς της UNESCO από το 1978, φημίζεται για τη βιοποικιλότητά του, φιλοξενώντας πολλά απειλούμενα είδη. &lt;/p&gt;<br /> <br /> &lt;u&gt;Τύπος και πηγή δεδομένων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η μελέτη χρησιμοποίησε χωρικά και μη χωρικά σύνολα δεδομένων από πρωτογενείς και δευτερογενείς πηγές. Οι πρωτογενείς πηγές δεδομένων περιλάμβαναν εικόνες Landsat, το Google Earth, έρευνες σε νοικοκυριά, συνεντεύξεις με βασικούς πληροφοριοδότες (KII) και παρατηρήσεις πεδίου. Τα δευτερογενή δεδομένα προήλθαν από δημοσιευμένο υλικό, κυβερνητικές εκθέσεις και έγγραφα πολιτικής.&lt;/p&gt;<br /> <br /> &lt;u&gt;Απόκτηση χωρικών δεδομένων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι δορυφορικές εικόνες από τους Landsat 4-5 (TM), Landsat 7 (ETM+) και Landsat 8 (OLI) για τα έτη 1984, 1996, 2008 και 2020, αντίστοιχα, αποκτήθηκαν από τη Γεωλογική Υπηρεσία των Ηνωμένων Πολιτειών (USGS). Οι εικόνες επιλέχθηκαν κατά τη διάρκεια της ξηρής περιόδου. Η επεξεργασία των δορυφορικών εικόνων πραγματοποιήθηκε με χρήση λογισμικού ERDAS Imagine 2015, ArcGIS 10.7 και QGIS 2.41.&lt;/p&gt;<br /> <br /> &lt;u&gt;Δεδομένα εδάφους&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τα δεδομένα εδάφους για την ταξινόμηση της κάλυψης γης και την αξιολόγηση της ακρίβειας συλλέχθηκαν μέσω συνδυασμού μεθόδων, συμπεριλαμβανομένων ερευνών πεδίου, συνεντεύξεων με ηλικιωμένους και βοηθητικών πηγών δεδομένων, όπως εικόνες του Google Earth. Για τη συλλογή των σημείων αναφοράς χρησιμοποιήθηκε στρωματοποιημένη τυχαία δειγματοληψία και συγκεντρώθηκαν συνολικά 1717 δειγματοληπτικά σημεία.&lt;/p&gt;<br /> <br /> &lt;u&gt;Κοινωνικοοικονομικά δεδομένα&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τα κοινωνικοοικονομικά δεδομένα αποκτήθηκαν μέσω ερευνών σε αγρότες, δασολόγους και με ερωτηματολόγια. Πραγματοποιήθηκαν έρευνες σε 420 νοικοκυριά, τα οποία επιλέχθηκαν με συστηματική τυχαία δειγματοληψία, για να εκτιμηθούν οι κοινωνικοοικονομικές συνθήκες, οι αντιλήψεις για την αλλαγή της δασικής κάλυψης, η διαθεσιμότητα και η αντίληψη των αλλαγών στο οικοσύστημα. Διεξήχθησαν επίσης συνεντεύξεις με υπαλλήλους δασαρχείου και πάρκων και τοπικούς κατοίκους για τη συλλογή ιστορικών δεδομένων σχετικά με τις αλλαγές στη δασική κάλυψη και τους παράγοντές της.&lt;/p&gt;<br /> <br /> &lt;u&gt;Προεπεξεργασία δορυφορικών εικόνων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι δορυφορικές εικόνες υποβλήθηκαν σε βήματα προ- και μεταεπεξεργασίας (Εικόνα 2) για την ελαχιστοποίηση των σφαλμάτων και την ενίσχυση της ακρίβειας ταξινόμησης. Εφαρμόστηκαν τοπογραφική διόρθωση (C-correction) και ατμοσφαιρικές και ραδιομετρικές διορθώσεις(Cost Model). Οι εικόνες Landsat 7 που επηρεάστηκαν από την αποτυχία SLC off διορθώθηκαν και όλες οι εικόνες προβάλλονταν στο Σύστημα Προβολής του χάρτη Universal Transverse Mercator (UTM), στη Ζώνη 37N και στο Dataum of the World Geodetic System (WGS84).&lt;/p&gt;<br /> <br /> &lt;u&gt;Ταξινόμηση εικόνων&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Χρησιμοποιήθηκαν τεχνικές επιβλεπόμενης και μη επιβλεπόμενης ταξινόμησης. Η ταξινόμηση χωρίς επίβλεψη με χρήση του αλγορίθμου ISODATA ακολουθήθηκε από επιβλεπόμενη ταξινόμηση με χρήση δεδομένων εκπαίδευσης που συλλέχθηκαν από τις υπάρχουσες κατηγορίες κάλυψης γης, όπου χρησιμοποιήθηκε ο αλγόριθμος ταξινόμησης μέγιστης πιθανοφάνειας (MLC) και αναπτύχθηκε ένα σχήμα ταξινόμησης των κατηγοριών κάλυψης γης με βάση επιτόπιες έρευνες, Google Earth και άλλα δεδομένα.&lt;/p&gt;<br /> <br /> &lt;u&gt;Επεξεργασία μετά την ταξινόμηση&lt;/u&gt;<br /> &lt;u&gt;Αξιολόγηση Ακρίβειας&lt;/u&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η αξιολόγηση της ακρίβειας των ταξινομημένων εικόνων πραγματοποιήθηκε με τυχαία επιλογή σημείων και σύγκριση των θέσεών τους με δεδομένα που συλλέχθηκαν από έρευνες πεδίου, συνεντεύξεις και βοηθητικές πηγές. Πραγματοποιήθηκε στρωματοποιημένη τυχαία δειγματοληψία. Για την αξιολόγηση της ακρίβειας ταξινόμησης χρησιμοποιήθηκε ένας πίνακας σύγχυσης και με βάση τον τύπο των Congalton και Green (2009) υπολογίστηκαν η συνολική ακρίβεια, η ακρίβεια του παραγωγού και του χρήστη και τα στατιστικά στοιχεία kappa.