RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2

2026-02-07T14:16:18Z

Rizoselef:

'''Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, στην Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Eutrophication Monitoring for Lake Pamvotis, Greece, Using Sentinel-2 Data''

'''Συγγραφείς''': ''Maria Peppa, Christos Vasilakos and Dimitris Kavroudakis''

'''Δημοσιεύθηκε''': ''229/02/2020, στο International Journal of Geo-Information, Volume 9, Issue 3 page 143''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.3390/ijgi9030143]

==''' 1. Εισαγωγή '''==

Το νερό είναι σημαντικό για όλες τις μορφές ζωής, είναι επίσης στενά συνδεδεμένο με ανθρώπινες δραστηριότητες, η εντατικοποίηση τους ωστόσο έχει αρνητικές συνέπειες στην ποιότητα των υδάτων. Ο ευτροφισμός των εσωτερικών υδάτων είναι μία απ’ αυτές, δηλαδή η αύξηση του φυτοπλαγκτόν λόγω εκτενούς συσσώρευση οργανικών αποβλήτων από ανθρώπινες δραστηριότητες, που έχει ως αποτέλεσμα τον σχηματισμού επιφανειακού στρώματος φυτοπλαγκτό το οποίο μειώνει το διαθέσιμο οξυγόνο, δημιουργώντας περιορισμούς στον κύκλο ζωής της πανίδας και της χλωρίδας των οικοσυστήματος.
Η χλωροφύλλη-α (chl-a) είναι ένας αξιόπιστος δείκτης υπολογισμού του ευτροφισμού που αξιοποιεί η τηλεπισκόπηση, λόγω της ικανότητας της να απορροφά κυρίως στο μπλε και το κόκκινο και να ανακλά στο πράσινο. Ως αποτέλεσμα δορυφορικά δεδομένα χωρικής και χρονικής ανάλυσης μπορούν να βοηθήσουν στην παρακολούθηση της κατανομής και της συγκέντρωσης της χλωροφύλλης-α (chl-a) στα εσωτερικά ύδατα κι άρα του ευτροφισμού τους. Η αξιοποίηση της χλωροφύλλης ως δείκτη βασίζεται σε τροποποίηση των δεδομένων μέσω αλγορίθμων ώστε να προσδιοριστεί η συγκέντρωση της.
Οι δορυφορικές εικόνες που αξιοποιούνται στην μελέτη προέρχεται από τους δορυφόρους του Sentinel 2 της Copernicus (2A & 2B). Ο Sentinel-2 έχει χρησιμοποιηθεί εκτενώς για την εκτίμηση της ποιότητας των υδάτων τόσο ωκεάνιων και παραθαλάσσιων όσο και εσωτερικών υδάτων.
Διάφοροι δείκτες έχουν αναπτυχθεί λόγω της φασματικής διαφοράς μεταξύ καθαρών και ευτροφικών υδάτων. Ο MCI (maximum chlorophyll index) είναι ένας απ’ αυτούς, βασίζεται στο ύψος της καμπύλης ανάκλασης στα 709 nm (ή 705 nm για τον Sentinel), σε εύρος μεταξύ 681 nm και 753 nm (665nm και 740nm για Sentinel-2). Άλλος ένας αλγόριθμος είναι ο MPH (maximum peak height) που βασίζεται στο μέγεθος και τη θέση της κορυφής Red/NIR (Matthews et al. 2012). Αναπτυγμένοι αρχικά για κανάλια από medium resolution imaging spectrometer (MERIS) έχουν προσαρμοστεί παραγοντικά στα κανάλια B4, B5, B6 και B8A του Sentinel (Mollaee 2018; Soriano-González et al. 2019).
Η εργασία αξιοποιεί τους αλγόριθμους MCI και MPH με βάση δεδομένα από τον Sentinel-2 για την λίμνη Παμβώτιδα. Σε βάθος τριετίας υπολογίζεται η χωρική κατανομή της συγκέντρωσης chl-a και αναλύονται τα πρότυπα κατανομής της, ενώ υπογραμμίζεται η χρησιμότητα του MPH για φυτοπλαγκτόν και υδρόβια βλάστηση.

==''' 2. ΥΛΙΚΑ ΜΕΘΟΔΟΙ '''==

''' 2.1 ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ '''

Η περιοχή μελέτης είναι η λίμνη Παμβώτιδα, η λίμνη βρίσκεται σε υψόμετρο 470 μέτρων, έχει έκταση 24 τ.χλμ. και μέγιστο μήκος 7,5 χλμ. Περιλαμβάνει ένα πλούσιο οικοσύστημα, το οποίο η αστική ανάπτυξη και η αύξηση του πληθυσμού έχουν οδηγήσει σε κατακερματισμό και υποβάθμιση. Στη δυτική όχθη της λίμνης βρίσκεται η πόλη των Ιωαννίνων, ενώ η λίμνη περιβάλλεται κυρίως από αστικές και γεωργικές εκτάσεις. Οργανικά απόβλητα και λιπάσματα από τις καλλιέργειες και τον αστικό ιστό καταλήγουν στη λίμνη, προκαλώντας σοβαρή περιβαλλοντική υποβάθμιση.
Για την εργασία αξιοποιούνται 65 δορυφορικές εικόνες χωρίς συννεφιά (cloud-free) από τους δορυφόρους Sentinel-2A και Sentinel-2B σε μορφή Level-1C, καλύπτοντας την περίοδο 2016–2018 (15 εικόνες το 2016, 21 το 2017 και 29 το 2018). Τα προϊόντα υπό μορφή Level-1C είναι ραδιομετρικά [λαμβάνουν υπόψη TOA (top of the atmosphere) ανάκλαση] και γεωμετρικά [χρησιμοποιώντας ψηφιακό μοντέλο ανύψωσης 90 μέτρων (PlanetDEM 90) από επίγειες τοπογραφικές αποστολές με ρανταρ] διορθωμένα.

''' 2.2 ΜΕΘΟΔΟΛΟΓΙΑ '''

Για τον διαχωρισμό της ξηράς από το νερό αξιοποιήθηκε ο δείκτης NDWI (Normalized Difference Water Index) και χρησιμοποιήθηκε για τη δημιουργία της μάσκας ξηράς, σύμφωνα με τον τύπο:

[[Αρχείο:rs_wiki_2_NDWI.png]]

Όπου G είναι το πράσινο και NIR το εγγύς υπέρυθρο. Οι θετικές τιμές του δείκτη αντιστοιχούν σε νερό, ενώ οι αρνητικές σε έδαφος και βλάστηση.
Για την παρακολούθηση του ευτροφισμού εφαρμόστηκαν oi δύο αλγόριθμοι, MCI και MPH. Ο δείκτης MCI (Maximum Chlorophyll Index) μετρά το ύψος της κορυφής ανάκλασης στα 705 nm, χρησιμοποιώντας ως βάση το εύρος μεταξύ 665 nm και 740 nm για τις ζώνες του Sentinel-2. Το πλάτος της κορυφής στα 705nm συσχετίζεται με υψηλά επίπεδα chl-a. Σε αβαθή νερά βενθική βλάστηση (βλάστηση δηλαδή στο βυθό) συγχέεται με επιφανειακή συγκέντρωση φυτοπλαγκτόν κι έτσι δίνει κάποια προβληματικά αποτελέσματα. Ο αλγόριθμος προσαρμοσμένος για ελαφρύ συννεφιά και για τα κανάλια του Sentinel-2 αποτυπώνεται ως εξής:

[[Αρχείο:rs_wiki_2_mci.png]]

όπου Β4, Β5 και Β6 αποτυπώνουν την ανάκλαση και τα λβ4, λβ5 και λβ6 αντιστοιχούν στα μήκη κύματος των καναλιών (0,665, 0,705 και 0,740 αντίστοιχα).
Ο δείκτης MPH (maximum peak height) είναι μια τροποποίηση του MCI, προσδιορίζει την τροφική κατάσταση του συστήματος και εφαρμόζεται σε τριών ειδών ύδατα α) μικτά ολιγοτροφικά/μεσοτροφικά με χαμηλή προς μέτρια βιομάζα, β) ευτροφικά/υπερτροφικά με υψηλή βιομάζα και γ) ύδατα με εξαιρετικά υψηλή βιομάζα με επιφανειακά αιωρούμενα φυτοπλαγκτόν ή υδρόβια βλάστηση. Χρησιμοποιεί ως βάση τα μήκη κύματος μεταξύ 665 nm και 865 nm. Το μήκος κύματος στα 705 nm ορίζεται ως το σημείο κορυφής ανάκλασης σε ευτροφικά ύδατα, όπως φαίνεται στο φάσμα του Sentinel-2. Ο τύπος του MPH για κανάλια του Sentinel-2 είναι:

[[Αρχείο:rs_wiki_2_mph.png]]

Αξιολογήθηκε η συσχέτιση των δύο αλγορίθμων (MCI και MPH) μέσω του συντελεστή Pearson’s r. Στη συνέχεια, υπολογίστηκε η συγκέντρωση χλωροφύλλης-α (chl-a) με τη χρήση εμπειρικών μοντέλων από τη βιβλιογραφία, τα οποία έχουν αναπτυχθεί για παρόμοιες συνθήκες (Grendaitė et al. 2018). Η εξίσωση που επιλέχθηκε συσχετίζει τον δείκτη MPH με τη συγκέντρωση χλωροφύλλης και είναι η εξής:

[[Αρχείο:rs_wiki_2_chla.png]]

Επιπρόσθετα, πραγματοποιήθηκε περιγραφική στατιστική ανάλυση για κάθε εικονοστοιχείο (pixel) της περιοχής μελέτης (υπολογισμός ελάχιστης, μέγιστης, μέσης τιμής και τυπικής απόκλισης). Για τον εντοπισμό, αντιμετώπιση και ερμηνεία των ακραίων τιμών (outliers), χρησιμοποιήθηκε η μέθοδος του ενδοτεταρτημοριακού εύρους (IQR). Τέλος, ομαδοποιήθηκαν τα εικονοστοιχεία (pixel), για την ομαδοποίηση εφαρμόστηκε η τεχνική ISODATA (Iterative Self-Organizing Data Analysis Technique) στα 65 σύνολα δεδομένων συγκέντρωσης chl-a, προκειμένου να εντοπιστούν χωρικά και χρονικά πρότυπα, με τον βέλτιστο αριθμό των ομάδων (clusters) να καθορίζεται μέσω του πακέτου NbClust της R.

[[Αρχείο:rs_wiki_2_proccess.png | thumb| center| 400 px]]

==''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣ '''==

''' 3.1 Συσχέτιση MPH και MCI '''

Η εφαρμογή των αλγορίθμων MPH και MCI στα δεδομένα έδειξε ότι και οι δύο λειτουργούν ικανοποιητικά, καθώς βασίζονται σε κοινά φασματικά χαρακτηριστικά (για μήκη κύματος 665 nm και 705 nm). Ο συντελεστής συσχέτισης Pearson’s έδειξε ισχυρή θετική συσχέτιση μεταξύ των δύο δεικτών. Παρά την ισχυρή συσχέτιση, η περαιτέρω ανάλυση βασίστηκε στον δείκτη MPH, καθώς θεωρείται καταλληλότερος για την εκτίμηση της συγκέντρωσης chl-a σε διαφορετικά τροφικά εύρη και τύπους υδάτων και επειδή ορισμένες περιπτώσεις παρατηρήθηκαν αρνητικές τιμές MCI, γεγονός που πιθανώς οφείλεται σε πολύ πυκνούς επιφανειακούς σχηματισμούς κυανοβακτηρίων.

''' 3.2 MPH και Συγκέντρωση Chl-A '''

Η χαρτογράφηση με το δείκτη MPH αποκάλυψε ότι η έντονη παρουσία χλωροφύλλης παρατηρείται κυρίως τους καλοκαιρινούς και φθινοπωρινούς μήνες, με τον Οκτώβριο να αποτελεί μήνα έξαρσης του φαινομένου. Αντίθετα, οι χειμερινοί και εαρινοί μήνες εμφανίζουν χαμηλότερες τιμές MPH. Κατά τις περιόδους έξαρσης, οι υψηλότερες τιμές MPH εντοπίζονται στην ανατολική πλευρά της λίμνης. Τα γεωργικά λιπάσματα και τα ελαφρά βιομηχανικά και αστικά απόβλητα που εισρέουν κυρίως από την νότια πλευρά της λίμνης είναι οι κύριοι υπεύθυνοι για τις υψηλές συγκεντρώσεις chl-a. Στην εικόνα απεικονίζεται το εύρος τιμών MPH σε περιόδους έξαρσης και αδράνειας:

[[Αρχείο:rs_wiki_2_map.png | thumb| center| 200 px]]

Σύμφωνα με το εμπειρικό μοντέλο, η μέγιστη συγκέντρωση chl-a έφτασε τα 257 μg/L. Στην παρακάτω εικόνα (η οποία συγκεντρώνει τις μοναδικές εικόνες χωρίς σύννεφα για το παρόν φαινόμενο έξαρσης) απεικονίζεται η έξαρση του φαινομένου κατά τον Σεπτέμβριο και Οκτώβριο του 2017:

[[Αρχείο:rs_wiki_2_map2.png | thumb| center| 200 px]]

Μια εαρινή έξαρση (Μάρτιος-Ιούνιος 2017) παρουσίασε χαμηλότερες συγκεντρώσεις. Αρχικά στα 20 μg/L, η συγκέντρωση αυξήθηκε σταδιακά, δημιουργώντας πυρήνες υψηλών τιμών (έως 170 μg/L) στα μέσα Μαΐου, πριν υποχωρήσει ξανά στα τέλη Ιουνίου, όπως φάινεται στην παρακάτω εικόνα:

[[Αρχείο:rs_wiki_2_map3.png | thumb| center| 200 px]]

Τα αποτελέσματα επιβεβαιώνουν ότι η λίμνη βρίσκεται σε υπερτροφική κατάσταση. Παράλληλα, αναδείχθηκε η ικανότητα του αισθητήρα Sentinel-2 να παρακολουθεί τέτοια γεγονότα με υψηλή ανάλυση ακόμα κι αν υπάρχουν λίγες κατάλληλες εικόνες διαθέσιμες. Τα προβλήματα που παρατηρήθηκαν ήταν δύο, πρώτα "θόρυβος λωρίδων" (stripe noise) σε ορισμένες εικόνες και επιδράσεις γειτνίασης (adjacency effect) σε εικονοστοιχεία κοντά στις ακτές.

''' 3.3 Στατιστική Ανάλυση της Συγκέντρωσης Chl-A '''

Η χωρική και χρονική στατιστική ανάλυση της κατανομής της chl-a περιλάμβανε τον υπολογισμό της ελάχιστης και μέγιστης τιμής, του μέσου όρου και της τυπικής απόκλισης για κάθε εικονοστοιχείο. Οι μικρότερες τιμές εμφανίστηκαν κυρίως στη βορειοδυτική ακτή κοντά στην αστική περιοχή, ενώ οι μεγαλύτερες στην ανατολική και νοτιοανατολική ακτή με τιμές έως 260 μg/L, επιβεβαιώνοντας την επιβάρυνση από καλλιέργειες και πηγές ρύπανσης. Οι τιμές του μέσου όρου της συγκέντρωσης φτάνουν τα 56 μg/L, οπότε σύμφωνα με το σύστημα τροφικής ταξινόμησης Serwan,1996 η λίμνη ταξινομείται ως υπερτροφική. Τέλος, οι τιμές της τυπικής απόκλισης έδειξαν ότι οι μεγαλύτερες μεταβολές συγκέντρωσης συμβαίνουν στη νοτιοανατολική όχθη.

[[Αρχείο:rs_wiki_2_map4.png | thumb| center| 200 px]]

Η ανάλυση των ακραίων τιμών (outliers) έδειξε ότι η πλειοψηφία της έκτασης της λίμνης δεν παρουσίασε ακραίες τιμές κατά την περίοδο μελέτης, παρότι υψηλές συχνότητες ακραίων τιμών παρατηρήθηκαν κοντά στις νότιες και ανατολικές ακτές αυτές αποδίδονται στην υδρόβια βλάστηση και τις γεωργικές δραστηριότητες.

[[Αρχείο:Rs_wiki_2_map5.jpg | thumb| center| 200 px]]

Τέλος, έγινε ομαδοποίηση για ανάδειξε τυχόν χωρικών ή χρονικών διαφοροποιήσεων σχετικά με την συγκέντρωση chl-a, η οποία ανέδειξε 4 βέλτιστες ομάδες (clusters) που περιγράφουν τις χωρικές και χρονικές τάσεις.

[[Αρχείο:Rs_wiki_2_map6.jpg | thumb| center| 200 px]]

Η Ομάδα 1 περιλαμβάνει περιοχές με χαμηλές συγκεντρώσεις (μέσος όρος <60 μg/L). Η Ομάδα 2 παρουσίασε τις υψηλότερες τιμές chl-a και εντοπίζεται στο ανατολικό τμήμα (φτάνοντας τα 140 μg/L μέση τιμή το 2016). Οι άλλες δύο ομάδες ακολούθησαν παρόμοια πρότυπα κατανομής αλλά με χαμηλότερα επίπεδα συγκέντρωσης, υποδεικνύοντας μια σαφή χωρική κατηγοριοποίηση της λίμνης σε τρεις ζώνες ρύπανσης.

[[Αρχείο:rs_wiki_2_chla_cluster.png | thumb| center| 300 px]]

==''' 4. ΣΥΜΠΕΡΑΣΜΑΤΑ '''==

Συμπερασματικά, η τριετής μελέτη των τηλεπισκοπικών δεδομένων αποκάλυψε ότι η κατάσταση της λίμνης Παμβώτιδας είναι κυρίως ευτροφική με συγκεκριμένες περιόδους έξαρσης του φαινομένου.
Στην εργασία τέθηκαν επί τάπητος οι ικανότητες και οι περιορισμοί του Sentinel-2 σε μελέτες ευτροφισμού εσωτερικών υδάτων, αξιοποιώντας τους αλγόριθμους MPH και MCI. Επίσης αξιολογήθηκε η συσχέτιση μεταξύ τους, που φάνηκε ισχυρή. Ο MPH συσχετίστηκε περαιτέρω με τη συγκέντρωση chl-a βάσει μοντέλου από τη βιβλιογραφία (Grendaitė et al. 2018). Αν και η μελέτη δεν περιλάμβανε επιτόπιες μετρήσεις για την περίοδο αναφοράς τα ευρήματα συγκρίθηκαν με παλαιότερες μετρήσεις του Φορέα Διαχείρισης της λίμνης (2010-2011), οι οποίες συμφωνούν με τα τηλεπισκοπικά αποτελέσματα. Η χωρική ανάλυση κατέδειξε ότι τα υψηλότερα επίπεδα chl-a συσσωρεύονται στη νότια και νοτιοανατολική ακτή της λίμνης. Ο συστηματικός εντοπισμός ακραίων τιμών σε αυτές τις περιοχές πιθανώς επηρεάζεται από την υδρόβια βλάστηση και τις διακυμάνσεις της στάθμης του νερού.
Οι κύριες πηγές ρύπανσης εντοπίζονται στην κοντινή αστική περιοχή και τις γεωργικές εκτάσεις, όπου οι ανθρωπογενείς δραστηριότητες αυξάνουν τα απόβλητα στο νερό. Παρά τη λειτουργία μονάδας επεξεργασίας λυμάτων, η παράνομη διάθεση αποβλήτων και η εντατική χρήση λιπασμάτων συνεχίζουν να υποβαθμίζουν την ποιότητα του νερού. Τα αποτελέσματα της έρευνας μπορούν να προσφέρουν καθοδήγηση στους διαχειριστές της λίμνης για τον εντοπισμό ευάλωτων περιοχών. Μελλοντικές βελτιώσεις της ανάλυσης θα πρέπει να περιλαμβάνουν την ατμοσφαιρική διόρθωση των δεδομένων, την αξιολόγηση του νεότερου αισθητήρα Sentinel-3 και τη συσχέτιση με επιτόπιες παραμέτρους για την ανάπτυξη ακριβέστερων αλγορίθμων.

==''' ΒΙΒΛΙΟΓΡΑΦΙΑ '''==

BABAN, SERWAN M. J. 1996. “Trophic Classification and Ecosystem Checking of Lakes Using Remotely Sensed Information.” Hydrological Sciences Journal 41 (6): 939–57. https://doi.org/10.1080/02626669609491560.

Grendaitė, Dalia, Edvinas Stonevičius, Jūratė Karosienė, Ksenija Savadova, and Jūratė Kasperovičienė. 2018. “Chlorophyll-a Concentration Retrieval in Eutrophic Lakes in Lithuania from Sentinel-2 Data.” Geologija. Geografija 4 (1). https://doi.org/10.6001/geol-geogr.v4i1.3720.

Matthews, Mark William, Stewart Bernard, and Lisl Robertson. 2012. “An Algorithm for Detecting Trophic Status (Chlorophyll-a), Cyanobacterial-Dominance, Surface Scums and Floating Vegetation in Inland and Coastal Waters.” Remote Sensing of Environment 124 (September): 637–52. https://doi.org/10.1016/j.rse.2012.05.032.

Mollaee, Somayeh. 2018. Estimation of Phytoplankton Chlorophyll-a Concentration in the Western Basin of Lake Erie Using Sentinel-2 and Sentinel-3 Data. July 4. http://hdl.handle.net/10012/13456.

Soriano-González, Jesús, Eduard Angelats, Margarita Fernández-Tejedor, et al. 2019. “First Results of Phytoplankton Spatial Dynamics in Two NW-Mediterranean Bays from Chlorophyll-a Estimates Using Sentinel 2: Potential Implications for Aquaculture.” Remote Sensing 11 (15). https://doi.org/10.3390/rs11151756.

Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2

2026-02-07T14:13:16Z

Rizoselef:

'''Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, στην Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Eutrophication Monitoring for Lake Pamvotis, Greece, Using Sentinel-2 Data''

'''Συγγραφείς''': ''Maria Peppa, Christos Vasilakos and Dimitris Kavroudakis''

'''Δημοσιεύθηκε''': ''229/02/2020, στο International Journal of Geo-Information, Volume 9, Issue 3 page 143''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.3390/ijgi9030143]

==''' 1. Εισαγωγή '''==

Το νερό είναι σημαντικό για όλες τις μορφές ζωής, είναι επίσης στενά συνδεδεμένο με ανθρώπινες δραστηριότητες, η εντατικοποίηση τους ωστόσο έχει αρνητικές συνέπειες στην ποιότητα των υδάτων. Ο ευτροφισμός των εσωτερικών υδάτων είναι μία απ’ αυτές, δηλαδή η αύξηση του φυτοπλαγκτόν λόγω εκτενούς συσσώρευση οργανικών αποβλήτων από ανθρώπινες δραστηριότητες, που έχει ως αποτέλεσμα τον σχηματισμού επιφανειακού στρώματος φυτοπλαγκτό το οποίο μειώνει το διαθέσιμο οξυγόνο, δημιουργώντας περιορισμούς στον κύκλο ζωής της πανίδας και της χλωρίδας των οικοσυστήματος.
Η χλωροφύλλη-α (chl-a) είναι ένας αξιόπιστος δείκτης υπολογισμού του ευτροφισμού που αξιοποιεί η τηλεπισκόπηση, λόγω της ικανότητας της να απορροφά κυρίως στο μπλε και το κόκκινο και να ανακλά στο πράσινο. Ως αποτέλεσμα δορυφορικά δεδομένα χωρικής και χρονικής ανάλυσης μπορούν να βοηθήσουν στην παρακολούθηση της κατανομής και της συγκέντρωσης της χλωροφύλλης-α (chl-a) στα εσωτερικά ύδατα κι άρα του ευτροφισμού τους. Η αξιοποίηση της χλωροφύλλης ως δείκτη βασίζεται σε τροποποίηση των δεδομένων μέσω αλγορίθμων ώστε να προσδιοριστεί η συγκέντρωση της.
Οι δορυφορικές εικόνες που αξιοποιούνται στην μελέτη προέρχεται από τους δορυφόρους του Sentinel 2 της Copernicus (2A & 2B). Ο Sentinel-2 έχει χρησιμοποιηθεί εκτενώς για την εκτίμηση της ποιότητας των υδάτων τόσο ωκεάνιων και παραθαλάσσιων όσο και εσωτερικών υδάτων.
Διάφοροι δείκτες έχουν αναπτυχθεί λόγω της φασματικής διαφοράς μεταξύ καθαρών και ευτροφικών υδάτων. Ο MCI (maximum chlorophyll index) είναι ένας απ’ αυτούς, βασίζεται στο ύψος της καμπύλης ανάκλασης στα 709 nm (ή 705 nm για τον Sentinel), σε εύρος μεταξύ 681 nm και 753 nm (665nm και 740nm για Sentinel-2). Άλλος ένας αλγόριθμος είναι ο MPH (maximum peak height) που βασίζεται στο μέγεθος και τη θέση της κορυφής Red/NIR (Matthews et al. 2012). Αναπτυγμένοι αρχικά για κανάλια από medium resolution imaging spectrometer (MERIS) έχουν προσαρμοστεί παραγοντικά στα κανάλια B4, B5, B6 και B8A του Sentinel (Mollaee 2018; Soriano-González et al. 2019).
Η εργασία αξιοποιεί τους αλγόριθμους MCI και MPH με βάση δεδομένα από τον Sentinel-2 για την λίμνη Παμβώτιδα. Σε βάθος τριετίας υπολογίζεται η χωρική κατανομή της συγκέντρωσης chl-a και αναλύονται τα πρότυπα κατανομής της, ενώ υπογραμμίζεται η χρησιμότητα του MPH για φυτοπλαγκτόν και υδρόβια βλάστηση.

==''' 2. ΥΛΙΚΑ ΜΕΘΟΔΟΙ '''==

==''' 2.1 ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ '''==

Η περιοχή μελέτης είναι η λίμνη Παμβώτιδα, η λίμνη βρίσκεται σε υψόμετρο 470 μέτρων, έχει έκταση 24 τ.χλμ. και μέγιστο μήκος 7,5 χλμ. Περιλαμβάνει ένα πλούσιο οικοσύστημα, το οποίο η αστική ανάπτυξη και η αύξηση του πληθυσμού έχουν οδηγήσει σε κατακερματισμό και υποβάθμιση. Στη δυτική όχθη της λίμνης βρίσκεται η πόλη των Ιωαννίνων, ενώ η λίμνη περιβάλλεται κυρίως από αστικές και γεωργικές εκτάσεις. Οργανικά απόβλητα και λιπάσματα από τις καλλιέργειες και τον αστικό ιστό καταλήγουν στη λίμνη, προκαλώντας σοβαρή περιβαλλοντική υποβάθμιση.
Για την εργασία αξιοποιούνται 65 δορυφορικές εικόνες χωρίς συννεφιά (cloud-free) από τους δορυφόρους Sentinel-2A και Sentinel-2B σε μορφή Level-1C, καλύπτοντας την περίοδο 2016–2018 (15 εικόνες το 2016, 21 το 2017 και 29 το 2018). Τα προϊόντα υπό μορφή Level-1C είναι ραδιομετρικά [λαμβάνουν υπόψη TOA (top of the atmosphere) ανάκλαση] και γεωμετρικά [χρησιμοποιώντας ψηφιακό μοντέλο ανύψωσης 90 μέτρων (PlanetDEM 90) από επίγειες τοπογραφικές αποστολές με ρανταρ] διορθωμένα.

==''' 2.2 ΜΕΘΟΔΟΛΟΓΙΑ '''==

Για τον διαχωρισμό της ξηράς από το νερό αξιοποιήθηκε ο δείκτης NDWI (Normalized Difference Water Index) και χρησιμοποιήθηκε για τη δημιουργία της μάσκας ξηράς, σύμφωνα με τον τύπο:

[[Αρχείο:rs_wiki_2_NDWI.png]]

Όπου G είναι το πράσινο και NIR το εγγύς υπέρυθρο. Οι θετικές τιμές του δείκτη αντιστοιχούν σε νερό, ενώ οι αρνητικές σε έδαφος και βλάστηση.
Για την παρακολούθηση του ευτροφισμού εφαρμόστηκαν oi δύο αλγόριθμοι, MCI και MPH. Ο δείκτης MCI (Maximum Chlorophyll Index) μετρά το ύψος της κορυφής ανάκλασης στα 705 nm, χρησιμοποιώντας ως βάση το εύρος μεταξύ 665 nm και 740 nm για τις ζώνες του Sentinel-2. Το πλάτος της κορυφής στα 705nm συσχετίζεται με υψηλά επίπεδα chl-a. Σε αβαθή νερά βενθική βλάστηση (βλάστηση δηλαδή στο βυθό) συγχέεται με επιφανειακή συγκέντρωση φυτοπλαγκτόν κι έτσι δίνει κάποια προβληματικά αποτελέσματα. Ο αλγόριθμος προσαρμοσμένος για ελαφρύ συννεφιά και για τα κανάλια του Sentinel-2 αποτυπώνεται ως εξής:

[[Αρχείο:rs_wiki_2_mci.png]]

όπου Β4, Β5 και Β6 αποτυπώνουν την ανάκλαση και τα λβ4, λβ5 και λβ6 αντιστοιχούν στα μήκη κύματος των καναλιών (0,665, 0,705 και 0,740 αντίστοιχα).
Ο δείκτης MPH (maximum peak height) είναι μια τροποποίηση του MCI, προσδιορίζει την τροφική κατάσταση του συστήματος και εφαρμόζεται σε τριών ειδών ύδατα α) μικτά ολιγοτροφικά/μεσοτροφικά με χαμηλή προς μέτρια βιομάζα, β) ευτροφικά/υπερτροφικά με υψηλή βιομάζα και γ) ύδατα με εξαιρετικά υψηλή βιομάζα με επιφανειακά αιωρούμενα φυτοπλαγκτόν ή υδρόβια βλάστηση. Χρησιμοποιεί ως βάση τα μήκη κύματος μεταξύ 665 nm και 865 nm. Το μήκος κύματος στα 705 nm ορίζεται ως το σημείο κορυφής ανάκλασης σε ευτροφικά ύδατα, όπως φαίνεται στο φάσμα του Sentinel-2. Ο τύπος του MPH για κανάλια του Sentinel-2 είναι:

[[Αρχείο:rs_wiki_2_mph.png]]

Αξιολογήθηκε η συσχέτιση των δύο αλγορίθμων (MCI και MPH) μέσω του συντελεστή Pearson’s r. Στη συνέχεια, υπολογίστηκε η συγκέντρωση χλωροφύλλης-α (chl-a) με τη χρήση εμπειρικών μοντέλων από τη βιβλιογραφία, τα οποία έχουν αναπτυχθεί για παρόμοιες συνθήκες (Grendaitė et al. 2018). Η εξίσωση που επιλέχθηκε συσχετίζει τον δείκτη MPH με τη συγκέντρωση χλωροφύλλης και είναι η εξής:

[[Αρχείο:rs_wiki_2_chla.png]]

Επιπρόσθετα, πραγματοποιήθηκε περιγραφική στατιστική ανάλυση για κάθε εικονοστοιχείο (pixel) της περιοχής μελέτης (υπολογισμός ελάχιστης, μέγιστης, μέσης τιμής και τυπικής απόκλισης). Για τον εντοπισμό, αντιμετώπιση και ερμηνεία των ακραίων τιμών (outliers), χρησιμοποιήθηκε η μέθοδος του ενδοτεταρτημοριακού εύρους (IQR). Τέλος, ομαδοποιήθηκαν τα εικονοστοιχεία (pixel), για την ομαδοποίηση εφαρμόστηκε η τεχνική ISODATA (Iterative Self-Organizing Data Analysis Technique) στα 65 σύνολα δεδομένων συγκέντρωσης chl-a, προκειμένου να εντοπιστούν χωρικά και χρονικά πρότυπα, με τον βέλτιστο αριθμό των ομάδων (clusters) να καθορίζεται μέσω του πακέτου NbClust της R.

[[Αρχείο:rs_wiki_2_proccess.png | thumb| center| 400 px]]

==''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣ '''==

==''' 3.1 Συσχέτιση MPH και MCI '''==

Η εφαρμογή των αλγορίθμων MPH και MCI στα δεδομένα έδειξε ότι και οι δύο λειτουργούν ικανοποιητικά, καθώς βασίζονται σε κοινά φασματικά χαρακτηριστικά (για μήκη κύματος 665 nm και 705 nm). Ο συντελεστής συσχέτισης Pearson’s έδειξε ισχυρή θετική συσχέτιση μεταξύ των δύο δεικτών. Παρά την ισχυρή συσχέτιση, η περαιτέρω ανάλυση βασίστηκε στον δείκτη MPH, καθώς θεωρείται καταλληλότερος για την εκτίμηση της συγκέντρωσης chl-a σε διαφορετικά τροφικά εύρη και τύπους υδάτων και επειδή ορισμένες περιπτώσεις παρατηρήθηκαν αρνητικές τιμές MCI, γεγονός που πιθανώς οφείλεται σε πολύ πυκνούς επιφανειακούς σχηματισμούς κυανοβακτηρίων.

==''' 3.2 MPH και Συγκέντρωση Chl-A '''==

Η χαρτογράφηση με το δείκτη MPH αποκάλυψε ότι η έντονη παρουσία χλωροφύλλης παρατηρείται κυρίως τους καλοκαιρινούς και φθινοπωρινούς μήνες, με τον Οκτώβριο να αποτελεί μήνα έξαρσης του φαινομένου. Αντίθετα, οι χειμερινοί και εαρινοί μήνες εμφανίζουν χαμηλότερες τιμές MPH. Κατά τις περιόδους έξαρσης, οι υψηλότερες τιμές MPH εντοπίζονται στην ανατολική πλευρά της λίμνης. Τα γεωργικά λιπάσματα και τα ελαφρά βιομηχανικά και αστικά απόβλητα που εισρέουν κυρίως από την νότια πλευρά της λίμνης είναι οι κύριοι υπεύθυνοι για τις υψηλές συγκεντρώσεις chl-a. Στην εικόνα απεικονίζεται το εύρος τιμών MPH σε περιόδους έξαρσης και αδράνειας:

[[Αρχείο:rs_wiki_2_map.png | thumb| center| 200 px]]

Σύμφωνα με το εμπειρικό μοντέλο, η μέγιστη συγκέντρωση chl-a έφτασε τα 257 μg/L. Στην παρακάτω εικόνα (η οποία συγκεντρώνει τις μοναδικές εικόνες χωρίς σύννεφα για το παρόν φαινόμενο έξαρσης) απεικονίζεται η έξαρση του φαινομένου κατά τον Σεπτέμβριο και Οκτώβριο του 2017:

[[Αρχείο:rs_wiki_2_map2.png | thumb| center| 200 px]]

Μια εαρινή έξαρση (Μάρτιος-Ιούνιος 2017) παρουσίασε χαμηλότερες συγκεντρώσεις. Αρχικά στα 20 μg/L, η συγκέντρωση αυξήθηκε σταδιακά, δημιουργώντας πυρήνες υψηλών τιμών (έως 170 μg/L) στα μέσα Μαΐου, πριν υποχωρήσει ξανά στα τέλη Ιουνίου, όπως φάινεται στην παρακάτω εικόνα:

[[Αρχείο:rs_wiki_2_map3.png | thumb| center| 200 px]]

Τα αποτελέσματα επιβεβαιώνουν ότι η λίμνη βρίσκεται σε υπερτροφική κατάσταση. Παράλληλα, αναδείχθηκε η ικανότητα του αισθητήρα Sentinel-2 να παρακολουθεί τέτοια γεγονότα με υψηλή ανάλυση ακόμα κι αν υπάρχουν λίγες κατάλληλες εικόνες διαθέσιμες. Τα προβλήματα που παρατηρήθηκαν ήταν δύο, πρώτα "θόρυβος λωρίδων" (stripe noise) σε ορισμένες εικόνες και επιδράσεις γειτνίασης (adjacency effect) σε εικονοστοιχεία κοντά στις ακτές.

==''' 3.3 Στατιστική Ανάλυση της Συγκέντρωσης Chl-A '''==

Η χωρική και χρονική στατιστική ανάλυση της κατανομής της chl-a περιλάμβανε τον υπολογισμό της ελάχιστης και μέγιστης τιμής, του μέσου όρου και της τυπικής απόκλισης για κάθε εικονοστοιχείο. Οι μικρότερες τιμές εμφανίστηκαν κυρίως στη βορειοδυτική ακτή κοντά στην αστική περιοχή, ενώ οι μεγαλύτερες στην ανατολική και νοτιοανατολική ακτή με τιμές έως 260 μg/L, επιβεβαιώνοντας την επιβάρυνση από καλλιέργειες και πηγές ρύπανσης. Οι τιμές του μέσου όρου της συγκέντρωσης φτάνουν τα 56 μg/L, οπότε σύμφωνα με το σύστημα τροφικής ταξινόμησης Serwan,1996 η λίμνη ταξινομείται ως υπερτροφική. Τέλος, οι τιμές της τυπικής απόκλισης έδειξαν ότι οι μεγαλύτερες μεταβολές συγκέντρωσης συμβαίνουν στη νοτιοανατολική όχθη.

[[Αρχείο:rs_wiki_2_map4.png | thumb| center| 200 px]]

Η ανάλυση των ακραίων τιμών (outliers) έδειξε ότι η πλειοψηφία της έκτασης της λίμνης δεν παρουσίασε ακραίες τιμές κατά την περίοδο μελέτης, παρότι υψηλές συχνότητες ακραίων τιμών παρατηρήθηκαν κοντά στις νότιες και ανατολικές ακτές αυτές αποδίδονται στην υδρόβια βλάστηση και τις γεωργικές δραστηριότητες.

[[Αρχείο:Rs_wiki_2_map5.jpg | thumb| center| 200 px]]

Τέλος, έγινε ομαδοποίηση για ανάδειξε τυχόν χωρικών ή χρονικών διαφοροποιήσεων σχετικά με την συγκέντρωση chl-a, η οποία ανέδειξε 4 βέλτιστες ομάδες (clusters) που περιγράφουν τις χωρικές και χρονικές τάσεις.

[[Αρχείο:Rs_wiki_2_map6.jpg | thumb| center| 200 px]]

Η Ομάδα 1 περιλαμβάνει περιοχές με χαμηλές συγκεντρώσεις (μέσος όρος <60 μg/L). Η Ομάδα 2 παρουσίασε τις υψηλότερες τιμές chl-a και εντοπίζεται στο ανατολικό τμήμα (φτάνοντας τα 140 μg/L μέση τιμή το 2016). Οι άλλες δύο ομάδες ακολούθησαν παρόμοια πρότυπα κατανομής αλλά με χαμηλότερα επίπεδα συγκέντρωσης, υποδεικνύοντας μια σαφή χωρική κατηγοριοποίηση της λίμνης σε τρεις ζώνες ρύπανσης.

[[Αρχείο:rs_wiki_2_chla_cluster.png | thumb| center| 300 px]]

==''' 4. ΣΥΜΠΕΡΑΣΜΑΤΑ '''==

Συμπερασματικά, η τριετής μελέτη των τηλεπισκοπικών δεδομένων αποκάλυψε ότι η κατάσταση της λίμνης Παμβώτιδας είναι κυρίως ευτροφική με συγκεκριμένες περιόδους έξαρσης του φαινομένου.
Στην εργασία τέθηκαν επί τάπητος οι ικανότητες και οι περιορισμοί του Sentinel-2 σε μελέτες ευτροφισμού εσωτερικών υδάτων, αξιοποιώντας τους αλγόριθμους MPH και MCI. Επίσης αξιολογήθηκε η συσχέτιση μεταξύ τους, που φάνηκε ισχυρή. Ο MPH συσχετίστηκε περαιτέρω με τη συγκέντρωση chl-a βάσει μοντέλου από τη βιβλιογραφία (Grendaitė et al. 2018). Αν και η μελέτη δεν περιλάμβανε επιτόπιες μετρήσεις για την περίοδο αναφοράς τα ευρήματα συγκρίθηκαν με παλαιότερες μετρήσεις του Φορέα Διαχείρισης της λίμνης (2010-2011), οι οποίες συμφωνούν με τα τηλεπισκοπικά αποτελέσματα. Η χωρική ανάλυση κατέδειξε ότι τα υψηλότερα επίπεδα chl-a συσσωρεύονται στη νότια και νοτιοανατολική ακτή της λίμνης. Ο συστηματικός εντοπισμός ακραίων τιμών σε αυτές τις περιοχές πιθανώς επηρεάζεται από την υδρόβια βλάστηση και τις διακυμάνσεις της στάθμης του νερού.
Οι κύριες πηγές ρύπανσης εντοπίζονται στην κοντινή αστική περιοχή και τις γεωργικές εκτάσεις, όπου οι ανθρωπογενείς δραστηριότητες αυξάνουν τα απόβλητα στο νερό. Παρά τη λειτουργία μονάδας επεξεργασίας λυμάτων, η παράνομη διάθεση αποβλήτων και η εντατική χρήση λιπασμάτων συνεχίζουν να υποβαθμίζουν την ποιότητα του νερού. Τα αποτελέσματα της έρευνας μπορούν να προσφέρουν καθοδήγηση στους διαχειριστές της λίμνης για τον εντοπισμό ευάλωτων περιοχών. Μελλοντικές βελτιώσεις της ανάλυσης θα πρέπει να περιλαμβάνουν την ατμοσφαιρική διόρθωση των δεδομένων, την αξιολόγηση του νεότερου αισθητήρα Sentinel-3 και τη συσχέτιση με επιτόπιες παραμέτρους για την ανάπτυξη ακριβέστερων αλγορίθμων.

==''' ΒΙΒΛΙΟΓΡΑΦΙΑ '''==

BABAN, SERWAN M. J. 1996. “Trophic Classification and Ecosystem Checking of Lakes Using Remotely Sensed Information.” Hydrological Sciences Journal 41 (6): 939–57. https://doi.org/10.1080/02626669609491560.

Grendaitė, Dalia, Edvinas Stonevičius, Jūratė Karosienė, Ksenija Savadova, and Jūratė Kasperovičienė. 2018. “Chlorophyll-a Concentration Retrieval in Eutrophic Lakes in Lithuania from Sentinel-2 Data.” Geologija. Geografija 4 (1). https://doi.org/10.6001/geol-geogr.v4i1.3720.

Matthews, Mark William, Stewart Bernard, and Lisl Robertson. 2012. “An Algorithm for Detecting Trophic Status (Chlorophyll-a), Cyanobacterial-Dominance, Surface Scums and Floating Vegetation in Inland and Coastal Waters.” Remote Sensing of Environment 124 (September): 637–52. https://doi.org/10.1016/j.rse.2012.05.032.

Mollaee, Somayeh. 2018. Estimation of Phytoplankton Chlorophyll-a Concentration in the Western Basin of Lake Erie Using Sentinel-2 and Sentinel-3 Data. July 4. http://hdl.handle.net/10012/13456.

Soriano-González, Jesús, Eduard Angelats, Margarita Fernández-Tejedor, et al. 2019. “First Results of Phytoplankton Spatial Dynamics in Two NW-Mediterranean Bays from Chlorophyll-a Estimates Using Sentinel 2: Potential Implications for Aquaculture.” Remote Sensing 11 (15). https://doi.org/10.3390/rs11151756.

Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2

2026-02-07T14:07:45Z

Rizoselef:

'''Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, στην Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Eutrophication Monitoring for Lake Pamvotis, Greece, Using Sentinel-2 Data''

'''Συγγραφείς''': ''Maria Peppa, Christos Vasilakos and Dimitris Kavroudakis''

'''Δημοσιεύθηκε''': ''229/02/2020, στο International Journal of Geo-Information, Volume 9, Issue 3 page 143''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.3390/ijgi9030143]

''' 1. Εισαγωγή'''

Το νερό είναι σημαντικό για όλες τις μορφές ζωής, είναι επίσης στενά συνδεδεμένο με ανθρώπινες δραστηριότητες, η εντατικοποίηση τους ωστόσο έχει αρνητικές συνέπειες στην ποιότητα των υδάτων. Ο ευτροφισμός των εσωτερικών υδάτων είναι μία απ’ αυτές, δηλαδή η αύξηση του φυτοπλαγκτόν λόγω εκτενούς συσσώρευση οργανικών αποβλήτων από ανθρώπινες δραστηριότητες, που έχει ως αποτέλεσμα τον σχηματισμού επιφανειακού στρώματος φυτοπλαγκτό το οποίο μειώνει το διαθέσιμο οξυγόνο, δημιουργώντας περιορισμούς στον κύκλο ζωής της πανίδας και της χλωρίδας των οικοσυστήματος.
Η χλωροφύλλη-α (chl-a) είναι ένας αξιόπιστος δείκτης υπολογισμού του ευτροφισμού που αξιοποιεί η τηλεπισκόπηση, λόγω της ικανότητας της να απορροφά κυρίως στο μπλε και το κόκκινο και να ανακλά στο πράσινο. Ως αποτέλεσμα δορυφορικά δεδομένα χωρικής και χρονικής ανάλυσης μπορούν να βοηθήσουν στην παρακολούθηση της κατανομής και της συγκέντρωσης της χλωροφύλλης-α (chl-a) στα εσωτερικά ύδατα κι άρα του ευτροφισμού τους. Η αξιοποίηση της χλωροφύλλης ως δείκτη βασίζεται σε τροποποίηση των δεδομένων μέσω αλγορίθμων ώστε να προσδιοριστεί η συγκέντρωση της.
Οι δορυφορικές εικόνες που αξιοποιούνται στην μελέτη προέρχεται από τους δορυφόρους του Sentinel 2 της Copernicus (2A & 2B). Ο Sentinel-2 έχει χρησιμοποιηθεί εκτενώς για την εκτίμηση της ποιότητας των υδάτων τόσο ωκεάνιων και παραθαλάσσιων όσο και εσωτερικών υδάτων.
Διάφοροι δείκτες έχουν αναπτυχθεί λόγω της φασματικής διαφοράς μεταξύ καθαρών και ευτροφικών υδάτων. Ο MCI (maximum chlorophyll index) είναι ένας απ’ αυτούς, βασίζεται στο ύψος της καμπύλης ανάκλασης στα 709 nm (ή 705 nm για τον Sentinel), σε εύρος μεταξύ 681 nm και 753 nm (665nm και 740nm για Sentinel-2). Άλλος ένας αλγόριθμος είναι ο MPH (maximum peak height) που βασίζεται στο μέγεθος και τη θέση της κορυφής Red/NIR (Matthews et al. 2012). Αναπτυγμένοι αρχικά για κανάλια από medium resolution imaging spectrometer (MERIS) έχουν προσαρμοστεί παραγοντικά στα κανάλια B4, B5, B6 και B8A του Sentinel (Mollaee 2018; Soriano-González et al. 2019).
Η εργασία αξιοποιεί τους αλγόριθμους MCI και MPH με βάση δεδομένα από τον Sentinel-2 για την λίμνη Παμβώτιδα. Σε βάθος τριετίας υπολογίζεται η χωρική κατανομή της συγκέντρωσης chl-a και αναλύονται τα πρότυπα κατανομής της, ενώ υπογραμμίζεται η χρησιμότητα του MPH για φυτοπλαγκτόν και υδρόβια βλάστηση.

'''2. ΥΛΙΚΑ ΜΕΘΟΔΟΙ'''

'''2.1 ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ'''

Η περιοχή μελέτης είναι η λίμνη Παμβώτιδα, η λίμνη βρίσκεται σε υψόμετρο 470 μέτρων, έχει έκταση 24 τ.χλμ. και μέγιστο μήκος 7,5 χλμ. Περιλαμβάνει ένα πλούσιο οικοσύστημα, το οποίο η αστική ανάπτυξη και η αύξηση του πληθυσμού έχουν οδηγήσει σε κατακερματισμό και υποβάθμιση. Στη δυτική όχθη της λίμνης βρίσκεται η πόλη των Ιωαννίνων, ενώ η λίμνη περιβάλλεται κυρίως από αστικές και γεωργικές εκτάσεις. Οργανικά απόβλητα και λιπάσματα από τις καλλιέργειες και τον αστικό ιστό καταλήγουν στη λίμνη, προκαλώντας σοβαρή περιβαλλοντική υποβάθμιση.
Για την εργασία αξιοποιούνται 65 δορυφορικές εικόνες χωρίς συννεφιά (cloud-free) από τους δορυφόρους Sentinel-2A και Sentinel-2B σε μορφή Level-1C, καλύπτοντας την περίοδο 2016–2018 (15 εικόνες το 2016, 21 το 2017 και 29 το 2018). Τα προϊόντα υπό μορφή Level-1C είναι ραδιομετρικά [λαμβάνουν υπόψη TOA (top of the atmosphere) ανάκλαση] και γεωμετρικά [χρησιμοποιώντας ψηφιακό μοντέλο ανύψωσης 90 μέτρων (PlanetDEM 90) από επίγειες τοπογραφικές αποστολές με ρανταρ] διορθωμένα.