&lt;/p&gt;<br /> <br /> &lt;u&gt;Ανάλυση ανίχνευσης αλλαγών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Μετά την ταξινόμηση πραγματοποιήθηκε ανάλυση ανίχνευσης αλλαγών για τον εντοπισμό αλλαγών στις κατηγορίες κάλυψης γης με την πάροδο του χρόνου. Υπολογίστηκαν πίνακες μετάβασης στο ArcGIS 10.8 για την ανάλυση των μοτίβων αλλαγών, συμπεριλαμβανομένης της σταθερότητας(η μη μεταβολή του LC), των κερδών, των απωλειών, της καθαρής μεταβολής, της συνολικής αλλαγής και της ανταλλαγής κατηγοριών κάλυψης γης. Επιπλέον, υπολογίστηκαν η απώλεια, το κέρδος και η καθαρή αλλαγή προς την σταθερότητα για να εκτιμηθεί η ευαλωτότητα των κατηγοριών κάλυψης γης στη μετάβαση. Οι ετήσιοι ρυθμοί αλλαγής της κάλυψης γης προσδιορίστηκαν με τη χρήση του τύπου του σύνθετου επιτοκίου (Puyravaud, 2003).&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;Ακρίβεια ταξινόμησης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η αξιολόγηση της ακρίβειας ταξινόμησης των εικόνων έδειξε συνολική ακρίβεια 90% για τον ταξινομημένο χάρτη του 2020. Επιπλέον, ελήφθησαν υψηλές τιμές του συντελεστή kappa (Khat) σε διάφορα έτη, υποδεικνύοντας δυνατή συσχέτιση μεταξύ των ταξινομημένων χαρτών και των δεδομένων εδάφους. Αυτό εξασφάλισε την αξιοπιστία των αναλύσεων ανίχνευσης αλλαγών.&lt;/p&gt;<br /> <br /> &lt;u&gt;Κατάσταση της κάλυψης γης εντός και γύρω από την SMNP&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η ανάλυση της κάλυψης γης απεικόνισε σημαντικές αλλαγές στο τοπίο κατά την περίοδο μελέτης. Η δασική κάλυψη μειώθηκε από 45% το 1984 σε 31% το 2020, ενώ τα λιβάδια και οι καλλιεργούμενες εκτάσεις αυξήθηκαν (Εικόνα 3, Εικόνα 4). Το σύνολο των αλλαγών αντανακλά την συσχέτιση μεταξύ των ανθρωπογενών δραστηριοτήτων και των αλλαγών κάλυψης γης.&lt;/p&gt;<br /> <br /> &lt;u&gt;Αλλαγή της δασικής κάλυψης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η ανάλυση της αλλαγής της δασικής κάλυψης ανέδειξε μια ανησυχητική τάση αποδάσωσης, με απώλεια περίπου 33.094 εκταρίων δάσους μεταξύ 1984 και 2020. Τα υψηλότερα ποσοστά αποψίλωσης παρατηρήθηκαν σε περιόδους ξηρασίας, ζήτησης δασικών προϊόντων και πολιτικών αλλαγών.&lt;/p&gt;<br /> <br /> Αλλαγή της κάλυψης γης μεταξύ των κατηγοριών&lt;p align=&quot;justify&quot;&gt;Η έρευνα αναδεικνύει έντονες αλλαγές στις κατηγορίες κάλυψης γης, με τα δάση να υφίστανται τη σημαντικότερη αλλαγή σε άλλες κατηγορίες κάλυψης γης, κυρίως σε λιβάδια και καλλιεργούμενες εκτάσεις. Αναδεικνύεται η ευαλωτότητα των δασικών οικοσυστημάτων στις ανθρωπογενείς πιέσεις και τις αλλαγές στις χρήσεις γης που προκαλούνται από την επέκταση της γεωργίας και την αύξηση του πληθυσμού. Επίσης έχουν αυξηθεί σταθερά οι καλλιεργούμενες εκτάσεις, οι κτισμένες περιοχές (Εικόνα 5).&lt;/p&gt;<br /> <br /> &lt;u&gt;Καθαρή αλλαγή και εναλλαγή εντός και γύρω από το SMNP (1984-2020)&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Τόσο η καθαρή αλλαγή όσο και η ανταλλαγή συνέβαλαν στις παρατηρούμενες αλλαγές κατηγορίας κάλυψης γης, με την καλλιεργούμενη γη να παρουσιάζει την υψηλότερη καθαρή αλλαγή και τα λιβάδια την υψηλότερη αλλαγή. Τα ευρήματα δείχνουν ότι η κάλυψη γης επηρεάζεται τόσο από ποσοτικές αλλαγές στην έκταση της κάλυψης γης όσο και από τη χωρική ανακατανομή των κατηγοριών κάλυψης γης.&lt;/p&gt;<br /> <br /> &lt;u&gt;Ευαλωτότητα του SMNP στη μετάβαση&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η ανάλυση ευαλωτότητας ανέδειξε την ευαισθησία των διαφόρων τύπων κάλυψης γης στη μετάβαση, με τα δάση και τα λιβάδια να παρουσιάζουν υψηλότερους ρυθμούς μείωσης σε σύγκριση με τις καλλιεργούμενες εκτάσεις, τα γυμνά εδάφη και τις κατοικημένες περιοχές. &lt;/p&gt;<br /> <br /> &lt;u&gt;Παράγοντες των μεταβολών της δασικής κάλυψης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι ανθρωπογενείς παράγοντες, όπως η γεωργική επέκταση, η συγκομιδή καυσόξυλων, η αύξηση του πληθυσμού, οι φωτιές και η κτηνοτροφία, αναδείχθηκαν ως βασικοί παράγοντες που συμβάλλουν στην αποδάσωση στην περιοχή μελέτης. Η αντιμετώπιση αυτών των παραγόντων απαιτεί ολοκληρωμένες προσεγγίσεις που εξισορροπούν τις προσπάθειες διατήρησης με τους στόχους κοινωνικοοικονομικής ανάπτυξης.&lt;/p&gt;<br /> <br /> &lt;u&gt;Επιπτώσεις της αλλαγής της δασικής κάλυψης στη διαθεσιμότητα των δασικών αγαθών&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η μείωση της δασικής κάλυψης έχει οδηγήσει σε μείωση των καυσόξυλων, άγριας τροφής, ζωοτροφών, και γλυκού νερού (Εικόνα 6). &lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Τα δάση των βουνών Semien διαδραματίζουν ζωτικό ρόλο στην παροχή κοινωνικοοικονομικών, οικολογικών και περιβαλλοντικών οφελών, ιδίως στις τοπικές κοινότητες. Ωστόσο, τα τελευταία 36 χρόνια, τα δάση αυτά έχουν υποστεί σημαντικές αλλαγές, με αποτέλεσμα την απώλεια περίπου 33.084 εκταρίων δασικής κάλυψης, απειλώντας τη διαθεσιμότητα καυσόξυλων, τη ρύθμιση του κλίματος, τη διατήρηση της βιοποικιλότητας και τη προστασία των λεκανών απορροής, με κύρια αιτία την επέκταση της γεωργίας και την αστική ανάπτυξη.&lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η γεωργική επέκταση, ιδίως η μετατροπή των δασικών πόρων σε καλλιεργήσιμες εκτάσεις παρατηρείται σε ολόκληρη την Αιθιοπία. Το φαινόμενο αυτό έχει οδηγήσει στη μετατροπή περίπου 24.759 εκταρίων δασών σε γεωργική γη μόνο στην περιοχή μελέτης. Η ταχεία επέκταση των γεωργικών εκτάσεων, συχνά χωρίς κατάλληλες πρακτικές διαχείρισης της γης, έχει οδηγήσει σε δυσμενείς περιβαλλοντικές συνέπειες, όπως η διάβρωση του εδάφους και η υποβάθμιση της γης, επηρεάζοντας τόσο το περιβάλλον όσο και τις τοπικές κοινότητες.&lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Επιπλέον, η γυμνή γη και οι δομημένες περιοχές έχουν σημειώσει σημαντική αύξηση, η οποία αποδίδεται σε φυσικούς παράγοντες, όπως το ηφαιστειακό και βραχώδες έδαφος, καθώς και σε ανθρώπινες δραστηριότητες, όπως η αποδάσωση και η αύξηση του πληθυσμού. Η επέκταση των δομημένων περιοχών, λόγω της ανάπτυξης των υποδομών και της αυξανόμενης ζήτησης για οικιστικό χώρο, καταπατά τις δασικές εκτάσεις και τα λιβάδια.&lt;/p&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Πολλοί είναι οι παράγοντες που συμβάλλουν στις αλλαγές της δασικής κάλυψης, οι οποίοι αλληλεπιδρούν με πολύπλοκους τρόπους, υπογραμμίζοντας την ανάγκηκατανόησής τους για μια πολύπλευρη προσέγγιση για την αντιμετώπιση της αποψίλωσης των δασών και των συναφών περιβαλλοντικών επιπτώσεων. &lt;/p&gt;<br /> <br /> &lt;u&gt;ΕΠΙΠΤΩΣΕΙΣ ΤΗΣ ΑΛΛΑΓΗΣ ΤΗΣ ΔΑΣΙΚΗΣ ΕΚΤΑΣΗΣ&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η αλλαγή της δασικής κάλυψης έχει πολύπλευρες κοινωνικοοικονομικές και οικολογικές επιπτώσεις, με τη μετατροπή της βλάστησης σε γεωργικές και άλλες χρήσεις γης να αποτελεί σημαντική απειλή για τη βιοποικιλότητα της περιοχής. Τα αυτόχθονα είδη δέντρων που κάποτε αφθονούσαν στα βουνά Semien βρίσκονται τώρα στα πρόθυρα της εξαφάνισης λόγω της αποδάσωσης, οδηγώντας σε μείωση της άγριας πανίδας. Η απώλεια της δασικών εκτάσεων και λιβαδιών μειώνει επίσης τα δασικά αγαθά, όπως τη διαθεσιμότητα άγριας τροφής, τα καυσόξυλα και τη βιοποικιλότητα, ενώ συμβάλλει στην υποβάθμιση του εδάφους, στην εξάντληση του γλυκού νερού και στις εκπομπές διοξειδίου του άνθρακα.&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η παρακολούθηση της αλλαγής της δασικής κάλυψης και η κατανόηση των παραγόντων είναι ζωτικής σημασίας για τη λήψη αποφάσεων και την ανάπτυξη πολιτικής. Χρησιμοποιώντας εικόνες Landsat και έρευνες νοικοκυριών, η παρούσα μελέτη εξέτασε την αλλαγή της δασικής κάλυψης στο Εθνικό Πάρκο Semien Mountains και γύρω από αυτό από το 1984 έως το 2020. Η μελέτη αποκάλυψε σημαντική αποδάσωση, με περίπου 33.084 εκτάρια δάσους να χάνονται κατά την περίοδο μελέτης. Στους παράγοντες της αποδάσωσης περιλαμβάνονται η αύξηση του πληθυσμού, η γεωργική επέκταση, η συλλογή καυσόξυλων, η πίεση των ζώων και οι δασικές πυρκαγιές.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η μελέτη υπογραμμίζει τη σημασία της διατήρησης των δασικών πόρων των βουνών Semien, που φιλοξενούν απειλούμενα είδη και ζωτικής σημασίας οικοσυστημικές υπηρεσίες. Οι προσπάθειες διατήρησης θα πρέπει να επικεντρωθούν στην αντιμετώπιση των εστιών αποψίλωσης, στην ευαισθητοποίηση της κοινότητας, στην προώθηση βιώσιμων πρακτικών διαχείρισης της γης και στην ενίσχυση της συμμετοχικής διαχείρισης των δασών. Συνιστάται περαιτέρω έρευνα για την αξιολόγηση του αντίκτυπου της αλλαγής της δασικής κάλυψης στην αξία των οικοσυστημικών υπηρεσιών και στην κοινωνικοοικονομική ευημερία των τοπικών κοινοτήτων.<br /> &lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Climate_Change_Education_through_Earth_Observation:_An_Approach_for_EO_Newcomers_in_Schools 2024-02-23T16:07:54Z