'''2.2 ΜΕΘΟΔΟΛΟΓΙΑ'''

Για τον διαχωρισμό της ξηράς από το νερό αξιοποιήθηκε ο δείκτης NDWI (Normalized Difference Water Index) και χρησιμοποιήθηκε για τη δημιουργία της μάσκας ξηράς, σύμφωνα με τον τύπο:

[[Αρχείο:rs_wiki_2_NDWI.png]]

Όπου G είναι το πράσινο και NIR το εγγύς υπέρυθρο. Οι θετικές τιμές του δείκτη αντιστοιχούν σε νερό, ενώ οι αρνητικές σε έδαφος και βλάστηση.
Για την παρακολούθηση του ευτροφισμού εφαρμόστηκαν oi δύο αλγόριθμοι, MCI και MPH. Ο δείκτης MCI (Maximum Chlorophyll Index) μετρά το ύψος της κορυφής ανάκλασης στα 705 nm, χρησιμοποιώντας ως βάση το εύρος μεταξύ 665 nm και 740 nm για τις ζώνες του Sentinel-2. Το πλάτος της κορυφής στα 705nm συσχετίζεται με υψηλά επίπεδα chl-a. Σε αβαθή νερά βενθική βλάστηση (βλάστηση δηλαδή στο βυθό) συγχέεται με επιφανειακή συγκέντρωση φυτοπλαγκτόν κι έτσι δίνει κάποια προβληματικά αποτελέσματα. Ο αλγόριθμος προσαρμοσμένος για ελαφρύ συννεφιά και για τα κανάλια του Sentinel-2 αποτυπώνεται ως εξής:

[[Αρχείο:rs_wiki_2_mci.png]]

όπου Β4, Β5 και Β6 αποτυπώνουν την ανάκλαση και τα λβ4, λβ5 και λβ6 αντιστοιχούν στα μήκη κύματος των καναλιών (0,665, 0,705 και 0,740 αντίστοιχα).
Ο δείκτης MPH (maximum peak height) είναι μια τροποποίηση του MCI, προσδιορίζει την τροφική κατάσταση του συστήματος και εφαρμόζεται σε τριών ειδών ύδατα α) μικτά ολιγοτροφικά/μεσοτροφικά με χαμηλή προς μέτρια βιομάζα, β) ευτροφικά/υπερτροφικά με υψηλή βιομάζα και γ) ύδατα με εξαιρετικά υψηλή βιομάζα με επιφανειακά αιωρούμενα φυτοπλαγκτόν ή υδρόβια βλάστηση. Χρησιμοποιεί ως βάση τα μήκη κύματος μεταξύ 665 nm και 865 nm. Το μήκος κύματος στα 705 nm ορίζεται ως το σημείο κορυφής ανάκλασης σε ευτροφικά ύδατα, όπως φαίνεται στο φάσμα του Sentinel-2. Ο τύπος του MPH για κανάλια του Sentinel-2 είναι:

[[Αρχείο:rs_wiki_2_mph.png]]

Αξιολογήθηκε η συσχέτιση των δύο αλγορίθμων (MCI και MPH) μέσω του συντελεστή Pearson’s r. Στη συνέχεια, υπολογίστηκε η συγκέντρωση χλωροφύλλης-α (chl-a) με τη χρήση εμπειρικών μοντέλων από τη βιβλιογραφία, τα οποία έχουν αναπτυχθεί για παρόμοιες συνθήκες (Grendaitė et al. 2018). Η εξίσωση που επιλέχθηκε συσχετίζει τον δείκτη MPH με τη συγκέντρωση χλωροφύλλης και είναι η εξής:

[[Αρχείο:rs_wiki_2_chla.png]]

Επιπρόσθετα, πραγματοποιήθηκε περιγραφική στατιστική ανάλυση για κάθε εικονοστοιχείο (pixel) της περιοχής μελέτης (υπολογισμός ελάχιστης, μέγιστης, μέσης τιμής και τυπικής απόκλισης). Για τον εντοπισμό, αντιμετώπιση και ερμηνεία των ακραίων τιμών (outliers), χρησιμοποιήθηκε η μέθοδος του ενδοτεταρτημοριακού εύρους (IQR). Τέλος, ομαδοποιήθηκαν τα εικονοστοιχεία (pixel), για την ομαδοποίηση εφαρμόστηκε η τεχνική ISODATA (Iterative Self-Organizing Data Analysis Technique) στα 65 σύνολα δεδομένων συγκέντρωσης chl-a, προκειμένου να εντοπιστούν χωρικά και χρονικά πρότυπα, με τον βέλτιστο αριθμό των ομάδων (clusters) να καθορίζεται μέσω του πακέτου NbClust της R.

[[Αρχείο:rs_wiki_2_proccess.png | thumb| center| 400 px]]

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

'''3.1 Συσχέτιση MPH και MCI '''

Η εφαρμογή των αλγορίθμων MPH και MCI στα δεδομένα έδειξε ότι και οι δύο λειτουργούν ικανοποιητικά, καθώς βασίζονται σε κοινά φασματικά χαρακτηριστικά (για μήκη κύματος 665 nm και 705 nm). Ο συντελεστής συσχέτισης Pearson’s έδειξε ισχυρή θετική συσχέτιση μεταξύ των δύο δεικτών. Παρά την ισχυρή συσχέτιση, η περαιτέρω ανάλυση βασίστηκε στον δείκτη MPH, καθώς θεωρείται καταλληλότερος για την εκτίμηση της συγκέντρωσης chl-a σε διαφορετικά τροφικά εύρη και τύπους υδάτων και επειδή ορισμένες περιπτώσεις παρατηρήθηκαν αρνητικές τιμές MCI, γεγονός που πιθανώς οφείλεται σε πολύ πυκνούς επιφανειακούς σχηματισμούς κυανοβακτηρίων.

'''3.2 MPH και Συγκέντρωση Chl-A '''

Η χαρτογράφηση με το δείκτη MPH αποκάλυψε ότι η έντονη παρουσία χλωροφύλλης παρατηρείται κυρίως τους καλοκαιρινούς και φθινοπωρινούς μήνες, με τον Οκτώβριο να αποτελεί μήνα έξαρσης του φαινομένου. Αντίθετα, οι χειμερινοί και εαρινοί μήνες εμφανίζουν χαμηλότερες τιμές MPH. Κατά τις περιόδους έξαρσης, οι υψηλότερες τιμές MPH εντοπίζονται στην ανατολική πλευρά της λίμνης. Τα γεωργικά λιπάσματα και τα ελαφρά βιομηχανικά και αστικά απόβλητα που εισρέουν κυρίως από την νότια πλευρά της λίμνης είναι οι κύριοι υπεύθυνοι για τις υψηλές συγκεντρώσεις chl-a. Στην εικόνα απεικονίζεται το εύρος τιμών MPH σε περιόδους έξαρσης και αδράνειας:

[[Αρχείο:rs_wiki_2_map.png | thumb| center| 200 px]]

Σύμφωνα με το εμπειρικό μοντέλο, η μέγιστη συγκέντρωση chl-a έφτασε τα 257 μg/L. Στην παρακάτω εικόνα (η οποία συγκεντρώνει τις μοναδικές εικόνες χωρίς σύννεφα για το παρόν φαινόμενο έξαρσης) απεικονίζεται η έξαρση του φαινομένου κατά τον Σεπτέμβριο και Οκτώβριο του 2017:

[[Αρχείο:rs_wiki_2_map2.png | thumb| center| 200 px]]

Μια εαρινή έξαρση (Μάρτιος-Ιούνιος 2017) παρουσίασε χαμηλότερες συγκεντρώσεις. Αρχικά στα 20 μg/L, η συγκέντρωση αυξήθηκε σταδιακά, δημιουργώντας πυρήνες υψηλών τιμών (έως 170 μg/L) στα μέσα Μαΐου, πριν υποχωρήσει ξανά στα τέλη Ιουνίου, όπως φάινεται στην παρακάτω εικόνα:

[[Αρχείο:rs_wiki_2_map3.png | thumb| center| 200 px]]

Τα αποτελέσματα επιβεβαιώνουν ότι η λίμνη βρίσκεται σε υπερτροφική κατάσταση. Παράλληλα, αναδείχθηκε η ικανότητα του αισθητήρα Sentinel-2 να παρακολουθεί τέτοια γεγονότα με υψηλή ανάλυση ακόμα κι αν υπάρχουν λίγες κατάλληλες εικόνες διαθέσιμες. Τα προβλήματα που παρατηρήθηκαν ήταν δύο, πρώτα "θόρυβος λωρίδων" (stripe noise) σε ορισμένες εικόνες και επιδράσεις γειτνίασης (adjacency effect) σε εικονοστοιχεία κοντά στις ακτές.

'''3.3 Στατιστική Ανάλυση της Συγκέντρωσης Chl-A '''

Η χωρική και χρονική στατιστική ανάλυση της κατανομής της chl-a περιλάμβανε τον υπολογισμό της ελάχιστης και μέγιστης τιμής, του μέσου όρου και της τυπικής απόκλισης για κάθε εικονοστοιχείο. Οι μικρότερες τιμές εμφανίστηκαν κυρίως στη βορειοδυτική ακτή κοντά στην αστική περιοχή, ενώ οι μεγαλύτερες στην ανατολική και νοτιοανατολική ακτή με τιμές έως 260 μg/L, επιβεβαιώνοντας την επιβάρυνση από καλλιέργειες και πηγές ρύπανσης. Οι τιμές του μέσου όρου της συγκέντρωσης φτάνουν τα 56 μg/L, οπότε σύμφωνα με το σύστημα τροφικής ταξινόμησης Serwan,1996 η λίμνη ταξινομείται ως υπερτροφική. Τέλος, οι τιμές της τυπικής απόκλισης έδειξαν ότι οι μεγαλύτερες μεταβολές συγκέντρωσης συμβαίνουν στη νοτιοανατολική όχθη.

[[Αρχείο:rs_wiki_2_map4.png | thumb| center| 200 px]]

Η ανάλυση των ακραίων τιμών (outliers) έδειξε ότι η πλειοψηφία της έκτασης της λίμνης δεν παρουσίασε ακραίες τιμές κατά την περίοδο μελέτης, παρότι υψηλές συχνότητες ακραίων τιμών παρατηρήθηκαν κοντά στις νότιες και ανατολικές ακτές αυτές αποδίδονται στην υδρόβια βλάστηση και τις γεωργικές δραστηριότητες.

[[Αρχείο:Rs_wiki_2_map5.jpg | thumb| center| 200 px]]

Τέλος, έγινε ομαδοποίηση για ανάδειξε τυχόν χωρικών ή χρονικών διαφοροποιήσεων σχετικά με την συγκέντρωση chl-a, η οποία ανέδειξε 4 βέλτιστες ομάδες (clusters) που περιγράφουν τις χωρικές και χρονικές τάσεις.

[[Αρχείο:Rs_wiki_2_map6.jpg | thumb| center| 200 px]]

Η Ομάδα 1 περιλαμβάνει περιοχές με χαμηλές συγκεντρώσεις (μέσος όρος <60 μg/L). Η Ομάδα 2 παρουσίασε τις υψηλότερες τιμές chl-a και εντοπίζεται στο ανατολικό τμήμα (φτάνοντας τα 140 μg/L μέση τιμή το 2016). Οι άλλες δύο ομάδες ακολούθησαν παρόμοια πρότυπα κατανομής αλλά με χαμηλότερα επίπεδα συγκέντρωσης, υποδεικνύοντας μια σαφή χωρική κατηγοριοποίηση της λίμνης σε τρεις ζώνες ρύπανσης.

[[Αρχείο:rs_wiki_2_chla_cluster.png | thumb| center| 300 px]]

'''4. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Συμπερασματικά, η τριετής μελέτη των τηλεπισκοπικών δεδομένων αποκάλυψε ότι η κατάσταση της λίμνης Παμβώτιδας είναι κυρίως ευτροφική με συγκεκριμένες περιόδους έξαρσης του φαινομένου.
Στην εργασία τέθηκαν επί τάπητος οι ικανότητες και οι περιορισμοί του Sentinel-2 σε μελέτες ευτροφισμού εσωτερικών υδάτων, αξιοποιώντας τους αλγόριθμους MPH και MCI. Επίσης αξιολογήθηκε η συσχέτιση μεταξύ τους, που φάνηκε ισχυρή. Ο MPH συσχετίστηκε περαιτέρω με τη συγκέντρωση chl-a βάσει μοντέλου από τη βιβλιογραφία (Grendaitė et al. 2018). Αν και η μελέτη δεν περιλάμβανε επιτόπιες μετρήσεις για την περίοδο αναφοράς τα ευρήματα συγκρίθηκαν με παλαιότερες μετρήσεις του Φορέα Διαχείρισης της λίμνης (2010-2011), οι οποίες συμφωνούν με τα τηλεπισκοπικά αποτελέσματα. Η χωρική ανάλυση κατέδειξε ότι τα υψηλότερα επίπεδα chl-a συσσωρεύονται στη νότια και νοτιοανατολική ακτή της λίμνης. Ο συστηματικός εντοπισμός ακραίων τιμών σε αυτές τις περιοχές πιθανώς επηρεάζεται από την υδρόβια βλάστηση και τις διακυμάνσεις της στάθμης του νερού.
Οι κύριες πηγές ρύπανσης εντοπίζονται στην κοντινή αστική περιοχή και τις γεωργικές εκτάσεις, όπου οι ανθρωπογενείς δραστηριότητες αυξάνουν τα απόβλητα στο νερό. Παρά τη λειτουργία μονάδας επεξεργασίας λυμάτων, η παράνομη διάθεση αποβλήτων και η εντατική χρήση λιπασμάτων συνεχίζουν να υποβαθμίζουν την ποιότητα του νερού. Τα αποτελέσματα της έρευνας μπορούν να προσφέρουν καθοδήγηση στους διαχειριστές της λίμνης για τον εντοπισμό ευάλωτων περιοχών. Μελλοντικές βελτιώσεις της ανάλυσης θα πρέπει να περιλαμβάνουν την ατμοσφαιρική διόρθωση των δεδομένων, την αξιολόγηση του νεότερου αισθητήρα Sentinel-3 και τη συσχέτιση με επιτόπιες παραμέτρους για την ανάπτυξη ακριβέστερων αλγορίθμων.

'''ΒΙΒΛΙΟΓΡΑΦΙΑ'''

BABAN, SERWAN M. J. 1996. “Trophic Classification and Ecosystem Checking of Lakes Using Remotely Sensed Information.” Hydrological Sciences Journal 41 (6): 939–57. https://doi.org/10.1080/02626669609491560.

Grendaitė, Dalia, Edvinas Stonevičius, Jūratė Karosienė, Ksenija Savadova, and Jūratė Kasperovičienė. 2018. “Chlorophyll-a Concentration Retrieval in Eutrophic Lakes in Lithuania from Sentinel-2 Data.” Geologija. Geografija 4 (1). https://doi.org/10.6001/geol-geogr.v4i1.3720.

Matthews, Mark William, Stewart Bernard, and Lisl Robertson. 2012. “An Algorithm for Detecting Trophic Status (Chlorophyll-a), Cyanobacterial-Dominance, Surface Scums and Floating Vegetation in Inland and Coastal Waters.” Remote Sensing of Environment 124 (September): 637–52. https://doi.org/10.1016/j.rse.2012.05.032.

Mollaee, Somayeh. 2018. Estimation of Phytoplankton Chlorophyll-a Concentration in the Western Basin of Lake Erie Using Sentinel-2 and Sentinel-3 Data. July 4. http://hdl.handle.net/10012/13456.

Soriano-González, Jesús, Eduard Angelats, Margarita Fernández-Tejedor, et al. 2019. “First Results of Phytoplankton Spatial Dynamics in Two NW-Mediterranean Bays from Chlorophyll-a Estimates Using Sentinel 2: Potential Implications for Aquaculture.” Remote Sensing 11 (15). https://doi.org/10.3390/rs11151756.

Η τηλεπισκόπηση δείχνει τον ρόλο της ποιότητας και της ποσότητας της διαθέσιμης βοσκής στη θερινή χρήση ενδιαιτημάτων από κόκκινα ελάφια

2026-02-07T14:06:25Z

Rizoselef:

[[category:Εφαρμογές άγριας πανίδας]]

'''Η τηλεπισκόπηση δείχνει τον ρόλο της ποιότητας και της ποσότητας της διαθέσιμης βοσκής στη θερινή χρήση ενδιαιτημάτων από κόκκινα ελάφια'''

'''Πρωτότυπος τίτλος:''' ''Remote sensing reveals the role of forage quality and quantity for summer habitat use in red deer''

'''Συγγραφείς''': ''Thomas Rempfler, Christian Rossi, Jan Schweizer, Wibke Peters, Claudio Signer, Flurin Filli, Hannes Jenny, Klaus Hackländer, Sven Buchmann & Pia Anderwald''

'''Δημοσιεύθηκε''': ''18/12/2024 στο Movement Ecology vol. 12, αρθρο 80''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.1186/s40462-024-00521-6]

''' 1. Εισαγωγή'''

Η οικολογία των άγριων ζώων διέπεται από μια συνεχή προσπάθεια εξισορρόπησης μεταξύ των αναγκών τροφοληψίας και της διασφάλισης της ατομικής ασφάλειας. Η ανάγκη αποφυγής θηρευτών, στην οποία περιλαμβάνεται και ο άνθρωπος λόγω της θηρευτικής δραστηριότητας, αναγκάζει πολλά είδη να τροποποιούν τη χρήση του ενδιαιτήματός τους. Αυτό εκδηλώνεται συχνά με την αλλαγή της ημερήσιας δραστηριότητας για την αποφυγή των ανθρώπων κατά τη διάρκεια της ημέρας, καθώς και με τη σαφή προτίμηση προς προστατευόμενες περιοχές όπου απαγορεύεται το κυνήγι. Παράλληλα, οι τροφοληπτικές ανάγκες επιβάλλουν στρατηγικές που εξασφαλίζουν τη μέγιστη δυνατή ενέργεια με το ελάχιστο κόστος, υπό την προϋπόθεση ότι τα ζώα μπορούν να κινηθούν ελεύθερα και διαθέτουν επαρκή πληροφόρηση για το περιβάλλον τους. Σε αυτό το πλαίσιο, ανακύπτει ένα κρίσιμο αντισταθμιστικό όφελος μεταξύ της ποιότητας και της ποσότητας της τροφής, το οποίο επηρεάζει άμεσα τις επιλογές των φυτοφάγων.
Το κόκκινο ελάφι (Cervus elaphus), το οποίο ταξινομείται ως ενδιάμεσος καταναλωτής, καλείται να ικανοποιήσει υψηλές μεταβολικές απαιτήσεις μέσω μιας αυξημένης ημερήσιας πρόσληψης τροφής, η οποία πρέπει να ευθυγραμμίζεται με τη διαθεσιμότητα και την ποιότητα της βλάστησης κατά τη θερινή περίοδο. Παρά τις πολυάριθμες έρευνες, τα αποτελέσματα σχετικά με το αν το είδος προτιμά την ποσότητα έναντι της ποιότητας παραμένουν αντικρουόμενα. Επιπλέον, οι διαφορές εντός του ίδιου πληθυσμού, όπως αυτές που παρατηρούνται μεταξύ μόνιμων και μεταναστευτικών ατόμων, περιπλέκουν περαιτέρω την κατανόηση αυτών των προτύπων επιλογής. Ιδιαίτερα σε ετερογενή αλπικά ενδιαιτήματα με σύντομες βλαστικές περιόδους, παραμένει ασαφές σε ποιο βαθμό τα ελάφια προβαίνουν σε συμβιβασμούς μεταξύ αυτών των δύο παραμέτρων, κυρίως λόγω της δυσκολίας διαχωρισμού και μέτρησης των μεταβλητών ποιότητας και ποσότητας μέσω παραδοσιακών μεθόδων πεδίου.
Οι κλασικές μελέτες που βασίζονται σε δειγματοληψίες βιομάζας και αζώτου στο πεδίο παρέχουν συχνά μόνο μια στιγμιαία εικόνα και περιορισμένη χωρική κάλυψη. Η χρήση της τηλεπισκόπησης προσφέρει μια εναλλακτική λύση, αν και οι μέχρι τώρα έρευνες βασίζονταν υπερβολικά στον δείκτη NDVI. Παρόλο που ο NDVI είναι ένας αξιόπιστος δείκτης για την πράσινη βλάστηση και τη βιομάζα, στερείται της εξειδίκευσης που απαιτείται για τον ακριβή διαχωρισμό μεταξύ της ποιότητας και της ποσότητας της τροφής. Η εξέλιξη των υπερφασματικών αισθητήρων προσφέρει νέες προοπτικές, αλλά η περιορισμένη χρονική διαθεσιμότητα των δεδομένων τους καθιστά δύσκολη την παρακολούθηση των οπληφόρων καθ' όλη τη διάρκεια της αυξητικής περιόδου των φυτών.
Στην παρούσα μελέτη χρησιμοποιούνται τα δεδομένα των δορυφόρων Sentinel-2 του προγράμματος Copernicus, τα οποία συνδυάζουν υψηλή χωρική και χρονική διακριτική ικανότητα. Μέσω αυτών των δεδομένων, η ερευνητική ομάδα εφάρμοσε φυσικά μοντέλα μεταφοράς ακτινοβολίας (RTMs) για την εκτίμηση βιοχημικών και βιοφυσικών χαρακτηριστικών των φυτών, τα οποία σχετίζονται άμεσα με την ποιότητα και την ποσότητα της τροφής. Η προσέγγιση αυτή επιτρέπει την αξιολόγηση της σημασίας της φασματικής ανάκλασης, των δεικτών βλάστησης και των οπτικών χαρακτηριστικών στην πρόβλεψη των τροφοληπτικών παραμέτρων, υπερβαίνοντας τους περιορισμούς των απλών δεικτών όπως ο NDVI.
Η έρευνα εστιάζει στην περιοχή του Ελβετικού Εθνικού Πάρκου (SNP) και των περιχώρων του, χρησιμοποιώντας δεδομένα τηλεμετρίας από κολάρα GPS για την ανάλυση της συμπεριφοράς του κόκκινου ελαφιού. Οι βασικές υποθέσεις εργασίας προβλέπουν ότι τα ελάφια επιλέγουν ενδιαιτήματα με βάση πρωτίστως την ποσότητα της τροφής και δευτερευόντως την ποιότητα, με τα αρσενικά να εμφανίζουν πιο έντονη προτίμηση στην ποιότητα σε σύγκριση με τα θηλυκά. Ταυτόχρονα, συνυπολογίζονται οι επιδράσεις της τοπογραφίας και της ανθρώπινης όχλησης, με την προσμονή ότι τα ζώα θα αποφεύγουν συστηματικά τις περιοχές ανθρώπινης δραστηριότητας και θα προτιμούν την ασφάλεια που παρέχει το προστατευόμενο καθεστώς του Εθνικού Πάρκου. Με αυτόν τον τρόπο, η μελέτη επιχειρεί να αναδείξει πώς οι προηγμένες μέθοδοι τηλεπισκόπησης μπορούν να φωτίσουν τις στρατηγικές επιλογής ενδιαιτήματος σε σύνθετα οικοσυστήματα.

'''2. ΥΛΙΚΑ ΜΕΘΟΔΟΙ'''

''' ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ'''

Η έρευνα επικεντρώνεται στις εσωτερικές αλπικές κοιλάδες της ανατολικής Ελβετίας, καλύπτοντας το Ελβετικό Εθνικό Πάρκο (SNP) και τις παρακείμενες περιοχές του καντονιού Grisons, καθώς και τμήματα της Αυστρίας και της Ιταλίας. Το υψόμετρο κυμαίνεται από 1000 έως 3200 μέτρα, με το όριο των δέντρων να εντοπίζεται περίπου στα 2200 μέτρα. Το κλίμα χαρακτηρίζεται ως ξηρό και ψυχρό με μέση θερινή θερμοκρασία τους 13.2°C και παρατεταμένους χειμώνες που διαρκούν περίπου 154 ημέρες. Η ανθρώπινη παρουσία είναι έντονη στους πυθμένες των κοιλάδων, όπου βρίσκονται τα χωριά, ενώ η γεωργική δραστηριότητα αφορά κυρίως βοσκοτόπια. Το καθεστώς προστασίας διαφοροποιείται σημαντικά στην περιοχή, καθώς στο SNP απαγορεύεται κάθε ανθρώπινη δραστηριότητα, ενώ στις γύρω περιοχές το κυνήγι επιτρέπεται κατά τη διάρκεια της ημέρας, δημιουργώντας ένα σύνθετο τοπίο κινδύνου για τα ζώα.

[[Αρχείο:rs_wiki_5_area.png | thumb| center | 400 px | ''Εικόνα 1 Στον χάρτη φαίνεται η περιοχή μελέτης. Με κόκκινα όρια καθορίζεται το SNP. Για το υπολογισμό των περιοχών στις οποίες επιστρέφουν ξανά τα ελάφια έγινε παραδοχή ακτίνας 500m.'' ]]

''' ΔΕΔΟΜΕΝΑ ΚΟΚΚΙΝΟΥ ΕΛΑΦΙΟΥ'''

Για τη μελέτης παρακολουθήθηκαν 70 ενήλικα άτομα, τα οποία αιχμαλωτίστηκαν σε 12 διαφορετικές περιοχές. Τα δεδομένα συλλέχθηκαν μέσω τηλεμετρικών κολάρων GPS που κατέγραφαν στίγματα κάθε τρεις ώρες για διάστημα ενός έως τριών ετών. Μετά από αυστηρό φιλτράρισμα για την αφαίρεση ανακριβών τοποθεσιών και τον αποκλεισμό ατόμων με χαμηλό ρυθμό καταγραφής, κατέληξαν σε 45 θηλυκά και 21 αρσενικά. Η μελέτη περιορίστηκε αποκλειστικά στους θερινούς μήνες και σε ανοιχτά ενδιαιτήματα, όπως λιβάδια και περιοχές με αραιή βλάστηση. Ενώ για τον διαχωρισμό των ημερήσιων και νυχτερινών συμπεριφορών ως ημέρα θεωρήθηκαν οι ώρες από την ανατολή ως τη δύση του ηλίου και νύχτα οι υπόλοιπες.

'''ΕΡΜΗΝΕΥΤΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ'''

''' ΒΙΟΜΑΖΑ ΚΑΙ ΣΧΕΤΙΚΟ ΑΖΩΤΟ'''

Υπολογίστηκαν η απόλυτη βιομάζας φυλλώματα και η σχετική σύσταση αζώτου του πρασίνου μέσω δύο ξεχωριστών μοντέλων παλινδρόμησης Random Forest, εκπαιδευμένων με δεδομένα πεδίου από 322 επιφάνειες. Για τα δεδομένα η βλάστηση κόπηκε, ξηράνθηκε και ζυγίστηκε, ενώ η χημική ανάλυση για το άζωτο έγινε με εργαστηριακές μεθόδους και φασματομετρία υπέρυθρης ανάκλασης. Όλες οι επιφάνειες βλάστησης δειγματοληψίας γεοαναφέρθηκαν (georeferenced) με συστήματα υψηλής ακρίβειας (Global Navigation Satellite System, GNSS), διασφαλίζοντας την αξιοπιστία της συσχέτισης των δεδομένων πεδίου με τις δορυφορικές παρατηρήσεις.

'''ΠΡΟΒΛΕΠΤΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ'''

Χρησιμοποιήθηκαν τρεις τύποι δεδομένων από τον Sentinel-2: φασματικές ανακλάσεις 10 καναλιών, δείκτες βλάστησης (NDVI, MTCI, TGI, CAI) και οπτικά χαρακτηριστικά από το μοντέλο PROSAIL (LAI, CHL, EWT). Ο MTCI αξιολογεί το άζωτο σε λιβάδια, ο TGI τη χλωροφύλλη και ο CAI τη μη φωτοσυνθετική βλάστηση. Οι συγκεκριμένοι δείκτες επιλέχθηκαν επειδή καλύπτουν διαφορετικές περιοχές του ηλεκτρομαγνητικού φάσματος και προσφέρουν συμπληρωματικές πληροφορίες για την περιεκτικότητα σε άζωτο και τη συνολική βιομάζα, υπερβαίνοντας τους περιορισμούς του απλού NDVI.

'''ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΚΑΙ ΣΗΜΑΣΙΑ ΜΕΤΑΒΛΗΤΩΝ'''

Τα μοντέλα Random Forest εκπαιδεύτηκαν με αλγόριθμο RFE και βελτιστοποίηση υπερπαραμέτρων μέσω πενταπλής διασταυρούμενης επικύρωσης. Επιλέχθηκαν τα μοντέλα με τον υψηλότερο συντελεστή R2 και το χαμηλότερο σφάλμα RMSE. Η σημασία των μεταβλητών αξιολογήθηκε με μια στρατηγική μεταθέσεων ομαδοποιώντας τις μεταβλητές είτε βάσει της υψηλής συσχέτισης τους είτε βάσει του τύπου τους, για να υπολογιστεί η επίδραση κάθε ομάδας στην ακρίβεια της πρόβλεψης.

'''ΠΡΟΒΛΕΨΗ ΘΕΣΕΩΝ GPS ΚΑΙ ΑΦΑΙΡΕΣΗ ΑΚΡΑΙΩΝ ΤΙΜΩΝ'''
Κάθε τοποθεσία GPS αντιστοιχίστηκε με τη χρονικά πλησιέστερη δορυφορική εικόνα, με μέση απόκλιση τις 7,7 ημέρες. Για την αποφυγή λανθασμένων προβλέψεων σε περιοχές που διέφεραν από τα δεδομένα εκπαίδευσης, χρησιμοποιήθηκε ο δείκτης ανομοιότητας (DI). Οι θέσεις που παρουσίαζαν υπερβολικά υψηλό βαθμό ανομοιότητας αποκλείστηκαν από την περαιτέρω ανάλυση, διασφαλίζοντας ότι οι εκτιμήσεις για τη βιομάζα και το άζωτο στις θέσεις των ελαφιών ήταν εντός των ορίων εγκυρότητας του μοντέλου.

'''ΛΟΙΠΕΣ ΜΕΤΑΒΛΗΤΕΣ ΕΝΔΙΑΙΤΗΜΑΤΟΣ ΚΑΙ ΜΟΝΤΕΛΟΠΟΙΗΣΗ'''

Εκτός από την τροφή, εξετάστηκαν μεταβλητές που σχετίζονται με την αποφυγή του ανθρώπου, όπως η απόσταση από το δάσος, η απόσταση από μονοπάτια και η κλίση του εδάφους. Η κίνηση των ζώων αξιολογήθηκε μέσω του μήκους βήματος (step length), το οποίο ενσωματώθηκε στις συναρτήσεις επιλογής βήματος (iSSFs). Για κάθε πραγματική θέση του ελαφιού δημιουργήθηκαν 25 τυχαίες θέσεις, και η ανάλυση περιορίστηκε σε βήματα που πραγματοποιήθηκαν σε ανοιχτά ενδιαιτήματα. Τέλος, χρησιμοποιήθηκαν γενικευμένα γραμμικά μικτά μοντέλα (glmmTMB) ξεχωριστά για κάθε φύλο, συμπεριλαμβάνοντας το άτομο ως τυχαία επίδραση για τον έλεγχο της τυχαιότητας της ατομικής συμπεριφοράς.

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

'''Πρότυπα κίνησης και χωρική κατανομή'''

Το 74% των θερινών θέσεων εντοπίστηκε σε λιβάδια και το 24% σε εκτάσεις με βρύα/λειχήνες. Τα δύο φύλα παρουσίασαν παρόμοια χαρακτηριστικά όσον αφορά τις ημερήσιες διανυόμενες αποστάσεις, το μέγεθος της περιοχής εξάπλωσης και το μήκος των βημάτων τους. Ωστόσο, παρατηρήθηκε μια σαφής υψομετρική διαφοροποίηση εντός του SNP, με τα αρσενικά να κινούνται σε σημαντικά υψηλότερα υψόμετρα σε σχέση με τα θηλυκά. Είναι αξιοσημείωτο ότι οι μετακινήσεις μεταξύ του εσωτερικού και του εξωτερικού της προστατευόμενης περιοχής ήταν εξαιρετικά περιορισμένες αντιπροσωπεύοντας μόλις το 2% των συνολικών καταγραφών.

'''Επιδόσεις των μοντέλων βιομάζας και αζώτου'''

Η μοντελοποίηση της βιομάζας (ποσότητα τροφής) μέσω του αλγορίθμου Random Forest πέτυχε υψηλή προγνωστική ακρίβεια με συντελεστή προσδιορισμού R2 = 0.60 και μέσο τετραγωνικό σφάλμα (RMSE) 88.55 g/m². Η ανάλυση της σημασίας των μεταβλητών ανέδειξε τον δείκτη MTCI ως τον καθοριστικότερο παράγοντα, ακολουθούμενο από τον NDVI, τον δείκτη κυτταρίνης (CAI) και τον δείκτη φυλλικής επιφάνειας (LAI). Αντίθετα, η πρόβλεψη του σχετικού αζώτου (ποιότητα τροφής) αποδείχθηκε πιο απαιτητική, με μέτρια ακρίβεια της τάξης του R2 = 0.34, απαιτώντας τη συνδρομή και των 18 διαθέσιμων μεταβλητών για τη βελτιστοποίηση του μοντέλου.
Συνολικά, οι δείκτες βλάστησης (VIs) ήταν οι σημαντικότεροι και στα δύο μοντέλα. Παρόλα αυτά, τα οπτικά χαρακτηριστικά (optical traits) προσέφεραν κρίσιμη συμπληρωματική πληροφορία ιδιαίτερα στα μοντέλα βιομάζας. Ενώ οι φασματικές ανακλάσεις φάνηκαν να συνεισφέρουν στη μοντελοποίηση του αζώτου, η επίδρασή τους ήταν οριακή στην περίπτωση της βιομάζας, όπου οι δείκτες βλάστησης και τα δομικά χαρακτηριστικά των φυτών παρείχαν την απαραίτητη πληροφορία.

'''Επιλογή ενδιαιτήματος και ανάγκες ασφάλειας'''

Τα αποτελέσματα των συναρτήσεων επιλογής βήματος (iSSFs) έδειξαν ότι και τα δύο φύλα επιλέγουν ενδιαιτήματα με υψηλή βιομάζα και υψηλή περιεκτικότητα σε άζωτο. Ωστόσο, η ποσότητα της τροφής (βιομάζα) αναδείχθηκε ως ο επικρατέστερος παράγοντας επιλογής έναντι της ποιότητας. Στη σύγκριση μεταξύ των φύλων, τα θηλυκά εμφάνισαν ισχυρότερη προτίμηση σε περιοχές με υψηλή βιομάζα, ενώ τα αρσενικά έδωσαν ελαφρώς μεγαλύτερη έμφαση στην ποιότητα (άζωτο).
Σχετικά με τις μεταβλητές που αφορούν την ασφάλεια τα θηλυκά προτίμησαν την εγγύτητα στο δάσος και στα μονοπάτια κινούμενα κυρίως σε επίπεδα εδάφη. Τα αρσενικά επέλεξαν επίσης μικρές αποστάσεις από το δάσος αλλά η συμπεριφορά τους δεν επηρεάστηκε σημαντικά από την ύπαρξη μονοπατιών ή την κλίση του εδάφους. Και τα δύο φύλα παρουσίασαν αυξημένο μήκος βήματος δείχνοντας έντονης κινητικότητα, με τα θηλυκά να καλύπτουν μεγαλύτερες αποστάσεις.

[[Αρχείο:rs_wiki_5_diagram.png | thumb| center | 400 px | ''Εικόνα 2 Επιλογή ενδιατημάτων την καλοκαιρινή περίοδο σε σχέση με τη βιομάζα, το σχετικό άζωτο, την απόσταση από το δάσος, τα μονοπάτια και τις πλαγιές και το μήκος βήματος με όρια αξιοπιστίας 95%. Ο δεκαδικός λογάριθμος του πηλίκου αναφέρεται σε συχνότητα μεταξύ τοποθεσιών που αξιοποιούνται (used) και που είναι διαθέσιμες (available). Οι τιμές >0 δείχνουν προτίμηση ενώ οι <0 τιμές αποφυγή. Τα διαγράμματα αποτυπώνουν διαφορετικές κλίμακες.'']]

'''Η επίδραση του Εθνικού Πάρκου και ο κύκλος ημέρας-νύχτας'''

Τα θηλυκά παρέμεναν στο πάρκο στο 82% των περιπτώσεων, ενώ τα αρσενικά στο 46%. Η παρουσία εντός του πάρκου ήταν αυξημένη την ημέρα (89% θηλυκά, 59% αρσενικά) και μειωνόταν τη νύχτα. Το πάρκο λειτουργεί ως καταφύγιο κατά τις ώρες αιχμής της ανθρώπινης παρουσίας, επιτρέποντας νυχτερινές μετακινήσεις σε εξωτερικές περιοχές.

[[Αρχείο:rs_wiki_5_location.png | thumb| center | 400 px | ''Εικόνα 3 Αναλογία τοποθεσίας ανά φύλα a) εντός (πράσινο) και εκτός (μπλε) του Εθνικού πάρκου b) αντίστοιχα ως προς μέρα και νύχτα'' ]]

''' 4. ΣΥΖΗΤΗΣΗ'''

'''Επιλογή ενδιαιτήματος και στρατηγικές επιβίωσης'''

Η χρήση των συναρτήσεων iSSF επέτρεψε τον ταυτόχρονο προσδιορισμό της κίνησης και της επιλογής πόρων, αποκαλύπτοντας πώς το κόκκινο ελάφι διαχειρίζεται το κρίσιμο αντισταθμιστικό όφελος μεταξύ τροφοληψίας και ασφάλειας. Τα αποτελέσματά μας δείχνουν ότι σε αυτό το ετερογενές αλπικό τοπίο, τα ελάφια προτεραιοποιούν την ποσότητα της τροφής (βιομάζα) έναντι της ποιότητας (άζωτο). Αυτή η προτίμηση παραμένει σταθερή καθ' όλη τη διάρκεια του καλοκαιριού και δεν φαίνεται να επηρεάζεται από την εποχιακή υποβάθμιση της βλάστησης. Οι διαφορές μεταξύ των φύλων ήταν υπαρκτές αλλά περιορισμένες με τα θηλυκά να επιλέγουν περιοχές με μεγαλύτερη ποσότητα βιομάζας, ενώ τα αρσενικά έδειξαν μια ελαφρώς μεγαλύτερη τάση προς την ποιότητα πιθανώς εκμεταλλευόμενα τα αλπικά βοσκοτόπια εκτός του Εθνικού Πάρκου (SNP) που προσφέρουν πιο θρεπτική βλάστηση λόγω της κτηνοτροφικής δραστηριότητας.
Η ανάγκη για ασφάλεια αναδείχθηκε ως κυρίαρχος παράγοντας με την εγγύτητα στο δάσος να αποτελεί κοινή προτίμηση και για τα δύο φύλα εξυπηρετώντας τόσο την προστασία όσο και τη θερμορύθμιση. Η έντονη χρήση του SNP από τα θηλυκά, ειδικά κατά τη διάρκεια της ημέρας (89%), υπογραμμίζει την ανάγκη προστασίας των απογόνων τους από την ανθρώπινη όχληση. Αντίθετα, τα αρσενικά εμφανίστηκαν πιο ανεκτικά στις διαταραχές εγκαταλείποντας το Πάρκο κατά τη διάρκεια της νύχτας με διπλάσια συχνότητα από τα θηλυκά. Αυτή η νυχτερινή μετακίνηση εκτός των ορίων του SNP μπορεί να ερμηνευτεί ως μια στρατηγική αποφυγής της υψηλής πυκνότητας του πληθυσμού εντός του Πάρκου, αλλά και ως μια προσπάθεια πρόσβασης σε τροφή υψηλότερης ποιότητας σε περιοχές που θεωρούνται ριψοκίνδυνες κατά τη διάρκεια της ημέρας.
Ένα φαινομενικά παράδοξο εύρημα ήταν η προτίμηση των θηλυκών για περιοχές κοντά σε μονοπάτια και σε επίπεδο ανάγλυφο, σημεία που παραδοσιακά συνδέονται με υψηλή ανθρώπινη δραστηριότητα. Η ερμηνεία μας είναι ότι εντός του πάρκου, όπου η κίνηση των επισκεπτών είναι αυστηρά περιορισμένη και προβλέψιμη, τα ελάφια έχουν εξοικειωθεί με την παρουσία των πεζοπόρων. Αυτή η «προβλεψιμότητα» της όχλησης επιτρέπει στα ζώα να εκμεταλλεύονται τους πλούσιους τροφοληπτικούς πόρους που συχνά εντοπίζονται σε αυτές τις περιοχές, χωρίς να αισθάνονται άμεση απειλή, αναδεικνύοντας την προσαρμοστικότητα του είδους σε ελεγχόμενα περιβάλλοντα.

'''Αξιολόγηση των τηλεπισκοπικών μοντέλων'''

Η μελέτη απέδειξε ότι τα δεδομένα του Sentinel-2 μπορούν να προσφέρουν εκτιμήσεις βιομάζας και αζώτου συγκρίσιμες με εκείνες των ακριβότερων υπερφασματικών αισθητήρων. Η ισχυρή απόδοση του μοντέλου βιομάζας (R2 = 0.60) οφείλεται σε μεγάλο βαθμό στην ενσωμάτωση του δείκτη MTCI και οπτικών χαρακτηριστικών όπως ο LAI. Η χρήση φυσικών μοντέλων μεταφοράς ακτινοβολίας (PROSAIL) με τη μέθοδο του πίνακα αναζήτησης (LUT) αποδείχθηκε ανώτερη από τις τυποποιημένες εφαρμογές, προσφέροντας μεγαλύτερη ακρίβεια και αναπραγωγιμότητα των αποτελεσμάτων.
Ωστόσο, η πρόβλεψη του σχετικού αζώτου παραμένει μια σημαντική πρόκληση στην τηλεπισκόπηση, γεγονός που αντικατοπτρίζεται στη μέτρια ακρίβεια του αντίστοιχου μοντέλου (R2 = 0.34). Η πολυπλοκότητα αυτή προκύπτει από το γεγονός ότι η φασματική ανάκλαση επηρεάζεται περισσότερο από την απόλυτη ποσότητα αζώτου ανά μονάδα επιφάνειας παρά από τη συγκέντρωσή του στους ιστούς. Παρά τους περιορισμούς αυτούς, η χρήση δεδομένων αναφοράς από το πεδίο αποτελεί μια σημαντική βελτίωση σε σχέση με προηγούμενες μελέτες που βασίζονταν αποκλειστικά σε δείκτες-υποκατάστατα (proxies) χωρίς επαλήθευση. Η ενσωμάτωση πρόσθετων δεικτών πέραν του NDVI, όπως ο MTCI που είναι ευαίσθητος στη χλωροφύλλη είναι απαραίτητη για την αποφυγή του φαινομένου κορεσμού σε περιοχές με πυκνή βλάστηση και για την ακριβέστερη αποτύπωση της ποιότητας της τροφής.
Συμπερασματικά, η εργασία αναδεικνύει την αξία των σύγχρονων δορυφορικών αποστολών στην οικολογία κίνησης. Η δυνατότητα παραγωγής εβδομαδιαίων χαρτών ποιότητας και ποσότητας τροφής σε υψηλή ανάλυση επιτρέπει τη βαθύτερη κατανόηση του πώς τα μεγάλα οπληφόρα πλοηγούνται σε δυναμικά τοπία, εξισορροπώντας τις ενεργειακές τους ανάγκες με την επιβίωση. Οι μελλοντικοί υπερφασματικοί αισθητήρες αναμένεται να βελτιώσουν περαιτέρω αυτές τις προβλέψεις προσφέροντας ακόμη πιο λεπτομερή εικόνα των βιοχημικών χαρακτηριστικών της βλάστησης.

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Το κόκκινο ελάφι βάζει σε προτεραιότητα την ποσότητα της τροφής έναντι της ποιότητας στα θερινά αλπικά ενδιαιτήματα, με την επιλογή του να καθορίζεται σημαντικά και από την ανάγκη για ασφάλεια. Τα θηλυκά εμφανίζονται πιο ευαίσθητα στην ανθρώπινη δραστηριότητα έχοντας ισχυρή προτίμηση στην προστασία που παρέχει το πάρκο. Παράλληλα, η τηλεπισκόπηση αναδεικνύεται σε πολύτιμο εργαλείο για τη χαρτογράφηση των τροφοληπτικών πόρων, καθώς ο συνδυασμός δεικτών βλάστησης και οπτικών χαρακτηριστικών βελτιώνει σημαντικά την ακρίβεια των προβλέψεων. Ενώ η βιομάζα χαρτογραφείται με υψηλή αξιοπιστία, η εκτίμηση του αζώτου παραμένει τεχνική πρόκληση, η οποία αναμένεται να αντιμετωπιστεί στο μέλλον μέσω των προηγμένων υπερφασματικών δορυφορικών αισθητήρων.

Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων

2026-02-07T14:02:26Z

Rizoselef:

[[category:Υγεία]]

'''Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων (Ανασκόπηση) '''

'''Πρωτότυπος τίτλος:''' ''Application of remote sensing and geospatial technologies in predicting vector-borne disease outbreaks (Review article)''

'''Συγγραφείς''': ''Ebrahim Abbasi''

'''Δημοσιεύθηκε''': ''15/10/2025, στο The Royal Society,''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.1098/rsos.250536]

''' 1. ΕΙΣΑΓΩΓΗ'''

Τα νοσήματα που μεταδίδονται μέσω φορέων (Vector-Borne Diseases - VBDs) αποτελούν μία από τις μεγαλύτερες προκλήσεις για την παγκόσμια υγεία, επηρεάζοντας εκατομμύρια ανθρώπους ετησίως, ιδιαίτερα στις τροπικές και υποτροπικές περιοχές. Τα νοσήματα αυτά μεταδίδονται από φορείς όπως κουνούπια, τσιμπούρια και μύγες, οι οποίοι μεταφέρουν παθογόνους οργανισμούς (ιούς, βακτήρια, πρωτόζωα), προκαλώντας υψηλά ποσοστά νοσηρότητας και θνησιμότητας. Η εμφάνιση και η εξάπλωσή τους επηρεάζονται από ένα σύνθετο πλέγμα περιβαλλοντικών, κλιματικών και κοινωνικοοικονομικών παραγόντων. Η κατανόηση της χωρικής και χρονικής δυναμικής τους είναι κρίσιμη για την εφαρμογή έγκαιρων μέτρων ελέγχου, ειδικά υπό το πρίσμα της ταχείας αστικοποίησης και της κλιματικής αλλαγής.
Τις τελευταίες δεκαετίες, η πρόοδος στις γεωχωρικές τεχνολογίες και την τηλεπισκόπηση έχει φέρει επανάσταση στον τρόπο παρακολούθησης των οικολογικών παραγόντων που συμβάλλουν στη μετάδοση των VBDs. Τα δεδομένα τηλεπισκόπησης, όταν ενσωματώνονται σε Γεωγραφικά Συστήματα Πληροφοριών (GIS), προσφέρουν ισχυρά εργαλεία για την ανάλυση των οικοτόπων των φορέων, τον εντοπισμό ζωνών κινδύνου και την πρόβλεψη εξάρσεων.
Οι τεχνολογίες αυτές επιτρέπουν τη συλλογή δεδομένων υψηλής ανάλυσης για μεταβλητές όπως θερμοκρασία και υγρασία, βοχόπτωση και διαθεσιμότητα υδάτινων πόρων, χρήσεις γης και κάλυψη βλάστησης και τοπογραφία.
Ένα από τα κύρια πλεονεκτήματα της τηλεπισκόπησης είναι η ικανότητα παροχής πραγματικού χρόνου και συνεχούς κάλυψης σε παγκόσμια κλίμακα. Σε αντίθεση με τις παραδοσιακές μεθόδους επίγειας παρατήρησης, οι οποίες είναι χρονοβόρες και γεωγραφικά περιορισμένες, η τηλεπισκόπηση επιτρέπει την παρακολούθηση απομακρυσμένων ή δυσπρόσιτων περιοχών. Η ενσωμάτωση δεδομένων Παρατήρησης της Γης (Earth Observation - EO) με επιδημιολογικά μοντέλα ενισχύει την ακρίβεια των προβλέψεων, οδηγώντας σε βελτιωμένα Συστήματα Έγκαιρης Προειδοποίησης (Early Warning Systems - EWS).
Οι γεοχωρικές τεχνολογίες έχουν συνεισφέρει σημαντικά στον σχεδιασμό προγνωστικών μοντέλων που εκτιμούν τον κίνδυνο εξάρσεων VBDs, ενσωματώνοντας κλιματικές μεταβλητές, την πληθυσμιακή πυκνότητα και ιστορικά επιδημιολογικά δεδομένα. Επιπρόσθετα ο συνδυασμός δεδομένων τηλεπισκόπησης με τεχνητή νοημοσύνη και μηχανική μάθηση ενισχύει την ακρίβεια των προβλέψεων, αποκαλύπτοντας σύνθετα πρότυπα που οι παραδοσιακές στατιστικές μέθοδοι αδυνατούν να εντοπίσουν. Ωστόσο, η εφαρμογή αυτή έρχεται αντιμέτωπη με προκλήσεις, όπως η ανάγκη για δεδομένα υψηλής ανάλυσης και η αντιμετώπιση περιορισμών που προκύπτουν από τη νεφοκάλυψη ή την περιορισμένη χρονική συχνότητα των λήψεων. Η ουσιαστική αξιοποίηση των δεδομένων Παρατήρησης της Γης (EO) προϋποθέτει την ανάπτυξη ισχυρών μοντέλων που μπορούν να ερμηνεύσουν τις πολυεπίπεδες αλληλεπιδράσεις μεταξύ περιβαλλοντικών παραγόντων και συμπεριφοράς των φορέων.
Πέρα από το τεχνικό πλαίσιο, η μελέτη υπογραμμίζει την επιτακτική ανάγκη για διεπιστημονική συνεργασία μεταξύ εντομολόγων, επιδημιολόγων, κλιματολόγων και αναλυτών γεοχωρικών δεδομένων. Η ανταλλαγή δεδομένων, η τυποποίηση των μεθοδολογιών και η δημιουργία εύχρηστων συστημάτων υποστήριξης αποφάσεων είναι καθοριστικής σημασίας για τη μετατροπή της έρευνας σε εφαρμόσιμη πολιτική υγείας. Στόχος της εργασίας είναι να διερευνήσει τις τρέχουσες εφαρμογές και τις μελλοντικές προοπτικές αυτής της τηελεπισκόπισης και των γεοχωρικών δεδομένων για πρόβλεψη και έλεγχο εξάρσεων VBDs, αναδεικνύοντας τον κεντρικό ρόλο των δεδομένων παρατήρησης της Γης στη βελτίωση της επιτήρησης των νόσων και των συστημάτων έγκαιρης προειδοποίησης μέσα σε ένα διαρκώς μεταβαλλόμενο περιβάλλον.

'''2. ΜΕΘΟΔΟΛΟΓΙΑ'''

Η εργασία αποτελεί ανασκόπηση υιοθετώντας μια συστηματική και ολοκληρωμένη προσέγγιση για την αξιολόγηση των τρέχουσων εφαρμογών και του μελλοντικού δυναμικού των τεχνολογιών τηλεπισκόπησης (RS) και γεοχωρικής ανάλυσης στην πρόβλεψη και διαχείριση επιδημιών νοσημάτων που μεταδίδονται μέσω διαβιβαστών (VBDs).
Η μεθοδολογία είναι σχεδιασμένη για την διασφάλιση αυστηρής σύνθεσης του υπάρχοντος σώματος της βιβλιογραφίας, με έμφαση σε διεπιστημονικές μελέτες που γεφυρώνουν τα πεδία της ιατρικής εντομολογίας, της τηλεπισκόπησης και της γεωχωρικής ανάλυσης.
Οι ακόλουθες υποενότητες παρουσιάζουν τα βασικά βήματα και τα κριτήρια που εφαρμόστηκαν στη διαδικασία της ανασκόπησης, διασφαλίζοντας διαφάνεια, αναπαραγωγιμότητα και επιστημονική αυστηρότητα.

'''2.1 Στρατηγική Αναζήτησης Βιβλιογραφίας'''

Πραγματοποιήθηκε συστηματική αναζήτηση σε επιστημονικές βάσεις δεδομένων (PubMed, Web of Science, Scopus, IEEE Xplore). Χρησιμοποιήθηκαν λέξεις - κλειδιά όπως «Vector-borne diseases», «Remote sensing», «GIS», «Earth observation data» και «Machine learning». Η εργασία περιορίστηκε σε άρθρα κριτικά αξιολογημένα (peer reviewed) που δημοσιεύθηκαν μεταξύ 2000 και 2025, προκειμένου να συμπεριληφθούν οι πλέον σύγχρονες τεχνολογικές εξελίξεις.

'''2.2 Κριτήρια Ένταξης και Αποκλεισμού'''

Για τη διασφάλιση της ποιότητας, τα επιλεγμένα άρθρα έπρεπε να:

1. Εστιάζουν στην εφαρμογή RS ή GIS στο πλαίσιο των VBDs.

2. Αναλύουν περιβαλλοντικούς ή κλιματικούς παράγοντες.

3. Παρέχουν ποσοτικά ή ποιοτικά στοιχεία για προγνωστικά μοντέλα ή εκτίμηση κινδύνου.

Αποκλείστηκαν μελέτες που αφορούσαν αποκλειστικά εργαστηριακή έρευνα χωρίς γεoχωρική οπτική, καθώς και άρθρα χωρίς επαρκή μεθοδολογική τεκμηρίωση. Όλοι οι τίτλοι και τα abstracts αξιολογήθηκαν από δύο άτομα – κριτές.

'''2.3 Εξαγωγή και Σύνθεση Δεδομένων'''

Ένα δομημένο πρότυπο χρησιμοποιήθηκε για την καταγραφή κατάλληλων πληροφοριών από τις μελέτες. Τα δεδομένα που εξάχθηκαν περιλαμβάνουν, δεδομένα αναφορικά με τους στόχους της εργασίας, με την γεωγραφική περιοχή, με τις δορυφορικές πλατφόρμες (MODIS, Landsat, Sentinel), με τις αναλυτικές τεχνικές (Machine Learning - ML, χωρική στατιστική) και με τα βασικά ευρήματα για την επιτήρηση των φορέων. Η σύνθεση των εξαχθέντων δεδομένων έγινε με ομαδοποίηση των μελετών ανάλογα με το κύριο αντικείμενο τους.

'''2.4-2.5 Ποιοτική Αξιολόγηση και Θεωρητικό Πλαίσιο'''

Εφαρμόστηκε ένα πλαίσιο αξιολόγησης βάσει της σαφήνειας των στόχων και της ισχύος της στατιστικής ανάλυσης. Η μελέτη ενσωμάτωσε θεωρίες όπως η τοπιακή επιδημιολογία (landscape epidemiology) και η μοντελοποίηση οικολογικού θώκου (ecological niche modelling), για να ερμηνεύσει τις αλληλεπιδράσεις περιβάλλοντος-φορέα-ανθρώπου.

'''2.6 ΠΕΡΙΟΡΙΣΜΟΙ ΚΑΙ ΕΥΡΟΣ ΤΗΣ ΑΝΑΣΚΟΠΗΣ'''

Παρά τη συστηματική της προσέγγιση, η ανασκόπηση παρουσιάζει ορισμένους περιορισμούς. Ο αποκλεισμός μη αγγλόφωνων μελετών και η έμφαση αποκλειστικά σε βιβλιογραφία κρτικά αξιολογημένα (peer reviewed) ενδέχεται να περιόρισαν την ενσωμάτωση τοπικών δεδομένων ή αδημοσίευτων ερευνών Παράλληλα, η μελέτη εστιάζει στις τεχνολογίες τηλεπισκόπησης και GIS, χωρίς να επεκτείνεται σε μοριακές ή γενετικές αναλύσεις των φορέων. Παρά τους περιορισμούς αυτούς, η εργασία θέτει στέρεες βάσεις για μελλοντικές διεπιστημονικές εφαρμογές στην αντιμετώπιση των νοσημάτων που μεταδίδονται από φορείς.

[[Αρχείο:rs_wiki_4_prediction.png | thumb| 400 px | '''Εικόνα 1:'''Η διαδικασία πρόβλεψης και επιτήρησης VBDs με τη χρήση RS και GIS''']]

[[Αρχείο:rs_wiki_4_radarchart.png | thumb| 400 px | '''Εικόνα 2:''' Αξιολόγηση της ικανότητας και των προκλήσεων της εφαρμογής RS και GIS τεχνολογιών στην πρόβλεψη έξαρσης VBDs''']]

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ '''

Τα ευρήματα της παρούσας εργασίας (ανασκόπησης) κατηγοριοποιούνται σε κεντρικούς θεματικούς τομείς, αναδεικνύοντας τις προόδους και τους περιορισμούς των γεοχωρικών τεχνολογιών στην πρόβλεψη των VBDs. Ένα ευρύ φάσμα πλατφορμών τηλεπισκόπησης χρησιμοποιούνται για την παρακολούθηση περιβαλλοντικών και κλιματικών παραγόντων. Οι δορυφόροι Landsat αξιοποιούνται κυρίως για τη μελέτη αλλαγών στη χρήση και την κάλυψη γης (LULC), οι οποίες είναι καθοριστικές για την κατανόηση της καταλληλότητας των ενδιαιτημάτων για φορείς όπως τα κουνούπια (Aedes aegypti). Αντίστοιχα, ο MODIS εφαρμόζεται εκτενώς για την ανάλυση κλιματικών παραμέτρων, όπως η θερμοκρασία της επιφάνειας εδάφους και οι δείκτες βλάστησης, παρέχοντας δεδομένα για τη μοντελοποίηση της πυκνότητας των φορέων και του κινδύνου μετάδοσης. Ο Sentinel-2 αναδείχθηκε ως η προτιμώμενη πλατφόρμα για τη λεπτομερή χαρτογράφηση αστικών περιβαλλόντων με σημασία στην πρόβλεψη πυκνοκατοικημένων περιοχών, ενώ η ενσωμάτωση δεδομένων από μη επανδρωμένα αεροσκάφη (UAVs) πρόσφερε υψηλή ανάλυση για τοπικές παρεμβάσεις, παρά την περιορισμένη χωρική κάλυψη που παρέχουν.
Παράλληλα, υπογραμμίστηκε ο κομβικός ρόλος των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) στην ενοποίηση περιβαλλοντικών και επιδημιολογικών δεδομένων για τη δημιουργία προγνωστικών μοντέλων. Η χρήση δεικτών όπως ο NDVI σε συνδυασμό με δεδομένα βροχόπτωσης επέτρεψε την πρόβλεψη εποχιακών εξάρσεων της ελονοσίας, ενώ τα μοντέλα μηχανικής μάθησης (Random Forests, SVM) ενίσχυσαν την ακρίβεια των προβλέψεων. Κυρίαρχο θέμα στις εργασίες που ενσωματώθηκαν και αξιοοποιήθηκαν για την ανασκόπηση αποτελεί ο προσδιορισμός των περιβαλλοντικών οδηγών δηλαδή τη θερμοκρασία, τη βροχόπτωση και την αστικοποίηση, οι οποίοι αναδεικνύονται ως οι βασικότεροι παράγοντες που ρυθμίζουν τη δυναμική των πληθυσμών των φορέων. Συγκεκριμένα, διαπιστώθηκαν ισχυρές συσχετίσεις μεταξύ θερμοκρασιακών ανωμαλιών και εξάρσεων δάγκειου πυρετού, ενώ οι αλλαγές στη χρήση γης λόγω αστικοποίησης επηρέασαν σημαντικά την αφθονία των φορέων σε αστικές και περι-αστικές περιοχές.
Η εφαρμογή της τηλεπισκόπησης στην ανάπτυξη Συστημάτων Έγκαιρης Προειδοποίησης (EWS) αποτέλεσε επίσης σημείο αναφοράς, καθώς η συνέργεια δορυφορικών και επίγειων εντομολογικών δεδομένων βελτίωσε αισθητά την ικανότητα έγκαιρης παρέμβασης της δημόσιας υγείας. Ωστόσο, εντοπίστηκαν σημαντικά κενά, όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος και η ελλιπής ενσωμάτωση κοινωνικοοικονομικών μεταβλητών στα υπάρχοντα μοντέλα, όπως η κινητικότητα του πληθυσμού και η πρόσβαση σε υπηρεσίες υγείας. Τέλος, η ανασκόπηση ανέδειξε υποσχόμενες μελλοντικές εξελίξεις, όπως η χρήση υπερφασματικής απεικόνισης, η τεχνητή νοημοσύνη και οι πλατφόρμες βασισμένες στο νέφος (π.χ. Google Earth Engine). Η ανάδυση συστημάτων συμμετοχικής επιτήρησης, που συνδυάζουν δεδομένα συλλεγμένα μέσω συμμετοχής του κοινού με τηλεπισκοπικά αποτελέσματα, προσφέρει νέες προοπτικές για την ενίσχυση της ακρίβειας και αύξηση της κλίμακας στην παγκόσμια παρακολούθηση των ασθενειών.

''' 4. ΣΥΖΗΤΗΣΗ'''

Η ενσωμάτωση της τηλεπισκόπησης και των γεοχωρικών τεχνολογιών φέρει σημαντική μεταρρυθμιστική επίδραση στην ικανότητά μας να κατανοούμε, να προβλέπουμε και να μετριάζουμε τις εξάρσεις των νοσημάτων που μεταδίδονται από φορείς (VBD). Τα ευρήματα επιβεβαιώνουν ότι τα γεοχωρικά εργαλεία μπορούν να καλύψουν κρίσιμα κενά στη διαχείριση των ασθενειών αυτών, ιδιαίτερα μέσα στο πλαίσιο των ραγδαίων περιβαλλοντικών αλλαγών και της αστικοποίησης. Υπογραμμίζεται ο καθοριστικός ρόλος πλατφορμών όπως οι Landsat, MODIS και Sentinel-2, οι οποίες παρέχουν περιβαλλοντικά δεδομένα υψηλής ανάλυσης, επιτρέποντας στους ερευνητές να παρακολουθούν τις αλλαγές στις χρήσεις γης, τους δείκτες βλάστησης και τις κλιματικές μεταβλητές με αρκετή χωρική και χρονική ακρίβεια. Επιπλέον, η χρήση μη επανδρωμένων αεροσκαφών (UAVs) ενισχύει τη συλλογή τοπικών δεδομένων, κάτι που είναι μεγάλης σημασίας για στοχευμένες παρεμβάσεις, αν και παραμένουν προκλήσεις σχετικά με την περιορισμένη εμβέλειά τους και την ανάγκη για εξειδικευμένη εκπαίδευση των επαγγελματιών υγείας.
Τα Γεωγραφικά Συστήματα Πληροφοριών (GIS) έχουν αναδειχθεί σε απαραίτητα εργαλεία για την οπτικοποίηση του κινδύνου και την καθοδήγηση των αποκρίσεων δημόσιας υγείας. Η ενοποίηση τηλεπισκοπικών και επιδημιολογικών δεδομένων, διευκολύνουν τη δημιουργία χαρτών επικινδυνότητας που ενημερώνουν τις στρατηγικές κατανομής πόρων. Η αυξανόμενη ενσωμάτωση αλγορίθμων μηχανικής μάθησης, όπως του Random Forest, ενισχύει περαιτέρω την προγνωστική ακρίβεια αυτών των μοντέλων. Ωστόσο, η ικανότητα γενίκευσης των μοντέλων αυτών περιορίζεται συχνά από την ποιότητα και την ανάλυση των εισαγώμενων δεδομένων, καθώς πολλές μελέτες βασίζονται αποκλειστικά σε κλιματικές μεταβλητές, παραμερίζοντας κοινωνικοοικονομικούς παράγοντες που επηρεάζουν σημαντικά τη μετάδοση. Η μελλοντική έρευνα οφείλει να επικεντρωθεί στην ανάπτυξη ολοκληρωμένων πλαισίων μοντελοποίησης που θα περιλαμβάνουν τόσο περιβαλλοντικούς όσο και κοινωνικούς προσδιοριστές.
Η ανασκόπηση δείχνει επίσης τη σημαντική επιρροή περιβαλλοντικών οδηγών, όπως η θερμοκρασία και η βροχόπτωση στη δυναμική των VBDs. Οι αλλαγές σε αυτές τις μεταβλητές, που συχνά καθοδηγούνται από την ανθρωπογενή δραστηριότητα και την κλιματική αλλαγή δημιουργούν ευνοϊκές συνθήκες για τον πολλαπλασιασμό των φορέων και την επέκταση των ενδιαιτημάτων τους, όπως στην περίπτωση του κουνουπιού Aedes aegypti σε νέες περιοχές. Αυτά τα ευρήματα καθιστούν αναγκαία την υιοθέτηση προσαρμοστικών στρατηγικών διαχείρισης και τη δέσμευση της δημόσιας υγείας στον αστικό σχεδιασμό για την ελαχιστοποίηση των εστιών αναπαραγωγής. Παράλληλα, τα Συστήματα Έγκαιρης Προειδοποίησης (EWS) αντιπροσωπεύουν μια σημαντική πρόοδο στην προληπτική διαχείριση, αν και η λειτουργία τους παραμένει δύσκολη σε περιοχές με περιορισμένους πόρους λόγω έλλειψης υπολογιστικών υποδομών.
Τέλος, εντοπίζονται κρίσιμα κενά όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος που φέρουν το μεγαλύτερο βάρος των ασθενειών. Η επέκταση της έρευνας σε αυτές τις περιοχές είναι επιτακτική για την επίτευξη ισότητας στην πρόληψη. Η ραγδαία εξέλιξη τεχνολογιών όπως η υπερφασματική απεικόνιση και η τεχνητή νοημοσύνη προσφέρουν νέες δυνατότητες, ενώ τα συμμετοχικά συστήματα επιτήρησης ενδυναμώνουν τις κοινότητες να συνεισφέρουν στην παρακολούθηση των νόσων. Εν τέλει, απαιτείται μια ολιστική προσέγγιση που θα ενσωματώνει κοινωνικές μεταβλητές όπως η οικονομική επισφάλεια και διεπιστημονική συνεργασία συνεισφέροντας και στον εκδημοκρατισμό των δεδομένων, γεφυρώνοντας το χάσμα μεταξύ επιστημονικής καινοτομίας και εφαρμόσιμης πολιτικής υγείας.

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παραπάνω συζήτηση αναδεικνύει τις προόδους και τις προκλήσεις στην εφαρμογή των τεχνολογιών τηλεπισκόπησης (RS) και γεωχωρικής ανάλυσης για τη διαχείριση VBDs. Με την αντιμετώπιση των κενών και την αξιοποίηση των αναδυόμενων τάσεων, ερευνητές και φορείς χάραξης πολιτικής μπορούν να ενισχύσουν την αποτελεσματικότητα των στρατηγικών πρόληψης και ελέγχου των νοσημάτων. Τελικά, οι προσπάθειες αυτές ενδέχεται να συμβάλλουν στη δημιουργία ανθεκτικών συστημάτων δημόσιας υγείας, ικανών να προσαρμόζονται στη σύνθετη και δυναμική φύση των VBDs.

Αρχείο:Rs wiki 5 area.png

2026-02-07T14:01:34Z

Rizoselef:

Αρχείο:Rs wiki 5 diagram.png

2026-02-07T14:01:24Z

Rizoselef:

Αρχείο:Rs wiki 5 location.png

2026-02-07T14:01:14Z

Rizoselef:

Η βαθιά μάθηση επιτρέπει τη δορυφορική παρακολούθηση μεγάλων πληθυσμών χερσαίων θηλαστικών σε ετερογενή τοπία

2026-02-07T13:57:02Z

Rizoselef:

Add Your Content Here

[[category:Εκτίμηση βιοπικοιλότητας]]

'''Η βαθιά μάθηση επιτρέπει τη δορυφορική παρακολούθηση μεγάλων πληθυσμών χερσαίων θηλαστικών σε ετερογενή τοπία'''

'''Πρωτότυπος τίτλος:''' ''Deep learning enables satellite-based monitoring of large populations of terrestrial mammals across heterogeneous landscape''

'''Συγγραφείς''': ''Zijing Wu, Ce Zhang, Xiaowei Gu, Isla Duporge, Lacey F. Hughey, Jared A. Stabach, Andrew K. Skidmore, J. Grant C. Hopcraft, Stephen J. Lee, Peter M. Atkinson, Douglas J. McCauley, Richard Lamprey, Shadrack Ngene & Tiejun Wang''

'''Δημοσιεύθηκε''': ''27/05/2023, στο Nature Communications, volume 14, Article number: 3072 ''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.1038/s41467-023-38901-y ]

''' 1. Εισαγωγή'''

Η αφρικανική ήπειρος φιλοξενεί τη μεγαλύτερη ποικιλότητα και αφθονία θηλαστικών στον κόσμο. Ωστόσο, αυτός ο πλούτος απειλείται από τις αλλαγές στη χρήση γης, την εξόρυξη φυσικών πόρων και έργα υποδομών. Ακόμη και εντός προστατευόμενων περιοχών, οι πληθυσμοί μεγάλων θηλαστικών έχουν μειωθεί κατά 59% μέσα σε τρεις δεκαετίες. Η κλιματική αλλαγή αναμένεται να επιταχύνει αυτές τις απώλειες, υπογραμμίζοντας έτσι την ανάγκη για προηγμένες τεχνικές παρακολούθησης που μπορούν να παρέχουν πληροφορίες με ρυθμό αντίστοιχο των περιβαλλοντικών αλλαγών.
Οι συμβατικές μέθοδοι για την έρευνα της άγριας πανίδας βασίζονται κυρίως σε επανδρωμένες εναέριες έρευνες. Αν και παρέχουν πολύτιμα δεδομένα, ενέχουν κινδύνους τόσο για τον άνθρωπο όσο και για την πανίδα, ενώ υπόκεινται και σε σφάλματα μεροληψίας (εντοπισμός, εμπειρία παρατηρητή, διπλή καταμέτρηση). Τα μη επανδρωμένα αεροσκάφη (UAVs - drones) προσφέρουν μια εναλλακτική, αλλά έχουν κάποιους περιορισμούς όπως η διάρκεια ζωής της μπαταρίας, που μειώνει την εμβέλεια αλλά και την όχληση που προκαλούν στην πανίδα.
Η εξέλιξη της δορυφορικής τεχνολογίας έχει αυξήσει την ικανότητα διεξαγωγής ερευνών σε δυσπρόσιτες περιοχές, σε διευρυμένη κλίμακα σε σχέση με τα UAVs. Η δορυφορική τεχνολογία αρχικά έδινε την δυνατότητα μελέτης μεγάλων ζώων, τα σώματα των οποίων ξεπερνούν τα 8 πίξελ (φάλαινες, ελέφαντες) ή έμμεσα ίχνη όπως φωλιές, πλέον όμως υπάρχει ανάγκη για αυτοματοποιημένες τεχνικές επεξεργασίας εικόνων υψηλής ανάλυσης και για μικρότερα είδη. Η μηχανική μάθηση (Machine Learning) και η βαθιά μάθηση (Deep Learning) προσφέρουν λύσεις, μέσω αποδοτικών αλγορίθμων. Ωστόσο, η ανίχνευση μικρότερων ζώων (π.χ. <9 pixels σε δορυφορικές εικόνες) σε πολύπλοκα υπόβαθρα (μικτά δάση και σαβάνες) παραμένει πρόκληση.
Η παρούσα μελέτη παρουσιάζει ένα πλαίσιο για τον εντοπισμό και την καταμέτρηση ζώων σε μεγέθους γκνου (wildebeest, 1,5-2,5 m) από δορυφορικές εικόνες υπο-μετρικής (submeter) ανάλυσης, σε εκτενή και ετερογενή περιβάλλοντα. Αυτό το επιτυγχάνεται ενσωματώνοντας μια ενότητα ομαδοποίησης (clustering module) μετά την επεξεργασία σε ένα μοντέλο βαθιάς μάθησης βασισμένο στο U-Net, το οποίο χρησιμοποιεί κατάτμηση εικόνας βάσει εικονοστοιχείων (pixel-based image segmentation) υψηλής ακρίβειας. Το μοντέλο αξιοποιείται για τον εντοπισμό των ζώων σε επίπεδο αντικειμένου, για τον εντοπισμό της μετανάστευσης γκνου (Connochaetes taurinus) και ζέβρας (Equus quagga), στο οικοσύστημα Σερενγκέτι-Μάρα. Η ικανότητα ακριβούς και συχνής αξιολόγησης των μεταναστευτικών πληθυσμών είναι κρίσιμη για τη διαμόρφωση πολιτικών διατήρησης, την κατανόηση οικολογικών διαδικασιών και συμπεριφορικών μοτίβων αγέλης.

'''2. ΑΠΟΤΕΛΕΣΜΑΤΑ'''

''' Μοντέλο ensemble learning βασισμένο στο U-Net για ανίχνευση γκνου '''

Η ροή εργασίας της μελέτης μετατρέπει το δίκτυο U-Net από εργαλείο κατάτμησης εικόνας σε σύστημα ανίχνευσης μεμονωμένων ζώων μέσω δορυφόρου. Η διαδικασία ξεκινά με την κατάτμηση των δορυφορικών εικόνων σε μικρότερα τμήματα (patches 336 x 336 pixel) και τη δημιουργία δυαδικών μασκών όπου τα γκνου επισημαίνονται ως ομάδες εικονοστοιχείων. Στη συνέχεια, το μοντέλο U-Net αναλύει αυτά τα δεδομένα χρησιμοποιώντας μια συμμετρική δομή κωδικοποιητή-αποκωδικοποιητή για την εξαγωγή χαρακτηριστικών και τον ακριβή εντοπισμό τους. Για τη διασφάλιση της αξιοπιστίας των αποτελεσμάτων εφαρμόζεται ομαδική μάθηση με δέκα διαφορετικά μοντέλα μέσω της μεθόδου K-fold. Στο τελικό στάδιο της μετα-επεξεργασίας χρησιμοποιείται ο αλγόριθμος ομαδοποίησης K-means, ο οποίος διαχωρίζει τις συστάδες εικονοστοιχείων σε διακριτές οντότητες. Αυτή η προσέγγιση επιτρέπει τη μετάβαση από την απλή πρόβλεψη πιθανότητας στην ακριβή καταμέτρηση και αξιολόγηση των ζώων σε επίπεδο ατόμου, προσφέροντας μια αποτελεσματική λύση για την παρακολούθηση μεγάλων μεταναστευτικών πληθυσμών από το διάστημα.

[[ Αρχείο: rs_wiki_3_method.png | thumb | center| 400 px | ''Εικόνα 1 Τα τρία κύρια βήματα της ροής εργασίας 1) επισήμναση γκνου 2) εισαγωγή εικόνων και μασκών για εκπαίδευση του μοντέλου και παραγωγή χαρτών πιθανότητας 3) οι χάρτες οδηγούν σε τελικές προβλέψεις μέσω K-mean clustering. Οι μπλε κουκίδες αναφέρονται σε χειροκίνητα επισημασμένα γκνου, οι κόκκινες αναφέρονται σε γκνου εντοπισμένα από το μοντέλο.'' ]]

Το μοντέλο εφαρμόστηκε σε εικόνες έξι ετών (2009-2020) που καλύπτουν 2.747 τ.χλμ., με χρήση δορυφορικών αισθητήρων με ικανότητα χωρικής ανάλυση 38-50 cm GeoEye-1 (GE01), WorldView-2(WV02) και WorldView-3 (WV03). Το σύνολο δεδομένων εκπαίδευσης περιελάμβανε 53.906 χειροκίνητα επισημασμένα γκνου σε 1097 patches που αντιπροσώπευαν διάφορες περιβαλλοντικές συνθήκες, κάθε γκνου αντιστοιχούσε σε 3-4 εικονοστοιχεία σε μήκος και 1-3 σε πλάτος.

[[ Αρχείο: rs_wiki_3_spotting.png.jpg | thumb | center| 400 px | ''Εικόνα 2 a. Εικόνα αναφοράς του 2012 b. Εικόνα 2010 με γκνου c. Επισήμανση γκνου της εικόνας b'']]

Για την αξιολόγηση αξιοποιήθηκε στρωματοποιημένη μέθοδος δειγματοληψίας υπο-περιοχών της ευρύτερης περιοχής, με σκοπό να επιλεγούν υπο-περιοχές με σημαντικό αριθμό γκνου, οι οποίες αξιοποιήθηκαν για αντιπροσωπευτικότητα και ανεξαρτησίας από τα δεδομένα εκπαίδευσης. Από τις 2700 εικόνες ελέγχου το μοντέλο πέτυχε συνολικό F1-score 84,75%, με ακρίβεια (precision) 87,85% και ανάκληση (recall) 81,86%. Το μοντέλο επέδειξε καλή ικανότητα γενίκευσης σε διαφορετικά έτη και αναλύσεις εικόνας, παρότι οι εικόνες διέφεραν χρονικά, χωρικά και ως προς το περιβαλλοντικό τους υπόβαθρο. Η σύγκριση του αθροιστικού μοντέλου (ensemble model) με τα μεμονωμένα μοντέλα, έδειξε ότι το πρώτο υπερέχει σημαντικά, η σύγκριση έγινε μέσω καμπύλης Ακρίβειας- Ανάκλησης και εμβαδόντος υπό την καμπύλη(AUC) με το μοντέλο να πετυχαίνει AUC 0,88 σημαντικά υψηλότερο από όλα τα επιμέρους μοντέλα.

[[ Αρχείο: rs_wiki_3_PRF.png | thumb | center| 400 px ]]
[[ Αρχείο: rs_wiki_3_evaluation.png | thumb | center| 400 px | ''Εικόνα 3 Στη στήλη Evaluation, οι προβλέψεις (predictions) που συμφωνούν με τις επίγειες αναφορές (ground reference) ταξινομούνται ως Αληθώς Θετικά (True Positives, TP , κόκκινοι σταυροί), ενώ εκείνες που δεν αντιστοιχούν στις επίγειες αναφορές χαρακτηρίζονται ως Ψευδώς Θετικά (False Positives, FP, μπλε σταυροί), οι επίγειες αναφορές που δεν ανιχνεύθηκαν από το μοντέλο κατατάσσονται ως Ψευδώς Αρνητικά (False Negatives, FN, κίτρινοι σταυροί).'' ]]

'''Μεταφερσιμότητα Μοντέλου (Model Transferability) '''

Εξετάστηκε η δυνατότητα μεταφοράς του μοντέλου σε χρονικά και χωρικά διαφορετικά δεδομένα:
1. Χρονική μεταφερσιμότητα: Το μοντέλο εκπαιδεύτηκε από δεδομένα 5 διαφορετικών ετών (2009, 2010, 2013, 2018, 2020) και δοκιμάστηκε σε εικόνα του 2015 διαφορετικού αισθητήρα, με καλύτερη ανάλυση από τις εικόνες των 5 ετών (WV03). Πετυχαίνοντας F1-score 93,13%, αποδεικνύοντας ότι μπορεί να λειτουργήσει σε νέα χρονικά δεδομένα χωρίς επιπλέον εκπαίδευση.
2. Χωρική μεταφερσιμότητα: Το μοντέλο δοκιμάστηκε σε δεδομένα του 2020, εικόνα η οποία παρείχε διαφορετική γεωγραφική κάλυψη και χαμηλότερη ανάλυση από τις εικόνες εκπαίδευσης, οι οποίες ήταν πάλι 5 διαφορετικών ετών (2009, 2010, 2013, 2015, 2018). Πέτυχε υψηλή ακρίβεια (96,98%) στην αποφυγή ψευδώς θετικών αποτελεσμάτων, αν και η ανάκληση ήταν χαμηλότερη (60,65%), υποδεικνύοντας περιθώρια βελτίωσης με προσθήκη δειγμάτων.

'''Ανίχνευση και καταμέτρηση γκνου '''

Το εκπαιδευμένο πλέον, αθροιστικό U-Net base μοντέλο εφαρμόστηκε για ανίχνευση γκνου στο σύνολο των δεδομένων. Τα αποτελέσματα έδειξαν αξιοποιστία σε αλλαγές 1) μεταξύ διαφορετικών δορυφορικών αισθητήρων σε 6 χρονικές περιόδους, 2) στο υπόβαθρο του τοπίου με σύγχυση μόνο με φωλιές τερμιτών, μικρούς θάμνους και σκίες από το έδαφος και 3) στα ποικίλα μοτίβα συνάθροισης των γκνου (διάσπαρτα, σε γραμμές ή σε ομάδες) . Η συνολική καταμέτρηση ανέδειξε 480.362 γκνου με F1-score: 84.75 ± 0.18%.
Ανάλυση της χωρικής κατανομής έδειξε ότι η πυκνότητα των γκνου ποικίλλει σημαντικά κατά την ξηρή περίοδο (Ιούλιος-Οκτώβριος), με κορυφώσεις τον Αύγουστο στο δυτικό μέρος του εθνικού κατφυγίου Masai Mara (>4.000-6.000 άτομα/τ.χλμ.) και χαμηλές συγκεντρώσεις τον Ιούλιο και τον Οκτώβριο (~1.500-2.000 άτομα/τ.χλμ). Τα πρότυπα κατανομής συμφωνούν με τις γνωστές μεταναστευτικές κινήσεις: τα ζώα κινούνται βόρεια προς το "Τρίγωνο Μάρα" τον Ιούλιο-Αύγουστο και εξαπλώνονται νότια στο Σερενγκέτι τον Οκτώβριο.

''' 3. ΣΥΖΗΤΗΣΗ'''

Η προτεινόμενη διαδικασία καταδεικνύει τις δυνατότητες της βαθιάς μάθησης για αποτελεσματικές, αυτοματοποιημένες έρευνες άγριας ζωής μέσω τηλεπισκοπικών δεδομένων. Η μεγάλη χωρική κλίμακα και η επιβεβαίωση υψήλης ποιότητας αποτελεσμάτων για διαφορετικές χωρικές, χρονικές συνθήκες και αναλύσεις, δίνει την δυνατότητα αξιοποίησης του μοντέλου σε πραγματικές συνθήκες.
Η μέθοδος πέρα από το ότι είναι ανοιχτού κώδικα και ότι μπορεί να εφαρμοστεί και σε μεταβλητά χωρικά και χρονικά περιβάλλοντα, έχει ιδιαίτερη σημασία για τη διαχείριση μεταναστευτικών, αγελαίων ειδών όπως το γκνου, των οποίων τα μοτίβα συγκρότησης ομάδων παραβιάζουν τις παραδοχές των κλασικών στατιστικών μεθόδων εκτίμησης πληθυσμών, οδηγώντας συχνά σε συστηματικές υποεκτιμήσεις. Έτσι μια αυτοματοποιημένη ολική καταμέτρηση από δορυφόρους θα μπορούσε να μειώσει δραστικά αυτή την αβεβαιότητα και να προσφέρει ακόμη και διορθωτικούς παράγοντες για παλαιότερες εκτιμήσεις. Αν και προϋποθέτει σχεδόν τέλεια ανίχνευση, ενδέχεται να είναι εφικτό σε ανοικτά οικοσυστήματα και σε περιόδους όπου οι βιολογικοί κύκλοι οδηγούν σε προβλέψιμες συγκεντρώσεις ζώων.
Επιπλέον, η μέθοδος ανοίγει νέους δρόμους για τη μελέτη της οικολογίας των ζωικών συναθροίσεων, επιτρέποντας την ποσοτική περιγραφή μοτίβων βόσκησης στο φυσικό περιβάλλον, την κατανόηση των κοινωνικών και περιβαλλοντικών οδηγών της ζωικής συμπεριφοράς και την διερεύνηση του πώς ατομικές συμπεριφορές κλιμακώνονται σε πληθυσμιακά φαινόμενα. Ταυτόχρονα ο εντοπισμός αυτής της διασποράς των μοτίβων συνάθροισης σε βάθος χρόνου μπορούν να δώσουν την δυνατότητα καλύτερης διαχείρισης των ζώων και κατανόησης των μηχανισμών προσαρμογής τους σε ραγδαίες περιβαλλοντικές αλλαγές.
Θα μπορούσε επίσης να χρησιμοποιηθεί για την ανακάλυψη μεταναστεύσεων που δεν έχουν τεκμηριωθεί προηγουμένως, ειδικά σε απομακρυσμένες ή μη ασφαλείς περιοχές, σε συνδυασμό και με συσκευές GPS.
Παρά τις δυνατότητες, υπάρχουν τεχνικοί περιορισμοί. Η χαμηλή ανάλυση των σημερινών δορυφορικών εικόνων δυσκολεύει τη διάκριση μεταξύ ειδών παρόμοιου μεγέθους, όπως το γκνου και άλλα άγρια ή οικόσιτα βοοειδή, ενώ μικρότερα είδη δεν είναι ορατά. Ωστόσο, η χρήση μοντέλων τμηματοποίησης τύπου U-Net, σε συνδυασμό με αθροιστική μάθηση (ensemble learning) και αλγορίθμους ομαδοποίησης επιτρέπει την ανίχνευση αντικειμένων που καταλαμβάνουν λιγότερα από 9 εικονοστοιχεία, ξεπερνώντας περιορισμούς προηγούμενων μελετών. Ενδεχόμενες τεχνολογικές εξελίξεις σε δορυφορική ανάλυση και η μείωση του κόστους πρόσβασης σε πολύ υψηλής ανάλυσης δεδομένα αναμένεται να άρουν σταδιακά αυτούς τους περιορισμούς

'''4. ΜΕΘΟΔΟΙ'''

'''Δορυφορικές Εικόνες'''

Η μελέτη βασίστηκε σε πολύ υψηλής ανάλυσης δορυφορικές εικόνες που συλλέχθηκαν στο οικοσύστημα Σερενγκέτι–Μάρα κατά την περίοδο 2009–2020. Συνολικά χρησιμοποιήθηκαν εννέα πολυφασματικές εικόνες από τρεις δορυφορικούς αισθητήρες (GeoEye-1, WorldView-2 και WorldView-3), με χωρική ανάλυση 38–50 cm και συνολική κάλυψη 2.747 τ.χλμ. Όλες οι εικόνες ήταν τετραφασματικές (RGB + Near Infrared), με νεφοκάλυψη μικρότερη του 2%. Επιπλέον, χρησιμοποιήθηκε ανεξάρτητο σύνολο εικόνων αναφοράς, διαφορετικών ημερομηνιών αλλά ίδιων περιοχών, για την ασφαλή διάκριση κινούμενων ζώων από στατικά αντικείμενα του τοπίου.

'''Επισήμανση γκνου'''

Η επισήμανση των γκνου πραγματοποιήθηκε χειροκίνητα σε επίπεδο ατόμου, με τη μορφή σημείων στο κέντρο κάθε ζώου, τα οποία στη συνέχεια επεκτάθηκαν σε πολυγωνικές επιφάνειες 3×3 pixels. Η διαδικασία πραγματοποιήθηκε από τέσσερις έμπειρους παρατηρητές και τα τελικά labels προέκυψαν μέσω πλειοψηφικής ψήφου, ώστε να μειωθεί η υποκειμενικότητα και η σύγχυση με παρόμοια φασματικά αντικείμενα (π.χ. θάμνοι, φωλιές τερμιτών).

'''Δεδομένα εκπαίδευσης και ελέγχου'''

Για την εκπαίδευση και αξιολόγηση του μοντέλου, οι εικόνες χωρίστηκαν σε πλέγμα κυψελών (336×336 pixels). Το σύνολο εκπαίδευσης περιλάμβανε 1.097 κυψέλες με 53.906 επισημασμένα γκνου, ενώ το σύνολο ελέγχου αποτελούνταν από 2.700 κυψέλες με 11.594 άτομα. Η επιλογή των δεδομένων ελέγχου έγινε με στρωματοποιημένη τυχαία δειγματοληψία, βάσει πυκνότητας ζώων, ώστε να διασφαλιστεί αντιπροσωπευτικότητα τόσο περιοχών χαμηλής όσο και υψηλής συγκέντρωσης.

'''Η εκπαίδευση του U-Net based αθροιστικού μοντέλου '''

Το μοντέλο βασίστηκε σε αρχιτεκτονική U-Net για τμηματοποίηση εικόνας σε επίπεδο εικονοστοιχείου. Τα δεδομένα υποβλήθηκαν σε τεχνικές αύξησης (data augmentation), ενώ εφαρμόστηκε αθροιστική μάθηση (ensemble learning) με K-fold (K=10), δημιουργώντας δέκα υπομοντέλα των οποίων οι προβλέψεις συνδυάστηκαν. Για την αντιμετώπιση της έντονης ανισορροπίας μεταξύ κλάσεων, χρησιμοποιήθηκε η συνάρτηση απώλειας Tversky με αυξημένη έμφαση στη μείωση ψευδώς αρνητικών αποτελεσμάτων.

'''Αξιολόγηση του Μοντέλου'''

Η ακρίβεια του μοντέλου U-Net βασίστηκε στη σύγκριση των προβλεπόμενων σημείων με τα πραγματικά δεδομένα πεδίου (ground reference). Για να αντισταθμιστούν μικρές αποκλίσεις στον εντοπισμό των κέντρων των ζώων, ορίστηκε μια περιοχή αναζήτησης ακτίνας 0,71 μέτρων (ισοδύναμη με τη διαγώνιο ενός εικονοστοιχείου ανάλυσης 0,5 m). Τα προβλεπόμενα σημεία που μπορούσαν να αντιστοιχιστούν με ένα από τα πλησιέστερα σημεία αναφοράς πεδίου (ground reference) εντός της περιοχής αναζήτησης, προσμετρήθηκαν ως Αληθώς θετικά (true positive, TP), ενώ όσα δεν μπορούσαν να αντιστοιχιστούν με κανένα ως ψευδώς θετικα (false positive, FP). Τέλος όλα τα υπόλοιπα σημεία αναφοράς που δεν αντιστοιχίστηκαν με κανένα προβλεπόμενο σημείο θεωρήθηκαν Ψευδώς Αρνητικά (False Negatives, FN). Με βάση αυτά χρησιμοποιήθηκαν οι δείκτες Precision, Recall και F1-score, ενώ η συνολική απόδοση συγκρίθηκε μέσω της καμπύλης Ακρίβειας-Ανάκλησης και του δείκτη AUC, ο οποίος αποτιμά τη συνολική ικανότητα του μοντέλου να διακρίνει τα ζώα υπό διαφορετικά κατώφλια πιθανότητας.

'''Έλεγχοι Μεταφερσιμότητας '''

Η μεθοδολογία τεκμηριώνεται επαρκώς στα αποτελέσματα.

'''Ανίχνευση και Χωρική Ανάλυση '''

Αφού το μοντέλο έδωσε υψηλή ακρίβεια εφαρμόστηκε σε ολόκληρο το σύνολο των δορυφορικών εικόνων. Οι προβλέψεις πιθανότητας του αθροιστικού μοντέλου μετατράπηκαν σε μεμονωμένα σημεία μέσω K-means clustering για την εκτίμηση του πληθυσμού. Για τα χωρικά μοτίβα μετανάστευσης σε διαφορετικές ημερομηνίες, δημιουργήθηκαν χάρτες πυκνότητας σημείων (point density maps) με μήκος κελιού 100 m ακτίνα 500 μέτρων. Αυτοί οι χάρτες, σε συνδυασμό με ιστογράμματα συχνότητας, οπτικοποίησαν πώς οι συναθροίσεις των γκνου αλλάζουν χωρικά και χρονικά, προσφέροντας μια λεπτομερή εικόνα της κατανομής τους στο οικοσύστημα Σερενγκέτι-Μάρα.

[[ Αρχείο: rs_wiki_3_hotspot.png | thumb | center| 400 px | ''Εικόνα 4 Χάρτης θερμών σημείων και χωρικής πυκνότητας διασποράς γκνου.'']]

[[ Αρχείο: rs_wiki_3_histogram.png | thumb | center| 400 px | ''Εικόνα 5 Χωρική διασπορά εντοπισμένων γκνου, με ιστογράμματα συχνότητας (2009-2020)'']]

Η βαθιά μάθηση επιτρέπει τη δορυφορική παρακολούθηση μεγάλων πληθυσμών χερσαίων θηλαστικών σε ετερογενή τοπία

2026-02-07T13:56:39Z

Rizoselef:

Add Your Content Here

[[category:Εκτίμηση βιοπικοιλότητας]]

'''Η βαθιά μάθηση επιτρέπει τη δορυφορική παρακολούθηση μεγάλων πληθυσμών χερσαίων θηλαστικών σε ετερογενή τοπία'''

'''Πρωτότυπος τίτλος:''' ''Deep learning enables satellite-based monitoring of large populations of terrestrial mammals across heterogeneous landscape''

'''Συγγραφείς''': ''Zijing Wu, Ce Zhang, Xiaowei Gu, Isla Duporge, Lacey F. Hughey, Jared A. Stabach, Andrew K. Skidmore, J. Grant C. Hopcraft, Stephen J. Lee, Peter M. Atkinson, Douglas J. McCauley, Richard Lamprey, Shadrack Ngene & Tiejun Wang''

'''Δημοσιεύθηκε''': ''27/05/2023, στο Nature Communications, volume 14, Article number: 3072 ''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.1038/s41467-023-38901-y ]

''' 1. Εισαγωγή'''

Η αφρικανική ήπειρος φιλοξενεί τη μεγαλύτερη ποικιλότητα και αφθονία θηλαστικών στον κόσμο. Ωστόσο, αυτός ο πλούτος απειλείται από τις αλλαγές στη χρήση γης, την εξόρυξη φυσικών πόρων και έργα υποδομών. Ακόμη και εντός προστατευόμενων περιοχών, οι πληθυσμοί μεγάλων θηλαστικών έχουν μειωθεί κατά 59% μέσα σε τρεις δεκαετίες. Η κλιματική αλλαγή αναμένεται να επιταχύνει αυτές τις απώλειες, υπογραμμίζοντας έτσι την ανάγκη για προηγμένες τεχνικές παρακολούθησης που μπορούν να παρέχουν πληροφορίες με ρυθμό αντίστοιχο των περιβαλλοντικών αλλαγών.
Οι συμβατικές μέθοδοι για την έρευνα της άγριας πανίδας βασίζονται κυρίως σε επανδρωμένες εναέριες έρευνες. Αν και παρέχουν πολύτιμα δεδομένα, ενέχουν κινδύνους τόσο για τον άνθρωπο όσο και για την πανίδα, ενώ υπόκεινται και σε σφάλματα μεροληψίας (εντοπισμός, εμπειρία παρατηρητή, διπλή καταμέτρηση). Τα μη επανδρωμένα αεροσκάφη (UAVs - drones) προσφέρουν μια εναλλακτική, αλλά έχουν κάποιους περιορισμούς όπως η διάρκεια ζωής της μπαταρίας, που μειώνει την εμβέλεια αλλά και την όχληση που προκαλούν στην πανίδα.
Η εξέλιξη της δορυφορικής τεχνολογίας έχει αυξήσει την ικανότητα διεξαγωγής ερευνών σε δυσπρόσιτες περιοχές, σε διευρυμένη κλίμακα σε σχέση με τα UAVs. Η δορυφορική τεχνολογία αρχικά έδινε την δυνατότητα μελέτης μεγάλων ζώων, τα σώματα των οποίων ξεπερνούν τα 8 πίξελ (φάλαινες, ελέφαντες) ή έμμεσα ίχνη όπως φωλιές, πλέον όμως υπάρχει ανάγκη για αυτοματοποιημένες τεχνικές επεξεργασίας εικόνων υψηλής ανάλυσης και για μικρότερα είδη. Η μηχανική μάθηση (Machine Learning) και η βαθιά μάθηση (Deep Learning) προσφέρουν λύσεις, μέσω αποδοτικών αλγορίθμων. Ωστόσο, η ανίχνευση μικρότερων ζώων (π.χ. <9 pixels σε δορυφορικές εικόνες) σε πολύπλοκα υπόβαθρα (μικτά δάση και σαβάνες) παραμένει πρόκληση.
Η παρούσα μελέτη παρουσιάζει ένα πλαίσιο για τον εντοπισμό και την καταμέτρηση ζώων σε μεγέθους γκνου (wildebeest, 1,5-2,5 m) από δορυφορικές εικόνες υπο-μετρικής (submeter) ανάλυσης, σε εκτενή και ετερογενή περιβάλλοντα. Αυτό το επιτυγχάνεται ενσωματώνοντας μια ενότητα ομαδοποίησης (clustering module) μετά την επεξεργασία σε ένα μοντέλο βαθιάς μάθησης βασισμένο στο U-Net, το οποίο χρησιμοποιεί κατάτμηση εικόνας βάσει εικονοστοιχείων (pixel-based image segmentation) υψηλής ακρίβειας. Το μοντέλο αξιοποιείται για τον εντοπισμό των ζώων σε επίπεδο αντικειμένου, για τον εντοπισμό της μετανάστευσης γκνου (Connochaetes taurinus) και ζέβρας (Equus quagga), στο οικοσύστημα Σερενγκέτι-Μάρα. Η ικανότητα ακριβούς και συχνής αξιολόγησης των μεταναστευτικών πληθυσμών είναι κρίσιμη για τη διαμόρφωση πολιτικών διατήρησης, την κατανόηση οικολογικών διαδικασιών και συμπεριφορικών μοτίβων αγέλης.