<p>Niknakkas: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' ''Climate Change Education through Earth Observation: An Approach for EO Newcomers in Schools'' '''Συγγραφείς: ''' Pana...'</p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Climate Change Education through Earth Observation: An Approach for EO Newcomers in Schools''<br /> <br /> '''Συγγραφείς: ''' Panagiota Asimakopoulou, Panagiotis Nastos, Emmanuel Vassilakis, Assimina Antonarakou, Maria Hatzaki, Ourania Katsigianni, Maria Papamatthaiou, Charalampos (Haris) Kontoes<br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2023, 15(19), 14454; https://doi.org/10.3390/su151914454'' <br /> <br /> '''Λέξεις κλειδιά: ''' Παρατήρηση της Γης, Κλιματική Αλλαγή και Εκπαίδευση για την Αειφορία , μάθηση με βάση τα φαινόμενα, μάθηση βάσει περιβάλλοντος, EO browser, δημοτικό σχολείο<br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Στο παρόν άρθρο υπογραμμίζεται ο επείγον χαρακτήρας για την αντιμετώπισης της κλιματικής αλλαγής (CC) και της περιβαλλοντικής υποβάθμισης λόγω της υπαρξιακής απειλής τους. Τονίζεται η ανάγκη για εκπαίδευση στην και την κλιματική αλλαγή (CCE) στα σχολεία, όπως αναγνωρίζεται από διεθνή πλαίσια όπως η Σύμβαση-Πλαίσιο των Ηνωμένων Εθνών για την κλιματική αλλαγή, η Συμφωνία των Παρισίων και η Ευρωπαϊκή Πράσινη Συμφωνία. Η UNESCO τάσσεται υπέρ της CCE, τονίζοντας τον ρόλο της στην ενδυνάμωση των νέων με τις απαραίτητες γνώσεις και δεξιότητες για τον περιορισμό και την προσαρμογή στην κλιματική αλλαγή. Οι έρευνες δείχνουν ότι τα προγράμματα CCE επηρεάζουν όχι μόνο τους μαθητές αλλά και τους γονείς τους, οδηγώντας σε αυξημένη ευαισθητοποίηση για την κλιματική αλλαγή και υιοθέτηση φιλικού προς το περιβάλλον τρόπου ζωής. Στη συνέχεια, το κείμενο εξετάζει την αυξανόμενη σημασία της Εκπαίδευσης για την Κλιματική Αλλαγή και την Βιωσιμότητα (CCSE) στα σχολικά προγράμματα σπουδών παγκοσμίως και τη συνεχή αναζήτηση καινοτόμων προσεγγίσεων και εργαλείων για την προώθηση της κλιματικής παιδείας και των στόχων της βιωσιμότητας στους μαθητές. Η Παρατήρηση της Γης (EO) αναδεικνύεται ως μια διεπιστημονική προσέγγιση που αναγνωρίζεται για τις δυνατότητές της να ενισχύσει τους στόχους της CCSE και να προωθήσει τον τεχνικό και επιστημονικό γραμματισμό των μαθητών. Τα δεδομένα της ΕΟ θεωρούνται ισχυρό εργαλείο για την κατανόηση των περιβαλλοντικών διεργασιών, την εστίαση στις τοπικές επιπτώσεις της κλιματικής αλλαγής και την εμπλοκή των μαθητών με πραγματικά επιστημονικά δεδομένα, με προσέγγιση βιωματικής μάθησης. Η ενότητα εξετάζει επίσης προηγούμενες προσπάθειες για την προώθηση της ΕΟ στα σχολεία, αναφέροντας διάφορες ευρωπαϊκές πρωτοβουλίες και έργα που αποσκοπούν στην ενσωμάτωση της στα εκπαιδευτικά συστήματα. Ωστόσο, αναγνωρίζει τους περιορισμούς στην αξιοποίηση της ΕΟ στα ευρωπαϊκά σχολεία, κυρίως λόγω τεχνικών, κινητήριων, πληροφοριακών και γλωσσικών εμποδίων. Παρά τις προκλήσεις αυτές, οι πρόσφατες εξελίξεις στην Ελλάδα, όπως η ίδρυση του ελληνικού παραρτήματος του ESERO και οι μεταρρυθμίσεις στο σχολικό πρόγραμμα σπουδών, έχουν δημιουργήσει βελτιωμένες συνθήκες για την ενσωμάτωση εκπαιδευτικών δραστηριοτήτων που βασίζονται στην ΕΟ στα ελληνικά σχολεία. <br /> Τέλος, γίνεται παρουσίαση του εκπαιδευτικού σεναρίου βασισμένου στην ΕΟ που αναπτύχθηκε για τα ελληνικά δημοτικά σχολεία, με στόχο να καταδείξει πώς η ΕΟ μπορεί να ενσωματωθεί στην εκπαίδευση για να προσελκύσει και διατηρήσει το ενδιαφέρον νέων χρηστών, να αναδειχθεί η ΕΟ ως επιστήμη και να προωθήσει την CCSE. Περιγράφεται το κύριο ερευνητικό ερώτημα, το οποίο επικεντρώνεται στην αξιολόγηση της αποτελεσματικότητας του σεναρίου που βασίζεται στην EO όσον αφορά την προσέλκυση και διατήρηση του ενδιαφέροντος των μαθητών, την ευαισθητοποίηση για την κλιματική αλλαγή, την προώθηση της επιμόρφωσης των εκπαιδευτικών και την ενσωμάτωσή της στο ελληνικό σχολικό πρόγραμμα σπουδών.<br /> &lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΛΟΓΙΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Στη συνέχεια θα περιγράφει το εκπαιδευτικό υλικό, οι παιδαγωγικές μεθόδους, τα εργαλεία και η μεθοδολογία αξιολόγησης που χρησιμοποιήθηκαν κατά την υλοποίηση του εκπαιδευτικού σεναρίου με τίτλο &quot;Χαρτογράφηση των σημαδιών της πυρκαγιάς από το διάστημα&quot; (MaFiSS), το οποίο αποτελείται από ένα σύνολο δομημένων δραστηριοτήτων σχετικά με τις πυρκαγιές και το αντίκτυπό τους στην κλιματική αλλαγή. Οι πυρκαγιές επιλέχθηκαν ως μεθοδολογία καθώς είναι σχετικά εύκολη η μελέτη τους στα Γεωγραφικά Συστήματα Πληροφοριών (GIS). Το σενάριο σχεδιάστηκε και υλοποιήθηκε σε διάρκεια επτά (7) εβδομάδων (1 μαθησιακή δραστηριότητα-πλάνο μαθήματος των 45 λεπτών ανά εβδομάδα) από τον Δεκέμβριο του 2021 έως το Φεβρουάριο του 2022 σε τρεις (3) τάξεις της 5ης τάξης, σε 57 συνολικά παιδιά ηλικίας 11-15 ετών που φοιτούν σε δημόσια δημοτικά σχολεία της Αθήνας και του Αγρινίου. Μελετήθηκαν περιστατικά πυρκαγιών που συνέβησαν στο τοπικό περιβάλλον των μαθητών, ώστε να υπάρχει συναισθηματικό δέσιμο, νόημα, εμπειρία και