'''2. ΑΠΟΤΕΛΕΣΜΑΤΑ'''

''' Μοντέλο ensemble learning βασισμένο στο U-Net για ανίχνευση γκνου '''

Η ροή εργασίας της μελέτης μετατρέπει το δίκτυο U-Net από εργαλείο κατάτμησης εικόνας σε σύστημα ανίχνευσης μεμονωμένων ζώων μέσω δορυφόρου. Η διαδικασία ξεκινά με την κατάτμηση των δορυφορικών εικόνων σε μικρότερα τμήματα (patches 336 x 336 pixel) και τη δημιουργία δυαδικών μασκών όπου τα γκνου επισημαίνονται ως ομάδες εικονοστοιχείων. Στη συνέχεια, το μοντέλο U-Net αναλύει αυτά τα δεδομένα χρησιμοποιώντας μια συμμετρική δομή κωδικοποιητή-αποκωδικοποιητή για την εξαγωγή χαρακτηριστικών και τον ακριβή εντοπισμό τους. Για τη διασφάλιση της αξιοπιστίας των αποτελεσμάτων εφαρμόζεται ομαδική μάθηση με δέκα διαφορετικά μοντέλα μέσω της μεθόδου K-fold. Στο τελικό στάδιο της μετα-επεξεργασίας χρησιμοποιείται ο αλγόριθμος ομαδοποίησης K-means, ο οποίος διαχωρίζει τις συστάδες εικονοστοιχείων σε διακριτές οντότητες. Αυτή η προσέγγιση επιτρέπει τη μετάβαση από την απλή πρόβλεψη πιθανότητας στην ακριβή καταμέτρηση και αξιολόγηση των ζώων σε επίπεδο ατόμου, προσφέροντας μια αποτελεσματική λύση για την παρακολούθηση μεγάλων μεταναστευτικών πληθυσμών από το διάστημα.

[[ Αρχείο: rs_wiki_3_method.png | thumb | center| 400 px | ''Εικόνα 1 Τα τρία κύρια βήματα της ροής εργασίας 1) επισήμναση γκνου 2) εισαγωγή εικόνων και μασκών για εκπαίδευση του μοντέλου και παραγωγή χαρτών πιθανότητας 3) οι χάρτες οδηγούν σε τελικές προβλέψεις μέσω K-mean clustering. Οι μπλε κουκίδες αναφέρονται σε χειροκίνητα επισημασμένα γκνου, οι κόκκινες αναφέρονται σε γκνου εντοπισμένα από το μοντέλο.'' ]]

Το μοντέλο εφαρμόστηκε σε εικόνες έξι ετών (2009-2020) που καλύπτουν 2.747 τ.χλμ., με χρήση δορυφορικών αισθητήρων με ικανότητα χωρικής ανάλυση 38-50 cm GeoEye-1 (GE01), WorldView-2(WV02) και WorldView-3 (WV03). Το σύνολο δεδομένων εκπαίδευσης περιελάμβανε 53.906 χειροκίνητα επισημασμένα γκνου σε 1097 patches που αντιπροσώπευαν διάφορες περιβαλλοντικές συνθήκες, κάθε γκνου αντιστοιχούσε σε 3-4 εικονοστοιχεία σε μήκος και 1-3 σε πλάτος.

[[ Αρχείο: rs_wiki_3_spotting.png | thumb | center| 400 px | ''Εικόνα 2 a. Εικόνα αναφοράς του 2012 b. Εικόνα 2010 με γκνου c. Επισήμανση γκνου της εικόνας b'']]

Για την αξιολόγηση αξιοποιήθηκε στρωματοποιημένη μέθοδος δειγματοληψίας υπο-περιοχών της ευρύτερης περιοχής, με σκοπό να επιλεγούν υπο-περιοχές με σημαντικό αριθμό γκνου, οι οποίες αξιοποιήθηκαν για αντιπροσωπευτικότητα και ανεξαρτησίας από τα δεδομένα εκπαίδευσης. Από τις 2700 εικόνες ελέγχου το μοντέλο πέτυχε συνολικό F1-score 84,75%, με ακρίβεια (precision) 87,85% και ανάκληση (recall) 81,86%. Το μοντέλο επέδειξε καλή ικανότητα γενίκευσης σε διαφορετικά έτη και αναλύσεις εικόνας, παρότι οι εικόνες διέφεραν χρονικά, χωρικά και ως προς το περιβαλλοντικό τους υπόβαθρο. Η σύγκριση του αθροιστικού μοντέλου (ensemble model) με τα μεμονωμένα μοντέλα, έδειξε ότι το πρώτο υπερέχει σημαντικά, η σύγκριση έγινε μέσω καμπύλης Ακρίβειας- Ανάκλησης και εμβαδόντος υπό την καμπύλη(AUC) με το μοντέλο να πετυχαίνει AUC 0,88 σημαντικά υψηλότερο από όλα τα επιμέρους μοντέλα.

[[ Αρχείο: rs_wiki_3_PRF.png | thumb | center| 400 px ]]
[[ Αρχείο: rs_wiki_3_evaluation.png | thumb | center| 400 px | ''Εικόνα 3 Στη στήλη Evaluation, οι προβλέψεις (predictions) που συμφωνούν με τις επίγειες αναφορές (ground reference) ταξινομούνται ως Αληθώς Θετικά (True Positives, TP , κόκκινοι σταυροί), ενώ εκείνες που δεν αντιστοιχούν στις επίγειες αναφορές χαρακτηρίζονται ως Ψευδώς Θετικά (False Positives, FP, μπλε σταυροί), οι επίγειες αναφορές που δεν ανιχνεύθηκαν από το μοντέλο κατατάσσονται ως Ψευδώς Αρνητικά (False Negatives, FN, κίτρινοι σταυροί).'' ]]

'''Μεταφερσιμότητα Μοντέλου (Model Transferability) '''

Εξετάστηκε η δυνατότητα μεταφοράς του μοντέλου σε χρονικά και χωρικά διαφορετικά δεδομένα:
1. Χρονική μεταφερσιμότητα: Το μοντέλο εκπαιδεύτηκε από δεδομένα 5 διαφορετικών ετών (2009, 2010, 2013, 2018, 2020) και δοκιμάστηκε σε εικόνα του 2015 διαφορετικού αισθητήρα, με καλύτερη ανάλυση από τις εικόνες των 5 ετών (WV03). Πετυχαίνοντας F1-score 93,13%, αποδεικνύοντας ότι μπορεί να λειτουργήσει σε νέα χρονικά δεδομένα χωρίς επιπλέον εκπαίδευση.
2. Χωρική μεταφερσιμότητα: Το μοντέλο δοκιμάστηκε σε δεδομένα του 2020, εικόνα η οποία παρείχε διαφορετική γεωγραφική κάλυψη και χαμηλότερη ανάλυση από τις εικόνες εκπαίδευσης, οι οποίες ήταν πάλι 5 διαφορετικών ετών (2009, 2010, 2013, 2015, 2018). Πέτυχε υψηλή ακρίβεια (96,98%) στην αποφυγή ψευδώς θετικών αποτελεσμάτων, αν και η ανάκληση ήταν χαμηλότερη (60,65%), υποδεικνύοντας περιθώρια βελτίωσης με προσθήκη δειγμάτων.

'''Ανίχνευση και καταμέτρηση γκνου '''

Το εκπαιδευμένο πλέον, αθροιστικό U-Net base μοντέλο εφαρμόστηκε για ανίχνευση γκνου στο σύνολο των δεδομένων. Τα αποτελέσματα έδειξαν αξιοποιστία σε αλλαγές 1) μεταξύ διαφορετικών δορυφορικών αισθητήρων σε 6 χρονικές περιόδους, 2) στο υπόβαθρο του τοπίου με σύγχυση μόνο με φωλιές τερμιτών, μικρούς θάμνους και σκίες από το έδαφος και 3) στα ποικίλα μοτίβα συνάθροισης των γκνου (διάσπαρτα, σε γραμμές ή σε ομάδες) . Η συνολική καταμέτρηση ανέδειξε 480.362 γκνου με F1-score: 84.75 ± 0.18%.
Ανάλυση της χωρικής κατανομής έδειξε ότι η πυκνότητα των γκνου ποικίλλει σημαντικά κατά την ξηρή περίοδο (Ιούλιος-Οκτώβριος), με κορυφώσεις τον Αύγουστο στο δυτικό μέρος του εθνικού κατφυγίου Masai Mara (>4.000-6.000 άτομα/τ.χλμ.) και χαμηλές συγκεντρώσεις τον Ιούλιο και τον Οκτώβριο (~1.500-2.000 άτομα/τ.χλμ). Τα πρότυπα κατανομής συμφωνούν με τις γνωστές μεταναστευτικές κινήσεις: τα ζώα κινούνται βόρεια προς το "Τρίγωνο Μάρα" τον Ιούλιο-Αύγουστο και εξαπλώνονται νότια στο Σερενγκέτι τον Οκτώβριο.

''' 3. ΣΥΖΗΤΗΣΗ'''

Η προτεινόμενη διαδικασία καταδεικνύει τις δυνατότητες της βαθιάς μάθησης για αποτελεσματικές, αυτοματοποιημένες έρευνες άγριας ζωής μέσω τηλεπισκοπικών δεδομένων. Η μεγάλη χωρική κλίμακα και η επιβεβαίωση υψήλης ποιότητας αποτελεσμάτων για διαφορετικές χωρικές, χρονικές συνθήκες και αναλύσεις, δίνει την δυνατότητα αξιοποίησης του μοντέλου σε πραγματικές συνθήκες.
Η μέθοδος πέρα από το ότι είναι ανοιχτού κώδικα και ότι μπορεί να εφαρμοστεί και σε μεταβλητά χωρικά και χρονικά περιβάλλοντα, έχει ιδιαίτερη σημασία για τη διαχείριση μεταναστευτικών, αγελαίων ειδών όπως το γκνου, των οποίων τα μοτίβα συγκρότησης ομάδων παραβιάζουν τις παραδοχές των κλασικών στατιστικών μεθόδων εκτίμησης πληθυσμών, οδηγώντας συχνά σε συστηματικές υποεκτιμήσεις. Έτσι μια αυτοματοποιημένη ολική καταμέτρηση από δορυφόρους θα μπορούσε να μειώσει δραστικά αυτή την αβεβαιότητα και να προσφέρει ακόμη και διορθωτικούς παράγοντες για παλαιότερες εκτιμήσεις. Αν και προϋποθέτει σχεδόν τέλεια ανίχνευση, ενδέχεται να είναι εφικτό σε ανοικτά οικοσυστήματα και σε περιόδους όπου οι βιολογικοί κύκλοι οδηγούν σε προβλέψιμες συγκεντρώσεις ζώων.
Επιπλέον, η μέθοδος ανοίγει νέους δρόμους για τη μελέτη της οικολογίας των ζωικών συναθροίσεων, επιτρέποντας την ποσοτική περιγραφή μοτίβων βόσκησης στο φυσικό περιβάλλον, την κατανόηση των κοινωνικών και περιβαλλοντικών οδηγών της ζωικής συμπεριφοράς και την διερεύνηση του πώς ατομικές συμπεριφορές κλιμακώνονται σε πληθυσμιακά φαινόμενα. Ταυτόχρονα ο εντοπισμός αυτής της διασποράς των μοτίβων συνάθροισης σε βάθος χρόνου μπορούν να δώσουν την δυνατότητα καλύτερης διαχείρισης των ζώων και κατανόησης των μηχανισμών προσαρμογής τους σε ραγδαίες περιβαλλοντικές αλλαγές.
Θα μπορούσε επίσης να χρησιμοποιηθεί για την ανακάλυψη μεταναστεύσεων που δεν έχουν τεκμηριωθεί προηγουμένως, ειδικά σε απομακρυσμένες ή μη ασφαλείς περιοχές, σε συνδυασμό και με συσκευές GPS.
Παρά τις δυνατότητες, υπάρχουν τεχνικοί περιορισμοί. Η χαμηλή ανάλυση των σημερινών δορυφορικών εικόνων δυσκολεύει τη διάκριση μεταξύ ειδών παρόμοιου μεγέθους, όπως το γκνου και άλλα άγρια ή οικόσιτα βοοειδή, ενώ μικρότερα είδη δεν είναι ορατά. Ωστόσο, η χρήση μοντέλων τμηματοποίησης τύπου U-Net, σε συνδυασμό με αθροιστική μάθηση (ensemble learning) και αλγορίθμους ομαδοποίησης επιτρέπει την ανίχνευση αντικειμένων που καταλαμβάνουν λιγότερα από 9 εικονοστοιχεία, ξεπερνώντας περιορισμούς προηγούμενων μελετών. Ενδεχόμενες τεχνολογικές εξελίξεις σε δορυφορική ανάλυση και η μείωση του κόστους πρόσβασης σε πολύ υψηλής ανάλυσης δεδομένα αναμένεται να άρουν σταδιακά αυτούς τους περιορισμούς

'''4. ΜΕΘΟΔΟΙ'''

'''Δορυφορικές Εικόνες'''

Η μελέτη βασίστηκε σε πολύ υψηλής ανάλυσης δορυφορικές εικόνες που συλλέχθηκαν στο οικοσύστημα Σερενγκέτι–Μάρα κατά την περίοδο 2009–2020. Συνολικά χρησιμοποιήθηκαν εννέα πολυφασματικές εικόνες από τρεις δορυφορικούς αισθητήρες (GeoEye-1, WorldView-2 και WorldView-3), με χωρική ανάλυση 38–50 cm και συνολική κάλυψη 2.747 τ.χλμ. Όλες οι εικόνες ήταν τετραφασματικές (RGB + Near Infrared), με νεφοκάλυψη μικρότερη του 2%. Επιπλέον, χρησιμοποιήθηκε ανεξάρτητο σύνολο εικόνων αναφοράς, διαφορετικών ημερομηνιών αλλά ίδιων περιοχών, για την ασφαλή διάκριση κινούμενων ζώων από στατικά αντικείμενα του τοπίου.

'''Επισήμανση γκνου'''

Η επισήμανση των γκνου πραγματοποιήθηκε χειροκίνητα σε επίπεδο ατόμου, με τη μορφή σημείων στο κέντρο κάθε ζώου, τα οποία στη συνέχεια επεκτάθηκαν σε πολυγωνικές επιφάνειες 3×3 pixels. Η διαδικασία πραγματοποιήθηκε από τέσσερις έμπειρους παρατηρητές και τα τελικά labels προέκυψαν μέσω πλειοψηφικής ψήφου, ώστε να μειωθεί η υποκειμενικότητα και η σύγχυση με παρόμοια φασματικά αντικείμενα (π.χ. θάμνοι, φωλιές τερμιτών).

'''Δεδομένα εκπαίδευσης και ελέγχου'''

Για την εκπαίδευση και αξιολόγηση του μοντέλου, οι εικόνες χωρίστηκαν σε πλέγμα κυψελών (336×336 pixels). Το σύνολο εκπαίδευσης περιλάμβανε 1.097 κυψέλες με 53.906 επισημασμένα γκνου, ενώ το σύνολο ελέγχου αποτελούνταν από 2.700 κυψέλες με 11.594 άτομα. Η επιλογή των δεδομένων ελέγχου έγινε με στρωματοποιημένη τυχαία δειγματοληψία, βάσει πυκνότητας ζώων, ώστε να διασφαλιστεί αντιπροσωπευτικότητα τόσο περιοχών χαμηλής όσο και υψηλής συγκέντρωσης.

'''Η εκπαίδευση του U-Net based αθροιστικού μοντέλου '''

Το μοντέλο βασίστηκε σε αρχιτεκτονική U-Net για τμηματοποίηση εικόνας σε επίπεδο εικονοστοιχείου. Τα δεδομένα υποβλήθηκαν σε τεχνικές αύξησης (data augmentation), ενώ εφαρμόστηκε αθροιστική μάθηση (ensemble learning) με K-fold (K=10), δημιουργώντας δέκα υπομοντέλα των οποίων οι προβλέψεις συνδυάστηκαν. Για την αντιμετώπιση της έντονης ανισορροπίας μεταξύ κλάσεων, χρησιμοποιήθηκε η συνάρτηση απώλειας Tversky με αυξημένη έμφαση στη μείωση ψευδώς αρνητικών αποτελεσμάτων.

'''Αξιολόγηση του Μοντέλου'''

Η ακρίβεια του μοντέλου U-Net βασίστηκε στη σύγκριση των προβλεπόμενων σημείων με τα πραγματικά δεδομένα πεδίου (ground reference). Για να αντισταθμιστούν μικρές αποκλίσεις στον εντοπισμό των κέντρων των ζώων, ορίστηκε μια περιοχή αναζήτησης ακτίνας 0,71 μέτρων (ισοδύναμη με τη διαγώνιο ενός εικονοστοιχείου ανάλυσης 0,5 m). Τα προβλεπόμενα σημεία που μπορούσαν να αντιστοιχιστούν με ένα από τα πλησιέστερα σημεία αναφοράς πεδίου (ground reference) εντός της περιοχής αναζήτησης, προσμετρήθηκαν ως Αληθώς θετικά (true positive, TP), ενώ όσα δεν μπορούσαν να αντιστοιχιστούν με κανένα ως ψευδώς θετικα (false positive, FP). Τέλος όλα τα υπόλοιπα σημεία αναφοράς που δεν αντιστοιχίστηκαν με κανένα προβλεπόμενο σημείο θεωρήθηκαν Ψευδώς Αρνητικά (False Negatives, FN). Με βάση αυτά χρησιμοποιήθηκαν οι δείκτες Precision, Recall και F1-score, ενώ η συνολική απόδοση συγκρίθηκε μέσω της καμπύλης Ακρίβειας-Ανάκλησης και του δείκτη AUC, ο οποίος αποτιμά τη συνολική ικανότητα του μοντέλου να διακρίνει τα ζώα υπό διαφορετικά κατώφλια πιθανότητας.

'''Έλεγχοι Μεταφερσιμότητας '''

Η μεθοδολογία τεκμηριώνεται επαρκώς στα αποτελέσματα.

'''Ανίχνευση και Χωρική Ανάλυση '''

Αφού το μοντέλο έδωσε υψηλή ακρίβεια εφαρμόστηκε σε ολόκληρο το σύνολο των δορυφορικών εικόνων. Οι προβλέψεις πιθανότητας του αθροιστικού μοντέλου μετατράπηκαν σε μεμονωμένα σημεία μέσω K-means clustering για την εκτίμηση του πληθυσμού. Για τα χωρικά μοτίβα μετανάστευσης σε διαφορετικές ημερομηνίες, δημιουργήθηκαν χάρτες πυκνότητας σημείων (point density maps) με μήκος κελιού 100 m ακτίνα 500 μέτρων. Αυτοί οι χάρτες, σε συνδυασμό με ιστογράμματα συχνότητας, οπτικοποίησαν πώς οι συναθροίσεις των γκνου αλλάζουν χωρικά και χρονικά, προσφέροντας μια λεπτομερή εικόνα της κατανομής τους στο οικοσύστημα Σερενγκέτι-Μάρα.

[[ Αρχείο: rs_wiki_3_hotspot.png | thumb | center| 400 px | ''Εικόνα 4 Χάρτης θερμών σημείων και χωρικής πυκνότητας διασποράς γκνου.'']]

[[ Αρχείο: rs_wiki_3_histogram.png | thumb | center| 400 px | ''Εικόνα 5 Χωρική διασπορά εντοπισμένων γκνου, με ιστογράμματα συχνότητας (2009-2020)'']]

Η βαθιά μάθηση επιτρέπει τη δορυφορική παρακολούθηση μεγάλων πληθυσμών χερσαίων θηλαστικών σε ετερογενή τοπία

2026-02-07T13:54:19Z

Rizoselef:

Add Your Content Here

[[category:Εκτίμηση βιοπικοιλότητας]]

'''Η βαθιά μάθηση επιτρέπει τη δορυφορική παρακολούθηση μεγάλων πληθυσμών χερσαίων θηλαστικών σε ετερογενή τοπία'''

'''Πρωτότυπος τίτλος:''' ''Deep learning enables satellite-based monitoring of large populations of terrestrial mammals across heterogeneous landscape''

'''Συγγραφείς''': ''Zijing Wu, Ce Zhang, Xiaowei Gu, Isla Duporge, Lacey F. Hughey, Jared A. Stabach, Andrew K. Skidmore, J. Grant C. Hopcraft, Stephen J. Lee, Peter M. Atkinson, Douglas J. McCauley, Richard Lamprey, Shadrack Ngene & Tiejun Wang''

'''Δημοσιεύθηκε''': ''27/05/2023, στο Nature Communications, volume 14, Article number: 3072 ''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.1038/s41467-023-38901-y ]

''' 1. Εισαγωγή'''

Η αφρικανική ήπειρος φιλοξενεί τη μεγαλύτερη ποικιλότητα και αφθονία θηλαστικών στον κόσμο. Ωστόσο, αυτός ο πλούτος απειλείται από τις αλλαγές στη χρήση γης, την εξόρυξη φυσικών πόρων και έργα υποδομών. Ακόμη και εντός προστατευόμενων περιοχών, οι πληθυσμοί μεγάλων θηλαστικών έχουν μειωθεί κατά 59% μέσα σε τρεις δεκαετίες. Η κλιματική αλλαγή αναμένεται να επιταχύνει αυτές τις απώλειες, υπογραμμίζοντας έτσι την ανάγκη για προηγμένες τεχνικές παρακολούθησης που μπορούν να παρέχουν πληροφορίες με ρυθμό αντίστοιχο των περιβαλλοντικών αλλαγών.
Οι συμβατικές μέθοδοι για την έρευνα της άγριας πανίδας βασίζονται κυρίως σε επανδρωμένες εναέριες έρευνες. Αν και παρέχουν πολύτιμα δεδομένα, ενέχουν κινδύνους τόσο για τον άνθρωπο όσο και για την πανίδα, ενώ υπόκεινται και σε σφάλματα μεροληψίας (εντοπισμός, εμπειρία παρατηρητή, διπλή καταμέτρηση). Τα μη επανδρωμένα αεροσκάφη (UAVs - drones) προσφέρουν μια εναλλακτική, αλλά έχουν κάποιους περιορισμούς όπως η διάρκεια ζωής της μπαταρίας, που μειώνει την εμβέλεια αλλά και την όχληση που προκαλούν στην πανίδα.
Η εξέλιξη της δορυφορικής τεχνολογίας έχει αυξήσει την ικανότητα διεξαγωγής ερευνών σε δυσπρόσιτες περιοχές, σε διευρυμένη κλίμακα σε σχέση με τα UAVs. Η δορυφορική τεχνολογία αρχικά έδινε την δυνατότητα μελέτης μεγάλων ζώων, τα σώματα των οποίων ξεπερνούν τα 8 πίξελ (φάλαινες, ελέφαντες) ή έμμεσα ίχνη όπως φωλιές, πλέον όμως υπάρχει ανάγκη για αυτοματοποιημένες τεχνικές επεξεργασίας εικόνων υψηλής ανάλυσης και για μικρότερα είδη. Η μηχανική μάθηση (Machine Learning) και η βαθιά μάθηση (Deep Learning) προσφέρουν λύσεις, μέσω αποδοτικών αλγορίθμων. Ωστόσο, η ανίχνευση μικρότερων ζώων (π.χ. <9 pixels σε δορυφορικές εικόνες) σε πολύπλοκα υπόβαθρα (μικτά δάση και σαβάνες) παραμένει πρόκληση.
Η παρούσα μελέτη παρουσιάζει ένα πλαίσιο για τον εντοπισμό και την καταμέτρηση ζώων σε μεγέθους γκνου (wildebeest, 1,5-2,5 m) από δορυφορικές εικόνες υπο-μετρικής (submeter) ανάλυσης, σε εκτενή και ετερογενή περιβάλλοντα. Αυτό το επιτυγχάνεται ενσωματώνοντας μια ενότητα ομαδοποίησης (clustering module) μετά την επεξεργασία σε ένα μοντέλο βαθιάς μάθησης βασισμένο στο U-Net, το οποίο χρησιμοποιεί κατάτμηση εικόνας βάσει εικονοστοιχείων (pixel-based image segmentation) υψηλής ακρίβειας. Το μοντέλο αξιοποιείται για τον εντοπισμό των ζώων σε επίπεδο αντικειμένου, για τον εντοπισμό της μετανάστευσης γκνου (Connochaetes taurinus) και ζέβρας (Equus quagga), στο οικοσύστημα Σερενγκέτι-Μάρα. Η ικανότητα ακριβούς και συχνής αξιολόγησης των μεταναστευτικών πληθυσμών είναι κρίσιμη για τη διαμόρφωση πολιτικών διατήρησης, την κατανόηση οικολογικών διαδικασιών και συμπεριφορικών μοτίβων αγέλης.

'''2. ΑΠΟΤΕΛΕΣΜΑΤΑ'''

''' Μοντέλο ensemble learning βασισμένο στο U-Net για ανίχνευση γκνου '''

Η ροή εργασίας της μελέτης μετατρέπει το δίκτυο U-Net από εργαλείο κατάτμησης εικόνας σε σύστημα ανίχνευσης μεμονωμένων ζώων μέσω δορυφόρου. Η διαδικασία ξεκινά με την κατάτμηση των δορυφορικών εικόνων σε μικρότερα τμήματα (patches 336 x 336 pixel) και τη δημιουργία δυαδικών μασκών όπου τα γκνου επισημαίνονται ως ομάδες εικονοστοιχείων. Στη συνέχεια, το μοντέλο U-Net αναλύει αυτά τα δεδομένα χρησιμοποιώντας μια συμμετρική δομή κωδικοποιητή-αποκωδικοποιητή για την εξαγωγή χαρακτηριστικών και τον ακριβή εντοπισμό τους. Για τη διασφάλιση της αξιοπιστίας των αποτελεσμάτων εφαρμόζεται ομαδική μάθηση με δέκα διαφορετικά μοντέλα μέσω της μεθόδου K-fold. Στο τελικό στάδιο της μετα-επεξεργασίας χρησιμοποιείται ο αλγόριθμος ομαδοποίησης K-means, ο οποίος διαχωρίζει τις συστάδες εικονοστοιχείων σε διακριτές οντότητες. Αυτή η προσέγγιση επιτρέπει τη μετάβαση από την απλή πρόβλεψη πιθανότητας στην ακριβή καταμέτρηση και αξιολόγηση των ζώων σε επίπεδο ατόμου, προσφέροντας μια αποτελεσματική λύση για την παρακολούθηση μεγάλων μεταναστευτικών πληθυσμών από το διάστημα.

[ [ Αρχείο: rs_wiki_3_method.png | thumb | center| 400 px | ''Εικόνα 1 Τα τρία κύρια βήματα της ροής εργασίας 1) επισήμναση γκνου 2) εισαγωγή εικόνων και μασκών για εκπαίδευση του μοντέλου και παραγωγή χαρτών πιθανότητας 3) οι χάρτες οδηγούν σε τελικές προβλέψεις μέσω K-mean clustering. Οι μπλε κουκίδες αναφέρονται σε χειροκίνητα επισημασμένα γκνου, οι κόκκινες αναφέρονται σε γκνου εντοπισμένα από το μοντέλο.'' ]]

Το μοντέλο εφαρμόστηκε σε εικόνες έξι ετών (2009-2020) που καλύπτουν 2.747 τ.χλμ., με χρήση δορυφορικών αισθητήρων με ικανότητα χωρικής ανάλυση 38-50 cm GeoEye-1 (GE01), WorldView-2(WV02) και WorldView-3 (WV03). Το σύνολο δεδομένων εκπαίδευσης περιελάμβανε 53.906 χειροκίνητα επισημασμένα γκνου σε 1097 patches που αντιπροσώπευαν διάφορες περιβαλλοντικές συνθήκες, κάθε γκνου αντιστοιχούσε σε 3-4 εικονοστοιχεία σε μήκος και 1-3 σε πλάτος.

[ [ Αρχείο: rs_wiki_3_spotting.png | thumb | center| 400 px | ''Εικόνα 2 a. Εικόνα αναφοράς του 2012 b. Εικόνα 2010 με γκνου c. Επισήμανση γκνου της εικόνας b'']]

Για την αξιολόγηση αξιοποιήθηκε στρωματοποιημένη μέθοδος δειγματοληψίας υπο-περιοχών της ευρύτερης περιοχής, με σκοπό να επιλεγούν υπο-περιοχές με σημαντικό αριθμό γκνου, οι οποίες αξιοποιήθηκαν για αντιπροσωπευτικότητα και ανεξαρτησίας από τα δεδομένα εκπαίδευσης. Από τις 2700 εικόνες ελέγχου το μοντέλο πέτυχε συνολικό F1-score 84,75%, με ακρίβεια (precision) 87,85% και ανάκληση (recall) 81,86%. Το μοντέλο επέδειξε καλή ικανότητα γενίκευσης σε διαφορετικά έτη και αναλύσεις εικόνας, παρότι οι εικόνες διέφεραν χρονικά, χωρικά και ως προς το περιβαλλοντικό τους υπόβαθρο. Η σύγκριση του αθροιστικού μοντέλου (ensemble model) με τα μεμονωμένα μοντέλα, έδειξε ότι το πρώτο υπερέχει σημαντικά, η σύγκριση έγινε μέσω καμπύλης Ακρίβειας- Ανάκλησης και εμβαδόντος υπό την καμπύλη(AUC) με το μοντέλο να πετυχαίνει AUC 0,88 σημαντικά υψηλότερο από όλα τα επιμέρους μοντέλα.

[ [ Αρχείο: rs_wiki_3_PRF.png | thumb | center| 400 px ]]
[ [ Αρχείο: rs_wiki_3_evaluation.png | thumb | center| 400 px | ''Εικόνα 3 Στη στήλη Evaluation, οι προβλέψεις (predictions) που συμφωνούν με τις επίγειες αναφορές (ground reference) ταξινομούνται ως Αληθώς Θετικά (True Positives, TP , κόκκινοι σταυροί), ενώ εκείνες που δεν αντιστοιχούν στις επίγειες αναφορές χαρακτηρίζονται ως Ψευδώς Θετικά (False Positives, FP, μπλε σταυροί), οι επίγειες αναφορές που δεν ανιχνεύθηκαν από το μοντέλο κατατάσσονται ως Ψευδώς Αρνητικά (False Negatives, FN, κίτρινοι σταυροί).'' ]]

'''Μεταφερσιμότητα Μοντέλου (Model Transferability) '''

Εξετάστηκε η δυνατότητα μεταφοράς του μοντέλου σε χρονικά και χωρικά διαφορετικά δεδομένα:
1. Χρονική μεταφερσιμότητα: Το μοντέλο εκπαιδεύτηκε από δεδομένα 5 διαφορετικών ετών (2009, 2010, 2013, 2018, 2020) και δοκιμάστηκε σε εικόνα του 2015 διαφορετικού αισθητήρα, με καλύτερη ανάλυση από τις εικόνες των 5 ετών (WV03). Πετυχαίνοντας F1-score 93,13%, αποδεικνύοντας ότι μπορεί να λειτουργήσει σε νέα χρονικά δεδομένα χωρίς επιπλέον εκπαίδευση.
2. Χωρική μεταφερσιμότητα: Το μοντέλο δοκιμάστηκε σε δεδομένα του 2020, εικόνα η οποία παρείχε διαφορετική γεωγραφική κάλυψη και χαμηλότερη ανάλυση από τις εικόνες εκπαίδευσης, οι οποίες ήταν πάλι 5 διαφορετικών ετών (2009, 2010, 2013, 2015, 2018). Πέτυχε υψηλή ακρίβεια (96,98%) στην αποφυγή ψευδώς θετικών αποτελεσμάτων, αν και η ανάκληση ήταν χαμηλότερη (60,65%), υποδεικνύοντας περιθώρια βελτίωσης με προσθήκη δειγμάτων.

'''Ανίχνευση και καταμέτρηση γκνου '''

Το εκπαιδευμένο πλέον, αθροιστικό U-Net base μοντέλο εφαρμόστηκε για ανίχνευση γκνου στο σύνολο των δεδομένων. Τα αποτελέσματα έδειξαν αξιοποιστία σε αλλαγές 1) μεταξύ διαφορετικών δορυφορικών αισθητήρων σε 6 χρονικές περιόδους, 2) στο υπόβαθρο του τοπίου με σύγχυση μόνο με φωλιές τερμιτών, μικρούς θάμνους και σκίες από το έδαφος και 3) στα ποικίλα μοτίβα συνάθροισης των γκνου (διάσπαρτα, σε γραμμές ή σε ομάδες) . Η συνολική καταμέτρηση ανέδειξε 480.362 γκνου με F1-score: 84.75 ± 0.18%.
Ανάλυση της χωρικής κατανομής έδειξε ότι η πυκνότητα των γκνου ποικίλλει σημαντικά κατά την ξηρή περίοδο (Ιούλιος-Οκτώβριος), με κορυφώσεις τον Αύγουστο στο δυτικό μέρος του εθνικού κατφυγίου Masai Mara (>4.000-6.000 άτομα/τ.χλμ.) και χαμηλές συγκεντρώσεις τον Ιούλιο και τον Οκτώβριο (~1.500-2.000 άτομα/τ.χλμ). Τα πρότυπα κατανομής συμφωνούν με τις γνωστές μεταναστευτικές κινήσεις: τα ζώα κινούνται βόρεια προς το "Τρίγωνο Μάρα" τον Ιούλιο-Αύγουστο και εξαπλώνονται νότια στο Σερενγκέτι τον Οκτώβριο.

''' 3. ΣΥΖΗΤΗΣΗ'''

Η προτεινόμενη διαδικασία καταδεικνύει τις δυνατότητες της βαθιάς μάθησης για αποτελεσματικές, αυτοματοποιημένες έρευνες άγριας ζωής μέσω τηλεπισκοπικών δεδομένων. Η μεγάλη χωρική κλίμακα και η επιβεβαίωση υψήλης ποιότητας αποτελεσμάτων για διαφορετικές χωρικές, χρονικές συνθήκες και αναλύσεις, δίνει την δυνατότητα αξιοποίησης του μοντέλου σε πραγματικές συνθήκες.
Η μέθοδος πέρα από το ότι είναι ανοιχτού κώδικα και ότι μπορεί να εφαρμοστεί και σε μεταβλητά χωρικά και χρονικά περιβάλλοντα, έχει ιδιαίτερη σημασία για τη διαχείριση μεταναστευτικών, αγελαίων ειδών όπως το γκνου, των οποίων τα μοτίβα συγκρότησης ομάδων παραβιάζουν τις παραδοχές των κλασικών στατιστικών μεθόδων εκτίμησης πληθυσμών, οδηγώντας συχνά σε συστηματικές υποεκτιμήσεις. Έτσι μια αυτοματοποιημένη ολική καταμέτρηση από δορυφόρους θα μπορούσε να μειώσει δραστικά αυτή την αβεβαιότητα και να προσφέρει ακόμη και διορθωτικούς παράγοντες για παλαιότερες εκτιμήσεις. Αν και προϋποθέτει σχεδόν τέλεια ανίχνευση, ενδέχεται να είναι εφικτό σε ανοικτά οικοσυστήματα και σε περιόδους όπου οι βιολογικοί κύκλοι οδηγούν σε προβλέψιμες συγκεντρώσεις ζώων.
Επιπλέον, η μέθοδος ανοίγει νέους δρόμους για τη μελέτη της οικολογίας των ζωικών συναθροίσεων, επιτρέποντας την ποσοτική περιγραφή μοτίβων βόσκησης στο φυσικό περιβάλλον, την κατανόηση των κοινωνικών και περιβαλλοντικών οδηγών της ζωικής συμπεριφοράς και την διερεύνηση του πώς ατομικές συμπεριφορές κλιμακώνονται σε πληθυσμιακά φαινόμενα. Ταυτόχρονα ο εντοπισμός αυτής της διασποράς των μοτίβων συνάθροισης σε βάθος χρόνου μπορούν να δώσουν την δυνατότητα καλύτερης διαχείρισης των ζώων και κατανόησης των μηχανισμών προσαρμογής τους σε ραγδαίες περιβαλλοντικές αλλαγές.
Θα μπορούσε επίσης να χρησιμοποιηθεί για την ανακάλυψη μεταναστεύσεων που δεν έχουν τεκμηριωθεί προηγουμένως, ειδικά σε απομακρυσμένες ή μη ασφαλείς περιοχές, σε συνδυασμό και με συσκευές GPS.
Παρά τις δυνατότητες, υπάρχουν τεχνικοί περιορισμοί. Η χαμηλή ανάλυση των σημερινών δορυφορικών εικόνων δυσκολεύει τη διάκριση μεταξύ ειδών παρόμοιου μεγέθους, όπως το γκνου και άλλα άγρια ή οικόσιτα βοοειδή, ενώ μικρότερα είδη δεν είναι ορατά. Ωστόσο, η χρήση μοντέλων τμηματοποίησης τύπου U-Net, σε συνδυασμό με αθροιστική μάθηση (ensemble learning) και αλγορίθμους ομαδοποίησης επιτρέπει την ανίχνευση αντικειμένων που καταλαμβάνουν λιγότερα από 9 εικονοστοιχεία, ξεπερνώντας περιορισμούς προηγούμενων μελετών. Ενδεχόμενες τεχνολογικές εξελίξεις σε δορυφορική ανάλυση και η μείωση του κόστους πρόσβασης σε πολύ υψηλής ανάλυσης δεδομένα αναμένεται να άρουν σταδιακά αυτούς τους περιορισμούς

'''4. ΜΕΘΟΔΟΙ'''

'''Δορυφορικές Εικόνες'''

Η μελέτη βασίστηκε σε πολύ υψηλής ανάλυσης δορυφορικές εικόνες που συλλέχθηκαν στο οικοσύστημα Σερενγκέτι–Μάρα κατά την περίοδο 2009–2020. Συνολικά χρησιμοποιήθηκαν εννέα πολυφασματικές εικόνες από τρεις δορυφορικούς αισθητήρες (GeoEye-1, WorldView-2 και WorldView-3), με χωρική ανάλυση 38–50 cm και συνολική κάλυψη 2.747 τ.χλμ. Όλες οι εικόνες ήταν τετραφασματικές (RGB + Near Infrared), με νεφοκάλυψη μικρότερη του 2%. Επιπλέον, χρησιμοποιήθηκε ανεξάρτητο σύνολο εικόνων αναφοράς, διαφορετικών ημερομηνιών αλλά ίδιων περιοχών, για την ασφαλή διάκριση κινούμενων ζώων από στατικά αντικείμενα του τοπίου.

'''Επισήμανση γκνου'''

Η επισήμανση των γκνου πραγματοποιήθηκε χειροκίνητα σε επίπεδο ατόμου, με τη μορφή σημείων στο κέντρο κάθε ζώου, τα οποία στη συνέχεια επεκτάθηκαν σε πολυγωνικές επιφάνειες 3×3 pixels. Η διαδικασία πραγματοποιήθηκε από τέσσερις έμπειρους παρατηρητές και τα τελικά labels προέκυψαν μέσω πλειοψηφικής ψήφου, ώστε να μειωθεί η υποκειμενικότητα και η σύγχυση με παρόμοια φασματικά αντικείμενα (π.χ. θάμνοι, φωλιές τερμιτών).

'''Δεδομένα εκπαίδευσης και ελέγχου'''

Για την εκπαίδευση και αξιολόγηση του μοντέλου, οι εικόνες χωρίστηκαν σε πλέγμα κυψελών (336×336 pixels). Το σύνολο εκπαίδευσης περιλάμβανε 1.097 κυψέλες με 53.906 επισημασμένα γκνου, ενώ το σύνολο ελέγχου αποτελούνταν από 2.700 κυψέλες με 11.594 άτομα. Η επιλογή των δεδομένων ελέγχου έγινε με στρωματοποιημένη τυχαία δειγματοληψία, βάσει πυκνότητας ζώων, ώστε να διασφαλιστεί αντιπροσωπευτικότητα τόσο περιοχών χαμηλής όσο και υψηλής συγκέντρωσης.

'''Η εκπαίδευση του U-Net based αθροιστικού μοντέλου '''

Το μοντέλο βασίστηκε σε αρχιτεκτονική U-Net για τμηματοποίηση εικόνας σε επίπεδο εικονοστοιχείου. Τα δεδομένα υποβλήθηκαν σε τεχνικές αύξησης (data augmentation), ενώ εφαρμόστηκε αθροιστική μάθηση (ensemble learning) με K-fold (K=10), δημιουργώντας δέκα υπομοντέλα των οποίων οι προβλέψεις συνδυάστηκαν. Για την αντιμετώπιση της έντονης ανισορροπίας μεταξύ κλάσεων, χρησιμοποιήθηκε η συνάρτηση απώλειας Tversky με αυξημένη έμφαση στη μείωση ψευδώς αρνητικών αποτελεσμάτων.

'''Αξιολόγηση του Μοντέλου'''

Η ακρίβεια του μοντέλου U-Net βασίστηκε στη σύγκριση των προβλεπόμενων σημείων με τα πραγματικά δεδομένα πεδίου (ground reference). Για να αντισταθμιστούν μικρές αποκλίσεις στον εντοπισμό των κέντρων των ζώων, ορίστηκε μια περιοχή αναζήτησης ακτίνας 0,71 μέτρων (ισοδύναμη με τη διαγώνιο ενός εικονοστοιχείου ανάλυσης 0,5 m). Τα προβλεπόμενα σημεία που μπορούσαν να αντιστοιχιστούν με ένα από τα πλησιέστερα σημεία αναφοράς πεδίου (ground reference) εντός της περιοχής αναζήτησης, προσμετρήθηκαν ως Αληθώς θετικά (true positive, TP), ενώ όσα δεν μπορούσαν να αντιστοιχιστούν με κανένα ως ψευδώς θετικα (false positive, FP). Τέλος όλα τα υπόλοιπα σημεία αναφοράς που δεν αντιστοιχίστηκαν με κανένα προβλεπόμενο σημείο θεωρήθηκαν Ψευδώς Αρνητικά (False Negatives, FN). Με βάση αυτά χρησιμοποιήθηκαν οι δείκτες Precision, Recall και F1-score, ενώ η συνολική απόδοση συγκρίθηκε μέσω της καμπύλης Ακρίβειας-Ανάκλησης και του δείκτη AUC, ο οποίος αποτιμά τη συνολική ικανότητα του μοντέλου να διακρίνει τα ζώα υπό διαφορετικά κατώφλια πιθανότητας.

'''Έλεγχοι Μεταφερσιμότητας '''

Η μεθοδολογία τεκμηριώνεται επαρκώς στα αποτελέσματα.

'''Ανίχνευση και Χωρική Ανάλυση '''

Αφού το μοντέλο έδωσε υψηλή ακρίβεια εφαρμόστηκε σε ολόκληρο το σύνολο των δορυφορικών εικόνων. Οι προβλέψεις πιθανότητας του αθροιστικού μοντέλου μετατράπηκαν σε μεμονωμένα σημεία μέσω K-means clustering για την εκτίμηση του πληθυσμού. Για τα χωρικά μοτίβα μετανάστευσης σε διαφορετικές ημερομηνίες, δημιουργήθηκαν χάρτες πυκνότητας σημείων (point density maps) με μήκος κελιού 100 m ακτίνα 500 μέτρων. Αυτοί οι χάρτες, σε συνδυασμό με ιστογράμματα συχνότητας, οπτικοποίησαν πώς οι συναθροίσεις των γκνου αλλάζουν χωρικά και χρονικά, προσφέροντας μια λεπτομερή εικόνα της κατανομής τους στο οικοσύστημα Σερενγκέτι-Μάρα.

[ [ Αρχείο: rs_wiki_3_hotspot.png | thumb | center| 400 px | ''Εικόνα 4 Χάρτης θερμών σημείων και χωρικής πυκνότητας διασποράς γκνου.'']]

[ [ Αρχείο: rs_wiki_3_histogram.png | thumb | center| 400 px | ''Εικόνα 5 Χωρική διασπορά εντοπισμένων γκνου, με ιστογράμματα συχνότητας (2009-2020)'']]

Αρχείο:Rs wiki 3 evaluation.png

2026-02-07T13:52:20Z

Rizoselef:

Αρχείο:Rs wiki 3 spotting.png.jpg

2026-02-07T13:46:02Z

Rizoselef:

Αρχείο:Rs wiki 3 PRF.png

2026-02-07T13:45:51Z

Rizoselef:

Αρχείο:Rs wiki 3 method.png

2026-02-07T13:45:35Z

Rizoselef:

Αρχείο:Rs wiki 3 hotspot.png

2026-02-07T13:45:23Z

Rizoselef:

Αρχείο:Rs wiki 3 histogram.png

2026-02-07T13:45:06Z

Rizoselef:

Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων

2026-02-07T13:40:11Z

Rizoselef:

[[category:Υγεία]]

'''Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων (Ανασκόπηση) '''

'''Πρωτότυπος τίτλος:''' ''Application of remote sensing and geospatial technologies in predicting vector-borne disease outbreaks (Review article)''

'''Συγγραφείς''': ''Ebrahim Abbasi''

'''Δημοσιεύθηκε''': ''15/10/2025, στο The Royal Society,''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.1098/rsos.250536]

''' 1. ΕΙΣΑΓΩΓΗ'''

Τα νοσήματα που μεταδίδονται μέσω φορέων (Vector-Borne Diseases - VBDs) αποτελούν μία από τις μεγαλύτερες προκλήσεις για την παγκόσμια υγεία, επηρεάζοντας εκατομμύρια ανθρώπους ετησίως, ιδιαίτερα στις τροπικές και υποτροπικές περιοχές. Τα νοσήματα αυτά μεταδίδονται από φορείς όπως κουνούπια, τσιμπούρια και μύγες, οι οποίοι μεταφέρουν παθογόνους οργανισμούς (ιούς, βακτήρια, πρωτόζωα), προκαλώντας υψηλά ποσοστά νοσηρότητας και θνησιμότητας. Η εμφάνιση και η εξάπλωσή τους επηρεάζονται από ένα σύνθετο πλέγμα περιβαλλοντικών, κλιματικών και κοινωνικοοικονομικών παραγόντων. Η κατανόηση της χωρικής και χρονικής δυναμικής τους είναι κρίσιμη για την εφαρμογή έγκαιρων μέτρων ελέγχου, ειδικά υπό το πρίσμα της ταχείας αστικοποίησης και της κλιματικής αλλαγής.
Τις τελευταίες δεκαετίες, η πρόοδος στις γεωχωρικές τεχνολογίες και την τηλεπισκόπηση έχει φέρει επανάσταση στον τρόπο παρακολούθησης των οικολογικών παραγόντων που συμβάλλουν στη μετάδοση των VBDs. Τα δεδομένα τηλεπισκόπησης, όταν ενσωματώνονται σε Γεωγραφικά Συστήματα Πληροφοριών (GIS), προσφέρουν ισχυρά εργαλεία για την ανάλυση των οικοτόπων των φορέων, τον εντοπισμό ζωνών κινδύνου και την πρόβλεψη εξάρσεων.
Οι τεχνολογίες αυτές επιτρέπουν τη συλλογή δεδομένων υψηλής ανάλυσης για μεταβλητές όπως θερμοκρασία και υγρασία, βοχόπτωση και διαθεσιμότητα υδάτινων πόρων, χρήσεις γης και κάλυψη βλάστησης και τοπογραφία.
Ένα από τα κύρια πλεονεκτήματα της τηλεπισκόπησης είναι η ικανότητα παροχής πραγματικού χρόνου και συνεχούς κάλυψης σε παγκόσμια κλίμακα. Σε αντίθεση με τις παραδοσιακές μεθόδους επίγειας παρατήρησης, οι οποίες είναι χρονοβόρες και γεωγραφικά περιορισμένες, η τηλεπισκόπηση επιτρέπει την παρακολούθηση απομακρυσμένων ή δυσπρόσιτων περιοχών. Η ενσωμάτωση δεδομένων Παρατήρησης της Γης (Earth Observation - EO) με επιδημιολογικά μοντέλα ενισχύει την ακρίβεια των προβλέψεων, οδηγώντας σε βελτιωμένα Συστήματα Έγκαιρης Προειδοποίησης (Early Warning Systems - EWS).
Οι γεοχωρικές τεχνολογίες έχουν συνεισφέρει σημαντικά στον σχεδιασμό προγνωστικών μοντέλων που εκτιμούν τον κίνδυνο εξάρσεων VBDs, ενσωματώνοντας κλιματικές μεταβλητές, την πληθυσμιακή πυκνότητα και ιστορικά επιδημιολογικά δεδομένα. Επιπρόσθετα ο συνδυασμός δεδομένων τηλεπισκόπησης με τεχνητή νοημοσύνη και μηχανική μάθηση ενισχύει την ακρίβεια των προβλέψεων, αποκαλύπτοντας σύνθετα πρότυπα που οι παραδοσιακές στατιστικές μέθοδοι αδυνατούν να εντοπίσουν. Ωστόσο, η εφαρμογή αυτή έρχεται αντιμέτωπη με προκλήσεις, όπως η ανάγκη για δεδομένα υψηλής ανάλυσης και η αντιμετώπιση περιορισμών που προκύπτουν από τη νεφοκάλυψη ή την περιορισμένη χρονική συχνότητα των λήψεων. Η ουσιαστική αξιοποίηση των δεδομένων Παρατήρησης της Γης (EO) προϋποθέτει την ανάπτυξη ισχυρών μοντέλων που μπορούν να ερμηνεύσουν τις πολυεπίπεδες αλληλεπιδράσεις μεταξύ περιβαλλοντικών παραγόντων και συμπεριφοράς των φορέων.
Πέρα από το τεχνικό πλαίσιο, η μελέτη υπογραμμίζει την επιτακτική ανάγκη για διεπιστημονική συνεργασία μεταξύ εντομολόγων, επιδημιολόγων, κλιματολόγων και αναλυτών γεοχωρικών δεδομένων. Η ανταλλαγή δεδομένων, η τυποποίηση των μεθοδολογιών και η δημιουργία εύχρηστων συστημάτων υποστήριξης αποφάσεων είναι καθοριστικής σημασίας για τη μετατροπή της έρευνας σε εφαρμόσιμη πολιτική υγείας. Στόχος της εργασίας είναι να διερευνήσει τις τρέχουσες εφαρμογές και τις μελλοντικές προοπτικές αυτής της τηελεπισκόπισης και των γεοχωρικών δεδομένων για πρόβλεψη και έλεγχο εξάρσεων VBDs, αναδεικνύοντας τον κεντρικό ρόλο των δεδομένων παρατήρησης της Γης στη βελτίωση της επιτήρησης των νόσων και των συστημάτων έγκαιρης προειδοποίησης μέσα σε ένα διαρκώς μεταβαλλόμενο περιβάλλον.

'''2. ΜΕΘΟΔΟΛΟΓΙΑ'''

Η εργασία αποτελεί ανασκόπηση υιοθετώντας μια συστηματική και ολοκληρωμένη προσέγγιση για την αξιολόγηση των τρέχουσων εφαρμογών και του μελλοντικού δυναμικού των τεχνολογιών τηλεπισκόπησης (RS) και γεοχωρικής ανάλυσης στην πρόβλεψη και διαχείριση επιδημιών νοσημάτων που μεταδίδονται μέσω διαβιβαστών (VBDs).
Η μεθοδολογία είναι σχεδιασμένη για την διασφάλιση αυστηρής σύνθεσης του υπάρχοντος σώματος της βιβλιογραφίας, με έμφαση σε διεπιστημονικές μελέτες που γεφυρώνουν τα πεδία της ιατρικής εντομολογίας, της τηλεπισκόπησης και της γεωχωρικής ανάλυσης.
Οι ακόλουθες υποενότητες παρουσιάζουν τα βασικά βήματα και τα κριτήρια που εφαρμόστηκαν στη διαδικασία της ανασκόπησης, διασφαλίζοντας διαφάνεια, αναπαραγωγιμότητα και επιστημονική αυστηρότητα.

'''2.1 Στρατηγική Αναζήτησης Βιβλιογραφίας'''

Πραγματοποιήθηκε συστηματική αναζήτηση σε επιστημονικές βάσεις δεδομένων (PubMed, Web of Science, Scopus, IEEE Xplore). Χρησιμοποιήθηκαν λέξεις - κλειδιά όπως «Vector-borne diseases», «Remote sensing», «GIS», «Earth observation data» και «Machine learning». Η εργασία περιορίστηκε σε άρθρα κριτικά αξιολογημένα (peer reviewed) που δημοσιεύθηκαν μεταξύ 2000 και 2025, προκειμένου να συμπεριληφθούν οι πλέον σύγχρονες τεχνολογικές εξελίξεις.

'''2.2 Κριτήρια Ένταξης και Αποκλεισμού'''

Για τη διασφάλιση της ποιότητας, τα επιλεγμένα άρθρα έπρεπε να:
1. Εστιάζουν στην εφαρμογή RS ή GIS στο πλαίσιο των VBDs.
2. Αναλύουν περιβαλλοντικούς ή κλιματικούς παράγοντες.
3. Παρέχουν ποσοτικά ή ποιοτικά στοιχεία για προγνωστικά μοντέλα ή εκτίμηση κινδύνου.
Αποκλείστηκαν μελέτες που αφορούσαν αποκλειστικά εργαστηριακή έρευνα χωρίς γεoχωρική οπτική, καθώς και άρθρα χωρίς επαρκή μεθοδολογική τεκμηρίωση. Όλοι οι τίτλοι και τα abstracts αξιολογήθηκαν από δύο άτομα – κριτές.

'''2.3 Εξαγωγή και Σύνθεση Δεδομένων'''

Ένα δομημένο πρότυπο χρησιμοποιήθηκε για την καταγραφή κατάλληλων πληροφοριών από τις μελέτες. Τα δεδομένα που εξάχθηκαν περιλαμβάνουν, δεδομένα αναφορικά με τους στόχους της εργασίας, με την γεωγραφική περιοχή, με τις δορυφορικές πλατφόρμες (MODIS, Landsat, Sentinel), με τις αναλυτικές τεχνικές (Machine Learning - ML, χωρική στατιστική) και με τα βασικά ευρήματα για την επιτήρηση των φορέων. Η σύνθεση των εξαχθέντων δεδομένων έγινε με ομαδοποίηση των μελετών ανάλογα με το κύριο αντικείμενο τους.

'''2.4-2.5 Ποιοτική Αξιολόγηση και Θεωρητικό Πλαίσιο'''

Εφαρμόστηκε ένα πλαίσιο αξιολόγησης βάσει της σαφήνειας των στόχων και της ισχύος της στατιστικής ανάλυσης. Η μελέτη ενσωμάτωσε θεωρίες όπως η τοπιακή επιδημιολογία (landscape epidemiology) και η μοντελοποίηση οικολογικού θώκου (ecological niche modelling), για να ερμηνεύσει τις αλληλεπιδράσεις περιβάλλοντος-φορέα-ανθρώπου.

'''2.6 ΠΕΡΙΟΡΙΣΜΟΙ ΚΑΙ ΕΥΡΟΣ ΤΗΣ ΑΝΑΣΚΟΠΗΣ'''

Παρά τη συστηματική της προσέγγιση, η ανασκόπηση παρουσιάζει ορισμένους περιορισμούς. Ο αποκλεισμός μη αγγλόφωνων μελετών και η έμφαση αποκλειστικά σε βιβλιογραφία κρτικά αξιολογημένα (peer reviewed) ενδέχεται να περιόρισαν την ενσωμάτωση τοπικών δεδομένων ή αδημοσίευτων ερευνών Παράλληλα, η μελέτη εστιάζει στις τεχνολογίες τηλεπισκόπησης και GIS, χωρίς να επεκτείνεται σε μοριακές ή γενετικές αναλύσεις των φορέων. Παρά τους περιορισμούς αυτούς, η εργασία θέτει στέρεες βάσεις για μελλοντικές διεπιστημονικές εφαρμογές στην αντιμετώπιση των νοσημάτων που μεταδίδονται από φορείς.

[[Αρχείο:rs_wiki_4_prediction.png | thumb| 400 px | '''Εικόνα 1:'''Η διαδικασία πρόβλεψης και επιτήρησης VBDs με τη χρήση RS και GIS''']]

[[Αρχείο:rs_wiki_4_radarchart.png | thumb| 400 px | '''Εικόνα 2:''' Αξιολόγηση της ικανότητας και των προκλήσεων της εφαρμογής RS και GIS τεχνολογιών στην πρόβλεψη έξαρσης VBDs''']]

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ '''

Τα ευρήματα της παρούσας εργασίας (ανασκόπησης) κατηγοριοποιούνται σε κεντρικούς θεματικούς τομείς, αναδεικνύοντας τις προόδους και τους περιορισμούς των γεοχωρικών τεχνολογιών στην πρόβλεψη των VBDs. Ένα ευρύ φάσμα πλατφορμών τηλεπισκόπησης χρησιμοποιούνται για την παρακολούθηση περιβαλλοντικών και κλιματικών παραγόντων. Οι δορυφόροι Landsat αξιοποιούνται κυρίως για τη μελέτη αλλαγών στη χρήση και την κάλυψη γης (LULC), οι οποίες είναι καθοριστικές για την κατανόηση της καταλληλότητας των ενδιαιτημάτων για φορείς όπως τα κουνούπια (Aedes aegypti). Αντίστοιχα, ο MODIS εφαρμόζεται εκτενώς για την ανάλυση κλιματικών παραμέτρων, όπως η θερμοκρασία της επιφάνειας εδάφους και οι δείκτες βλάστησης, παρέχοντας δεδομένα για τη μοντελοποίηση της πυκνότητας των φορέων και του κινδύνου μετάδοσης. Ο Sentinel-2 αναδείχθηκε ως η προτιμώμενη πλατφόρμα για τη λεπτομερή χαρτογράφηση αστικών περιβαλλόντων με σημασία στην πρόβλεψη πυκνοκατοικημένων περιοχών, ενώ η ενσωμάτωση δεδομένων από μη επανδρωμένα αεροσκάφη (UAVs) πρόσφερε υψηλή ανάλυση για τοπικές παρεμβάσεις, παρά την περιορισμένη χωρική κάλυψη που παρέχουν.
Παράλληλα, υπογραμμίστηκε ο κομβικός ρόλος των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) στην ενοποίηση περιβαλλοντικών και επιδημιολογικών δεδομένων για τη δημιουργία προγνωστικών μοντέλων. Η χρήση δεικτών όπως ο NDVI σε συνδυασμό με δεδομένα βροχόπτωσης επέτρεψε την πρόβλεψη εποχιακών εξάρσεων της ελονοσίας, ενώ τα μοντέλα μηχανικής μάθησης (Random Forests, SVM) ενίσχυσαν την ακρίβεια των προβλέψεων. Κυρίαρχο θέμα στις εργασίες που ενσωματώθηκαν και αξιοοποιήθηκαν για την ανασκόπηση αποτελεί ο προσδιορισμός των περιβαλλοντικών οδηγών δηλαδή τη θερμοκρασία, τη βροχόπτωση και την αστικοποίηση, οι οποίοι αναδεικνύονται ως οι βασικότεροι παράγοντες που ρυθμίζουν τη δυναμική των πληθυσμών των φορέων. Συγκεκριμένα, διαπιστώθηκαν ισχυρές συσχετίσεις μεταξύ θερμοκρασιακών ανωμαλιών και εξάρσεων δάγκειου πυρετού, ενώ οι αλλαγές στη χρήση γης λόγω αστικοποίησης επηρέασαν σημαντικά την αφθονία των φορέων σε αστικές και περι-αστικές περιοχές.
Η εφαρμογή της τηλεπισκόπησης στην ανάπτυξη Συστημάτων Έγκαιρης Προειδοποίησης (EWS) αποτέλεσε επίσης σημείο αναφοράς, καθώς η συνέργεια δορυφορικών και επίγειων εντομολογικών δεδομένων βελτίωσε αισθητά την ικανότητα έγκαιρης παρέμβασης της δημόσιας υγείας. Ωστόσο, εντοπίστηκαν σημαντικά κενά, όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος και η ελλιπής ενσωμάτωση κοινωνικοοικονομικών μεταβλητών στα υπάρχοντα μοντέλα, όπως η κινητικότητα του πληθυσμού και η πρόσβαση σε υπηρεσίες υγείας. Τέλος, η ανασκόπηση ανέδειξε υποσχόμενες μελλοντικές εξελίξεις, όπως η χρήση υπερφασματικής απεικόνισης, η τεχνητή νοημοσύνη και οι πλατφόρμες βασισμένες στο νέφος (π.χ. Google Earth Engine). Η ανάδυση συστημάτων συμμετοχικής επιτήρησης, που συνδυάζουν δεδομένα συλλεγμένα μέσω συμμετοχής του κοινού με τηλεπισκοπικά αποτελέσματα, προσφέρει νέες προοπτικές για την ενίσχυση της ακρίβειας και αύξηση της κλίμακας στην παγκόσμια παρακολούθηση των ασθενειών.

''' 4. ΣΥΖΗΤΗΣΗ'''

Η ενσωμάτωση της τηλεπισκόπησης και των γεοχωρικών τεχνολογιών φέρει σημαντική μεταρρυθμιστική επίδραση στην ικανότητά μας να κατανοούμε, να προβλέπουμε και να μετριάζουμε τις εξάρσεις των νοσημάτων που μεταδίδονται από φορείς (VBD). Τα ευρήματα επιβεβαιώνουν ότι τα γεοχωρικά εργαλεία μπορούν να καλύψουν κρίσιμα κενά στη διαχείριση των ασθενειών αυτών, ιδιαίτερα μέσα στο πλαίσιο των ραγδαίων περιβαλλοντικών αλλαγών και της αστικοποίησης. Υπογραμμίζεται ο καθοριστικός ρόλος πλατφορμών όπως οι Landsat, MODIS και Sentinel-2, οι οποίες παρέχουν περιβαλλοντικά δεδομένα υψηλής ανάλυσης, επιτρέποντας στους ερευνητές να παρακολουθούν τις αλλαγές στις χρήσεις γης, τους δείκτες βλάστησης και τις κλιματικές μεταβλητές με αρκετή χωρική και χρονική ακρίβεια. Επιπλέον, η χρήση μη επανδρωμένων αεροσκαφών (UAVs) ενισχύει τη συλλογή τοπικών δεδομένων, κάτι που είναι μεγάλης σημασίας για στοχευμένες παρεμβάσεις, αν και παραμένουν προκλήσεις σχετικά με την περιορισμένη εμβέλειά τους και την ανάγκη για εξειδικευμένη εκπαίδευση των επαγγελματιών υγείας.
Τα Γεωγραφικά Συστήματα Πληροφοριών (GIS) έχουν αναδειχθεί σε απαραίτητα εργαλεία για την οπτικοποίηση του κινδύνου και την καθοδήγηση των αποκρίσεων δημόσιας υγείας. Η ενοποίηση τηλεπισκοπικών και επιδημιολογικών δεδομένων, διευκολύνουν τη δημιουργία χαρτών επικινδυνότητας που ενημερώνουν τις στρατηγικές κατανομής πόρων. Η αυξανόμενη ενσωμάτωση αλγορίθμων μηχανικής μάθησης, όπως του Random Forest, ενισχύει περαιτέρω την προγνωστική ακρίβεια αυτών των μοντέλων. Ωστόσο, η ικανότητα γενίκευσης των μοντέλων αυτών περιορίζεται συχνά από την ποιότητα και την ανάλυση των εισαγώμενων δεδομένων, καθώς πολλές μελέτες βασίζονται αποκλειστικά σε κλιματικές μεταβλητές, παραμερίζοντας κοινωνικοοικονομικούς παράγοντες που επηρεάζουν σημαντικά τη μετάδοση. Η μελλοντική έρευνα οφείλει να επικεντρωθεί στην ανάπτυξη ολοκληρωμένων πλαισίων μοντελοποίησης που θα περιλαμβάνουν τόσο περιβαλλοντικούς όσο και κοινωνικούς προσδιοριστές.
Η ανασκόπηση δείχνει επίσης τη σημαντική επιρροή περιβαλλοντικών οδηγών, όπως η θερμοκρασία και η βροχόπτωση στη δυναμική των VBDs. Οι αλλαγές σε αυτές τις μεταβλητές, που συχνά καθοδηγούνται από την ανθρωπογενή δραστηριότητα και την κλιματική αλλαγή δημιουργούν ευνοϊκές συνθήκες για τον πολλαπλασιασμό των φορέων και την επέκταση των ενδιαιτημάτων τους, όπως στην περίπτωση του κουνουπιού Aedes aegypti σε νέες περιοχές. Αυτά τα ευρήματα καθιστούν αναγκαία την υιοθέτηση προσαρμοστικών στρατηγικών διαχείρισης και τη δέσμευση της δημόσιας υγείας στον αστικό σχεδιασμό για την ελαχιστοποίηση των εστιών αναπαραγωγής. Παράλληλα, τα Συστήματα Έγκαιρης Προειδοποίησης (EWS) αντιπροσωπεύουν μια σημαντική πρόοδο στην προληπτική διαχείριση, αν και η λειτουργία τους παραμένει δύσκολη σε περιοχές με περιορισμένους πόρους λόγω έλλειψης υπολογιστικών υποδομών.
Τέλος, εντοπίζονται κρίσιμα κενά όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος που φέρουν το μεγαλύτερο βάρος των ασθενειών. Η επέκταση της έρευνας σε αυτές τις περιοχές είναι επιτακτική για την επίτευξη ισότητας στην πρόληψη. Η ραγδαία εξέλιξη τεχνολογιών όπως η υπερφασματική απεικόνιση και η τεχνητή νοημοσύνη προσφέρουν νέες δυνατότητες, ενώ τα συμμετοχικά συστήματα επιτήρησης ενδυναμώνουν τις κοινότητες να συνεισφέρουν στην παρακολούθηση των νόσων. Εν τέλει, απαιτείται μια ολιστική προσέγγιση που θα ενσωματώνει κοινωνικές μεταβλητές όπως η οικονομική επισφάλεια και διεπιστημονική συνεργασία συνεισφέροντας και στον εκδημοκρατισμό των δεδομένων, γεφυρώνοντας το χάσμα μεταξύ επιστημονικής καινοτομίας και εφαρμόσιμης πολιτικής υγείας.

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παραπάνω συζήτηση αναδεικνύει τις προόδους και τις προκλήσεις στην εφαρμογή των τεχνολογιών τηλεπισκόπησης (RS) και γεωχωρικής ανάλυσης για τη διαχείριση VBDs. Με την αντιμετώπιση των κενών και την αξιοποίηση των αναδυόμενων τάσεων, ερευνητές και φορείς χάραξης πολιτικής μπορούν να ενισχύσουν την αποτελεσματικότητα των στρατηγικών πρόληψης και ελέγχου των νοσημάτων. Τελικά, οι προσπάθειες αυτές ενδέχεται να συμβάλλουν στη δημιουργία ανθεκτικών συστημάτων δημόσιας υγείας, ικανών να προσαρμόζονται στη σύνθετη και δυναμική φύση των VBDs.

Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων

2026-02-07T13:39:48Z

Rizoselef:

[[category:Υγεία]]

'''Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων (Ανασκόπηση) '''

'''Πρωτότυπος τίτλος:''' ''Application of remote sensing and geospatial technologies in predicting vector-borne disease outbreaks (Review article)''

'''Συγγραφείς''': ''Ebrahim Abbasi''

'''Δημοσιεύθηκε''': ''15/10/2025, στο The Royal Society,''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.1098/rsos.250536]

''' 1. ΕΙΣΑΓΩΓΗ'''

Τα νοσήματα που μεταδίδονται μέσω φορέων (Vector-Borne Diseases - VBDs) αποτελούν μία από τις μεγαλύτερες προκλήσεις για την παγκόσμια υγεία, επηρεάζοντας εκατομμύρια ανθρώπους ετησίως, ιδιαίτερα στις τροπικές και υποτροπικές περιοχές. Τα νοσήματα αυτά μεταδίδονται από φορείς όπως κουνούπια, τσιμπούρια και μύγες, οι οποίοι μεταφέρουν παθογόνους οργανισμούς (ιούς, βακτήρια, πρωτόζωα), προκαλώντας υψηλά ποσοστά νοσηρότητας και θνησιμότητας. Η εμφάνιση και η εξάπλωσή τους επηρεάζονται από ένα σύνθετο πλέγμα περιβαλλοντικών, κλιματικών και κοινωνικοοικονομικών παραγόντων. Η κατανόηση της χωρικής και χρονικής δυναμικής τους είναι κρίσιμη για την εφαρμογή έγκαιρων μέτρων ελέγχου, ειδικά υπό το πρίσμα της ταχείας αστικοποίησης και της κλιματικής αλλαγής.
Τις τελευταίες δεκαετίες, η πρόοδος στις γεωχωρικές τεχνολογίες και την τηλεπισκόπηση έχει φέρει επανάσταση στον τρόπο παρακολούθησης των οικολογικών παραγόντων που συμβάλλουν στη μετάδοση των VBDs. Τα δεδομένα τηλεπισκόπησης, όταν ενσωματώνονται σε Γεωγραφικά Συστήματα Πληροφοριών (GIS), προσφέρουν ισχυρά εργαλεία για την ανάλυση των οικοτόπων των φορέων, τον εντοπισμό ζωνών κινδύνου και την πρόβλεψη εξάρσεων.
Οι τεχνολογίες αυτές επιτρέπουν τη συλλογή δεδομένων υψηλής ανάλυσης για μεταβλητές όπως θερμοκρασία και υγρασία, βοχόπτωση και διαθεσιμότητα υδάτινων πόρων, χρήσεις γης και κάλυψη βλάστησης και τοπογραφία.
Ένα από τα κύρια πλεονεκτήματα της τηλεπισκόπησης είναι η ικανότητα παροχής πραγματικού χρόνου και συνεχούς κάλυψης σε παγκόσμια κλίμακα. Σε αντίθεση με τις παραδοσιακές μεθόδους επίγειας παρατήρησης, οι οποίες είναι χρονοβόρες και γεωγραφικά περιορισμένες, η τηλεπισκόπηση επιτρέπει την παρακολούθηση απομακρυσμένων ή δυσπρόσιτων περιοχών. Η ενσωμάτωση δεδομένων Παρατήρησης της Γης (Earth Observation - EO) με επιδημιολογικά μοντέλα ενισχύει την ακρίβεια των προβλέψεων, οδηγώντας σε βελτιωμένα Συστήματα Έγκαιρης Προειδοποίησης (Early Warning Systems - EWS).
Οι γεοχωρικές τεχνολογίες έχουν συνεισφέρει σημαντικά στον σχεδιασμό προγνωστικών μοντέλων που εκτιμούν τον κίνδυνο εξάρσεων VBDs, ενσωματώνοντας κλιματικές μεταβλητές, την πληθυσμιακή πυκνότητα και ιστορικά επιδημιολογικά δεδομένα. Επιπρόσθετα ο συνδυασμός δεδομένων τηλεπισκόπησης με τεχνητή νοημοσύνη και μηχανική μάθηση ενισχύει την ακρίβεια των προβλέψεων, αποκαλύπτοντας σύνθετα πρότυπα που οι παραδοσιακές στατιστικές μέθοδοι αδυνατούν να εντοπίσουν. Ωστόσο, η εφαρμογή αυτή έρχεται αντιμέτωπη με προκλήσεις, όπως η ανάγκη για δεδομένα υψηλής ανάλυσης και η αντιμετώπιση περιορισμών που προκύπτουν από τη νεφοκάλυψη ή την περιορισμένη χρονική συχνότητα των λήψεων. Η ουσιαστική αξιοποίηση των δεδομένων Παρατήρησης της Γης (EO) προϋποθέτει την ανάπτυξη ισχυρών μοντέλων που μπορούν να ερμηνεύσουν τις πολυεπίπεδες αλληλεπιδράσεις μεταξύ περιβαλλοντικών παραγόντων και συμπεριφοράς των φορέων.
Πέρα από το τεχνικό πλαίσιο, η μελέτη υπογραμμίζει την επιτακτική ανάγκη για διεπιστημονική συνεργασία μεταξύ εντομολόγων, επιδημιολόγων, κλιματολόγων και αναλυτών γεοχωρικών δεδομένων. Η ανταλλαγή δεδομένων, η τυποποίηση των μεθοδολογιών και η δημιουργία εύχρηστων συστημάτων υποστήριξης αποφάσεων είναι καθοριστικής σημασίας για τη μετατροπή της έρευνας σε εφαρμόσιμη πολιτική υγείας. Στόχος της εργασίας είναι να διερευνήσει τις τρέχουσες εφαρμογές και τις μελλοντικές προοπτικές αυτής της τηελεπισκόπισης και των γεοχωρικών δεδομένων για πρόβλεψη και έλεγχο εξάρσεων VBDs, αναδεικνύοντας τον κεντρικό ρόλο των δεδομένων παρατήρησης της Γης στη βελτίωση της επιτήρησης των νόσων και των συστημάτων έγκαιρης προειδοποίησης μέσα σε ένα διαρκώς μεταβαλλόμενο περιβάλλον.

'''2. ΜΕΘΟΔΟΛΟΓΙΑ'''

Η εργασία αποτελεί ανασκόπηση υιοθετώντας μια συστηματική και ολοκληρωμένη προσέγγιση για την αξιολόγηση των τρέχουσων εφαρμογών και του μελλοντικού δυναμικού των τεχνολογιών τηλεπισκόπησης (RS) και γεοχωρικής ανάλυσης στην πρόβλεψη και διαχείριση επιδημιών νοσημάτων που μεταδίδονται μέσω διαβιβαστών (VBDs).
Η μεθοδολογία είναι σχεδιασμένη για την διασφάλιση αυστηρής σύνθεσης του υπάρχοντος σώματος της βιβλιογραφίας, με έμφαση σε διεπιστημονικές μελέτες που γεφυρώνουν τα πεδία της ιατρικής εντομολογίας, της τηλεπισκόπησης και της γεωχωρικής ανάλυσης.
Οι ακόλουθες υποενότητες παρουσιάζουν τα βασικά βήματα και τα κριτήρια που εφαρμόστηκαν στη διαδικασία της ανασκόπησης, διασφαλίζοντας διαφάνεια, αναπαραγωγιμότητα και επιστημονική αυστηρότητα.

'''2.1 Στρατηγική Αναζήτησης Βιβλιογραφίας'''

Πραγματοποιήθηκε συστηματική αναζήτηση σε επιστημονικές βάσεις δεδομένων (PubMed, Web of Science, Scopus, IEEE Xplore). Χρησιμοποιήθηκαν λέξεις - κλειδιά όπως «Vector-borne diseases», «Remote sensing», «GIS», «Earth observation data» και «Machine learning». Η εργασία περιορίστηκε σε άρθρα κριτικά αξιολογημένα (peer reviewed) που δημοσιεύθηκαν μεταξύ 2000 και 2025, προκειμένου να συμπεριληφθούν οι πλέον σύγχρονες τεχνολογικές εξελίξεις.

'''2.2 Κριτήρια Ένταξης και Αποκλεισμού'''

Για τη διασφάλιση της ποιότητας, τα επιλεγμένα άρθρα έπρεπε να:
1. Εστιάζουν στην εφαρμογή RS ή GIS στο πλαίσιο των VBDs.
2. Αναλύουν περιβαλλοντικούς ή κλιματικούς παράγοντες.
3. Παρέχουν ποσοτικά ή ποιοτικά στοιχεία για προγνωστικά μοντέλα ή εκτίμηση κινδύνου.
Αποκλείστηκαν μελέτες που αφορούσαν αποκλειστικά εργαστηριακή έρευνα χωρίς γεoχωρική οπτική, καθώς και άρθρα χωρίς επαρκή μεθοδολογική τεκμηρίωση. Όλοι οι τίτλοι και τα abstracts αξιολογήθηκαν από δύο άτομα – κριτές.

'''2.3 Εξαγωγή και Σύνθεση Δεδομένων'''

Ένα δομημένο πρότυπο χρησιμοποιήθηκε για την καταγραφή κατάλληλων πληροφοριών από τις μελέτες. Τα δεδομένα που εξάχθηκαν περιλαμβάνουν, δεδομένα αναφορικά με τους στόχους της εργασίας, με την γεωγραφική περιοχή, με τις δορυφορικές πλατφόρμες (MODIS, Landsat, Sentinel), με τις αναλυτικές τεχνικές (Machine Learning - ML, χωρική στατιστική) και με τα βασικά ευρήματα για την επιτήρηση των φορέων. Η σύνθεση των εξαχθέντων δεδομένων έγινε με ομαδοποίηση των μελετών ανάλογα με το κύριο αντικείμενο τους.

'''2.4-2.5 Ποιοτική Αξιολόγηση και Θεωρητικό Πλαίσιο'''

Εφαρμόστηκε ένα πλαίσιο αξιολόγησης βάσει της σαφήνειας των στόχων και της ισχύος της στατιστικής ανάλυσης. Η μελέτη ενσωμάτωσε θεωρίες όπως η τοπιακή επιδημιολογία (landscape epidemiology) και η μοντελοποίηση οικολογικού θώκου (ecological niche modelling), για να ερμηνεύσει τις αλληλεπιδράσεις περιβάλλοντος-φορέα-ανθρώπου.

'''2.6 ΠΕΡΙΟΡΙΣΜΟΙ ΚΑΙ ΕΥΡΟΣ ΤΗΣ ΑΝΑΣΚΟΠΗΣ'''

Παρά τη συστηματική της προσέγγιση, η ανασκόπηση παρουσιάζει ορισμένους περιορισμούς. Ο αποκλεισμός μη αγγλόφωνων μελετών και η έμφαση αποκλειστικά σε βιβλιογραφία κρτικά αξιολογημένα (peer reviewed) ενδέχεται να περιόρισαν την ενσωμάτωση τοπικών δεδομένων ή αδημοσίευτων ερευνών Παράλληλα, η μελέτη εστιάζει στις τεχνολογίες τηλεπισκόπησης και GIS, χωρίς να επεκτείνεται σε μοριακές ή γενετικές αναλύσεις των φορέων. Παρά τους περιορισμούς αυτούς, η εργασία θέτει στέρεες βάσεις για μελλοντικές διεπιστημονικές εφαρμογές στην αντιμετώπιση των νοσημάτων που μεταδίδονται από φορείς.

[[Αρχείο:rs_wiki_4_prediction.png | thumb| 400 px | '''Εικόνα 1:'''Η διαδικασία πρόβλεψης και επιτήρησης VBDs με τη χρήση RS και GIS''' ]]

[[Αρχείο:rs_wiki_4_radarchart.png | thumb| 400 px | '''Εικόνα 2:''' Αξιολόγηση της ικανότητας και των προκλήσεων της εφαρμογής RS και GIS τεχνολογιών στην πρόβλεψη έξαρσης VBDs''']]

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ '''

Τα ευρήματα της παρούσας εργασίας (ανασκόπησης) κατηγοριοποιούνται σε κεντρικούς θεματικούς τομείς, αναδεικνύοντας τις προόδους και τους περιορισμούς των γεοχωρικών τεχνολογιών στην πρόβλεψη των VBDs. Ένα ευρύ φάσμα πλατφορμών τηλεπισκόπησης χρησιμοποιούνται για την παρακολούθηση περιβαλλοντικών και κλιματικών παραγόντων. Οι δορυφόροι Landsat αξιοποιούνται κυρίως για τη μελέτη αλλαγών στη χρήση και την κάλυψη γης (LULC), οι οποίες είναι καθοριστικές για την κατανόηση της καταλληλότητας των ενδιαιτημάτων για φορείς όπως τα κουνούπια (Aedes aegypti). Αντίστοιχα, ο MODIS εφαρμόζεται εκτενώς για την ανάλυση κλιματικών παραμέτρων, όπως η θερμοκρασία της επιφάνειας εδάφους και οι δείκτες βλάστησης, παρέχοντας δεδομένα για τη μοντελοποίηση της πυκνότητας των φορέων και του κινδύνου μετάδοσης. Ο Sentinel-2 αναδείχθηκε ως η προτιμώμενη πλατφόρμα για τη λεπτομερή χαρτογράφηση αστικών περιβαλλόντων με σημασία στην πρόβλεψη πυκνοκατοικημένων περιοχών, ενώ η ενσωμάτωση δεδομένων από μη επανδρωμένα αεροσκάφη (UAVs) πρόσφερε υψηλή ανάλυση για τοπικές παρεμβάσεις, παρά την περιορισμένη χωρική κάλυψη που παρέχουν.
Παράλληλα, υπογραμμίστηκε ο κομβικός ρόλος των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) στην ενοποίηση περιβαλλοντικών και επιδημιολογικών δεδομένων για τη δημιουργία προγνωστικών μοντέλων. Η χρήση δεικτών όπως ο NDVI σε συνδυασμό με δεδομένα βροχόπτωσης επέτρεψε την πρόβλεψη εποχιακών εξάρσεων της ελονοσίας, ενώ τα μοντέλα μηχανικής μάθησης (Random Forests, SVM) ενίσχυσαν την ακρίβεια των προβλέψεων. Κυρίαρχο θέμα στις εργασίες που ενσωματώθηκαν και αξιοοποιήθηκαν για την ανασκόπηση αποτελεί ο προσδιορισμός των περιβαλλοντικών οδηγών δηλαδή τη θερμοκρασία, τη βροχόπτωση και την αστικοποίηση, οι οποίοι αναδεικνύονται ως οι βασικότεροι παράγοντες που ρυθμίζουν τη δυναμική των πληθυσμών των φορέων. Συγκεκριμένα, διαπιστώθηκαν ισχυρές συσχετίσεις μεταξύ θερμοκρασιακών ανωμαλιών και εξάρσεων δάγκειου πυρετού, ενώ οι αλλαγές στη χρήση γης λόγω αστικοποίησης επηρέασαν σημαντικά την αφθονία των φορέων σε αστικές και περι-αστικές περιοχές.
Η εφαρμογή της τηλεπισκόπησης στην ανάπτυξη Συστημάτων Έγκαιρης Προειδοποίησης (EWS) αποτέλεσε επίσης σημείο αναφοράς, καθώς η συνέργεια δορυφορικών και επίγειων εντομολογικών δεδομένων βελτίωσε αισθητά την ικανότητα έγκαιρης παρέμβασης της δημόσιας υγείας. Ωστόσο, εντοπίστηκαν σημαντικά κενά, όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος και η ελλιπής ενσωμάτωση κοινωνικοοικονομικών μεταβλητών στα υπάρχοντα μοντέλα, όπως η κινητικότητα του πληθυσμού και η πρόσβαση σε υπηρεσίες υγείας. Τέλος, η ανασκόπηση ανέδειξε υποσχόμενες μελλοντικές εξελίξεις, όπως η χρήση υπερφασματικής απεικόνισης, η τεχνητή νοημοσύνη και οι πλατφόρμες βασισμένες στο νέφος (π.χ. Google Earth Engine). Η ανάδυση συστημάτων συμμετοχικής επιτήρησης, που συνδυάζουν δεδομένα συλλεγμένα μέσω συμμετοχής του κοινού με τηλεπισκοπικά αποτελέσματα, προσφέρει νέες προοπτικές για την ενίσχυση της ακρίβειας και αύξηση της κλίμακας στην παγκόσμια παρακολούθηση των ασθενειών.

''' 4. ΣΥΖΗΤΗΣΗ'''

Η ενσωμάτωση της τηλεπισκόπησης και των γεοχωρικών τεχνολογιών φέρει σημαντική μεταρρυθμιστική επίδραση στην ικανότητά μας να κατανοούμε, να προβλέπουμε και να μετριάζουμε τις εξάρσεις των νοσημάτων που μεταδίδονται από φορείς (VBD). Τα ευρήματα επιβεβαιώνουν ότι τα γεοχωρικά εργαλεία μπορούν να καλύψουν κρίσιμα κενά στη διαχείριση των ασθενειών αυτών, ιδιαίτερα μέσα στο πλαίσιο των ραγδαίων περιβαλλοντικών αλλαγών και της αστικοποίησης. Υπογραμμίζεται ο καθοριστικός ρόλος πλατφορμών όπως οι Landsat, MODIS και Sentinel-2, οι οποίες παρέχουν περιβαλλοντικά δεδομένα υψηλής ανάλυσης, επιτρέποντας στους ερευνητές να παρακολουθούν τις αλλαγές στις χρήσεις γης, τους δείκτες βλάστησης και τις κλιματικές μεταβλητές με αρκετή χωρική και χρονική ακρίβεια. Επιπλέον, η χρήση μη επανδρωμένων αεροσκαφών (UAVs) ενισχύει τη συλλογή τοπικών δεδομένων, κάτι που είναι μεγάλης σημασίας για στοχευμένες παρεμβάσεις, αν και παραμένουν προκλήσεις σχετικά με την περιορισμένη εμβέλειά τους και την ανάγκη για εξειδικευμένη εκπαίδευση των επαγγελματιών υγείας.
Τα Γεωγραφικά Συστήματα Πληροφοριών (GIS) έχουν αναδειχθεί σε απαραίτητα εργαλεία για την οπτικοποίηση του κινδύνου και την καθοδήγηση των αποκρίσεων δημόσιας υγείας. Η ενοποίηση τηλεπισκοπικών και επιδημιολογικών δεδομένων, διευκολύνουν τη δημιουργία χαρτών επικινδυνότητας που ενημερώνουν τις στρατηγικές κατανομής πόρων. Η αυξανόμενη ενσωμάτωση αλγορίθμων μηχανικής μάθησης, όπως του Random Forest, ενισχύει περαιτέρω την προγνωστική ακρίβεια αυτών των μοντέλων. Ωστόσο, η ικανότητα γενίκευσης των μοντέλων αυτών περιορίζεται συχνά από την ποιότητα και την ανάλυση των εισαγώμενων δεδομένων, καθώς πολλές μελέτες βασίζονται αποκλειστικά σε κλιματικές μεταβλητές, παραμερίζοντας κοινωνικοοικονομικούς παράγοντες που επηρεάζουν σημαντικά τη μετάδοση. Η μελλοντική έρευνα οφείλει να επικεντρωθεί στην ανάπτυξη ολοκληρωμένων πλαισίων μοντελοποίησης που θα περιλαμβάνουν τόσο περιβαλλοντικούς όσο και κοινωνικούς προσδιοριστές.
Η ανασκόπηση δείχνει επίσης τη σημαντική επιρροή περιβαλλοντικών οδηγών, όπως η θερμοκρασία και η βροχόπτωση στη δυναμική των VBDs. Οι αλλαγές σε αυτές τις μεταβλητές, που συχνά καθοδηγούνται από την ανθρωπογενή δραστηριότητα και την κλιματική αλλαγή δημιουργούν ευνοϊκές συνθήκες για τον πολλαπλασιασμό των φορέων και την επέκταση των ενδιαιτημάτων τους, όπως στην περίπτωση του κουνουπιού Aedes aegypti σε νέες περιοχές. Αυτά τα ευρήματα καθιστούν αναγκαία την υιοθέτηση προσαρμοστικών στρατηγικών διαχείρισης και τη δέσμευση της δημόσιας υγείας στον αστικό σχεδιασμό για την ελαχιστοποίηση των εστιών αναπαραγωγής. Παράλληλα, τα Συστήματα Έγκαιρης Προειδοποίησης (EWS) αντιπροσωπεύουν μια σημαντική πρόοδο στην προληπτική διαχείριση, αν και η λειτουργία τους παραμένει δύσκολη σε περιοχές με περιορισμένους πόρους λόγω έλλειψης υπολογιστικών υποδομών.
Τέλος, εντοπίζονται κρίσιμα κενά όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος που φέρουν το μεγαλύτερο βάρος των ασθενειών. Η επέκταση της έρευνας σε αυτές τις περιοχές είναι επιτακτική για την επίτευξη ισότητας στην πρόληψη. Η ραγδαία εξέλιξη τεχνολογιών όπως η υπερφασματική απεικόνιση και η τεχνητή νοημοσύνη προσφέρουν νέες δυνατότητες, ενώ τα συμμετοχικά συστήματα επιτήρησης ενδυναμώνουν τις κοινότητες να συνεισφέρουν στην παρακολούθηση των νόσων. Εν τέλει, απαιτείται μια ολιστική προσέγγιση που θα ενσωματώνει κοινωνικές μεταβλητές όπως η οικονομική επισφάλεια και διεπιστημονική συνεργασία συνεισφέροντας και στον εκδημοκρατισμό των δεδομένων, γεφυρώνοντας το χάσμα μεταξύ επιστημονικής καινοτομίας και εφαρμόσιμης πολιτικής υγείας.

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παραπάνω συζήτηση αναδεικνύει τις προόδους και τις προκλήσεις στην εφαρμογή των τεχνολογιών τηλεπισκόπησης (RS) και γεωχωρικής ανάλυσης για τη διαχείριση VBDs. Με την αντιμετώπιση των κενών και την αξιοποίηση των αναδυόμενων τάσεων, ερευνητές και φορείς χάραξης πολιτικής μπορούν να ενισχύσουν την αποτελεσματικότητα των στρατηγικών πρόληψης και ελέγχου των νοσημάτων. Τελικά, οι προσπάθειες αυτές ενδέχεται να συμβάλλουν στη δημιουργία ανθεκτικών συστημάτων δημόσιας υγείας, ικανών να προσαρμόζονται στη σύνθετη και δυναμική φύση των VBDs.

Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων

2026-02-07T13:39:23Z

Rizoselef:

[[category:Υγεία]]

'''Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων (Ανασκόπηση) '''

'''Πρωτότυπος τίτλος:''' ''Application of remote sensing and geospatial technologies in predicting vector-borne disease outbreaks (Review article)''

'''Συγγραφείς''': ''Ebrahim Abbasi''

'''Δημοσιεύθηκε''': ''15/10/2025, στο The Royal Society,''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.1098/rsos.250536]

''' 1. ΕΙΣΑΓΩΓΗ'''

Τα νοσήματα που μεταδίδονται μέσω φορέων (Vector-Borne Diseases - VBDs) αποτελούν μία από τις μεγαλύτερες προκλήσεις για την παγκόσμια υγεία, επηρεάζοντας εκατομμύρια ανθρώπους ετησίως, ιδιαίτερα στις τροπικές και υποτροπικές περιοχές. Τα νοσήματα αυτά μεταδίδονται από φορείς όπως κουνούπια, τσιμπούρια και μύγες, οι οποίοι μεταφέρουν παθογόνους οργανισμούς (ιούς, βακτήρια, πρωτόζωα), προκαλώντας υψηλά ποσοστά νοσηρότητας και θνησιμότητας. Η εμφάνιση και η εξάπλωσή τους επηρεάζονται από ένα σύνθετο πλέγμα περιβαλλοντικών, κλιματικών και κοινωνικοοικονομικών παραγόντων. Η κατανόηση της χωρικής και χρονικής δυναμικής τους είναι κρίσιμη για την εφαρμογή έγκαιρων μέτρων ελέγχου, ειδικά υπό το πρίσμα της ταχείας αστικοποίησης και της κλιματικής αλλαγής.
Τις τελευταίες δεκαετίες, η πρόοδος στις γεωχωρικές τεχνολογίες και την τηλεπισκόπηση έχει φέρει επανάσταση στον τρόπο παρακολούθησης των οικολογικών παραγόντων που συμβάλλουν στη μετάδοση των VBDs. Τα δεδομένα τηλεπισκόπησης, όταν ενσωματώνονται σε Γεωγραφικά Συστήματα Πληροφοριών (GIS), προσφέρουν ισχυρά εργαλεία για την ανάλυση των οικοτόπων των φορέων, τον εντοπισμό ζωνών κινδύνου και την πρόβλεψη εξάρσεων.
Οι τεχνολογίες αυτές επιτρέπουν τη συλλογή δεδομένων υψηλής ανάλυσης για μεταβλητές όπως θερμοκρασία και υγρασία, βοχόπτωση και διαθεσιμότητα υδάτινων πόρων, χρήσεις γης και κάλυψη βλάστησης και τοπογραφία.
Ένα από τα κύρια πλεονεκτήματα της τηλεπισκόπησης είναι η ικανότητα παροχής πραγματικού χρόνου και συνεχούς κάλυψης σε παγκόσμια κλίμακα. Σε αντίθεση με τις παραδοσιακές μεθόδους επίγειας παρατήρησης, οι οποίες είναι χρονοβόρες και γεωγραφικά περιορισμένες, η τηλεπισκόπηση επιτρέπει την παρακολούθηση απομακρυσμένων ή δυσπρόσιτων περιοχών. Η ενσωμάτωση δεδομένων Παρατήρησης της Γης (Earth Observation - EO) με επιδημιολογικά μοντέλα ενισχύει την ακρίβεια των προβλέψεων, οδηγώντας σε βελτιωμένα Συστήματα Έγκαιρης Προειδοποίησης (Early Warning Systems - EWS).
Οι γεοχωρικές τεχνολογίες έχουν συνεισφέρει σημαντικά στον σχεδιασμό προγνωστικών μοντέλων που εκτιμούν τον κίνδυνο εξάρσεων VBDs, ενσωματώνοντας κλιματικές μεταβλητές, την πληθυσμιακή πυκνότητα και ιστορικά επιδημιολογικά δεδομένα. Επιπρόσθετα ο συνδυασμός δεδομένων τηλεπισκόπησης με τεχνητή νοημοσύνη και μηχανική μάθηση ενισχύει την ακρίβεια των προβλέψεων, αποκαλύπτοντας σύνθετα πρότυπα που οι παραδοσιακές στατιστικές μέθοδοι αδυνατούν να εντοπίσουν. Ωστόσο, η εφαρμογή αυτή έρχεται αντιμέτωπη με προκλήσεις, όπως η ανάγκη για δεδομένα υψηλής ανάλυσης και η αντιμετώπιση περιορισμών που προκύπτουν από τη νεφοκάλυψη ή την περιορισμένη χρονική συχνότητα των λήψεων. Η ουσιαστική αξιοποίηση των δεδομένων Παρατήρησης της Γης (EO) προϋποθέτει την ανάπτυξη ισχυρών μοντέλων που μπορούν να ερμηνεύσουν τις πολυεπίπεδες αλληλεπιδράσεις μεταξύ περιβαλλοντικών παραγόντων και συμπεριφοράς των φορέων.
Πέρα από το τεχνικό πλαίσιο, η μελέτη υπογραμμίζει την επιτακτική ανάγκη για διεπιστημονική συνεργασία μεταξύ εντομολόγων, επιδημιολόγων, κλιματολόγων και αναλυτών γεοχωρικών δεδομένων. Η ανταλλαγή δεδομένων, η τυποποίηση των μεθοδολογιών και η δημιουργία εύχρηστων συστημάτων υποστήριξης αποφάσεων είναι καθοριστικής σημασίας για τη μετατροπή της έρευνας σε εφαρμόσιμη πολιτική υγείας. Στόχος της εργασίας είναι να διερευνήσει τις τρέχουσες εφαρμογές και τις μελλοντικές προοπτικές αυτής της τηελεπισκόπισης και των γεοχωρικών δεδομένων για πρόβλεψη και έλεγχο εξάρσεων VBDs, αναδεικνύοντας τον κεντρικό ρόλο των δεδομένων παρατήρησης της Γης στη βελτίωση της επιτήρησης των νόσων και των συστημάτων έγκαιρης προειδοποίησης μέσα σε ένα διαρκώς μεταβαλλόμενο περιβάλλον.