δυνατότητα επιτόπιας μελέτης από τους μαθητές, ενισχύοντας έτσι την προώθηση της περιβαλλοντικής υπευθυνότητας&lt;/p&gt;<br /> &lt;u&gt;Παιδαγωγικές Μέθοδοι&lt;/u&gt;<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS περιλαμβάνει ένα σύνολο δομημένων δραστηριοτήτων που έχουν σχεδιαστεί για τη διερεύνηση των πυρκαγιών, εστιάζοντας στο κατά πόσον η παρατήρηση της Γης (EO) μπορεί να ενσωματωθεί στο σχολικό πρόγραμμα σπουδών χωρίς προηγούμενες γνώσεις EO. Το θέμα των πυρκαγιών επιλέχθηκε λόγω της καταλληλότητάς του για τη μελέτη της ΕΟ, της διαθεσιμότητας πόρων ΕΟ στα ελληνικά, της συνάφειας με τους Έλληνες μαθητές και της σύνδεσής του με την κλιματική αλλαγή. Η παιδαγωγική μέθοδος προσεγγίζει τη μάθηση βάσει διερεύνησης, την ενεργητική και συμμετοχική μάθηση. Στο μοντέλο εντάχθηκε επίσης η ενεργή εμπλοκή των μαθητών σε ένα φαινόμενο της πραγματικής ζωής και η εκπαίδευση με βάση τον τόπο (place- based education), με την τελευταία ειδικά να αποτελεί ιδιαίτερα πετυχημένη μέθοδο περιβαλλοντικής εκπαίδευσης. Συνολικά δίνει έμφαση στις διεπιστημονικές, μαθητοκεντρικές και συνεργατικές προσεγγίσεις επίλυσης προβλημάτων. &lt;/p&gt;<br /> <br /> &lt;u&gt;Εργαλεία και πόροι της Ε.Ο.&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS χρησιμοποιεί εργαλεία ΕΟ ανοικτής πρόσβασης, όπως το πρόγραμμα περιήγησης ΕΟ και το Diachronic Burnt Scar Mapping (Diachronic BSM). Το πρόγραμμα περιήγησης EO, παρά το γεγονός ότι αναπτύχθηκε αρχικά για προχωρημένους χρήστες, επιλέγεται για την απλότητά του, την υποστήριξη πολλών γλωσσών (συμπεριλαμβανομένων των ελληνικών) και τα εκπαιδευτικά χαρακτηριστικά του. Το Diachronic BSM παρέχει μια ολοκληρωμένη εικόνα των πυρκαγιών στην Ελλάδα τα τελευταία 35 χρόνια, ενώ το περιβάλλον χρήστη είναι αρκετά φιλικό σε νέους χρήστες.&lt;/p&gt;<br /> &lt;u&gt;Εκπαιδευτικό υλικό-σχέδια μαθήματος&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS αποτελείται από επτά πλάνα μαθήματος:&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;1. Το ήξερες; : Εισάγει τους μαθητές στο θέμα των πυρκαγιών και τους εμπλέκει σε αυτοαξιολόγηση και συνεργατική διερεύνηση (Εικόνα 1).&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;2. Καυτά νέα: Εισάγει τους μαθητές στο φαινόμενο των ξηρών καταιγίδων και τη σχέση τους με τις πυρκαγιές (Εικόνα 2).&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;3. Χαρτογράφηση των πυρκαγιών με τα χέρια: Καθοδηγεί τους μαθητές στη χαρτογράφηση καμένων περιοχών χρησιμοποιώντας δορυφορικές εικόνες του Sentinel-2b.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;4. Χαρτογράφηση πυρκαγιάς με το πρόγραμμα περιήγησης EO: Επιτρέπει στους μαθητές να εξερευνήσουν τις δορυφορικές εικόνες υψηλής ανάλυσης και να χαρτογραφήσουν τα σημάδια πυρκαγιών χρησιμοποιώντας το πρόγραμμα περιήγησης EO, αφού προηγηθεί μία βασική «εκπαίδευσή» τους πάνω στην τηλεπισκόπηση και τον EO Browser. &lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;5. Πόσο έχει πληγεί η περιοχή σας από πυρκαγιές; : Ενθαρρύνει τους μαθητές να διερευνήσουν τις τοπικές πυρκαγιές χρησιμοποιώντας το Diachronic BSM (Εικόνα 3).&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;6.&amp;7. Αξιολογήστε αυτά που μάθατε και διαδώστε τα νέα: Περιλαμβάνει το σχεδιασμό μιας εκστρατείας ευαισθητοποίησης του σχολείου ή της τοπικής κοινότητας και την αξιολόγηση της αποτελεσματικότητας του προγράμματος. Κατά τη διάρκεια των δύο τελευταίων μαθημάτων, οι μαθητές ανακαλούν όλα τα στάδια του προγράμματος.&lt;/p&gt;<br /> <br /> &lt;u&gt;Μεθοδολογία αξιολόγησης&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η αξιολόγηση περιλαμβάνει την ανατροφοδότηση των εκπαιδευτικών μέσω συνεντεύξεων και φορμών αξιολόγησης για την αξιολόγηση της αποτελεσματικότητας του προγράμματος, της φιλικότητας προς το χρήστη, της εμπλοκής των μαθητών και της συνάφειας του με το πρόραμμα σπουδών. Οι μαθητές παρέχουν επίσης ανατροφοδότηση μέσω ερωτηματολογίων για την αξιολόγηση της ευαισθητοποίησης, του ενδιαφέροντος, της ικανοποίησης και της ευθυγράμμισης με το πρόγραμμα σπουδών.&lt;/p&gt;<br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Αποτελέσματα αξιολόγησης των εκπαιδευτικών&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Παρουσιάζονται τα αποτελέσματα αξιολόγησης από τους εκπαιδευτικούς που εφάρμοσαν το πρόγραμμα MaFiSS με μαθητές της πέμπτης τάξης. Κανείς από τους εκπαιδευτικούς δεν είχε χρησιμοποιήσει προηγουμένως ΕΟ ή τα άλλα προγράμματα που χρησιμοποιήθηκαν. Περιγράφονται τα σχόλιά τους σχετικά με διάφορες πτυχές του προγράμματος.