'''2. ΜΕΘΟΔΟΛΟΓΙΑ'''

Η εργασία αποτελεί ανασκόπηση υιοθετώντας μια συστηματική και ολοκληρωμένη προσέγγιση για την αξιολόγηση των τρέχουσων εφαρμογών και του μελλοντικού δυναμικού των τεχνολογιών τηλεπισκόπησης (RS) και γεοχωρικής ανάλυσης στην πρόβλεψη και διαχείριση επιδημιών νοσημάτων που μεταδίδονται μέσω διαβιβαστών (VBDs).
Η μεθοδολογία είναι σχεδιασμένη για την διασφάλιση αυστηρής σύνθεσης του υπάρχοντος σώματος της βιβλιογραφίας, με έμφαση σε διεπιστημονικές μελέτες που γεφυρώνουν τα πεδία της ιατρικής εντομολογίας, της τηλεπισκόπησης και της γεωχωρικής ανάλυσης.
Οι ακόλουθες υποενότητες παρουσιάζουν τα βασικά βήματα και τα κριτήρια που εφαρμόστηκαν στη διαδικασία της ανασκόπησης, διασφαλίζοντας διαφάνεια, αναπαραγωγιμότητα και επιστημονική αυστηρότητα.

'''2.1 Στρατηγική Αναζήτησης Βιβλιογραφίας'''

Πραγματοποιήθηκε συστηματική αναζήτηση σε επιστημονικές βάσεις δεδομένων (PubMed, Web of Science, Scopus, IEEE Xplore). Χρησιμοποιήθηκαν λέξεις - κλειδιά όπως «Vector-borne diseases», «Remote sensing», «GIS», «Earth observation data» και «Machine learning». Η εργασία περιορίστηκε σε άρθρα κριτικά αξιολογημένα (peer reviewed) που δημοσιεύθηκαν μεταξύ 2000 και 2025, προκειμένου να συμπεριληφθούν οι πλέον σύγχρονες τεχνολογικές εξελίξεις.

'''2.2 Κριτήρια Ένταξης και Αποκλεισμού'''

Για τη διασφάλιση της ποιότητας, τα επιλεγμένα άρθρα έπρεπε να:
1. Εστιάζουν στην εφαρμογή RS ή GIS στο πλαίσιο των VBDs.
2. Αναλύουν περιβαλλοντικούς ή κλιματικούς παράγοντες.
3. Παρέχουν ποσοτικά ή ποιοτικά στοιχεία για προγνωστικά μοντέλα ή εκτίμηση κινδύνου.
Αποκλείστηκαν μελέτες που αφορούσαν αποκλειστικά εργαστηριακή έρευνα χωρίς γεoχωρική οπτική, καθώς και άρθρα χωρίς επαρκή μεθοδολογική τεκμηρίωση. Όλοι οι τίτλοι και τα abstracts αξιολογήθηκαν από δύο άτομα – κριτές.

'''2.3 Εξαγωγή και Σύνθεση Δεδομένων'''

Ένα δομημένο πρότυπο χρησιμοποιήθηκε για την καταγραφή κατάλληλων πληροφοριών από τις μελέτες. Τα δεδομένα που εξάχθηκαν περιλαμβάνουν, δεδομένα αναφορικά με τους στόχους της εργασίας, με την γεωγραφική περιοχή, με τις δορυφορικές πλατφόρμες (MODIS, Landsat, Sentinel), με τις αναλυτικές τεχνικές (Machine Learning - ML, χωρική στατιστική) και με τα βασικά ευρήματα για την επιτήρηση των φορέων. Η σύνθεση των εξαχθέντων δεδομένων έγινε με ομαδοποίηση των μελετών ανάλογα με το κύριο αντικείμενο τους.

'''2.4-2.5 Ποιοτική Αξιολόγηση και Θεωρητικό Πλαίσιο'''

Εφαρμόστηκε ένα πλαίσιο αξιολόγησης βάσει της σαφήνειας των στόχων και της ισχύος της στατιστικής ανάλυσης. Η μελέτη ενσωμάτωσε θεωρίες όπως η τοπιακή επιδημιολογία (landscape epidemiology) και η μοντελοποίηση οικολογικού θώκου (ecological niche modelling), για να ερμηνεύσει τις αλληλεπιδράσεις περιβάλλοντος-φορέα-ανθρώπου.

'''2.6 ΠΕΡΙΟΡΙΣΜΟΙ ΚΑΙ ΕΥΡΟΣ ΤΗΣ ΑΝΑΣΚΟΠΗΣ'''

Παρά τη συστηματική της προσέγγιση, η ανασκόπηση παρουσιάζει ορισμένους περιορισμούς. Ο αποκλεισμός μη αγγλόφωνων μελετών και η έμφαση αποκλειστικά σε βιβλιογραφία κρτικά αξιολογημένα (peer reviewed) ενδέχεται να περιόρισαν την ενσωμάτωση τοπικών δεδομένων ή αδημοσίευτων ερευνών Παράλληλα, η μελέτη εστιάζει στις τεχνολογίες τηλεπισκόπησης και GIS, χωρίς να επεκτείνεται σε μοριακές ή γενετικές αναλύσεις των φορέων. Παρά τους περιορισμούς αυτούς, η εργασία θέτει στέρεες βάσεις για μελλοντικές διεπιστημονικές εφαρμογές στην αντιμετώπιση των νοσημάτων που μεταδίδονται από φορείς.

[[Αρχείο:rs_wiki_4_prediction.png | thumb| 400 px | '''Εικόνα 1:'''Η διαδικασία πρόβλεψης και επιτήρησης VBDs με τη χρήση RS και GIS''' ]

[[Αρχείο:rs_wiki_4_radarchart.png | thumb| 400 px | '''Εικόνα 2:''' Αξιολόγηση της ικανότητας και των προκλήσεων της εφαρμογής RS και GIS τεχνολογιών στην πρόβλεψη έξαρσης VBDs''']]

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ '''

Τα ευρήματα της παρούσας εργασίας (ανασκόπησης) κατηγοριοποιούνται σε κεντρικούς θεματικούς τομείς, αναδεικνύοντας τις προόδους και τους περιορισμούς των γεοχωρικών τεχνολογιών στην πρόβλεψη των VBDs. Ένα ευρύ φάσμα πλατφορμών τηλεπισκόπησης χρησιμοποιούνται για την παρακολούθηση περιβαλλοντικών και κλιματικών παραγόντων. Οι δορυφόροι Landsat αξιοποιούνται κυρίως για τη μελέτη αλλαγών στη χρήση και την κάλυψη γης (LULC), οι οποίες είναι καθοριστικές για την κατανόηση της καταλληλότητας των ενδιαιτημάτων για φορείς όπως τα κουνούπια (Aedes aegypti). Αντίστοιχα, ο MODIS εφαρμόζεται εκτενώς για την ανάλυση κλιματικών παραμέτρων, όπως η θερμοκρασία της επιφάνειας εδάφους και οι δείκτες βλάστησης, παρέχοντας δεδομένα για τη μοντελοποίηση της πυκνότητας των φορέων και του κινδύνου μετάδοσης. Ο Sentinel-2 αναδείχθηκε ως η προτιμώμενη πλατφόρμα για τη λεπτομερή χαρτογράφηση αστικών περιβαλλόντων με σημασία στην πρόβλεψη πυκνοκατοικημένων περιοχών, ενώ η ενσωμάτωση δεδομένων από μη επανδρωμένα αεροσκάφη (UAVs) πρόσφερε υψηλή ανάλυση για τοπικές παρεμβάσεις, παρά την περιορισμένη χωρική κάλυψη που παρέχουν.
Παράλληλα, υπογραμμίστηκε ο κομβικός ρόλος των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) στην ενοποίηση περιβαλλοντικών και επιδημιολογικών δεδομένων για τη δημιουργία προγνωστικών μοντέλων. Η χρήση δεικτών όπως ο NDVI σε συνδυασμό με δεδομένα βροχόπτωσης επέτρεψε την πρόβλεψη εποχιακών εξάρσεων της ελονοσίας, ενώ τα μοντέλα μηχανικής μάθησης (Random Forests, SVM) ενίσχυσαν την ακρίβεια των προβλέψεων. Κυρίαρχο θέμα στις εργασίες που ενσωματώθηκαν και αξιοοποιήθηκαν για την ανασκόπηση αποτελεί ο προσδιορισμός των περιβαλλοντικών οδηγών δηλαδή τη θερμοκρασία, τη βροχόπτωση και την αστικοποίηση, οι οποίοι αναδεικνύονται ως οι βασικότεροι παράγοντες που ρυθμίζουν τη δυναμική των πληθυσμών των φορέων. Συγκεκριμένα, διαπιστώθηκαν ισχυρές συσχετίσεις μεταξύ θερμοκρασιακών ανωμαλιών και εξάρσεων δάγκειου πυρετού, ενώ οι αλλαγές στη χρήση γης λόγω αστικοποίησης επηρέασαν σημαντικά την αφθονία των φορέων σε αστικές και περι-αστικές περιοχές.
Η εφαρμογή της τηλεπισκόπησης στην ανάπτυξη Συστημάτων Έγκαιρης Προειδοποίησης (EWS) αποτέλεσε επίσης σημείο αναφοράς, καθώς η συνέργεια δορυφορικών και επίγειων εντομολογικών δεδομένων βελτίωσε αισθητά την ικανότητα έγκαιρης παρέμβασης της δημόσιας υγείας. Ωστόσο, εντοπίστηκαν σημαντικά κενά, όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος και η ελλιπής ενσωμάτωση κοινωνικοοικονομικών μεταβλητών στα υπάρχοντα μοντέλα, όπως η κινητικότητα του πληθυσμού και η πρόσβαση σε υπηρεσίες υγείας. Τέλος, η ανασκόπηση ανέδειξε υποσχόμενες μελλοντικές εξελίξεις, όπως η χρήση υπερφασματικής απεικόνισης, η τεχνητή νοημοσύνη και οι πλατφόρμες βασισμένες στο νέφος (π.χ. Google Earth Engine). Η ανάδυση συστημάτων συμμετοχικής επιτήρησης, που συνδυάζουν δεδομένα συλλεγμένα μέσω συμμετοχής του κοινού με τηλεπισκοπικά αποτελέσματα, προσφέρει νέες προοπτικές για την ενίσχυση της ακρίβειας και αύξηση της κλίμακας στην παγκόσμια παρακολούθηση των ασθενειών.

''' 4. ΣΥΖΗΤΗΣΗ'''

Η ενσωμάτωση της τηλεπισκόπησης και των γεοχωρικών τεχνολογιών φέρει σημαντική μεταρρυθμιστική επίδραση στην ικανότητά μας να κατανοούμε, να προβλέπουμε και να μετριάζουμε τις εξάρσεις των νοσημάτων που μεταδίδονται από φορείς (VBD). Τα ευρήματα επιβεβαιώνουν ότι τα γεοχωρικά εργαλεία μπορούν να καλύψουν κρίσιμα κενά στη διαχείριση των ασθενειών αυτών, ιδιαίτερα μέσα στο πλαίσιο των ραγδαίων περιβαλλοντικών αλλαγών και της αστικοποίησης. Υπογραμμίζεται ο καθοριστικός ρόλος πλατφορμών όπως οι Landsat, MODIS και Sentinel-2, οι οποίες παρέχουν περιβαλλοντικά δεδομένα υψηλής ανάλυσης, επιτρέποντας στους ερευνητές να παρακολουθούν τις αλλαγές στις χρήσεις γης, τους δείκτες βλάστησης και τις κλιματικές μεταβλητές με αρκετή χωρική και χρονική ακρίβεια. Επιπλέον, η χρήση μη επανδρωμένων αεροσκαφών (UAVs) ενισχύει τη συλλογή τοπικών δεδομένων, κάτι που είναι μεγάλης σημασίας για στοχευμένες παρεμβάσεις, αν και παραμένουν προκλήσεις σχετικά με την περιορισμένη εμβέλειά τους και την ανάγκη για εξειδικευμένη εκπαίδευση των επαγγελματιών υγείας.
Τα Γεωγραφικά Συστήματα Πληροφοριών (GIS) έχουν αναδειχθεί σε απαραίτητα εργαλεία για την οπτικοποίηση του κινδύνου και την καθοδήγηση των αποκρίσεων δημόσιας υγείας. Η ενοποίηση τηλεπισκοπικών και επιδημιολογικών δεδομένων, διευκολύνουν τη δημιουργία χαρτών επικινδυνότητας που ενημερώνουν τις στρατηγικές κατανομής πόρων. Η αυξανόμενη ενσωμάτωση αλγορίθμων μηχανικής μάθησης, όπως του Random Forest, ενισχύει περαιτέρω την προγνωστική ακρίβεια αυτών των μοντέλων. Ωστόσο, η ικανότητα γενίκευσης των μοντέλων αυτών περιορίζεται συχνά από την ποιότητα και την ανάλυση των εισαγώμενων δεδομένων, καθώς πολλές μελέτες βασίζονται αποκλειστικά σε κλιματικές μεταβλητές, παραμερίζοντας κοινωνικοοικονομικούς παράγοντες που επηρεάζουν σημαντικά τη μετάδοση. Η μελλοντική έρευνα οφείλει να επικεντρωθεί στην ανάπτυξη ολοκληρωμένων πλαισίων μοντελοποίησης που θα περιλαμβάνουν τόσο περιβαλλοντικούς όσο και κοινωνικούς προσδιοριστές.
Η ανασκόπηση δείχνει επίσης τη σημαντική επιρροή περιβαλλοντικών οδηγών, όπως η θερμοκρασία και η βροχόπτωση στη δυναμική των VBDs. Οι αλλαγές σε αυτές τις μεταβλητές, που συχνά καθοδηγούνται από την ανθρωπογενή δραστηριότητα και την κλιματική αλλαγή δημιουργούν ευνοϊκές συνθήκες για τον πολλαπλασιασμό των φορέων και την επέκταση των ενδιαιτημάτων τους, όπως στην περίπτωση του κουνουπιού Aedes aegypti σε νέες περιοχές. Αυτά τα ευρήματα καθιστούν αναγκαία την υιοθέτηση προσαρμοστικών στρατηγικών διαχείρισης και τη δέσμευση της δημόσιας υγείας στον αστικό σχεδιασμό για την ελαχιστοποίηση των εστιών αναπαραγωγής. Παράλληλα, τα Συστήματα Έγκαιρης Προειδοποίησης (EWS) αντιπροσωπεύουν μια σημαντική πρόοδο στην προληπτική διαχείριση, αν και η λειτουργία τους παραμένει δύσκολη σε περιοχές με περιορισμένους πόρους λόγω έλλειψης υπολογιστικών υποδομών.
Τέλος, εντοπίζονται κρίσιμα κενά όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος που φέρουν το μεγαλύτερο βάρος των ασθενειών. Η επέκταση της έρευνας σε αυτές τις περιοχές είναι επιτακτική για την επίτευξη ισότητας στην πρόληψη. Η ραγδαία εξέλιξη τεχνολογιών όπως η υπερφασματική απεικόνιση και η τεχνητή νοημοσύνη προσφέρουν νέες δυνατότητες, ενώ τα συμμετοχικά συστήματα επιτήρησης ενδυναμώνουν τις κοινότητες να συνεισφέρουν στην παρακολούθηση των νόσων. Εν τέλει, απαιτείται μια ολιστική προσέγγιση που θα ενσωματώνει κοινωνικές μεταβλητές όπως η οικονομική επισφάλεια και διεπιστημονική συνεργασία συνεισφέροντας και στον εκδημοκρατισμό των δεδομένων, γεφυρώνοντας το χάσμα μεταξύ επιστημονικής καινοτομίας και εφαρμόσιμης πολιτικής υγείας.

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παραπάνω συζήτηση αναδεικνύει τις προόδους και τις προκλήσεις στην εφαρμογή των τεχνολογιών τηλεπισκόπησης (RS) και γεωχωρικής ανάλυσης για τη διαχείριση VBDs. Με την αντιμετώπιση των κενών και την αξιοποίηση των αναδυόμενων τάσεων, ερευνητές και φορείς χάραξης πολιτικής μπορούν να ενισχύσουν την αποτελεσματικότητα των στρατηγικών πρόληψης και ελέγχου των νοσημάτων. Τελικά, οι προσπάθειες αυτές ενδέχεται να συμβάλλουν στη δημιουργία ανθεκτικών συστημάτων δημόσιας υγείας, ικανών να προσαρμόζονται στη σύνθετη και δυναμική φύση των VBDs.

Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων

2026-02-07T13:36:56Z

Rizoselef:

[[category:Υγεία]]

'''Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων (Ανασκόπηση) '''

'''Πρωτότυπος τίτλος:''' ''Application of remote sensing and geospatial technologies in predicting vector-borne disease outbreaks (Review article)''

'''Συγγραφείς''': ''Ebrahim Abbasi''

'''Δημοσιεύθηκε''': ''15/10/2025, στο The Royal Society,''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.1098/rsos.250536]

''' 1. ΕΙΣΑΓΩΓΗ'''

Τα νοσήματα που μεταδίδονται μέσω φορέων (Vector-Borne Diseases - VBDs) αποτελούν μία από τις μεγαλύτερες προκλήσεις για την παγκόσμια υγεία, επηρεάζοντας εκατομμύρια ανθρώπους ετησίως, ιδιαίτερα στις τροπικές και υποτροπικές περιοχές. Τα νοσήματα αυτά μεταδίδονται από φορείς όπως κουνούπια, τσιμπούρια και μύγες, οι οποίοι μεταφέρουν παθογόνους οργανισμούς (ιούς, βακτήρια, πρωτόζωα), προκαλώντας υψηλά ποσοστά νοσηρότητας και θνησιμότητας. Η εμφάνιση και η εξάπλωσή τους επηρεάζονται από ένα σύνθετο πλέγμα περιβαλλοντικών, κλιματικών και κοινωνικοοικονομικών παραγόντων. Η κατανόηση της χωρικής και χρονικής δυναμικής τους είναι κρίσιμη για την εφαρμογή έγκαιρων μέτρων ελέγχου, ειδικά υπό το πρίσμα της ταχείας αστικοποίησης και της κλιματικής αλλαγής.
Τις τελευταίες δεκαετίες, η πρόοδος στις γεωχωρικές τεχνολογίες και την τηλεπισκόπηση έχει φέρει επανάσταση στον τρόπο παρακολούθησης των οικολογικών παραγόντων που συμβάλλουν στη μετάδοση των VBDs. Τα δεδομένα τηλεπισκόπησης, όταν ενσωματώνονται σε Γεωγραφικά Συστήματα Πληροφοριών (GIS), προσφέρουν ισχυρά εργαλεία για την ανάλυση των οικοτόπων των φορέων, τον εντοπισμό ζωνών κινδύνου και την πρόβλεψη εξάρσεων.
Οι τεχνολογίες αυτές επιτρέπουν τη συλλογή δεδομένων υψηλής ανάλυσης για μεταβλητές όπως θερμοκρασία και υγρασία, βοχόπτωση και διαθεσιμότητα υδάτινων πόρων, χρήσεις γης και κάλυψη βλάστησης και τοπογραφία.
Ένα από τα κύρια πλεονεκτήματα της τηλεπισκόπησης είναι η ικανότητα παροχής πραγματικού χρόνου και συνεχούς κάλυψης σε παγκόσμια κλίμακα. Σε αντίθεση με τις παραδοσιακές μεθόδους επίγειας παρατήρησης, οι οποίες είναι χρονοβόρες και γεωγραφικά περιορισμένες, η τηλεπισκόπηση επιτρέπει την παρακολούθηση απομακρυσμένων ή δυσπρόσιτων περιοχών. Η ενσωμάτωση δεδομένων Παρατήρησης της Γης (Earth Observation - EO) με επιδημιολογικά μοντέλα ενισχύει την ακρίβεια των προβλέψεων, οδηγώντας σε βελτιωμένα Συστήματα Έγκαιρης Προειδοποίησης (Early Warning Systems - EWS).
Οι γεοχωρικές τεχνολογίες έχουν συνεισφέρει σημαντικά στον σχεδιασμό προγνωστικών μοντέλων που εκτιμούν τον κίνδυνο εξάρσεων VBDs, ενσωματώνοντας κλιματικές μεταβλητές, την πληθυσμιακή πυκνότητα και ιστορικά επιδημιολογικά δεδομένα. Επιπρόσθετα ο συνδυασμός δεδομένων τηλεπισκόπησης με τεχνητή νοημοσύνη και μηχανική μάθηση ενισχύει την ακρίβεια των προβλέψεων, αποκαλύπτοντας σύνθετα πρότυπα που οι παραδοσιακές στατιστικές μέθοδοι αδυνατούν να εντοπίσουν. Ωστόσο, η εφαρμογή αυτή έρχεται αντιμέτωπη με προκλήσεις, όπως η ανάγκη για δεδομένα υψηλής ανάλυσης και η αντιμετώπιση περιορισμών που προκύπτουν από τη νεφοκάλυψη ή την περιορισμένη χρονική συχνότητα των λήψεων. Η ουσιαστική αξιοποίηση των δεδομένων Παρατήρησης της Γης (EO) προϋποθέτει την ανάπτυξη ισχυρών μοντέλων που μπορούν να ερμηνεύσουν τις πολυεπίπεδες αλληλεπιδράσεις μεταξύ περιβαλλοντικών παραγόντων και συμπεριφοράς των φορέων.
Πέρα από το τεχνικό πλαίσιο, η μελέτη υπογραμμίζει την επιτακτική ανάγκη για διεπιστημονική συνεργασία μεταξύ εντομολόγων, επιδημιολόγων, κλιματολόγων και αναλυτών γεοχωρικών δεδομένων. Η ανταλλαγή δεδομένων, η τυποποίηση των μεθοδολογιών και η δημιουργία εύχρηστων συστημάτων υποστήριξης αποφάσεων είναι καθοριστικής σημασίας για τη μετατροπή της έρευνας σε εφαρμόσιμη πολιτική υγείας. Στόχος της εργασίας είναι να διερευνήσει τις τρέχουσες εφαρμογές και τις μελλοντικές προοπτικές αυτής της τηελεπισκόπισης και των γεοχωρικών δεδομένων για πρόβλεψη και έλεγχο εξάρσεων VBDs, αναδεικνύοντας τον κεντρικό ρόλο των δεδομένων παρατήρησης της Γης στη βελτίωση της επιτήρησης των νόσων και των συστημάτων έγκαιρης προειδοποίησης μέσα σε ένα διαρκώς μεταβαλλόμενο περιβάλλον.

'''2. ΜΕΘΟΔΟΛΟΓΙΑ'''

Η εργασία αποτελεί ανασκόπηση υιοθετώντας μια συστηματική και ολοκληρωμένη προσέγγιση για την αξιολόγηση των τρέχουσων εφαρμογών και του μελλοντικού δυναμικού των τεχνολογιών τηλεπισκόπησης (RS) και γεοχωρικής ανάλυσης στην πρόβλεψη και διαχείριση επιδημιών νοσημάτων που μεταδίδονται μέσω διαβιβαστών (VBDs).
Η μεθοδολογία είναι σχεδιασμένη για την διασφάλιση αυστηρής σύνθεσης του υπάρχοντος σώματος της βιβλιογραφίας, με έμφαση σε διεπιστημονικές μελέτες που γεφυρώνουν τα πεδία της ιατρικής εντομολογίας, της τηλεπισκόπησης και της γεωχωρικής ανάλυσης.
Οι ακόλουθες υποενότητες παρουσιάζουν τα βασικά βήματα και τα κριτήρια που εφαρμόστηκαν στη διαδικασία της ανασκόπησης, διασφαλίζοντας διαφάνεια, αναπαραγωγιμότητα και επιστημονική αυστηρότητα.

'''2.1 Στρατηγική Αναζήτησης Βιβλιογραφίας'''

Πραγματοποιήθηκε συστηματική αναζήτηση σε επιστημονικές βάσεις δεδομένων (PubMed, Web of Science, Scopus, IEEE Xplore). Χρησιμοποιήθηκαν λέξεις - κλειδιά όπως «Vector-borne diseases», «Remote sensing», «GIS», «Earth observation data» και «Machine learning». Η εργασία περιορίστηκε σε άρθρα κριτικά αξιολογημένα (peer reviewed) που δημοσιεύθηκαν μεταξύ 2000 και 2025, προκειμένου να συμπεριληφθούν οι πλέον σύγχρονες τεχνολογικές εξελίξεις.

'''2.2 Κριτήρια Ένταξης και Αποκλεισμού'''

Για τη διασφάλιση της ποιότητας, τα επιλεγμένα άρθρα έπρεπε να:
1. Εστιάζουν στην εφαρμογή RS ή GIS στο πλαίσιο των VBDs.
2. Αναλύουν περιβαλλοντικούς ή κλιματικούς παράγοντες.
3. Παρέχουν ποσοτικά ή ποιοτικά στοιχεία για προγνωστικά μοντέλα ή εκτίμηση κινδύνου.
Αποκλείστηκαν μελέτες που αφορούσαν αποκλειστικά εργαστηριακή έρευνα χωρίς γεoχωρική οπτική, καθώς και άρθρα χωρίς επαρκή μεθοδολογική τεκμηρίωση. Όλοι οι τίτλοι και τα abstracts αξιολογήθηκαν από δύο άτομα – κριτές.

'''2.3 Εξαγωγή και Σύνθεση Δεδομένων'''

Ένα δομημένο πρότυπο χρησιμοποιήθηκε για την καταγραφή κατάλληλων πληροφοριών από τις μελέτες. Τα δεδομένα που εξάχθηκαν περιλαμβάνουν, δεδομένα αναφορικά με τους στόχους της εργασίας, με την γεωγραφική περιοχή, με τις δορυφορικές πλατφόρμες (MODIS, Landsat, Sentinel), με τις αναλυτικές τεχνικές (Machine Learning - ML, χωρική στατιστική) και με τα βασικά ευρήματα για την επιτήρηση των φορέων. Η σύνθεση των εξαχθέντων δεδομένων έγινε με ομαδοποίηση των μελετών ανάλογα με το κύριο αντικείμενο τους.

'''2.4-2.5 Ποιοτική Αξιολόγηση και Θεωρητικό Πλαίσιο'''

Εφαρμόστηκε ένα πλαίσιο αξιολόγησης βάσει της σαφήνειας των στόχων και της ισχύος της στατιστικής ανάλυσης. Η μελέτη ενσωμάτωσε θεωρίες όπως η τοπιακή επιδημιολογία (landscape epidemiology) και η μοντελοποίηση οικολογικού θώκου (ecological niche modelling), για να ερμηνεύσει τις αλληλεπιδράσεις περιβάλλοντος-φορέα-ανθρώπου.

'''2.6 ΠΕΡΙΟΡΙΣΜΟΙ ΚΑΙ ΕΥΡΟΣ ΤΗΣ ΑΝΑΣΚΟΠΗΣ'''

Παρά τη συστηματική της προσέγγιση, η ανασκόπηση παρουσιάζει ορισμένους περιορισμούς. Ο αποκλεισμός μη αγγλόφωνων μελετών και η έμφαση αποκλειστικά σε βιβλιογραφία κρτικά αξιολογημένα (peer reviewed) ενδέχεται να περιόρισαν την ενσωμάτωση τοπικών δεδομένων ή αδημοσίευτων ερευνών Παράλληλα, η μελέτη εστιάζει στις τεχνολογίες τηλεπισκόπησης και GIS, χωρίς να επεκτείνεται σε μοριακές ή γενετικές αναλύσεις των φορέων. Παρά τους περιορισμούς αυτούς, η εργασία θέτει στέρεες βάσεις για μελλοντικές διεπιστημονικές εφαρμογές στην αντιμετώπιση των νοσημάτων που μεταδίδονται από φορείς.

[[Αρχείο:rs_wiki_4_prediction.png | thumb| 400 px]]

[[Αρχείο:rs_wiki_4_radarchart.png | thumb| 400 px]]

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ '''

Τα ευρήματα της παρούσας εργασίας (ανασκόπησης) κατηγοριοποιούνται σε κεντρικούς θεματικούς τομείς, αναδεικνύοντας τις προόδους και τους περιορισμούς των γεοχωρικών τεχνολογιών στην πρόβλεψη των VBDs. Ένα ευρύ φάσμα πλατφορμών τηλεπισκόπησης χρησιμοποιούνται για την παρακολούθηση περιβαλλοντικών και κλιματικών παραγόντων. Οι δορυφόροι Landsat αξιοποιούνται κυρίως για τη μελέτη αλλαγών στη χρήση και την κάλυψη γης (LULC), οι οποίες είναι καθοριστικές για την κατανόηση της καταλληλότητας των ενδιαιτημάτων για φορείς όπως τα κουνούπια (Aedes aegypti). Αντίστοιχα, ο MODIS εφαρμόζεται εκτενώς για την ανάλυση κλιματικών παραμέτρων, όπως η θερμοκρασία της επιφάνειας εδάφους και οι δείκτες βλάστησης, παρέχοντας δεδομένα για τη μοντελοποίηση της πυκνότητας των φορέων και του κινδύνου μετάδοσης. Ο Sentinel-2 αναδείχθηκε ως η προτιμώμενη πλατφόρμα για τη λεπτομερή χαρτογράφηση αστικών περιβαλλόντων με σημασία στην πρόβλεψη πυκνοκατοικημένων περιοχών, ενώ η ενσωμάτωση δεδομένων από μη επανδρωμένα αεροσκάφη (UAVs) πρόσφερε υψηλή ανάλυση για τοπικές παρεμβάσεις, παρά την περιορισμένη χωρική κάλυψη που παρέχουν.
Παράλληλα, υπογραμμίστηκε ο κομβικός ρόλος των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) στην ενοποίηση περιβαλλοντικών και επιδημιολογικών δεδομένων για τη δημιουργία προγνωστικών μοντέλων. Η χρήση δεικτών όπως ο NDVI σε συνδυασμό με δεδομένα βροχόπτωσης επέτρεψε την πρόβλεψη εποχιακών εξάρσεων της ελονοσίας, ενώ τα μοντέλα μηχανικής μάθησης (Random Forests, SVM) ενίσχυσαν την ακρίβεια των προβλέψεων. Κυρίαρχο θέμα στις εργασίες που ενσωματώθηκαν και αξιοοποιήθηκαν για την ανασκόπηση αποτελεί ο προσδιορισμός των περιβαλλοντικών οδηγών δηλαδή τη θερμοκρασία, τη βροχόπτωση και την αστικοποίηση, οι οποίοι αναδεικνύονται ως οι βασικότεροι παράγοντες που ρυθμίζουν τη δυναμική των πληθυσμών των φορέων. Συγκεκριμένα, διαπιστώθηκαν ισχυρές συσχετίσεις μεταξύ θερμοκρασιακών ανωμαλιών και εξάρσεων δάγκειου πυρετού, ενώ οι αλλαγές στη χρήση γης λόγω αστικοποίησης επηρέασαν σημαντικά την αφθονία των φορέων σε αστικές και περι-αστικές περιοχές.
Η εφαρμογή της τηλεπισκόπησης στην ανάπτυξη Συστημάτων Έγκαιρης Προειδοποίησης (EWS) αποτέλεσε επίσης σημείο αναφοράς, καθώς η συνέργεια δορυφορικών και επίγειων εντομολογικών δεδομένων βελτίωσε αισθητά την ικανότητα έγκαιρης παρέμβασης της δημόσιας υγείας. Ωστόσο, εντοπίστηκαν σημαντικά κενά, όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος και η ελλιπής ενσωμάτωση κοινωνικοοικονομικών μεταβλητών στα υπάρχοντα μοντέλα, όπως η κινητικότητα του πληθυσμού και η πρόσβαση σε υπηρεσίες υγείας. Τέλος, η ανασκόπηση ανέδειξε υποσχόμενες μελλοντικές εξελίξεις, όπως η χρήση υπερφασματικής απεικόνισης, η τεχνητή νοημοσύνη και οι πλατφόρμες βασισμένες στο νέφος (π.χ. Google Earth Engine). Η ανάδυση συστημάτων συμμετοχικής επιτήρησης, που συνδυάζουν δεδομένα συλλεγμένα μέσω συμμετοχής του κοινού με τηλεπισκοπικά αποτελέσματα, προσφέρει νέες προοπτικές για την ενίσχυση της ακρίβειας και αύξηση της κλίμακας στην παγκόσμια παρακολούθηση των ασθενειών.

''' 4. ΣΥΖΗΤΗΣΗ'''

Η ενσωμάτωση της τηλεπισκόπησης και των γεοχωρικών τεχνολογιών φέρει σημαντική μεταρρυθμιστική επίδραση στην ικανότητά μας να κατανοούμε, να προβλέπουμε και να μετριάζουμε τις εξάρσεις των νοσημάτων που μεταδίδονται από φορείς (VBD). Τα ευρήματα επιβεβαιώνουν ότι τα γεοχωρικά εργαλεία μπορούν να καλύψουν κρίσιμα κενά στη διαχείριση των ασθενειών αυτών, ιδιαίτερα μέσα στο πλαίσιο των ραγδαίων περιβαλλοντικών αλλαγών και της αστικοποίησης. Υπογραμμίζεται ο καθοριστικός ρόλος πλατφορμών όπως οι Landsat, MODIS και Sentinel-2, οι οποίες παρέχουν περιβαλλοντικά δεδομένα υψηλής ανάλυσης, επιτρέποντας στους ερευνητές να παρακολουθούν τις αλλαγές στις χρήσεις γης, τους δείκτες βλάστησης και τις κλιματικές μεταβλητές με αρκετή χωρική και χρονική ακρίβεια. Επιπλέον, η χρήση μη επανδρωμένων αεροσκαφών (UAVs) ενισχύει τη συλλογή τοπικών δεδομένων, κάτι που είναι μεγάλης σημασίας για στοχευμένες παρεμβάσεις, αν και παραμένουν προκλήσεις σχετικά με την περιορισμένη εμβέλειά τους και την ανάγκη για εξειδικευμένη εκπαίδευση των επαγγελματιών υγείας.
Τα Γεωγραφικά Συστήματα Πληροφοριών (GIS) έχουν αναδειχθεί σε απαραίτητα εργαλεία για την οπτικοποίηση του κινδύνου και την καθοδήγηση των αποκρίσεων δημόσιας υγείας. Η ενοποίηση τηλεπισκοπικών και επιδημιολογικών δεδομένων, διευκολύνουν τη δημιουργία χαρτών επικινδυνότητας που ενημερώνουν τις στρατηγικές κατανομής πόρων. Η αυξανόμενη ενσωμάτωση αλγορίθμων μηχανικής μάθησης, όπως του Random Forest, ενισχύει περαιτέρω την προγνωστική ακρίβεια αυτών των μοντέλων. Ωστόσο, η ικανότητα γενίκευσης των μοντέλων αυτών περιορίζεται συχνά από την ποιότητα και την ανάλυση των εισαγώμενων δεδομένων, καθώς πολλές μελέτες βασίζονται αποκλειστικά σε κλιματικές μεταβλητές, παραμερίζοντας κοινωνικοοικονομικούς παράγοντες που επηρεάζουν σημαντικά τη μετάδοση. Η μελλοντική έρευνα οφείλει να επικεντρωθεί στην ανάπτυξη ολοκληρωμένων πλαισίων μοντελοποίησης που θα περιλαμβάνουν τόσο περιβαλλοντικούς όσο και κοινωνικούς προσδιοριστές.
Η ανασκόπηση δείχνει επίσης τη σημαντική επιρροή περιβαλλοντικών οδηγών, όπως η θερμοκρασία και η βροχόπτωση στη δυναμική των VBDs. Οι αλλαγές σε αυτές τις μεταβλητές, που συχνά καθοδηγούνται από την ανθρωπογενή δραστηριότητα και την κλιματική αλλαγή δημιουργούν ευνοϊκές συνθήκες για τον πολλαπλασιασμό των φορέων και την επέκταση των ενδιαιτημάτων τους, όπως στην περίπτωση του κουνουπιού Aedes aegypti σε νέες περιοχές. Αυτά τα ευρήματα καθιστούν αναγκαία την υιοθέτηση προσαρμοστικών στρατηγικών διαχείρισης και τη δέσμευση της δημόσιας υγείας στον αστικό σχεδιασμό για την ελαχιστοποίηση των εστιών αναπαραγωγής. Παράλληλα, τα Συστήματα Έγκαιρης Προειδοποίησης (EWS) αντιπροσωπεύουν μια σημαντική πρόοδο στην προληπτική διαχείριση, αν και η λειτουργία τους παραμένει δύσκολη σε περιοχές με περιορισμένους πόρους λόγω έλλειψης υπολογιστικών υποδομών.
Τέλος, εντοπίζονται κρίσιμα κενά όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος που φέρουν το μεγαλύτερο βάρος των ασθενειών. Η επέκταση της έρευνας σε αυτές τις περιοχές είναι επιτακτική για την επίτευξη ισότητας στην πρόληψη. Η ραγδαία εξέλιξη τεχνολογιών όπως η υπερφασματική απεικόνιση και η τεχνητή νοημοσύνη προσφέρουν νέες δυνατότητες, ενώ τα συμμετοχικά συστήματα επιτήρησης ενδυναμώνουν τις κοινότητες να συνεισφέρουν στην παρακολούθηση των νόσων. Εν τέλει, απαιτείται μια ολιστική προσέγγιση που θα ενσωματώνει κοινωνικές μεταβλητές όπως η οικονομική επισφάλεια και διεπιστημονική συνεργασία συνεισφέροντας και στον εκδημοκρατισμό των δεδομένων, γεφυρώνοντας το χάσμα μεταξύ επιστημονικής καινοτομίας και εφαρμόσιμης πολιτικής υγείας.

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παραπάνω συζήτηση αναδεικνύει τις προόδους και τις προκλήσεις στην εφαρμογή των τεχνολογιών τηλεπισκόπησης (RS) και γεωχωρικής ανάλυσης για τη διαχείριση VBDs. Με την αντιμετώπιση των κενών και την αξιοποίηση των αναδυόμενων τάσεων, ερευνητές και φορείς χάραξης πολιτικής μπορούν να ενισχύσουν την αποτελεσματικότητα των στρατηγικών πρόληψης και ελέγχου των νοσημάτων. Τελικά, οι προσπάθειες αυτές ενδέχεται να συμβάλλουν στη δημιουργία ανθεκτικών συστημάτων δημόσιας υγείας, ικανών να προσαρμόζονται στη σύνθετη και δυναμική φύση των VBDs.

Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων

2026-02-07T13:36:27Z

Rizoselef:

[[category:Υγεία]]

'''Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων (Ανασκόπηση) '''

'''Πρωτότυπος τίτλος:''' ''Application of remote sensing and geospatial technologies in predicting vector-borne disease outbreaks (Review article)''

'''Συγγραφείς''': ''Ebrahim Abbasi''

'''Δημοσιεύθηκε''': ''15/10/2025, στο The Royal Society,''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.1098/rsos.250536]

''' 1. ΕΙΣΑΓΩΓΗ'''

Τα νοσήματα που μεταδίδονται μέσω φορέων (Vector-Borne Diseases - VBDs) αποτελούν μία από τις μεγαλύτερες προκλήσεις για την παγκόσμια υγεία, επηρεάζοντας εκατομμύρια ανθρώπους ετησίως, ιδιαίτερα στις τροπικές και υποτροπικές περιοχές. Τα νοσήματα αυτά μεταδίδονται από φορείς όπως κουνούπια, τσιμπούρια και μύγες, οι οποίοι μεταφέρουν παθογόνους οργανισμούς (ιούς, βακτήρια, πρωτόζωα), προκαλώντας υψηλά ποσοστά νοσηρότητας και θνησιμότητας. Η εμφάνιση και η εξάπλωσή τους επηρεάζονται από ένα σύνθετο πλέγμα περιβαλλοντικών, κλιματικών και κοινωνικοοικονομικών παραγόντων. Η κατανόηση της χωρικής και χρονικής δυναμικής τους είναι κρίσιμη για την εφαρμογή έγκαιρων μέτρων ελέγχου, ειδικά υπό το πρίσμα της ταχείας αστικοποίησης και της κλιματικής αλλαγής.
Τις τελευταίες δεκαετίες, η πρόοδος στις γεωχωρικές τεχνολογίες και την τηλεπισκόπηση έχει φέρει επανάσταση στον τρόπο παρακολούθησης των οικολογικών παραγόντων που συμβάλλουν στη μετάδοση των VBDs. Τα δεδομένα τηλεπισκόπησης, όταν ενσωματώνονται σε Γεωγραφικά Συστήματα Πληροφοριών (GIS), προσφέρουν ισχυρά εργαλεία για την ανάλυση των οικοτόπων των φορέων, τον εντοπισμό ζωνών κινδύνου και την πρόβλεψη εξάρσεων.
Οι τεχνολογίες αυτές επιτρέπουν τη συλλογή δεδομένων υψηλής ανάλυσης για μεταβλητές όπως θερμοκρασία και υγρασία, βοχόπτωση και διαθεσιμότητα υδάτινων πόρων, χρήσεις γης και κάλυψη βλάστησης και τοπογραφία.
Ένα από τα κύρια πλεονεκτήματα της τηλεπισκόπησης είναι η ικανότητα παροχής πραγματικού χρόνου και συνεχούς κάλυψης σε παγκόσμια κλίμακα. Σε αντίθεση με τις παραδοσιακές μεθόδους επίγειας παρατήρησης, οι οποίες είναι χρονοβόρες και γεωγραφικά περιορισμένες, η τηλεπισκόπηση επιτρέπει την παρακολούθηση απομακρυσμένων ή δυσπρόσιτων περιοχών. Η ενσωμάτωση δεδομένων Παρατήρησης της Γης (Earth Observation - EO) με επιδημιολογικά μοντέλα ενισχύει την ακρίβεια των προβλέψεων, οδηγώντας σε βελτιωμένα Συστήματα Έγκαιρης Προειδοποίησης (Early Warning Systems - EWS).
Οι γεοχωρικές τεχνολογίες έχουν συνεισφέρει σημαντικά στον σχεδιασμό προγνωστικών μοντέλων που εκτιμούν τον κίνδυνο εξάρσεων VBDs, ενσωματώνοντας κλιματικές μεταβλητές, την πληθυσμιακή πυκνότητα και ιστορικά επιδημιολογικά δεδομένα. Επιπρόσθετα ο συνδυασμός δεδομένων τηλεπισκόπησης με τεχνητή νοημοσύνη και μηχανική μάθηση ενισχύει την ακρίβεια των προβλέψεων, αποκαλύπτοντας σύνθετα πρότυπα που οι παραδοσιακές στατιστικές μέθοδοι αδυνατούν να εντοπίσουν. Ωστόσο, η εφαρμογή αυτή έρχεται αντιμέτωπη με προκλήσεις, όπως η ανάγκη για δεδομένα υψηλής ανάλυσης και η αντιμετώπιση περιορισμών που προκύπτουν από τη νεφοκάλυψη ή την περιορισμένη χρονική συχνότητα των λήψεων. Η ουσιαστική αξιοποίηση των δεδομένων Παρατήρησης της Γης (EO) προϋποθέτει την ανάπτυξη ισχυρών μοντέλων που μπορούν να ερμηνεύσουν τις πολυεπίπεδες αλληλεπιδράσεις μεταξύ περιβαλλοντικών παραγόντων και συμπεριφοράς των φορέων.
Πέρα από το τεχνικό πλαίσιο, η μελέτη υπογραμμίζει την επιτακτική ανάγκη για διεπιστημονική συνεργασία μεταξύ εντομολόγων, επιδημιολόγων, κλιματολόγων και αναλυτών γεοχωρικών δεδομένων. Η ανταλλαγή δεδομένων, η τυποποίηση των μεθοδολογιών και η δημιουργία εύχρηστων συστημάτων υποστήριξης αποφάσεων είναι καθοριστικής σημασίας για τη μετατροπή της έρευνας σε εφαρμόσιμη πολιτική υγείας. Στόχος της εργασίας είναι να διερευνήσει τις τρέχουσες εφαρμογές και τις μελλοντικές προοπτικές αυτής της τηελεπισκόπισης και των γεοχωρικών δεδομένων για πρόβλεψη και έλεγχο εξάρσεων VBDs, αναδεικνύοντας τον κεντρικό ρόλο των δεδομένων παρατήρησης της Γης στη βελτίωση της επιτήρησης των νόσων και των συστημάτων έγκαιρης προειδοποίησης μέσα σε ένα διαρκώς μεταβαλλόμενο περιβάλλον.

'''2. ΜΕΘΟΔΟΛΟΓΙΑ'''

Η εργασία αποτελεί ανασκόπηση υιοθετώντας μια συστηματική και ολοκληρωμένη προσέγγιση για την αξιολόγηση των τρέχουσων εφαρμογών και του μελλοντικού δυναμικού των τεχνολογιών τηλεπισκόπησης (RS) και γεοχωρικής ανάλυσης στην πρόβλεψη και διαχείριση επιδημιών νοσημάτων που μεταδίδονται μέσω διαβιβαστών (VBDs).
Η μεθοδολογία είναι σχεδιασμένη για την διασφάλιση αυστηρής σύνθεσης του υπάρχοντος σώματος της βιβλιογραφίας, με έμφαση σε διεπιστημονικές μελέτες που γεφυρώνουν τα πεδία της ιατρικής εντομολογίας, της τηλεπισκόπησης και της γεωχωρικής ανάλυσης.
Οι ακόλουθες υποενότητες παρουσιάζουν τα βασικά βήματα και τα κριτήρια που εφαρμόστηκαν στη διαδικασία της ανασκόπησης, διασφαλίζοντας διαφάνεια, αναπαραγωγιμότητα και επιστημονική αυστηρότητα.

'''2.1 Στρατηγική Αναζήτησης Βιβλιογραφίας'''

Πραγματοποιήθηκε συστηματική αναζήτηση σε επιστημονικές βάσεις δεδομένων (PubMed, Web of Science, Scopus, IEEE Xplore). Χρησιμοποιήθηκαν λέξεις - κλειδιά όπως «Vector-borne diseases», «Remote sensing», «GIS», «Earth observation data» και «Machine learning». Η εργασία περιορίστηκε σε άρθρα κριτικά αξιολογημένα (peer reviewed) που δημοσιεύθηκαν μεταξύ 2000 και 2025, προκειμένου να συμπεριληφθούν οι πλέον σύγχρονες τεχνολογικές εξελίξεις.

'''2.2 Κριτήρια Ένταξης και Αποκλεισμού'''

Για τη διασφάλιση της ποιότητας, τα επιλεγμένα άρθρα έπρεπε να:
1. Εστιάζουν στην εφαρμογή RS ή GIS στο πλαίσιο των VBDs.
2. Αναλύουν περιβαλλοντικούς ή κλιματικούς παράγοντες.
3. Παρέχουν ποσοτικά ή ποιοτικά στοιχεία για προγνωστικά μοντέλα ή εκτίμηση κινδύνου.
Αποκλείστηκαν μελέτες που αφορούσαν αποκλειστικά εργαστηριακή έρευνα χωρίς γεoχωρική οπτική, καθώς και άρθρα χωρίς επαρκή μεθοδολογική τεκμηρίωση. Όλοι οι τίτλοι και τα abstracts αξιολογήθηκαν από δύο άτομα – κριτές.