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Φιλικότητα του υλικού προς τους εκπαιδευτικούς και ευκολία εφαρμογής&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί βρήκαν το πρόγραμμα MaFiSS φιλικό προς το χρήστη και απλό στην εφαρμογή του, παρά το γεγονός ότι δεν είχαν προηγούμενες γνώσεις σχετικά με την EO. Σημείωσαν ότι το παρεχόμενο υλικό ήταν σαφές, οργανωμένο και έτοιμο προς χρήση, απαιτώντας ελάχιστο χρόνο προετοιμασίας. Ωστόσο, ορισμένες δραστηριότητες απαιτούσαν περισσότερο χρόνο από τον προβλεπόμενο, γεγονός που επέβαλε την επέκταση του προγράμματος σε μαθήματα ΤΠΕ.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Ελκυστικότητα του προγράμματος και συμμετοχή των μαθητών&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί ανέφεραν θετική εμπλοκή των μαθητών καθ' όλη τη διάρκεια του προγράμματος, ακόμη και από μαθητές που συνήθως δεν ήταν συγκεντρωμένοι στο μάθημα. Δραστηριότητες όπως η εξερεύνηση του φαινομένου της ξηρής καταιγίδας και η αλληλεπίδραση με τον ΕΟ Browser ήταν ιδιαίτερα επιτυχείς στο να προσελκύσουν το ενδιαφέρον των μαθητών. Λιγότερο ενδιαφέρον έδειξαν οι μαθητές στη συμπλήρωση του ερωτηματολογίου, στην ανάλυση των απαντήσεων και στην αξιολόγηση.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Καταλληλότητα των εργαλείων ΕΟ στην εκπαίδευση&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Όλοι οι εκπαιδευτικοί επιβεβαίωσαν ότι οι εφαρμογές που βασίζονται σε ΕΟ και χρησιμοποιήθηκαν στο MaFiSS ήταν εύκολες στη χρήση και κατάλληλες για εκπαιδευτικούς σκοπούς. Οι μαθητές και οι εκπαιδευτικοί εξοικειώθηκαν γρήγορα με τις εφαρμογές.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Αποτελεσματικότητα της προσέγγισης με βάση το φαινόμενο&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί συμφώνησαν ότι η προσέγγιση με βάση το φαινόμενο, ιδίως η εστίαση στο φαινόμενο της ξηρής καταιγίδας, τόνωσε το ενδιαφέρον και την περιέργεια των μαθητών. Η προσέγγιση αυτή ευθυγραμμίστηκε επίσης καλά με τα αποτελέσματα της αξιολόγησης των μαθητών, υποδεικνύοντας αυξημένο ενδιαφέρον στην τάξη.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Αποτελεσματικότητα της προσέγγισης με βάση την ΕΟ&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η προσέγγιση με βάση τις ΕΟ αύξησε σημαντικά την ευαισθητοποίηση των μαθητών σχετικά με τις πυρκαγιές, ιδίως σε τοπικό επίπεδο. Οι μαθητές κατανόησαν βαθύτερα την κλίμακα και το μέγεθος των πυρκαγιών μέσω δραστηριοτήτων όπως η μελέτη εικόνων EO με σημάδια πυρκαγιάς και η καταγραφή παλαιότερων πυρκαγιών στην περιοχή τους.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Αντίκτυπο στο ενδιαφέρον των μαθητών για τους δορυφόρους και την ΕΟ&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι εκπαιδευτικοί παρατήρησαν μια σημαντική αύξηση του ενδιαφέροντος των μαθητών για τους δορυφόρους και την EO καθ' όλη τη διάρκεια του προγράμματος. Οι μαθητές αναζήτησαν ενεργά πρόσθετες πληροφορίες πέρα από το υλικό του προγράμματος, υποδεικνύοντας μια γνήσια περιέργεια για το θέμα (Εικόνα 4).&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Σύνδεση με έννοιες του προγράμματος σπουδών&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Το MaFiSS βοήθησε τους εκπαιδευτικούς να διευρύνουν το πεδίο εφαρμογής των θεμάτων που διδάσκονται στην τάξη και επέτρεψε στους μαθητές να συνδέσουν τις έννοιες του αναλυτικού προγράμματος με την πραγματική ζωή. Οι εκπαιδευτικοί εντόπισαν συσχετισμούς με θέματα όπως η φυσική, η γεωγραφία και τα μαθηματικά.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Αποτελέσματα αξιολόγησης των μαθητών&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Οι μαθητές έδειξαν αυξημένη ευαισθητοποίηση και κατανόηση των επιπτώσεων της κλιματικής αλλαγής, ιδίως όσον αφορά τις πυρκαγιές. Η πλειονότητα θεώρησε ότι οι δορυφορικές εικόνες και τα εργαλεία βοήθησαν σημαντικά στην κατανόηση του κινδύνου πυρκαγιών. Σχετικά με την EO και τα STEM, οι μαθητές έδειξαν ενδιαφέρον για τους δορυφόρους και την ΕΟ, εκφράζοντας την επιθυμία να μάθουν περισσότερα για την ΕΟ μέσω τηλεπισκόπησης. Το πρόγραμμα ενίσχυσε αποτελεσματικά την κατανόηση των εννοιών STEM από τους μαθητές. Επιπλέον οι μαθητές βρήκαν το MaFiSS χρήσιμο για την κατανόηση διαφορετικών σχολικών μαθημάτων και την ενίσχυση των δεξιοτήτων πλοήγησης και προσανατολισμού στο χάρτη. Η πλειονότητα των φοιτητών εξέφρασε θετική άποψη για το πρόγραμμα, εκφράζοντας ενδιαφέρον για συμμετοχή σε παρόμοια προγράμματα που βασίζονται στην ΕΟ στο μέλλον, ενώ κανείς δεν το αξιολόγησε αρνητικά. Παρατηρήθηκαν ωστόσο διαφορές στις απαντήσεις των μαθητών μεταξύ των τάξεων, ιδίως μεταξύ των σχολείων του Αγρινίου και της Αθήνας, με τους μαθητές της Αθήνας να αξιολογούν λιγότερο θετικά το σύνολο του προγράμματος. Συνολικά οι μαθητές εξέφρασαν προτιμήσεις για δραστηριότητες όπως η αλληλεπίδραση με τον EO Browser, το φαινόμενο ξηρής καταιγίδας και την εκστρατεία ευαισθητοποίησης, ενώ έδειξαν λιγότερο ενθουσιασμό για δραστηριότητες που περιλάμβαναν μαθηματικούς υπολογισμούς.