'''2.3 Εξαγωγή και Σύνθεση Δεδομένων'''

Ένα δομημένο πρότυπο χρησιμοποιήθηκε για την καταγραφή κατάλληλων πληροφοριών από τις μελέτες. Τα δεδομένα που εξάχθηκαν περιλαμβάνουν, δεδομένα αναφορικά με τους στόχους της εργασίας, με την γεωγραφική περιοχή, με τις δορυφορικές πλατφόρμες (MODIS, Landsat, Sentinel), με τις αναλυτικές τεχνικές (Machine Learning - ML, χωρική στατιστική) και με τα βασικά ευρήματα για την επιτήρηση των φορέων. Η σύνθεση των εξαχθέντων δεδομένων έγινε με ομαδοποίηση των μελετών ανάλογα με το κύριο αντικείμενο τους.

'''2.4-2.5 Ποιοτική Αξιολόγηση και Θεωρητικό Πλαίσιο'''

Εφαρμόστηκε ένα πλαίσιο αξιολόγησης βάσει της σαφήνειας των στόχων και της ισχύος της στατιστικής ανάλυσης. Η μελέτη ενσωμάτωσε θεωρίες όπως η τοπιακή επιδημιολογία (landscape epidemiology) και η μοντελοποίηση οικολογικού θώκου (ecological niche modelling), για να ερμηνεύσει τις αλληλεπιδράσεις περιβάλλοντος-φορέα-ανθρώπου.

'''2.6 ΠΕΡΙΟΡΙΣΜΟΙ ΚΑΙ ΕΥΡΟΣ ΤΗΣ ΑΝΑΣΚΟΠΗΣ'''

Παρά τη συστηματική της προσέγγιση, η ανασκόπηση παρουσιάζει ορισμένους περιορισμούς. Ο αποκλεισμός μη αγγλόφωνων μελετών και η έμφαση αποκλειστικά σε βιβλιογραφία κρτικά αξιολογημένα (peer reviewed) ενδέχεται να περιόρισαν την ενσωμάτωση τοπικών δεδομένων ή αδημοσίευτων ερευνών Παράλληλα, η μελέτη εστιάζει στις τεχνολογίες τηλεπισκόπησης και GIS, χωρίς να επεκτείνεται σε μοριακές ή γενετικές αναλύσεις των φορέων. Παρά τους περιορισμούς αυτούς, η εργασία θέτει στέρεες βάσεις για μελλοντικές διεπιστημονικές εφαρμογές στην αντιμετώπιση των νοσημάτων που μεταδίδονται από φορείς.

[[Αρχείο:rs_wiki_4_prediction.png | thumb| center| 300 px]]

[[Αρχείο:rs_wiki_4_radarchart.png | thumb| center| 300 px]]

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ '''

Τα ευρήματα της παρούσας εργασίας (ανασκόπησης) κατηγοριοποιούνται σε κεντρικούς θεματικούς τομείς, αναδεικνύοντας τις προόδους και τους περιορισμούς των γεοχωρικών τεχνολογιών στην πρόβλεψη των VBDs. Ένα ευρύ φάσμα πλατφορμών τηλεπισκόπησης χρησιμοποιούνται για την παρακολούθηση περιβαλλοντικών και κλιματικών παραγόντων. Οι δορυφόροι Landsat αξιοποιούνται κυρίως για τη μελέτη αλλαγών στη χρήση και την κάλυψη γης (LULC), οι οποίες είναι καθοριστικές για την κατανόηση της καταλληλότητας των ενδιαιτημάτων για φορείς όπως τα κουνούπια (Aedes aegypti). Αντίστοιχα, ο MODIS εφαρμόζεται εκτενώς για την ανάλυση κλιματικών παραμέτρων, όπως η θερμοκρασία της επιφάνειας εδάφους και οι δείκτες βλάστησης, παρέχοντας δεδομένα για τη μοντελοποίηση της πυκνότητας των φορέων και του κινδύνου μετάδοσης. Ο Sentinel-2 αναδείχθηκε ως η προτιμώμενη πλατφόρμα για τη λεπτομερή χαρτογράφηση αστικών περιβαλλόντων με σημασία στην πρόβλεψη πυκνοκατοικημένων περιοχών, ενώ η ενσωμάτωση δεδομένων από μη επανδρωμένα αεροσκάφη (UAVs) πρόσφερε υψηλή ανάλυση για τοπικές παρεμβάσεις, παρά την περιορισμένη χωρική κάλυψη που παρέχουν.
Παράλληλα, υπογραμμίστηκε ο κομβικός ρόλος των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) στην ενοποίηση περιβαλλοντικών και επιδημιολογικών δεδομένων για τη δημιουργία προγνωστικών μοντέλων. Η χρήση δεικτών όπως ο NDVI σε συνδυασμό με δεδομένα βροχόπτωσης επέτρεψε την πρόβλεψη εποχιακών εξάρσεων της ελονοσίας, ενώ τα μοντέλα μηχανικής μάθησης (Random Forests, SVM) ενίσχυσαν την ακρίβεια των προβλέψεων. Κυρίαρχο θέμα στις εργασίες που ενσωματώθηκαν και αξιοοποιήθηκαν για την ανασκόπηση αποτελεί ο προσδιορισμός των περιβαλλοντικών οδηγών δηλαδή τη θερμοκρασία, τη βροχόπτωση και την αστικοποίηση, οι οποίοι αναδεικνύονται ως οι βασικότεροι παράγοντες που ρυθμίζουν τη δυναμική των πληθυσμών των φορέων. Συγκεκριμένα, διαπιστώθηκαν ισχυρές συσχετίσεις μεταξύ θερμοκρασιακών ανωμαλιών και εξάρσεων δάγκειου πυρετού, ενώ οι αλλαγές στη χρήση γης λόγω αστικοποίησης επηρέασαν σημαντικά την αφθονία των φορέων σε αστικές και περι-αστικές περιοχές.
Η εφαρμογή της τηλεπισκόπησης στην ανάπτυξη Συστημάτων Έγκαιρης Προειδοποίησης (EWS) αποτέλεσε επίσης σημείο αναφοράς, καθώς η συνέργεια δορυφορικών και επίγειων εντομολογικών δεδομένων βελτίωσε αισθητά την ικανότητα έγκαιρης παρέμβασης της δημόσιας υγείας. Ωστόσο, εντοπίστηκαν σημαντικά κενά, όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος και η ελλιπής ενσωμάτωση κοινωνικοοικονομικών μεταβλητών στα υπάρχοντα μοντέλα, όπως η κινητικότητα του πληθυσμού και η πρόσβαση σε υπηρεσίες υγείας. Τέλος, η ανασκόπηση ανέδειξε υποσχόμενες μελλοντικές εξελίξεις, όπως η χρήση υπερφασματικής απεικόνισης, η τεχνητή νοημοσύνη και οι πλατφόρμες βασισμένες στο νέφος (π.χ. Google Earth Engine). Η ανάδυση συστημάτων συμμετοχικής επιτήρησης, που συνδυάζουν δεδομένα συλλεγμένα μέσω συμμετοχής του κοινού με τηλεπισκοπικά αποτελέσματα, προσφέρει νέες προοπτικές για την ενίσχυση της ακρίβειας και αύξηση της κλίμακας στην παγκόσμια παρακολούθηση των ασθενειών.

''' 4. ΣΥΖΗΤΗΣΗ'''

Η ενσωμάτωση της τηλεπισκόπησης και των γεοχωρικών τεχνολογιών φέρει σημαντική μεταρρυθμιστική επίδραση στην ικανότητά μας να κατανοούμε, να προβλέπουμε και να μετριάζουμε τις εξάρσεις των νοσημάτων που μεταδίδονται από φορείς (VBD). Τα ευρήματα επιβεβαιώνουν ότι τα γεοχωρικά εργαλεία μπορούν να καλύψουν κρίσιμα κενά στη διαχείριση των ασθενειών αυτών, ιδιαίτερα μέσα στο πλαίσιο των ραγδαίων περιβαλλοντικών αλλαγών και της αστικοποίησης. Υπογραμμίζεται ο καθοριστικός ρόλος πλατφορμών όπως οι Landsat, MODIS και Sentinel-2, οι οποίες παρέχουν περιβαλλοντικά δεδομένα υψηλής ανάλυσης, επιτρέποντας στους ερευνητές να παρακολουθούν τις αλλαγές στις χρήσεις γης, τους δείκτες βλάστησης και τις κλιματικές μεταβλητές με αρκετή χωρική και χρονική ακρίβεια. Επιπλέον, η χρήση μη επανδρωμένων αεροσκαφών (UAVs) ενισχύει τη συλλογή τοπικών δεδομένων, κάτι που είναι μεγάλης σημασίας για στοχευμένες παρεμβάσεις, αν και παραμένουν προκλήσεις σχετικά με την περιορισμένη εμβέλειά τους και την ανάγκη για εξειδικευμένη εκπαίδευση των επαγγελματιών υγείας.
Τα Γεωγραφικά Συστήματα Πληροφοριών (GIS) έχουν αναδειχθεί σε απαραίτητα εργαλεία για την οπτικοποίηση του κινδύνου και την καθοδήγηση των αποκρίσεων δημόσιας υγείας. Η ενοποίηση τηλεπισκοπικών και επιδημιολογικών δεδομένων, διευκολύνουν τη δημιουργία χαρτών επικινδυνότητας που ενημερώνουν τις στρατηγικές κατανομής πόρων. Η αυξανόμενη ενσωμάτωση αλγορίθμων μηχανικής μάθησης, όπως του Random Forest, ενισχύει περαιτέρω την προγνωστική ακρίβεια αυτών των μοντέλων. Ωστόσο, η ικανότητα γενίκευσης των μοντέλων αυτών περιορίζεται συχνά από την ποιότητα και την ανάλυση των εισαγώμενων δεδομένων, καθώς πολλές μελέτες βασίζονται αποκλειστικά σε κλιματικές μεταβλητές, παραμερίζοντας κοινωνικοοικονομικούς παράγοντες που επηρεάζουν σημαντικά τη μετάδοση. Η μελλοντική έρευνα οφείλει να επικεντρωθεί στην ανάπτυξη ολοκληρωμένων πλαισίων μοντελοποίησης που θα περιλαμβάνουν τόσο περιβαλλοντικούς όσο και κοινωνικούς προσδιοριστές.
Η ανασκόπηση δείχνει επίσης τη σημαντική επιρροή περιβαλλοντικών οδηγών, όπως η θερμοκρασία και η βροχόπτωση στη δυναμική των VBDs. Οι αλλαγές σε αυτές τις μεταβλητές, που συχνά καθοδηγούνται από την ανθρωπογενή δραστηριότητα και την κλιματική αλλαγή δημιουργούν ευνοϊκές συνθήκες για τον πολλαπλασιασμό των φορέων και την επέκταση των ενδιαιτημάτων τους, όπως στην περίπτωση του κουνουπιού Aedes aegypti σε νέες περιοχές. Αυτά τα ευρήματα καθιστούν αναγκαία την υιοθέτηση προσαρμοστικών στρατηγικών διαχείρισης και τη δέσμευση της δημόσιας υγείας στον αστικό σχεδιασμό για την ελαχιστοποίηση των εστιών αναπαραγωγής. Παράλληλα, τα Συστήματα Έγκαιρης Προειδοποίησης (EWS) αντιπροσωπεύουν μια σημαντική πρόοδο στην προληπτική διαχείριση, αν και η λειτουργία τους παραμένει δύσκολη σε περιοχές με περιορισμένους πόρους λόγω έλλειψης υπολογιστικών υποδομών.
Τέλος, εντοπίζονται κρίσιμα κενά όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος που φέρουν το μεγαλύτερο βάρος των ασθενειών. Η επέκταση της έρευνας σε αυτές τις περιοχές είναι επιτακτική για την επίτευξη ισότητας στην πρόληψη. Η ραγδαία εξέλιξη τεχνολογιών όπως η υπερφασματική απεικόνιση και η τεχνητή νοημοσύνη προσφέρουν νέες δυνατότητες, ενώ τα συμμετοχικά συστήματα επιτήρησης ενδυναμώνουν τις κοινότητες να συνεισφέρουν στην παρακολούθηση των νόσων. Εν τέλει, απαιτείται μια ολιστική προσέγγιση που θα ενσωματώνει κοινωνικές μεταβλητές όπως η οικονομική επισφάλεια και διεπιστημονική συνεργασία συνεισφέροντας και στον εκδημοκρατισμό των δεδομένων, γεφυρώνοντας το χάσμα μεταξύ επιστημονικής καινοτομίας και εφαρμόσιμης πολιτικής υγείας.

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παραπάνω συζήτηση αναδεικνύει τις προόδους και τις προκλήσεις στην εφαρμογή των τεχνολογιών τηλεπισκόπησης (RS) και γεωχωρικής ανάλυσης για τη διαχείριση VBDs. Με την αντιμετώπιση των κενών και την αξιοποίηση των αναδυόμενων τάσεων, ερευνητές και φορείς χάραξης πολιτικής μπορούν να ενισχύσουν την αποτελεσματικότητα των στρατηγικών πρόληψης και ελέγχου των νοσημάτων. Τελικά, οι προσπάθειες αυτές ενδέχεται να συμβάλλουν στη δημιουργία ανθεκτικών συστημάτων δημόσιας υγείας, ικανών να προσαρμόζονται στη σύνθετη και δυναμική φύση των VBDs.

Αρχείο:Rs wiki 4 prediction.png

2026-02-07T13:35:20Z

Rizoselef:

Αρχείο:Rs wiki 4 radarchart.png

2026-02-07T13:35:06Z

Rizoselef:

Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2

2026-02-07T13:32:59Z

Rizoselef:

'''Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, στην Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Eutrophication Monitoring for Lake Pamvotis, Greece, Using Sentinel-2 Data''

'''Συγγραφείς''': ''Maria Peppa, Christos Vasilakos and Dimitris Kavroudakis''

'''Δημοσιεύθηκε''': ''229/02/2020, στο International Journal of Geo-Information, Volume 9, Issue 3 page 143''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.3390/ijgi9030143]

''' 1. Εισαγωγή'''

Το νερό είναι σημαντικό για όλες τις μορφές ζωής, είναι επίσης στενά συνδεδεμένο με ανθρώπινες δραστηριότητες, η εντατικοποίηση τους ωστόσο έχει αρνητικές συνέπειες στην ποιότητα των υδάτων. Ο ευτροφισμός των εσωτερικών υδάτων είναι μία απ’ αυτές, δηλαδή η αύξηση του φυτοπλαγκτόν λόγω εκτενούς συσσώρευση οργανικών αποβλήτων από ανθρώπινες δραστηριότητες, που έχει ως αποτέλεσμα τον σχηματισμού επιφανειακού στρώματος φυτοπλαγκτό το οποίο μειώνει το διαθέσιμο οξυγόνο, δημιουργώντας περιορισμούς στον κύκλο ζωής της πανίδας και της χλωρίδας των οικοσυστήματος.
Η χλωροφύλλη-α (chl-a) είναι ένας αξιόπιστος δείκτης υπολογισμού του ευτροφισμού που αξιοποιεί η τηλεπισκόπηση, λόγω της ικανότητας της να απορροφά κυρίως στο μπλε και το κόκκινο και να ανακλά στο πράσινο. Ως αποτέλεσμα δορυφορικά δεδομένα χωρικής και χρονικής ανάλυσης μπορούν να βοηθήσουν στην παρακολούθηση της κατανομής και της συγκέντρωσης της χλωροφύλλης-α (chl-a) στα εσωτερικά ύδατα κι άρα του ευτροφισμού τους. Η αξιοποίηση της χλωροφύλλης ως δείκτη βασίζεται σε τροποποίηση των δεδομένων μέσω αλγορίθμων ώστε να προσδιοριστεί η συγκέντρωση της.
Οι δορυφορικές εικόνες που αξιοποιούνται στην μελέτη προέρχεται από τους δορυφόρους του Sentinel 2 της Copernicus (2A & 2B). Ο Sentinel-2 έχει χρησιμοποιηθεί εκτενώς για την εκτίμηση της ποιότητας των υδάτων τόσο ωκεάνιων και παραθαλάσσιων όσο και εσωτερικών υδάτων.
Διάφοροι δείκτες έχουν αναπτυχθεί λόγω της φασματικής διαφοράς μεταξύ καθαρών και ευτροφικών υδάτων. Ο MCI (maximum chlorophyll index) είναι ένας απ’ αυτούς, βασίζεται στο ύψος της καμπύλης ανάκλασης στα 709 nm (ή 705 nm για τον Sentinel), σε εύρος μεταξύ 681 nm και 753 nm (665nm και 740nm για Sentinel-2). Άλλος ένας αλγόριθμος είναι ο MPH (maximum peak height) που βασίζεται στο μέγεθος και τη θέση της κορυφής Red/NIR (Matthews et al. 2012). Αναπτυγμένοι αρχικά για κανάλια από medium resolution imaging spectrometer (MERIS) έχουν προσαρμοστεί παραγοντικά στα κανάλια B4, B5, B6 και B8A του Sentinel (Mollaee 2018; Soriano-González et al. 2019).
Η εργασία αξιοποιεί τους αλγόριθμους MCI και MPH με βάση δεδομένα από τον Sentinel-2 για την λίμνη Παμβώτιδα. Σε βάθος τριετίας υπολογίζεται η χωρική κατανομή της συγκέντρωσης chl-a και αναλύονται τα πρότυπα κατανομής της, ενώ υπογραμμίζεται η χρησιμότητα του MPH για φυτοπλαγκτόν και υδρόβια βλάστηση.

'''2. ΥΛΙΚΑ ΜΕΘΟΔΟΙ'''

'''2.1 ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ'''

Η περιοχή μελέτης είναι η λίμνη Παμβώτιδα, η λίμνη βρίσκεται σε υψόμετρο 470 μέτρων, έχει έκταση 24 τ.χλμ. και μέγιστο μήκος 7,5 χλμ. Περιλαμβάνει ένα πλούσιο οικοσύστημα, το οποίο η αστική ανάπτυξη και η αύξηση του πληθυσμού έχουν οδηγήσει σε κατακερματισμό και υποβάθμιση. Στη δυτική όχθη της λίμνης βρίσκεται η πόλη των Ιωαννίνων, ενώ η λίμνη περιβάλλεται κυρίως από αστικές και γεωργικές εκτάσεις. Οργανικά απόβλητα και λιπάσματα από τις καλλιέργειες και τον αστικό ιστό καταλήγουν στη λίμνη, προκαλώντας σοβαρή περιβαλλοντική υποβάθμιση.
Για την εργασία αξιοποιούνται 65 δορυφορικές εικόνες χωρίς συννεφιά (cloud-free) από τους δορυφόρους Sentinel-2A και Sentinel-2B σε μορφή Level-1C, καλύπτοντας την περίοδο 2016–2018 (15 εικόνες το 2016, 21 το 2017 και 29 το 2018). Τα προϊόντα υπό μορφή Level-1C είναι ραδιομετρικά [λαμβάνουν υπόψη TOA (top of the atmosphere) ανάκλαση] και γεωμετρικά [χρησιμοποιώντας ψηφιακό μοντέλο ανύψωσης 90 μέτρων (PlanetDEM 90) από επίγειες τοπογραφικές αποστολές με ρανταρ] διορθωμένα.

'''2.2 ΜΕΘΟΔΟΛΟΓΙΑ'''

Για τον διαχωρισμό της ξηράς από το νερό αξιοποιήθηκε ο δείκτης NDWI (Normalized Difference Water Index) και χρησιμοποιήθηκε για τη δημιουργία της μάσκας ξηράς, σύμφωνα με τον τύπο:

[[Αρχείο:rs_wiki_2_NDWI.png]]

Όπου G είναι το πράσινο και NIR το εγγύς υπέρυθρο. Οι θετικές τιμές του δείκτη αντιστοιχούν σε νερό, ενώ οι αρνητικές σε έδαφος και βλάστηση.
Για την παρακολούθηση του ευτροφισμού εφαρμόστηκαν oi δύο αλγόριθμοι, MCI και MPH. Ο δείκτης MCI (Maximum Chlorophyll Index) μετρά το ύψος της κορυφής ανάκλασης στα 705 nm, χρησιμοποιώντας ως βάση το εύρος μεταξύ 665 nm και 740 nm για τις ζώνες του Sentinel-2. Το πλάτος της κορυφής στα 705nm συσχετίζεται με υψηλά επίπεδα chl-a. Σε αβαθή νερά βενθική βλάστηση (βλάστηση δηλαδή στο βυθό) συγχέεται με επιφανειακή συγκέντρωση φυτοπλαγκτόν κι έτσι δίνει κάποια προβληματικά αποτελέσματα. Ο αλγόριθμος προσαρμοσμένος για ελαφρύ συννεφιά και για τα κανάλια του Sentinel-2 αποτυπώνεται ως εξής:

[[Αρχείο:rs_wiki_2_mci.png]]

όπου Β4, Β5 και Β6 αποτυπώνουν την ανάκλαση και τα λβ4, λβ5 και λβ6 αντιστοιχούν στα μήκη κύματος των καναλιών (0,665, 0,705 και 0,740 αντίστοιχα).
Ο δείκτης MPH (maximum peak height) είναι μια τροποποίηση του MCI, προσδιορίζει την τροφική κατάσταση του συστήματος και εφαρμόζεται σε τριών ειδών ύδατα α) μικτά ολιγοτροφικά/μεσοτροφικά με χαμηλή προς μέτρια βιομάζα, β) ευτροφικά/υπερτροφικά με υψηλή βιομάζα και γ) ύδατα με εξαιρετικά υψηλή βιομάζα με επιφανειακά αιωρούμενα φυτοπλαγκτόν ή υδρόβια βλάστηση. Χρησιμοποιεί ως βάση τα μήκη κύματος μεταξύ 665 nm και 865 nm. Το μήκος κύματος στα 705 nm ορίζεται ως το σημείο κορυφής ανάκλασης σε ευτροφικά ύδατα, όπως φαίνεται στο φάσμα του Sentinel-2. Ο τύπος του MPH για κανάλια του Sentinel-2 είναι:

[[Αρχείο:rs_wiki_2_mph.png]]

Αξιολογήθηκε η συσχέτιση των δύο αλγορίθμων (MCI και MPH) μέσω του συντελεστή Pearson’s r. Στη συνέχεια, υπολογίστηκε η συγκέντρωση χλωροφύλλης-α (chl-a) με τη χρήση εμπειρικών μοντέλων από τη βιβλιογραφία, τα οποία έχουν αναπτυχθεί για παρόμοιες συνθήκες (Grendaitė et al. 2018). Η εξίσωση που επιλέχθηκε συσχετίζει τον δείκτη MPH με τη συγκέντρωση χλωροφύλλης και είναι η εξής:

[[Αρχείο:rs_wiki_2_chla.png]]

Επιπρόσθετα, πραγματοποιήθηκε περιγραφική στατιστική ανάλυση για κάθε εικονοστοιχείο (pixel) της περιοχής μελέτης (υπολογισμός ελάχιστης, μέγιστης, μέσης τιμής και τυπικής απόκλισης). Για τον εντοπισμό, αντιμετώπιση και ερμηνεία των ακραίων τιμών (outliers), χρησιμοποιήθηκε η μέθοδος του ενδοτεταρτημοριακού εύρους (IQR). Τέλος, ομαδοποιήθηκαν τα εικονοστοιχεία (pixel), για την ομαδοποίηση εφαρμόστηκε η τεχνική ISODATA (Iterative Self-Organizing Data Analysis Technique) στα 65 σύνολα δεδομένων συγκέντρωσης chl-a, προκειμένου να εντοπιστούν χωρικά και χρονικά πρότυπα, με τον βέλτιστο αριθμό των ομάδων (clusters) να καθορίζεται μέσω του πακέτου NbClust της R.

[[Αρχείο:rs_wiki_2_proccess.png | thumb| center| 400 px]]

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

'''3.1 Συσχέτιση MPH και MCI '''

Η εφαρμογή των αλγορίθμων MPH και MCI στα δεδομένα έδειξε ότι και οι δύο λειτουργούν ικανοποιητικά, καθώς βασίζονται σε κοινά φασματικά χαρακτηριστικά (για μήκη κύματος 665 nm και 705 nm). Ο συντελεστής συσχέτισης Pearson’s έδειξε ισχυρή θετική συσχέτιση μεταξύ των δύο δεικτών. Παρά την ισχυρή συσχέτιση, η περαιτέρω ανάλυση βασίστηκε στον δείκτη MPH, καθώς θεωρείται καταλληλότερος για την εκτίμηση της συγκέντρωσης chl-a σε διαφορετικά τροφικά εύρη και τύπους υδάτων και επειδή ορισμένες περιπτώσεις παρατηρήθηκαν αρνητικές τιμές MCI, γεγονός που πιθανώς οφείλεται σε πολύ πυκνούς επιφανειακούς σχηματισμούς κυανοβακτηρίων.

'''3.2 MPH και Συγκέντρωση Chl-A '''

Η χαρτογράφηση με το δείκτη MPH αποκάλυψε ότι η έντονη παρουσία χλωροφύλλης παρατηρείται κυρίως τους καλοκαιρινούς και φθινοπωρινούς μήνες, με τον Οκτώβριο να αποτελεί μήνα έξαρσης του φαινομένου. Αντίθετα, οι χειμερινοί και εαρινοί μήνες εμφανίζουν χαμηλότερες τιμές MPH. Κατά τις περιόδους έξαρσης, οι υψηλότερες τιμές MPH εντοπίζονται στην ανατολική πλευρά της λίμνης. Τα γεωργικά λιπάσματα και τα ελαφρά βιομηχανικά και αστικά απόβλητα που εισρέουν κυρίως από την νότια πλευρά της λίμνης είναι οι κύριοι υπεύθυνοι για τις υψηλές συγκεντρώσεις chl-a. Στην εικόνα απεικονίζεται το εύρος τιμών MPH σε περιόδους έξαρσης και αδράνειας:

[[Αρχείο:rs_wiki_2_map.png | thumb| center| 400 px]]

Σύμφωνα με το εμπειρικό μοντέλο, η μέγιστη συγκέντρωση chl-a έφτασε τα 257 μg/L. Στην παρακάτω εικόνα (η οποία συγκεντρώνει τις μοναδικές εικόνες χωρίς σύννεφα για το παρόν φαινόμενο έξαρσης) απεικονίζεται η έξαρση του φαινομένου κατά τον Σεπτέμβριο και Οκτώβριο του 2017:

[[Αρχείο:rs_wiki_2_map2.png | thumb| center| 400 px]]

Μια εαρινή έξαρση (Μάρτιος-Ιούνιος 2017) παρουσίασε χαμηλότερες συγκεντρώσεις. Αρχικά στα 20 μg/L, η συγκέντρωση αυξήθηκε σταδιακά, δημιουργώντας πυρήνες υψηλών τιμών (έως 170 μg/L) στα μέσα Μαΐου, πριν υποχωρήσει ξανά στα τέλη Ιουνίου, όπως φάινεται στην παρακάτω εικόνα:

[[Αρχείο:rs_wiki_2_map3.png | thumb| center| 400 px]]

Τα αποτελέσματα επιβεβαιώνουν ότι η λίμνη βρίσκεται σε υπερτροφική κατάσταση. Παράλληλα, αναδείχθηκε η ικανότητα του αισθητήρα Sentinel-2 να παρακολουθεί τέτοια γεγονότα με υψηλή ανάλυση ακόμα κι αν υπάρχουν λίγες κατάλληλες εικόνες διαθέσιμες. Τα προβλήματα που παρατηρήθηκαν ήταν δύο, πρώτα "θόρυβος λωρίδων" (stripe noise) σε ορισμένες εικόνες και επιδράσεις γειτνίασης (adjacency effect) σε εικονοστοιχεία κοντά στις ακτές.

'''3.3 Στατιστική Ανάλυση της Συγκέντρωσης Chl-A '''

Η χωρική και χρονική στατιστική ανάλυση της κατανομής της chl-a περιλάμβανε τον υπολογισμό της ελάχιστης και μέγιστης τιμής, του μέσου όρου και της τυπικής απόκλισης για κάθε εικονοστοιχείο. Οι μικρότερες τιμές εμφανίστηκαν κυρίως στη βορειοδυτική ακτή κοντά στην αστική περιοχή, ενώ οι μεγαλύτερες στην ανατολική και νοτιοανατολική ακτή με τιμές έως 260 μg/L, επιβεβαιώνοντας την επιβάρυνση από καλλιέργειες και πηγές ρύπανσης. Οι τιμές του μέσου όρου της συγκέντρωσης φτάνουν τα 56 μg/L, οπότε σύμφωνα με το σύστημα τροφικής ταξινόμησης Serwan,1996 η λίμνη ταξινομείται ως υπερτροφική. Τέλος, οι τιμές της τυπικής απόκλισης έδειξαν ότι οι μεγαλύτερες μεταβολές συγκέντρωσης συμβαίνουν στη νοτιοανατολική όχθη.

[[Αρχείο:rs_wiki_2_map4.png | thumb| center| 400 px]]

Η ανάλυση των ακραίων τιμών (outliers) έδειξε ότι η πλειοψηφία της έκτασης της λίμνης δεν παρουσίασε ακραίες τιμές κατά την περίοδο μελέτης, παρότι υψηλές συχνότητες ακραίων τιμών παρατηρήθηκαν κοντά στις νότιες και ανατολικές ακτές αυτές αποδίδονται στην υδρόβια βλάστηση και τις γεωργικές δραστηριότητες.

[[Αρχείο:Rs_wiki_2_map5.jpg | thumb| center| 400 px]]

Τέλος, έγινε ομαδοποίηση για ανάδειξε τυχόν χωρικών ή χρονικών διαφοροποιήσεων σχετικά με την συγκέντρωση chl-a, η οποία ανέδειξε 4 βέλτιστες ομάδες (clusters) που περιγράφουν τις χωρικές και χρονικές τάσεις.

[[Αρχείο:Rs_wiki_2_map6.jpg | thumb| center| 400 px]]

Η Ομάδα 1 περιλαμβάνει περιοχές με χαμηλές συγκεντρώσεις (μέσος όρος <60 μg/L). Η Ομάδα 2 παρουσίασε τις υψηλότερες τιμές chl-a και εντοπίζεται στο ανατολικό τμήμα (φτάνοντας τα 140 μg/L μέση τιμή το 2016). Οι άλλες δύο ομάδες ακολούθησαν παρόμοια πρότυπα κατανομής αλλά με χαμηλότερα επίπεδα συγκέντρωσης, υποδεικνύοντας μια σαφή χωρική κατηγοριοποίηση της λίμνης σε τρεις ζώνες ρύπανσης.

[[Αρχείο:rs_wiki_2_chla_cluster.png | thumb| center| 400 px]]

'''4. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Συμπερασματικά, η τριετής μελέτη των τηλεπισκοπικών δεδομένων αποκάλυψε ότι η κατάσταση της λίμνης Παμβώτιδας είναι κυρίως ευτροφική με συγκεκριμένες περιόδους έξαρσης του φαινομένου.
Στην εργασία τέθηκαν επί τάπητος οι ικανότητες και οι περιορισμοί του Sentinel-2 σε μελέτες ευτροφισμού εσωτερικών υδάτων, αξιοποιώντας τους αλγόριθμους MPH και MCI. Επίσης αξιολογήθηκε η συσχέτιση μεταξύ τους, που φάνηκε ισχυρή. Ο MPH συσχετίστηκε περαιτέρω με τη συγκέντρωση chl-a βάσει μοντέλου από τη βιβλιογραφία (Grendaitė et al. 2018). Αν και η μελέτη δεν περιλάμβανε επιτόπιες μετρήσεις για την περίοδο αναφοράς τα ευρήματα συγκρίθηκαν με παλαιότερες μετρήσεις του Φορέα Διαχείρισης της λίμνης (2010-2011), οι οποίες συμφωνούν με τα τηλεπισκοπικά αποτελέσματα. Η χωρική ανάλυση κατέδειξε ότι τα υψηλότερα επίπεδα chl-a συσσωρεύονται στη νότια και νοτιοανατολική ακτή της λίμνης. Ο συστηματικός εντοπισμός ακραίων τιμών σε αυτές τις περιοχές πιθανώς επηρεάζεται από την υδρόβια βλάστηση και τις διακυμάνσεις της στάθμης του νερού.
Οι κύριες πηγές ρύπανσης εντοπίζονται στην κοντινή αστική περιοχή και τις γεωργικές εκτάσεις, όπου οι ανθρωπογενείς δραστηριότητες αυξάνουν τα απόβλητα στο νερό. Παρά τη λειτουργία μονάδας επεξεργασίας λυμάτων, η παράνομη διάθεση αποβλήτων και η εντατική χρήση λιπασμάτων συνεχίζουν να υποβαθμίζουν την ποιότητα του νερού. Τα αποτελέσματα της έρευνας μπορούν να προσφέρουν καθοδήγηση στους διαχειριστές της λίμνης για τον εντοπισμό ευάλωτων περιοχών. Μελλοντικές βελτιώσεις της ανάλυσης θα πρέπει να περιλαμβάνουν την ατμοσφαιρική διόρθωση των δεδομένων, την αξιολόγηση του νεότερου αισθητήρα Sentinel-3 και τη συσχέτιση με επιτόπιες παραμέτρους για την ανάπτυξη ακριβέστερων αλγορίθμων.

'''ΒΙΒΛΙΟΓΡΑΦΙΑ'''

BABAN, SERWAN M. J. 1996. “Trophic Classification and Ecosystem Checking of Lakes Using Remotely Sensed Information.” Hydrological Sciences Journal 41 (6): 939–57. https://doi.org/10.1080/02626669609491560.

Grendaitė, Dalia, Edvinas Stonevičius, Jūratė Karosienė, Ksenija Savadova, and Jūratė Kasperovičienė. 2018. “Chlorophyll-a Concentration Retrieval in Eutrophic Lakes in Lithuania from Sentinel-2 Data.” Geologija. Geografija 4 (1). https://doi.org/10.6001/geol-geogr.v4i1.3720.

Matthews, Mark William, Stewart Bernard, and Lisl Robertson. 2012. “An Algorithm for Detecting Trophic Status (Chlorophyll-a), Cyanobacterial-Dominance, Surface Scums and Floating Vegetation in Inland and Coastal Waters.” Remote Sensing of Environment 124 (September): 637–52. https://doi.org/10.1016/j.rse.2012.05.032.

Mollaee, Somayeh. 2018. Estimation of Phytoplankton Chlorophyll-a Concentration in the Western Basin of Lake Erie Using Sentinel-2 and Sentinel-3 Data. July 4. http://hdl.handle.net/10012/13456.

Soriano-González, Jesús, Eduard Angelats, Margarita Fernández-Tejedor, et al. 2019. “First Results of Phytoplankton Spatial Dynamics in Two NW-Mediterranean Bays from Chlorophyll-a Estimates Using Sentinel 2: Potential Implications for Aquaculture.” Remote Sensing 11 (15). https://doi.org/10.3390/rs11151756.

Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2

2026-02-07T13:32:01Z

Rizoselef:

'''Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, στην Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Eutrophication Monitoring for Lake Pamvotis, Greece, Using Sentinel-2 Data''

'''Συγγραφείς''': ''Maria Peppa, Christos Vasilakos and Dimitris Kavroudakis''

'''Δημοσιεύθηκε''': ''229/02/2020, στο International Journal of Geo-Information, Volume 9, Issue 3 page 143''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.3390/ijgi9030143]

''' 1. Εισαγωγή'''

Το νερό είναι σημαντικό για όλες τις μορφές ζωής, είναι επίσης στενά συνδεδεμένο με ανθρώπινες δραστηριότητες, η εντατικοποίηση τους ωστόσο έχει αρνητικές συνέπειες στην ποιότητα των υδάτων. Ο ευτροφισμός των εσωτερικών υδάτων είναι μία απ’ αυτές, δηλαδή η αύξηση του φυτοπλαγκτόν λόγω εκτενούς συσσώρευση οργανικών αποβλήτων από ανθρώπινες δραστηριότητες, που έχει ως αποτέλεσμα τον σχηματισμού επιφανειακού στρώματος φυτοπλαγκτό το οποίο μειώνει το διαθέσιμο οξυγόνο, δημιουργώντας περιορισμούς στον κύκλο ζωής της πανίδας και της χλωρίδας των οικοσυστήματος.
Η χλωροφύλλη-α (chl-a) είναι ένας αξιόπιστος δείκτης υπολογισμού του ευτροφισμού που αξιοποιεί η τηλεπισκόπηση, λόγω της ικανότητας της να απορροφά κυρίως στο μπλε και το κόκκινο και να ανακλά στο πράσινο. Ως αποτέλεσμα δορυφορικά δεδομένα χωρικής και χρονικής ανάλυσης μπορούν να βοηθήσουν στην παρακολούθηση της κατανομής και της συγκέντρωσης της χλωροφύλλης-α (chl-a) στα εσωτερικά ύδατα κι άρα του ευτροφισμού τους. Η αξιοποίηση της χλωροφύλλης ως δείκτη βασίζεται σε τροποποίηση των δεδομένων μέσω αλγορίθμων ώστε να προσδιοριστεί η συγκέντρωση της.
Οι δορυφορικές εικόνες που αξιοποιούνται στην μελέτη προέρχεται από τους δορυφόρους του Sentinel 2 της Copernicus (2A & 2B). Ο Sentinel-2 έχει χρησιμοποιηθεί εκτενώς για την εκτίμηση της ποιότητας των υδάτων τόσο ωκεάνιων και παραθαλάσσιων όσο και εσωτερικών υδάτων.
Διάφοροι δείκτες έχουν αναπτυχθεί λόγω της φασματικής διαφοράς μεταξύ καθαρών και ευτροφικών υδάτων. Ο MCI (maximum chlorophyll index) είναι ένας απ’ αυτούς, βασίζεται στο ύψος της καμπύλης ανάκλασης στα 709 nm (ή 705 nm για τον Sentinel), σε εύρος μεταξύ 681 nm και 753 nm (665nm και 740nm για Sentinel-2). Άλλος ένας αλγόριθμος είναι ο MPH (maximum peak height) που βασίζεται στο μέγεθος και τη θέση της κορυφής Red/NIR (Matthews et al. 2012). Αναπτυγμένοι αρχικά για κανάλια από medium resolution imaging spectrometer (MERIS) έχουν προσαρμοστεί παραγοντικά στα κανάλια B4, B5, B6 και B8A του Sentinel (Mollaee 2018; Soriano-González et al. 2019).
Η εργασία αξιοποιεί τους αλγόριθμους MCI και MPH με βάση δεδομένα από τον Sentinel-2 για την λίμνη Παμβώτιδα. Σε βάθος τριετίας υπολογίζεται η χωρική κατανομή της συγκέντρωσης chl-a και αναλύονται τα πρότυπα κατανομής της, ενώ υπογραμμίζεται η χρησιμότητα του MPH για φυτοπλαγκτόν και υδρόβια βλάστηση.

'''2. ΥΛΙΚΑ ΜΕΘΟΔΟΙ'''

'''2.1 ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ'''

Η περιοχή μελέτης είναι η λίμνη Παμβώτιδα, η λίμνη βρίσκεται σε υψόμετρο 470 μέτρων, έχει έκταση 24 τ.χλμ. και μέγιστο μήκος 7,5 χλμ. Περιλαμβάνει ένα πλούσιο οικοσύστημα, το οποίο η αστική ανάπτυξη και η αύξηση του πληθυσμού έχουν οδηγήσει σε κατακερματισμό και υποβάθμιση. Στη δυτική όχθη της λίμνης βρίσκεται η πόλη των Ιωαννίνων, ενώ η λίμνη περιβάλλεται κυρίως από αστικές και γεωργικές εκτάσεις. Οργανικά απόβλητα και λιπάσματα από τις καλλιέργειες και τον αστικό ιστό καταλήγουν στη λίμνη, προκαλώντας σοβαρή περιβαλλοντική υποβάθμιση.
Για την εργασία αξιοποιούνται 65 δορυφορικές εικόνες χωρίς συννεφιά (cloud-free) από τους δορυφόρους Sentinel-2A και Sentinel-2B σε μορφή Level-1C, καλύπτοντας την περίοδο 2016–2018 (15 εικόνες το 2016, 21 το 2017 και 29 το 2018). Τα προϊόντα υπό μορφή Level-1C είναι ραδιομετρικά [λαμβάνουν υπόψη TOA (top of the atmosphere) ανάκλαση] και γεωμετρικά [χρησιμοποιώντας ψηφιακό μοντέλο ανύψωσης 90 μέτρων (PlanetDEM 90) από επίγειες τοπογραφικές αποστολές με ρανταρ] διορθωμένα.

'''2.2 ΜΕΘΟΔΟΛΟΓΙΑ'''

Για τον διαχωρισμό της ξηράς από το νερό αξιοποιήθηκε ο δείκτης NDWI (Normalized Difference Water Index) και χρησιμοποιήθηκε για τη δημιουργία της μάσκας ξηράς, σύμφωνα με τον τύπο:

[[Αρχείο:rs_wiki_2_NDWI.png]]

Όπου G είναι το πράσινο και NIR το εγγύς υπέρυθρο. Οι θετικές τιμές του δείκτη αντιστοιχούν σε νερό, ενώ οι αρνητικές σε έδαφος και βλάστηση.
Για την παρακολούθηση του ευτροφισμού εφαρμόστηκαν oi δύο αλγόριθμοι, MCI και MPH. Ο δείκτης MCI (Maximum Chlorophyll Index) μετρά το ύψος της κορυφής ανάκλασης στα 705 nm, χρησιμοποιώντας ως βάση το εύρος μεταξύ 665 nm και 740 nm για τις ζώνες του Sentinel-2. Το πλάτος της κορυφής στα 705nm συσχετίζεται με υψηλά επίπεδα chl-a. Σε αβαθή νερά βενθική βλάστηση (βλάστηση δηλαδή στο βυθό) συγχέεται με επιφανειακή συγκέντρωση φυτοπλαγκτόν κι έτσι δίνει κάποια προβληματικά αποτελέσματα. Ο αλγόριθμος προσαρμοσμένος για ελαφρύ συννεφιά και για τα κανάλια του Sentinel-2 αποτυπώνεται ως εξής:

[[Αρχείο:rs_wiki_2_mci.png]]

όπου Β4, Β5 και Β6 αποτυπώνουν την ανάκλαση και τα λβ4, λβ5 και λβ6 αντιστοιχούν στα μήκη κύματος των καναλιών (0,665, 0,705 και 0,740 αντίστοιχα).
Ο δείκτης MPH (maximum peak height) είναι μια τροποποίηση του MCI, προσδιορίζει την τροφική κατάσταση του συστήματος και εφαρμόζεται σε τριών ειδών ύδατα α) μικτά ολιγοτροφικά/μεσοτροφικά με χαμηλή προς μέτρια βιομάζα, β) ευτροφικά/υπερτροφικά με υψηλή βιομάζα και γ) ύδατα με εξαιρετικά υψηλή βιομάζα με επιφανειακά αιωρούμενα φυτοπλαγκτόν ή υδρόβια βλάστηση. Χρησιμοποιεί ως βάση τα μήκη κύματος μεταξύ 665 nm και 865 nm. Το μήκος κύματος στα 705 nm ορίζεται ως το σημείο κορυφής ανάκλασης σε ευτροφικά ύδατα, όπως φαίνεται στο φάσμα του Sentinel-2. Ο τύπος του MPH για κανάλια του Sentinel-2 είναι:

[[Αρχείο:rs_wiki_2_mph.png]]

Αξιολογήθηκε η συσχέτιση των δύο αλγορίθμων (MCI και MPH) μέσω του συντελεστή Pearson’s r. Στη συνέχεια, υπολογίστηκε η συγκέντρωση χλωροφύλλης-α (chl-a) με τη χρήση εμπειρικών μοντέλων από τη βιβλιογραφία, τα οποία έχουν αναπτυχθεί για παρόμοιες συνθήκες (Grendaitė et al. 2018). Η εξίσωση που επιλέχθηκε συσχετίζει τον δείκτη MPH με τη συγκέντρωση χλωροφύλλης και είναι η εξής:

[[Αρχείο:rs_wiki_2_chla.png]]

Επιπρόσθετα, πραγματοποιήθηκε περιγραφική στατιστική ανάλυση για κάθε εικονοστοιχείο (pixel) της περιοχής μελέτης (υπολογισμός ελάχιστης, μέγιστης, μέσης τιμής και τυπικής απόκλισης). Για τον εντοπισμό, αντιμετώπιση και ερμηνεία των ακραίων τιμών (outliers), χρησιμοποιήθηκε η μέθοδος του ενδοτεταρτημοριακού εύρους (IQR). Τέλος, ομαδοποιήθηκαν τα εικονοστοιχεία (pixel), για την ομαδοποίηση εφαρμόστηκε η τεχνική ISODATA (Iterative Self-Organizing Data Analysis Technique) στα 65 σύνολα δεδομένων συγκέντρωσης chl-a, προκειμένου να εντοπιστούν χωρικά και χρονικά πρότυπα, με τον βέλτιστο αριθμό των ομάδων (clusters) να καθορίζεται μέσω του πακέτου NbClust της R.

[[Αρχείο:rs_wiki_2_proccess.png | thumb| center| 400 px]]

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

'''3.1 Συσχέτιση MPH και MCI '''

Η εφαρμογή των αλγορίθμων MPH και MCI στα δεδομένα έδειξε ότι και οι δύο λειτουργούν ικανοποιητικά, καθώς βασίζονται σε κοινά φασματικά χαρακτηριστικά (για μήκη κύματος 665 nm και 705 nm). Ο συντελεστής συσχέτισης Pearson’s έδειξε ισχυρή θετική συσχέτιση μεταξύ των δύο δεικτών. Παρά την ισχυρή συσχέτιση, η περαιτέρω ανάλυση βασίστηκε στον δείκτη MPH, καθώς θεωρείται καταλληλότερος για την εκτίμηση της συγκέντρωσης chl-a σε διαφορετικά τροφικά εύρη και τύπους υδάτων και επειδή ορισμένες περιπτώσεις παρατηρήθηκαν αρνητικές τιμές MCI, γεγονός που πιθανώς οφείλεται σε πολύ πυκνούς επιφανειακούς σχηματισμούς κυανοβακτηρίων.

'''3.2 MPH και Συγκέντρωση Chl-A '''

Η χαρτογράφηση με το δείκτη MPH αποκάλυψε ότι η έντονη παρουσία χλωροφύλλης παρατηρείται κυρίως τους καλοκαιρινούς και φθινοπωρινούς μήνες, με τον Οκτώβριο να αποτελεί μήνα έξαρσης του φαινομένου. Αντίθετα, οι χειμερινοί και εαρινοί μήνες εμφανίζουν χαμηλότερες τιμές MPH. Κατά τις περιόδους έξαρσης, οι υψηλότερες τιμές MPH εντοπίζονται στην ανατολική πλευρά της λίμνης. Τα γεωργικά λιπάσματα και τα ελαφρά βιομηχανικά και αστικά απόβλητα που εισρέουν κυρίως από την νότια πλευρά της λίμνης είναι οι κύριοι υπεύθυνοι για τις υψηλές συγκεντρώσεις chl-a. Στην εικόνα απεικονίζεται το εύρος τιμών MPH σε περιόδους έξαρσης και αδράνειας:

[[Αρχείο:rs_wiki_2_map.png | thumb| center| 400 px]]

Σύμφωνα με το εμπειρικό μοντέλο, η μέγιστη συγκέντρωση chl-a έφτασε τα 257 μg/L. Στην παρακάτω εικόνα (η οποία συγκεντρώνει τις μοναδικές εικόνες χωρίς σύννεφα για το παρόν φαινόμενο έξαρσης) απεικονίζεται η έξαρση του φαινομένου κατά τον Σεπτέμβριο και Οκτώβριο του 2017:

[[Αρχείο:rs_wiki_2_map2.png | thumb| center| 400 px]]

Μια εαρινή έξαρση (Μάρτιος-Ιούνιος 2017) παρουσίασε χαμηλότερες συγκεντρώσεις. Αρχικά στα 20 μg/L, η συγκέντρωση αυξήθηκε σταδιακά, δημιουργώντας πυρήνες υψηλών τιμών (έως 170 μg/L) στα μέσα Μαΐου, πριν υποχωρήσει ξανά στα τέλη Ιουνίου, όπως φάινεται στην παρακάτω εικόνα:

[[Αρχείο:rs_wiki_2_map3.png | thumb| center| 400 px]]

Τα αποτελέσματα επιβεβαιώνουν ότι η λίμνη βρίσκεται σε υπερτροφική κατάσταση. Παράλληλα, αναδείχθηκε η ικανότητα του αισθητήρα Sentinel-2 να παρακολουθεί τέτοια γεγονότα με υψηλή ανάλυση ακόμα κι αν υπάρχουν λίγες κατάλληλες εικόνες διαθέσιμες. Τα προβλήματα που παρατηρήθηκαν ήταν δύο, πρώτα "θόρυβος λωρίδων" (stripe noise) σε ορισμένες εικόνες και επιδράσεις γειτνίασης (adjacency effect) σε εικονοστοιχεία κοντά στις ακτές.