&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;p align=&quot;justify&quot;&gt;Η ενσωμάτωση των εργαλείων EO που βασίζονται στο νέφος στην εκπαίδευση σημειώνει πρόοδο, ξεπερνώντας τα σχετικά εμπόδια. Για την πλήρη αξιοποίηση της EO στην CCSE, η προσαρμογή του παιδαγωγικού περιεχομένου στα σχολικά προγράμματα σπουδών είναι καθοριστικής σημασίας.<br /> Η παρούσα μελέτη δείχνει ότι η ΕΟ μπορεί να χρησιμοποιηθεί αποτελεσματικά στα δημοτικά σχολεία από αρχάριους εκπαιδευτικούς και μαθητές, όταν παρέχεται κατάλληλο παιδαγωγικό περιεχόμενο. Η αξιοποίηση της ΕΟ στα σχολεία ωφελεί την CCSE, αυξάνοντας την ευαισθητοποίηση και την κατανόηση των μαθητών για τους κινδύνους της κλιματικής αλλαγής.<br /> Τα βασικά αποτελέσματα από την εφαρμογή του μαθησιακού σεναρίου MaFiSS με βάση τις ΕΟ έδειξαν ότι:&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;1. Εργαλεία EO που βασίζονται στο νέφος, όπως το πρόγραμμα περιήγησης EO, είναι φιλικά προς το χρήστη και χρησιμοποιούνται εύκολα.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;2. Η CCSE επωφελείται από συνδυασμό των προσεγγίσεων που βασίζονται στις ΕΟ και στον τόπο.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;3. Τα εργαλεία που βασίζονται στην ΕΟ διεγείρουν το ενδιαφέρον των μαθητών και προωθούν την επιστημονική έρευνα.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;4. Η προσέγγιση με βάση το φαινόμενο και το φαινόμενο της ξηρής καταιγίδας τράβηξε το ενδιαφέρον και έχει προοπτική ως θεματική.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;5. Ενθαρρύνεται η συνεργασία μεταξύ εκπαιδευτικών ΤΠΕ και εκπαιδευτικών πρωτοβάθμιας εκπαίδευσης, καθώς η συνεργασία τους προάγει την εξέλιξη των δεξιοτήτων τους.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;6. Η εκπαίδευση με βάση την ΕΟ συνδυάζεται με διάφορα μαθήματα του δημοτικού σχολείου.&lt;/p&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Η προσέλκυση νέων χρηστών ΕΟ στα σχολεία προκαλεί ενδιαφέρον καθώς αποτελεί προσαρμόσιμο παιδαγωγικό περιεχόμενο, το οποίο θα πρέπει να εφαρμόζεται σε τοπικό επίπεδο. Απαιτείται περαιτέρω έρευνα για την αξιολόγηση της ενίσχυσης της κατανόησης των μαθητών. Στα μελλοντικά σχέδια περιλαμβάνεται η ανάπτυξη νέων αντίστοιχων προγραμμάτων με βάση την ΕΟ για την μελέτη ζητημάτων Μετεωρολογίας και Ατμοσφαιρικής Σύνθεσης.<br /> &lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Analysis_of_Forest_Cover_Change_and_Its_Drivers_in_Biodiversity_Hotspot_Areas_of_the_Semien_Mountains_National_Park,_Northwest_Ethiopia 2024-02-23T15:42:09Z

<p>Niknakkas: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' ''Analysis of Forest Cover Change and Its Drivers in Biodiversity Hotspot Areas of the Semien Mountains National Park, Northwest E...'</p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Analysis of Forest Cover Change and Its Drivers in Biodiversity Hotspot Areas of the Semien Mountains National Park, Northwest Ethiopia''<br /> <br /> '''Συγγραφείς: '''Belete Debebe, Feyera Senbeta, Ermias Teferi, Dawit Diriba, Demel Teketay <br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2023, 15(4), 3001; https://doi.org/10.3390/su15043001'' <br /> <br /> '''Λέξεις κλειδιά: '''αποδάσωση, δάσος, κέρδη, κέρδος προς σταθερότητα, απώλεια, απώλεια προς σταθερότητα, καθαρή αλλαγή, σταθερότητα, αλλαγή ανταλλαγής<br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Something&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΛΟΓΙΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;ΥpogrammismenoKeimeno&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Main Keimeno&lt;/p&gt;<br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;ΥpogrammismenoKeimeno&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Main Keimeno&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;ΥpogrammismenoKeimeno&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Main Keimeno&lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Large-Scale_Flood_Hazard_Monitoring_and_Impact_Assessment_on_Landscape:_Representative_Case_Study_in_India 2024-02-23T15:35:46Z

<p>Niknakkas: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Large-Scale Flood Hazard Monitoring and Impact Assessment on Landscape: Representative Case Study in India ''<br /> <br /> '''Συγγραφείς: ''' Bijay Halder, Subhadip Barman, Papiya Banik, Puja Das, Jatisankar Bandyopadhyay, Fredolin Tangang, Shamsuddin Shahid, Chaitanya B. Pande, Baqer Al-Ramadan, Zaher Mundher Yaseen <br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2023, 15(14), 11413; https://doi.org/10.3390/su151411413'' <br /> <br /> '''Λέξεις κλειδιά: ''' Πλημμύρα Assam, υποβάθμιση βλάστησης, εκτίμηση κινδύνου, Google Earth Engine, Δεδομένα SAR Sentinel-1 <br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Something&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;ΥpogrammismenoKeimeno&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Main Keimeno&lt;/p&gt;<br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΔΟΛΟΓΙΑ&lt;/span&gt;''' <br /> <br /> &lt;u&gt;ΥpogrammismenoKeimeno&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Main Keimeno&lt;/p&gt;<br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;ΥpogrammismenoKeimeno&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Main Keimeno&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 5. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;ΥpogrammismenoKeimeno&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Main Keimeno&lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/Large-Scale_Flood_Hazard_Monitoring_and_Impact_Assessment_on_Landscape:_Representative_Case_Study_in_India 2024-02-23T15:32:26Z

<p>Niknakkas: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' ''Applying Remotely Sensed Environmental Information to Model Mosquito Populations '' '''Συγγραφείς: ''' Maria Kofidou,...'</p> <hr /> <div>'''Πρωτότυπος τίτλος:''' ''Applying Remotely Sensed Environmental Information to Model Mosquito Populations ''<br /> <br /> '''Συγγραφείς: ''' Maria Kofidou, Michael de Courcy Williams, Andreas Nearchou, Stavroula Veletza, Alexandra Gemitzi, Ioannis Karakasiliotis <br /> <br /> '''Δημοσιεύθηκε: ''' ''Sustainability 2021, 13(14), 7655; https://doi.org/10.3390/su13147655'' <br /> <br /> '''Λέξεις κλειδιά: ''' πληθυσμοί κουνουπιών, υδάτινες περιοχές, NDVI, LST, τηλεπισκόπηση <br /> <br /> '''Αντικείμενο εφαρμογής: '''Something '''<br /> <br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 1. ΕΙΣΑΓΩΓΗ &lt;/span&gt;'''<br /> <br /> &lt;p align=&quot;justify&quot;&gt;Something&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 2. ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΛΟΓΙΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;ΥpogrammismenoKeimeno&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Main Keimeno&lt;/p&gt;<br /> <br /> <br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 3. ΑΠΟΤΕΛΕΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;ΥpogrammismenoKeimeno&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Main Keimeno&lt;/p&gt;<br /> <br /> <br /> '''&lt;span style=&quot;color:#006400&quot;&gt; 4. ΣΥΖΗΤΗΣΗ &amp; ΣΥΜΠΕΡΑΣΜΑΤΑ &lt;/span&gt;''' <br /> <br /> &lt;u&gt;ΥpogrammismenoKeimeno&lt;/u&gt;<br /> &lt;p align=&quot;justify&quot;&gt;Main Keimeno&lt;/p&gt;</div>

Niknakkas http://147.102.106.44/rs/wiki/index.php/%CE%9D%CE%AC%CE%BA%CE%BA%CE%B1%CF%82_%CE%9D%CE%B9%CE%BA%CE%B7%CF%86%CF%8C%CF%81%CE%BF%CF%82_%CE%9D%CE%B9%CE%BA%CE%AE%CF%84%CE%B1%CF%82 2024-02-23T15:13:56Z

<p>Niknakkas: Νέα σελίδα με 'Applying Remotely Sensed Environmental Information to Model Mosquito Populations [[Large-Scale Flood Hazard Monitoring and Impact Assessment on Landscape: Representat...'</p> <hr /> <div>[[Applying Remotely Sensed Environmental Information to Model Mosquito Populations]]<br /> <br /> [[Large-Scale Flood Hazard Monitoring and Impact Assessment on Landscape: Representative Case Study in India ]]<br /> <br /> [[Analysis of Forest Cover Change and Its Drivers in Biodiversity Hotspot Areas of the Semien Mountains National Park, Northwest Ethiopia]] <br /> <br /> [[Climate Change Education through Earth Observation: An Approach for EO Newcomers in Schools]] <br /> <br /> <br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα)]]<br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

Niknakkas