'''3.3 Στατιστική Ανάλυση της Συγκέντρωσης Chl-A '''

Η χωρική και χρονική στατιστική ανάλυση της κατανομής της chl-a περιλάμβανε τον υπολογισμό της ελάχιστης και μέγιστης τιμής, του μέσου όρου και της τυπικής απόκλισης για κάθε εικονοστοιχείο. Οι μικρότερες τιμές εμφανίστηκαν κυρίως στη βορειοδυτική ακτή κοντά στην αστική περιοχή, ενώ οι μεγαλύτερες στην ανατολική και νοτιοανατολική ακτή με τιμές έως 260 μg/L, επιβεβαιώνοντας την επιβάρυνση από καλλιέργειες και πηγές ρύπανσης. Οι τιμές του μέσου όρου της συγκέντρωσης φτάνουν τα 56 μg/L, οπότε σύμφωνα με το σύστημα τροφικής ταξινόμησης Serwan,1996 η λίμνη ταξινομείται ως υπερτροφική. Τέλος, οι τιμές της τυπικής απόκλισης έδειξαν ότι οι μεγαλύτερες μεταβολές συγκέντρωσης συμβαίνουν στη νοτιοανατολική όχθη.

[[Αρχείο:rs_wiki_2_map4.png | thumb| center| 400 px]]

Η ανάλυση των ακραίων τιμών (outliers) έδειξε ότι η πλειοψηφία της έκτασης της λίμνης δεν παρουσίασε ακραίες τιμές κατά την περίοδο μελέτης, παρότι υψηλές συχνότητες ακραίων τιμών παρατηρήθηκαν κοντά στις νότιες και ανατολικές ακτές αυτές αποδίδονται στην υδρόβια βλάστηση και τις γεωργικές δραστηριότητες.

[[Αρχείο:Rs_wiki_2_map5.png | thumb| center| 400 px]]

Τέλος, έγινε ομαδοποίηση για ανάδειξε τυχόν χωρικών ή χρονικών διαφοροποιήσεων σχετικά με την συγκέντρωση chl-a, η οποία ανέδειξε 4 βέλτιστες ομάδες (clusters) που περιγράφουν τις χωρικές και χρονικές τάσεις.

[[Αρχείο:Rs_wiki_2_map6.png | thumb| center| 400 px]]

Η Ομάδα 1 περιλαμβάνει περιοχές με χαμηλές συγκεντρώσεις (μέσος όρος <60 μg/L). Η Ομάδα 2 παρουσίασε τις υψηλότερες τιμές chl-a και εντοπίζεται στο ανατολικό τμήμα (φτάνοντας τα 140 μg/L μέση τιμή το 2016). Οι άλλες δύο ομάδες ακολούθησαν παρόμοια πρότυπα κατανομής αλλά με χαμηλότερα επίπεδα συγκέντρωσης, υποδεικνύοντας μια σαφή χωρική κατηγοριοποίηση της λίμνης σε τρεις ζώνες ρύπανσης.

[[Αρχείο:rs_wiki_2_chla_cluster.png | thumb| center| 400 px]]

'''4. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Συμπερασματικά, η τριετής μελέτη των τηλεπισκοπικών δεδομένων αποκάλυψε ότι η κατάσταση της λίμνης Παμβώτιδας είναι κυρίως ευτροφική με συγκεκριμένες περιόδους έξαρσης του φαινομένου.
Στην εργασία τέθηκαν επί τάπητος οι ικανότητες και οι περιορισμοί του Sentinel-2 σε μελέτες ευτροφισμού εσωτερικών υδάτων, αξιοποιώντας τους αλγόριθμους MPH και MCI. Επίσης αξιολογήθηκε η συσχέτιση μεταξύ τους, που φάνηκε ισχυρή. Ο MPH συσχετίστηκε περαιτέρω με τη συγκέντρωση chl-a βάσει μοντέλου από τη βιβλιογραφία (Grendaitė et al. 2018). Αν και η μελέτη δεν περιλάμβανε επιτόπιες μετρήσεις για την περίοδο αναφοράς τα ευρήματα συγκρίθηκαν με παλαιότερες μετρήσεις του Φορέα Διαχείρισης της λίμνης (2010-2011), οι οποίες συμφωνούν με τα τηλεπισκοπικά αποτελέσματα. Η χωρική ανάλυση κατέδειξε ότι τα υψηλότερα επίπεδα chl-a συσσωρεύονται στη νότια και νοτιοανατολική ακτή της λίμνης. Ο συστηματικός εντοπισμός ακραίων τιμών σε αυτές τις περιοχές πιθανώς επηρεάζεται από την υδρόβια βλάστηση και τις διακυμάνσεις της στάθμης του νερού.
Οι κύριες πηγές ρύπανσης εντοπίζονται στην κοντινή αστική περιοχή και τις γεωργικές εκτάσεις, όπου οι ανθρωπογενείς δραστηριότητες αυξάνουν τα απόβλητα στο νερό. Παρά τη λειτουργία μονάδας επεξεργασίας λυμάτων, η παράνομη διάθεση αποβλήτων και η εντατική χρήση λιπασμάτων συνεχίζουν να υποβαθμίζουν την ποιότητα του νερού. Τα αποτελέσματα της έρευνας μπορούν να προσφέρουν καθοδήγηση στους διαχειριστές της λίμνης για τον εντοπισμό ευάλωτων περιοχών. Μελλοντικές βελτιώσεις της ανάλυσης θα πρέπει να περιλαμβάνουν την ατμοσφαιρική διόρθωση των δεδομένων, την αξιολόγηση του νεότερου αισθητήρα Sentinel-3 και τη συσχέτιση με επιτόπιες παραμέτρους για την ανάπτυξη ακριβέστερων αλγορίθμων.

'''ΒΙΒΛΙΟΓΡΑΦΙΑ'''

BABAN, SERWAN M. J. 1996. “Trophic Classification and Ecosystem Checking of Lakes Using Remotely Sensed Information.” Hydrological Sciences Journal 41 (6): 939–57. https://doi.org/10.1080/02626669609491560.

Grendaitė, Dalia, Edvinas Stonevičius, Jūratė Karosienė, Ksenija Savadova, and Jūratė Kasperovičienė. 2018. “Chlorophyll-a Concentration Retrieval in Eutrophic Lakes in Lithuania from Sentinel-2 Data.” Geologija. Geografija 4 (1). https://doi.org/10.6001/geol-geogr.v4i1.3720.

Matthews, Mark William, Stewart Bernard, and Lisl Robertson. 2012. “An Algorithm for Detecting Trophic Status (Chlorophyll-a), Cyanobacterial-Dominance, Surface Scums and Floating Vegetation in Inland and Coastal Waters.” Remote Sensing of Environment 124 (September): 637–52. https://doi.org/10.1016/j.rse.2012.05.032.

Mollaee, Somayeh. 2018. Estimation of Phytoplankton Chlorophyll-a Concentration in the Western Basin of Lake Erie Using Sentinel-2 and Sentinel-3 Data. July 4. http://hdl.handle.net/10012/13456.

Soriano-González, Jesús, Eduard Angelats, Margarita Fernández-Tejedor, et al. 2019. “First Results of Phytoplankton Spatial Dynamics in Two NW-Mediterranean Bays from Chlorophyll-a Estimates Using Sentinel 2: Potential Implications for Aquaculture.” Remote Sensing 11 (15). https://doi.org/10.3390/rs11151756.

Αρχείο:Rs wiki 2 map6.jpg

2026-02-07T13:30:30Z

Rizoselef: ανέβασμα νέας έκδοσης του "Αρχείο:Rs wiki 2 map6.jpg"

Αρχείο:Rs wiki 2 map5.jpg

2026-02-07T13:30:18Z

Rizoselef: ανέβασμα νέας έκδοσης του "Αρχείο:Rs wiki 2 map5.jpg"

Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2

2026-02-07T13:28:53Z

Rizoselef:

'''Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, στην Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Eutrophication Monitoring for Lake Pamvotis, Greece, Using Sentinel-2 Data''

'''Συγγραφείς''': ''Maria Peppa, Christos Vasilakos and Dimitris Kavroudakis''

'''Δημοσιεύθηκε''': ''229/02/2020, στο International Journal of Geo-Information, Volume 9, Issue 3 page 143''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.3390/ijgi9030143]

''' 1. Εισαγωγή'''

Το νερό είναι σημαντικό για όλες τις μορφές ζωής, είναι επίσης στενά συνδεδεμένο με ανθρώπινες δραστηριότητες, η εντατικοποίηση τους ωστόσο έχει αρνητικές συνέπειες στην ποιότητα των υδάτων. Ο ευτροφισμός των εσωτερικών υδάτων είναι μία απ’ αυτές, δηλαδή η αύξηση του φυτοπλαγκτόν λόγω εκτενούς συσσώρευση οργανικών αποβλήτων από ανθρώπινες δραστηριότητες, που έχει ως αποτέλεσμα τον σχηματισμού επιφανειακού στρώματος φυτοπλαγκτό το οποίο μειώνει το διαθέσιμο οξυγόνο, δημιουργώντας περιορισμούς στον κύκλο ζωής της πανίδας και της χλωρίδας των οικοσυστήματος.
Η χλωροφύλλη-α (chl-a) είναι ένας αξιόπιστος δείκτης υπολογισμού του ευτροφισμού που αξιοποιεί η τηλεπισκόπηση, λόγω της ικανότητας της να απορροφά κυρίως στο μπλε και το κόκκινο και να ανακλά στο πράσινο. Ως αποτέλεσμα δορυφορικά δεδομένα χωρικής και χρονικής ανάλυσης μπορούν να βοηθήσουν στην παρακολούθηση της κατανομής και της συγκέντρωσης της χλωροφύλλης-α (chl-a) στα εσωτερικά ύδατα κι άρα του ευτροφισμού τους. Η αξιοποίηση της χλωροφύλλης ως δείκτη βασίζεται σε τροποποίηση των δεδομένων μέσω αλγορίθμων ώστε να προσδιοριστεί η συγκέντρωση της.
Οι δορυφορικές εικόνες που αξιοποιούνται στην μελέτη προέρχεται από τους δορυφόρους του Sentinel 2 της Copernicus (2A & 2B). Ο Sentinel-2 έχει χρησιμοποιηθεί εκτενώς για την εκτίμηση της ποιότητας των υδάτων τόσο ωκεάνιων και παραθαλάσσιων όσο και εσωτερικών υδάτων.
Διάφοροι δείκτες έχουν αναπτυχθεί λόγω της φασματικής διαφοράς μεταξύ καθαρών και ευτροφικών υδάτων. Ο MCI (maximum chlorophyll index) είναι ένας απ’ αυτούς, βασίζεται στο ύψος της καμπύλης ανάκλασης στα 709 nm (ή 705 nm για τον Sentinel), σε εύρος μεταξύ 681 nm και 753 nm (665nm και 740nm για Sentinel-2). Άλλος ένας αλγόριθμος είναι ο MPH (maximum peak height) που βασίζεται στο μέγεθος και τη θέση της κορυφής Red/NIR (Matthews et al. 2012). Αναπτυγμένοι αρχικά για κανάλια από medium resolution imaging spectrometer (MERIS) έχουν προσαρμοστεί παραγοντικά στα κανάλια B4, B5, B6 και B8A του Sentinel (Mollaee 2018; Soriano-González et al. 2019).
Η εργασία αξιοποιεί τους αλγόριθμους MCI και MPH με βάση δεδομένα από τον Sentinel-2 για την λίμνη Παμβώτιδα. Σε βάθος τριετίας υπολογίζεται η χωρική κατανομή της συγκέντρωσης chl-a και αναλύονται τα πρότυπα κατανομής της, ενώ υπογραμμίζεται η χρησιμότητα του MPH για φυτοπλαγκτόν και υδρόβια βλάστηση.

'''2. ΥΛΙΚΑ ΜΕΘΟΔΟΙ'''

'''2.1 ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ'''

Η περιοχή μελέτης είναι η λίμνη Παμβώτιδα, η λίμνη βρίσκεται σε υψόμετρο 470 μέτρων, έχει έκταση 24 τ.χλμ. και μέγιστο μήκος 7,5 χλμ. Περιλαμβάνει ένα πλούσιο οικοσύστημα, το οποίο η αστική ανάπτυξη και η αύξηση του πληθυσμού έχουν οδηγήσει σε κατακερματισμό και υποβάθμιση. Στη δυτική όχθη της λίμνης βρίσκεται η πόλη των Ιωαννίνων, ενώ η λίμνη περιβάλλεται κυρίως από αστικές και γεωργικές εκτάσεις. Οργανικά απόβλητα και λιπάσματα από τις καλλιέργειες και τον αστικό ιστό καταλήγουν στη λίμνη, προκαλώντας σοβαρή περιβαλλοντική υποβάθμιση.
Για την εργασία αξιοποιούνται 65 δορυφορικές εικόνες χωρίς συννεφιά (cloud-free) από τους δορυφόρους Sentinel-2A και Sentinel-2B σε μορφή Level-1C, καλύπτοντας την περίοδο 2016–2018 (15 εικόνες το 2016, 21 το 2017 και 29 το 2018). Τα προϊόντα υπό μορφή Level-1C είναι ραδιομετρικά [λαμβάνουν υπόψη TOA (top of the atmosphere) ανάκλαση] και γεωμετρικά [χρησιμοποιώντας ψηφιακό μοντέλο ανύψωσης 90 μέτρων (PlanetDEM 90) από επίγειες τοπογραφικές αποστολές με ρανταρ] διορθωμένα.

'''2.2 ΜΕΘΟΔΟΛΟΓΙΑ'''

Για τον διαχωρισμό της ξηράς από το νερό αξιοποιήθηκε ο δείκτης NDWI (Normalized Difference Water Index) και χρησιμοποιήθηκε για τη δημιουργία της μάσκας ξηράς, σύμφωνα με τον τύπο:

[[Αρχείο:rs_wiki_2_NDWI.png]]

Όπου G είναι το πράσινο και NIR το εγγύς υπέρυθρο. Οι θετικές τιμές του δείκτη αντιστοιχούν σε νερό, ενώ οι αρνητικές σε έδαφος και βλάστηση.
Για την παρακολούθηση του ευτροφισμού εφαρμόστηκαν oi δύο αλγόριθμοι, MCI και MPH. Ο δείκτης MCI (Maximum Chlorophyll Index) μετρά το ύψος της κορυφής ανάκλασης στα 705 nm, χρησιμοποιώντας ως βάση το εύρος μεταξύ 665 nm και 740 nm για τις ζώνες του Sentinel-2. Το πλάτος της κορυφής στα 705nm συσχετίζεται με υψηλά επίπεδα chl-a. Σε αβαθή νερά βενθική βλάστηση (βλάστηση δηλαδή στο βυθό) συγχέεται με επιφανειακή συγκέντρωση φυτοπλαγκτόν κι έτσι δίνει κάποια προβληματικά αποτελέσματα. Ο αλγόριθμος προσαρμοσμένος για ελαφρύ συννεφιά και για τα κανάλια του Sentinel-2 αποτυπώνεται ως εξής:

[[Αρχείο:rs_wiki_2_mci.png]]

όπου Β4, Β5 και Β6 αποτυπώνουν την ανάκλαση και τα λβ4, λβ5 και λβ6 αντιστοιχούν στα μήκη κύματος των καναλιών (0,665, 0,705 και 0,740 αντίστοιχα).
Ο δείκτης MPH (maximum peak height) είναι μια τροποποίηση του MCI, προσδιορίζει την τροφική κατάσταση του συστήματος και εφαρμόζεται σε τριών ειδών ύδατα α) μικτά ολιγοτροφικά/μεσοτροφικά με χαμηλή προς μέτρια βιομάζα, β) ευτροφικά/υπερτροφικά με υψηλή βιομάζα και γ) ύδατα με εξαιρετικά υψηλή βιομάζα με επιφανειακά αιωρούμενα φυτοπλαγκτόν ή υδρόβια βλάστηση. Χρησιμοποιεί ως βάση τα μήκη κύματος μεταξύ 665 nm και 865 nm. Το μήκος κύματος στα 705 nm ορίζεται ως το σημείο κορυφής ανάκλασης σε ευτροφικά ύδατα, όπως φαίνεται στο φάσμα του Sentinel-2. Ο τύπος του MPH για κανάλια του Sentinel-2 είναι:

[[Αρχείο:rs_wiki_2_mph.png]]

Αξιολογήθηκε η συσχέτιση των δύο αλγορίθμων (MCI και MPH) μέσω του συντελεστή Pearson’s r. Στη συνέχεια, υπολογίστηκε η συγκέντρωση χλωροφύλλης-α (chl-a) με τη χρήση εμπειρικών μοντέλων από τη βιβλιογραφία, τα οποία έχουν αναπτυχθεί για παρόμοιες συνθήκες (Grendaitė et al. 2018). Η εξίσωση που επιλέχθηκε συσχετίζει τον δείκτη MPH με τη συγκέντρωση χλωροφύλλης και είναι η εξής:

[[Αρχείο:rs_wiki_2_chla.png]]

Επιπρόσθετα, πραγματοποιήθηκε περιγραφική στατιστική ανάλυση για κάθε εικονοστοιχείο (pixel) της περιοχής μελέτης (υπολογισμός ελάχιστης, μέγιστης, μέσης τιμής και τυπικής απόκλισης). Για τον εντοπισμό, αντιμετώπιση και ερμηνεία των ακραίων τιμών (outliers), χρησιμοποιήθηκε η μέθοδος του ενδοτεταρτημοριακού εύρους (IQR). Τέλος, ομαδοποιήθηκαν τα εικονοστοιχεία (pixel), για την ομαδοποίηση εφαρμόστηκε η τεχνική ISODATA (Iterative Self-Organizing Data Analysis Technique) στα 65 σύνολα δεδομένων συγκέντρωσης chl-a, προκειμένου να εντοπιστούν χωρικά και χρονικά πρότυπα, με τον βέλτιστο αριθμό των ομάδων (clusters) να καθορίζεται μέσω του πακέτου NbClust της R.

[[Αρχείο:rs_wiki_2_proccess.png | thumb| center| 400 px]]

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

'''3.1 Συσχέτιση MPH και MCI '''

Η εφαρμογή των αλγορίθμων MPH και MCI στα δεδομένα έδειξε ότι και οι δύο λειτουργούν ικανοποιητικά, καθώς βασίζονται σε κοινά φασματικά χαρακτηριστικά (για μήκη κύματος 665 nm και 705 nm). Ο συντελεστής συσχέτισης Pearson’s έδειξε ισχυρή θετική συσχέτιση μεταξύ των δύο δεικτών. Παρά την ισχυρή συσχέτιση, η περαιτέρω ανάλυση βασίστηκε στον δείκτη MPH, καθώς θεωρείται καταλληλότερος για την εκτίμηση της συγκέντρωσης chl-a σε διαφορετικά τροφικά εύρη και τύπους υδάτων και επειδή ορισμένες περιπτώσεις παρατηρήθηκαν αρνητικές τιμές MCI, γεγονός που πιθανώς οφείλεται σε πολύ πυκνούς επιφανειακούς σχηματισμούς κυανοβακτηρίων.

'''3.2 MPH και Συγκέντρωση Chl-A '''

Η χαρτογράφηση με το δείκτη MPH αποκάλυψε ότι η έντονη παρουσία χλωροφύλλης παρατηρείται κυρίως τους καλοκαιρινούς και φθινοπωρινούς μήνες, με τον Οκτώβριο να αποτελεί μήνα έξαρσης του φαινομένου. Αντίθετα, οι χειμερινοί και εαρινοί μήνες εμφανίζουν χαμηλότερες τιμές MPH. Κατά τις περιόδους έξαρσης, οι υψηλότερες τιμές MPH εντοπίζονται στην ανατολική πλευρά της λίμνης. Τα γεωργικά λιπάσματα και τα ελαφρά βιομηχανικά και αστικά απόβλητα που εισρέουν κυρίως από την νότια πλευρά της λίμνης είναι οι κύριοι υπεύθυνοι για τις υψηλές συγκεντρώσεις chl-a. Στην εικόνα απεικονίζεται το εύρος τιμών MPH σε περιόδους έξαρσης και αδράνειας:

[[Αρχείο:rs_wiki_2_map.png | thumb| center| 400 px]]

Σύμφωνα με το εμπειρικό μοντέλο, η μέγιστη συγκέντρωση chl-a έφτασε τα 257 μg/L. Στην παρακάτω εικόνα (η οποία συγκεντρώνει τις μοναδικές εικόνες χωρίς σύννεφα για το παρόν φαινόμενο έξαρσης) απεικονίζεται η έξαρση του φαινομένου κατά τον Σεπτέμβριο και Οκτώβριο του 2017:

[[Αρχείο:rs_wiki_2_map2.png | thumb| center| 400 px]]

Μια εαρινή έξαρση (Μάρτιος-Ιούνιος 2017) παρουσίασε χαμηλότερες συγκεντρώσεις. Αρχικά στα 20 μg/L, η συγκέντρωση αυξήθηκε σταδιακά, δημιουργώντας πυρήνες υψηλών τιμών (έως 170 μg/L) στα μέσα Μαΐου, πριν υποχωρήσει ξανά στα τέλη Ιουνίου, όπως φάινεται στην παρακάτω εικόνα:

[[Αρχείο:rs_wiki_2_map3.png | thumb| center| 400 px]]

Τα αποτελέσματα επιβεβαιώνουν ότι η λίμνη βρίσκεται σε υπερτροφική κατάσταση. Παράλληλα, αναδείχθηκε η ικανότητα του αισθητήρα Sentinel-2 να παρακολουθεί τέτοια γεγονότα με υψηλή ανάλυση ακόμα κι αν υπάρχουν λίγες κατάλληλες εικόνες διαθέσιμες. Τα προβλήματα που παρατηρήθηκαν ήταν δύο, πρώτα "θόρυβος λωρίδων" (stripe noise) σε ορισμένες εικόνες και επιδράσεις γειτνίασης (adjacency effect) σε εικονοστοιχεία κοντά στις ακτές.

'''3.3 Στατιστική Ανάλυση της Συγκέντρωσης Chl-A '''

Η χωρική και χρονική στατιστική ανάλυση της κατανομής της chl-a περιλάμβανε τον υπολογισμό της ελάχιστης και μέγιστης τιμής, του μέσου όρου και της τυπικής απόκλισης για κάθε εικονοστοιχείο. Οι μικρότερες τιμές εμφανίστηκαν κυρίως στη βορειοδυτική ακτή κοντά στην αστική περιοχή, ενώ οι μεγαλύτερες στην ανατολική και νοτιοανατολική ακτή με τιμές έως 260 μg/L, επιβεβαιώνοντας την επιβάρυνση από καλλιέργειες και πηγές ρύπανσης. Οι τιμές του μέσου όρου της συγκέντρωσης φτάνουν τα 56 μg/L, οπότε σύμφωνα με το σύστημα τροφικής ταξινόμησης Serwan,1996 η λίμνη ταξινομείται ως υπερτροφική. Τέλος, οι τιμές της τυπικής απόκλισης έδειξαν ότι οι μεγαλύτερες μεταβολές συγκέντρωσης συμβαίνουν στη νοτιοανατολική όχθη.

[[Αρχείο:rs_wiki_2_map4.png | thumb| center| 400 px]]

Η ανάλυση των ακραίων τιμών (outliers) έδειξε ότι η πλειοψηφία της έκτασης της λίμνης δεν παρουσίασε ακραίες τιμές κατά την περίοδο μελέτης, παρότι υψηλές συχνότητες ακραίων τιμών παρατηρήθηκαν κοντά στις νότιες και ανατολικές ακτές αυτές αποδίδονται στην υδρόβια βλάστηση και τις γεωργικές δραστηριότητες.

[[Αρχείο:rs_wiki_2_map5.png | thumb| center| 400 px]]

Τέλος, έγινε ομαδοποίηση για ανάδειξε τυχόν χωρικών ή χρονικών διαφοροποιήσεων σχετικά με την συγκέντρωση chl-a, η οποία ανέδειξε 4 βέλτιστες ομάδες (clusters) που περιγράφουν τις χωρικές και χρονικές τάσεις.

[[Αρχείο:rs_wiki_2_map6.png | thumb| center| 400 px]]

Η Ομάδα 1 περιλαμβάνει περιοχές με χαμηλές συγκεντρώσεις (μέσος όρος <60 μg/L). Η Ομάδα 2 παρουσίασε τις υψηλότερες τιμές chl-a και εντοπίζεται στο ανατολικό τμήμα (φτάνοντας τα 140 μg/L μέση τιμή το 2016). Οι άλλες δύο ομάδες ακολούθησαν παρόμοια πρότυπα κατανομής αλλά με χαμηλότερα επίπεδα συγκέντρωσης, υποδεικνύοντας μια σαφή χωρική κατηγοριοποίηση της λίμνης σε τρεις ζώνες ρύπανσης.

[[Αρχείο:rs_wiki_2_chla_cluster.png | thumb| center| 400 px]]

'''4. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Συμπερασματικά, η τριετής μελέτη των τηλεπισκοπικών δεδομένων αποκάλυψε ότι η κατάσταση της λίμνης Παμβώτιδας είναι κυρίως ευτροφική με συγκεκριμένες περιόδους έξαρσης του φαινομένου.
Στην εργασία τέθηκαν επί τάπητος οι ικανότητες και οι περιορισμοί του Sentinel-2 σε μελέτες ευτροφισμού εσωτερικών υδάτων, αξιοποιώντας τους αλγόριθμους MPH και MCI. Επίσης αξιολογήθηκε η συσχέτιση μεταξύ τους, που φάνηκε ισχυρή. Ο MPH συσχετίστηκε περαιτέρω με τη συγκέντρωση chl-a βάσει μοντέλου από τη βιβλιογραφία (Grendaitė et al. 2018). Αν και η μελέτη δεν περιλάμβανε επιτόπιες μετρήσεις για την περίοδο αναφοράς τα ευρήματα συγκρίθηκαν με παλαιότερες μετρήσεις του Φορέα Διαχείρισης της λίμνης (2010-2011), οι οποίες συμφωνούν με τα τηλεπισκοπικά αποτελέσματα. Η χωρική ανάλυση κατέδειξε ότι τα υψηλότερα επίπεδα chl-a συσσωρεύονται στη νότια και νοτιοανατολική ακτή της λίμνης. Ο συστηματικός εντοπισμός ακραίων τιμών σε αυτές τις περιοχές πιθανώς επηρεάζεται από την υδρόβια βλάστηση και τις διακυμάνσεις της στάθμης του νερού.
Οι κύριες πηγές ρύπανσης εντοπίζονται στην κοντινή αστική περιοχή και τις γεωργικές εκτάσεις, όπου οι ανθρωπογενείς δραστηριότητες αυξάνουν τα απόβλητα στο νερό. Παρά τη λειτουργία μονάδας επεξεργασίας λυμάτων, η παράνομη διάθεση αποβλήτων και η εντατική χρήση λιπασμάτων συνεχίζουν να υποβαθμίζουν την ποιότητα του νερού. Τα αποτελέσματα της έρευνας μπορούν να προσφέρουν καθοδήγηση στους διαχειριστές της λίμνης για τον εντοπισμό ευάλωτων περιοχών. Μελλοντικές βελτιώσεις της ανάλυσης θα πρέπει να περιλαμβάνουν την ατμοσφαιρική διόρθωση των δεδομένων, την αξιολόγηση του νεότερου αισθητήρα Sentinel-3 και τη συσχέτιση με επιτόπιες παραμέτρους για την ανάπτυξη ακριβέστερων αλγορίθμων.

'''ΒΙΒΛΙΟΓΡΑΦΙΑ'''

BABAN, SERWAN M. J. 1996. “Trophic Classification and Ecosystem Checking of Lakes Using Remotely Sensed Information.” Hydrological Sciences Journal 41 (6): 939–57. https://doi.org/10.1080/02626669609491560.

Grendaitė, Dalia, Edvinas Stonevičius, Jūratė Karosienė, Ksenija Savadova, and Jūratė Kasperovičienė. 2018. “Chlorophyll-a Concentration Retrieval in Eutrophic Lakes in Lithuania from Sentinel-2 Data.” Geologija. Geografija 4 (1). https://doi.org/10.6001/geol-geogr.v4i1.3720.

Matthews, Mark William, Stewart Bernard, and Lisl Robertson. 2012. “An Algorithm for Detecting Trophic Status (Chlorophyll-a), Cyanobacterial-Dominance, Surface Scums and Floating Vegetation in Inland and Coastal Waters.” Remote Sensing of Environment 124 (September): 637–52. https://doi.org/10.1016/j.rse.2012.05.032.

Mollaee, Somayeh. 2018. Estimation of Phytoplankton Chlorophyll-a Concentration in the Western Basin of Lake Erie Using Sentinel-2 and Sentinel-3 Data. July 4. http://hdl.handle.net/10012/13456.

Soriano-González, Jesús, Eduard Angelats, Margarita Fernández-Tejedor, et al. 2019. “First Results of Phytoplankton Spatial Dynamics in Two NW-Mediterranean Bays from Chlorophyll-a Estimates Using Sentinel 2: Potential Implications for Aquaculture.” Remote Sensing 11 (15). https://doi.org/10.3390/rs11151756.

Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2

2026-02-07T13:27:46Z

Rizoselef:

'''Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, στην Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Eutrophication Monitoring for Lake Pamvotis, Greece, Using Sentinel-2 Data''

'''Συγγραφείς''': ''Maria Peppa, Christos Vasilakos and Dimitris Kavroudakis''

'''Δημοσιεύθηκε''': ''229/02/2020, στο International Journal of Geo-Information, Volume 9, Issue 3 page 143''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.3390/ijgi9030143]

''' 1. Εισαγωγή'''

Το νερό είναι σημαντικό για όλες τις μορφές ζωής, είναι επίσης στενά συνδεδεμένο με ανθρώπινες δραστηριότητες, η εντατικοποίηση τους ωστόσο έχει αρνητικές συνέπειες στην ποιότητα των υδάτων. Ο ευτροφισμός των εσωτερικών υδάτων είναι μία απ’ αυτές, δηλαδή η αύξηση του φυτοπλαγκτόν λόγω εκτενούς συσσώρευση οργανικών αποβλήτων από ανθρώπινες δραστηριότητες, που έχει ως αποτέλεσμα τον σχηματισμού επιφανειακού στρώματος φυτοπλαγκτό το οποίο μειώνει το διαθέσιμο οξυγόνο, δημιουργώντας περιορισμούς στον κύκλο ζωής της πανίδας και της χλωρίδας των οικοσυστήματος.
Η χλωροφύλλη-α (chl-a) είναι ένας αξιόπιστος δείκτης υπολογισμού του ευτροφισμού που αξιοποιεί η τηλεπισκόπηση, λόγω της ικανότητας της να απορροφά κυρίως στο μπλε και το κόκκινο και να ανακλά στο πράσινο. Ως αποτέλεσμα δορυφορικά δεδομένα χωρικής και χρονικής ανάλυσης μπορούν να βοηθήσουν στην παρακολούθηση της κατανομής και της συγκέντρωσης της χλωροφύλλης-α (chl-a) στα εσωτερικά ύδατα κι άρα του ευτροφισμού τους. Η αξιοποίηση της χλωροφύλλης ως δείκτη βασίζεται σε τροποποίηση των δεδομένων μέσω αλγορίθμων ώστε να προσδιοριστεί η συγκέντρωση της.
Οι δορυφορικές εικόνες που αξιοποιούνται στην μελέτη προέρχεται από τους δορυφόρους του Sentinel 2 της Copernicus (2A & 2B). Ο Sentinel-2 έχει χρησιμοποιηθεί εκτενώς για την εκτίμηση της ποιότητας των υδάτων τόσο ωκεάνιων και παραθαλάσσιων όσο και εσωτερικών υδάτων.
Διάφοροι δείκτες έχουν αναπτυχθεί λόγω της φασματικής διαφοράς μεταξύ καθαρών και ευτροφικών υδάτων. Ο MCI (maximum chlorophyll index) είναι ένας απ’ αυτούς, βασίζεται στο ύψος της καμπύλης ανάκλασης στα 709 nm (ή 705 nm για τον Sentinel), σε εύρος μεταξύ 681 nm και 753 nm (665nm και 740nm για Sentinel-2). Άλλος ένας αλγόριθμος είναι ο MPH (maximum peak height) που βασίζεται στο μέγεθος και τη θέση της κορυφής Red/NIR (Matthews et al. 2012). Αναπτυγμένοι αρχικά για κανάλια από medium resolution imaging spectrometer (MERIS) έχουν προσαρμοστεί παραγοντικά στα κανάλια B4, B5, B6 και B8A του Sentinel (Mollaee 2018; Soriano-González et al. 2019).
Η εργασία αξιοποιεί τους αλγόριθμους MCI και MPH με βάση δεδομένα από τον Sentinel-2 για την λίμνη Παμβώτιδα. Σε βάθος τριετίας υπολογίζεται η χωρική κατανομή της συγκέντρωσης chl-a και αναλύονται τα πρότυπα κατανομής της, ενώ υπογραμμίζεται η χρησιμότητα του MPH για φυτοπλαγκτόν και υδρόβια βλάστηση.

'''2. ΥΛΙΚΑ ΜΕΘΟΔΟΙ'''

'''2.1 ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ'''

Η περιοχή μελέτης είναι η λίμνη Παμβώτιδα, η λίμνη βρίσκεται σε υψόμετρο 470 μέτρων, έχει έκταση 24 τ.χλμ. και μέγιστο μήκος 7,5 χλμ. Περιλαμβάνει ένα πλούσιο οικοσύστημα, το οποίο η αστική ανάπτυξη και η αύξηση του πληθυσμού έχουν οδηγήσει σε κατακερματισμό και υποβάθμιση. Στη δυτική όχθη της λίμνης βρίσκεται η πόλη των Ιωαννίνων, ενώ η λίμνη περιβάλλεται κυρίως από αστικές και γεωργικές εκτάσεις. Οργανικά απόβλητα και λιπάσματα από τις καλλιέργειες και τον αστικό ιστό καταλήγουν στη λίμνη, προκαλώντας σοβαρή περιβαλλοντική υποβάθμιση.
Για την εργασία αξιοποιούνται 65 δορυφορικές εικόνες χωρίς συννεφιά (cloud-free) από τους δορυφόρους Sentinel-2A και Sentinel-2B σε μορφή Level-1C, καλύπτοντας την περίοδο 2016–2018 (15 εικόνες το 2016, 21 το 2017 και 29 το 2018). Τα προϊόντα υπό μορφή Level-1C είναι ραδιομετρικά [λαμβάνουν υπόψη TOA (top of the atmosphere) ανάκλαση] και γεωμετρικά [χρησιμοποιώντας ψηφιακό μοντέλο ανύψωσης 90 μέτρων (PlanetDEM 90) από επίγειες τοπογραφικές αποστολές με ρανταρ] διορθωμένα.

'''2.2 ΜΕΘΟΔΟΛΟΓΙΑ'''

Για τον διαχωρισμό της ξηράς από το νερό αξιοποιήθηκε ο δείκτης NDWI (Normalized Difference Water Index) και χρησιμοποιήθηκε για τη δημιουργία της μάσκας ξηράς, σύμφωνα με τον τύπο:

[[Αρχείο:rs_wiki_2_NDWI.png]]

Όπου G είναι το πράσινο και NIR το εγγύς υπέρυθρο. Οι θετικές τιμές του δείκτη αντιστοιχούν σε νερό, ενώ οι αρνητικές σε έδαφος και βλάστηση.
Για την παρακολούθηση του ευτροφισμού εφαρμόστηκαν oi δύο αλγόριθμοι, MCI και MPH. Ο δείκτης MCI (Maximum Chlorophyll Index) μετρά το ύψος της κορυφής ανάκλασης στα 705 nm, χρησιμοποιώντας ως βάση το εύρος μεταξύ 665 nm και 740 nm για τις ζώνες του Sentinel-2. Το πλάτος της κορυφής στα 705nm συσχετίζεται με υψηλά επίπεδα chl-a. Σε αβαθή νερά βενθική βλάστηση (βλάστηση δηλαδή στο βυθό) συγχέεται με επιφανειακή συγκέντρωση φυτοπλαγκτόν κι έτσι δίνει κάποια προβληματικά αποτελέσματα. Ο αλγόριθμος προσαρμοσμένος για ελαφρύ συννεφιά και για τα κανάλια του Sentinel-2 αποτυπώνεται ως εξής:

[[Αρχείο:rs_wiki_2_mci.png]]

όπου Β4, Β5 και Β6 αποτυπώνουν την ανάκλαση και τα λβ4, λβ5 και λβ6 αντιστοιχούν στα μήκη κύματος των καναλιών (0,665, 0,705 και 0,740 αντίστοιχα).
Ο δείκτης MPH (maximum peak height) είναι μια τροποποίηση του MCI, προσδιορίζει την τροφική κατάσταση του συστήματος και εφαρμόζεται σε τριών ειδών ύδατα α) μικτά ολιγοτροφικά/μεσοτροφικά με χαμηλή προς μέτρια βιομάζα, β) ευτροφικά/υπερτροφικά με υψηλή βιομάζα και γ) ύδατα με εξαιρετικά υψηλή βιομάζα με επιφανειακά αιωρούμενα φυτοπλαγκτόν ή υδρόβια βλάστηση. Χρησιμοποιεί ως βάση τα μήκη κύματος μεταξύ 665 nm και 865 nm. Το μήκος κύματος στα 705 nm ορίζεται ως το σημείο κορυφής ανάκλασης σε ευτροφικά ύδατα, όπως φαίνεται στο φάσμα του Sentinel-2. Ο τύπος του MPH για κανάλια του Sentinel-2 είναι:

[[Αρχείο:rs_wiki_2_mph.png]]

Αξιολογήθηκε η συσχέτιση των δύο αλγορίθμων (MCI και MPH) μέσω του συντελεστή Pearson’s r. Στη συνέχεια, υπολογίστηκε η συγκέντρωση χλωροφύλλης-α (chl-a) με τη χρήση εμπειρικών μοντέλων από τη βιβλιογραφία, τα οποία έχουν αναπτυχθεί για παρόμοιες συνθήκες (Grendaitė et al. 2018). Η εξίσωση που επιλέχθηκε συσχετίζει τον δείκτη MPH με τη συγκέντρωση χλωροφύλλης και είναι η εξής:

[[Αρχείο:rs_wiki_2_chla.png]]

Επιπρόσθετα, πραγματοποιήθηκε περιγραφική στατιστική ανάλυση για κάθε εικονοστοιχείο (pixel) της περιοχής μελέτης (υπολογισμός ελάχιστης, μέγιστης, μέσης τιμής και τυπικής απόκλισης). Για τον εντοπισμό, αντιμετώπιση και ερμηνεία των ακραίων τιμών (outliers), χρησιμοποιήθηκε η μέθοδος του ενδοτεταρτημοριακού εύρους (IQR). Τέλος, ομαδοποιήθηκαν τα εικονοστοιχεία (pixel), για την ομαδοποίηση εφαρμόστηκε η τεχνική ISODATA (Iterative Self-Organizing Data Analysis Technique) στα 65 σύνολα δεδομένων συγκέντρωσης chl-a, προκειμένου να εντοπιστούν χωρικά και χρονικά πρότυπα, με τον βέλτιστο αριθμό των ομάδων (clusters) να καθορίζεται μέσω του πακέτου NbClust της R.

[[Αρχείο:rs_wiki_2_proccess.png]]

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

'''3.1 Συσχέτιση MPH και MCI '''

Η εφαρμογή των αλγορίθμων MPH και MCI στα δεδομένα έδειξε ότι και οι δύο λειτουργούν ικανοποιητικά, καθώς βασίζονται σε κοινά φασματικά χαρακτηριστικά (για μήκη κύματος 665 nm και 705 nm). Ο συντελεστής συσχέτισης Pearson’s έδειξε ισχυρή θετική συσχέτιση μεταξύ των δύο δεικτών. Παρά την ισχυρή συσχέτιση, η περαιτέρω ανάλυση βασίστηκε στον δείκτη MPH, καθώς θεωρείται καταλληλότερος για την εκτίμηση της συγκέντρωσης chl-a σε διαφορετικά τροφικά εύρη και τύπους υδάτων και επειδή ορισμένες περιπτώσεις παρατηρήθηκαν αρνητικές τιμές MCI, γεγονός που πιθανώς οφείλεται σε πολύ πυκνούς επιφανειακούς σχηματισμούς κυανοβακτηρίων.

'''3.2 MPH και Συγκέντρωση Chl-A '''

Η χαρτογράφηση με το δείκτη MPH αποκάλυψε ότι η έντονη παρουσία χλωροφύλλης παρατηρείται κυρίως τους καλοκαιρινούς και φθινοπωρινούς μήνες, με τον Οκτώβριο να αποτελεί μήνα έξαρσης του φαινομένου. Αντίθετα, οι χειμερινοί και εαρινοί μήνες εμφανίζουν χαμηλότερες τιμές MPH. Κατά τις περιόδους έξαρσης, οι υψηλότερες τιμές MPH εντοπίζονται στην ανατολική πλευρά της λίμνης. Τα γεωργικά λιπάσματα και τα ελαφρά βιομηχανικά και αστικά απόβλητα που εισρέουν κυρίως από την νότια πλευρά της λίμνης είναι οι κύριοι υπεύθυνοι για τις υψηλές συγκεντρώσεις chl-a. Στην εικόνα απεικονίζεται το εύρος τιμών MPH σε περιόδους έξαρσης και αδράνειας:

[[Αρχείο:rs_wiki_2_map.png]]

Σύμφωνα με το εμπειρικό μοντέλο, η μέγιστη συγκέντρωση chl-a έφτασε τα 257 μg/L. Στην παρακάτω εικόνα (η οποία συγκεντρώνει τις μοναδικές εικόνες χωρίς σύννεφα για το παρόν φαινόμενο έξαρσης) απεικονίζεται η έξαρση του φαινομένου κατά τον Σεπτέμβριο και Οκτώβριο του 2017:

[[Αρχείο:rs_wiki_2_map2.png]]

Μια εαρινή έξαρση (Μάρτιος-Ιούνιος 2017) παρουσίασε χαμηλότερες συγκεντρώσεις. Αρχικά στα 20 μg/L, η συγκέντρωση αυξήθηκε σταδιακά, δημιουργώντας πυρήνες υψηλών τιμών (έως 170 μg/L) στα μέσα Μαΐου, πριν υποχωρήσει ξανά στα τέλη Ιουνίου, όπως φάινεται στην παρακάτω εικόνα:

[[Αρχείο:rs_wiki_2_map3.png]]

Τα αποτελέσματα επιβεβαιώνουν ότι η λίμνη βρίσκεται σε υπερτροφική κατάσταση. Παράλληλα, αναδείχθηκε η ικανότητα του αισθητήρα Sentinel-2 να παρακολουθεί τέτοια γεγονότα με υψηλή ανάλυση ακόμα κι αν υπάρχουν λίγες κατάλληλες εικόνες διαθέσιμες. Τα προβλήματα που παρατηρήθηκαν ήταν δύο, πρώτα "θόρυβος λωρίδων" (stripe noise) σε ορισμένες εικόνες και επιδράσεις γειτνίασης (adjacency effect) σε εικονοστοιχεία κοντά στις ακτές.

'''3.3 Στατιστική Ανάλυση της Συγκέντρωσης Chl-A '''

Η χωρική και χρονική στατιστική ανάλυση της κατανομής της chl-a περιλάμβανε τον υπολογισμό της ελάχιστης και μέγιστης τιμής, του μέσου όρου και της τυπικής απόκλισης για κάθε εικονοστοιχείο. Οι μικρότερες τιμές εμφανίστηκαν κυρίως στη βορειοδυτική ακτή κοντά στην αστική περιοχή, ενώ οι μεγαλύτερες στην ανατολική και νοτιοανατολική ακτή με τιμές έως 260 μg/L, επιβεβαιώνοντας την επιβάρυνση από καλλιέργειες και πηγές ρύπανσης. Οι τιμές του μέσου όρου της συγκέντρωσης φτάνουν τα 56 μg/L, οπότε σύμφωνα με το σύστημα τροφικής ταξινόμησης Serwan,1996 η λίμνη ταξινομείται ως υπερτροφική. Τέλος, οι τιμές της τυπικής απόκλισης έδειξαν ότι οι μεγαλύτερες μεταβολές συγκέντρωσης συμβαίνουν στη νοτιοανατολική όχθη.

[[Αρχείο:rs_wiki_2_map4.png]]

Η ανάλυση των ακραίων τιμών (outliers) έδειξε ότι η πλειοψηφία της έκτασης της λίμνης δεν παρουσίασε ακραίες τιμές κατά την περίοδο μελέτης, παρότι υψηλές συχνότητες ακραίων τιμών παρατηρήθηκαν κοντά στις νότιες και ανατολικές ακτές αυτές αποδίδονται στην υδρόβια βλάστηση και τις γεωργικές δραστηριότητες.

[[Αρχείο:rs_wiki_2_map5.png]]

Τέλος, έγινε ομαδοποίηση για ανάδειξε τυχόν χωρικών ή χρονικών διαφοροποιήσεων σχετικά με την συγκέντρωση chl-a, η οποία ανέδειξε 4 βέλτιστες ομάδες (clusters) που περιγράφουν τις χωρικές και χρονικές τάσεις.

[[Αρχείο:rs_wiki_2_map6.png]]

Η Ομάδα 1 περιλαμβάνει περιοχές με χαμηλές συγκεντρώσεις (μέσος όρος <60 μg/L). Η Ομάδα 2 παρουσίασε τις υψηλότερες τιμές chl-a και εντοπίζεται στο ανατολικό τμήμα (φτάνοντας τα 140 μg/L μέση τιμή το 2016). Οι άλλες δύο ομάδες ακολούθησαν παρόμοια πρότυπα κατανομής αλλά με χαμηλότερα επίπεδα συγκέντρωσης, υποδεικνύοντας μια σαφή χωρική κατηγοριοποίηση της λίμνης σε τρεις ζώνες ρύπανσης.

[[Αρχείο:rs_wiki_2_chla_cluster.png]]

'''4. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Συμπερασματικά, η τριετής μελέτη των τηλεπισκοπικών δεδομένων αποκάλυψε ότι η κατάσταση της λίμνης Παμβώτιδας είναι κυρίως ευτροφική με συγκεκριμένες περιόδους έξαρσης του φαινομένου.
Στην εργασία τέθηκαν επί τάπητος οι ικανότητες και οι περιορισμοί του Sentinel-2 σε μελέτες ευτροφισμού εσωτερικών υδάτων, αξιοποιώντας τους αλγόριθμους MPH και MCI. Επίσης αξιολογήθηκε η συσχέτιση μεταξύ τους, που φάνηκε ισχυρή. Ο MPH συσχετίστηκε περαιτέρω με τη συγκέντρωση chl-a βάσει μοντέλου από τη βιβλιογραφία (Grendaitė et al. 2018). Αν και η μελέτη δεν περιλάμβανε επιτόπιες μετρήσεις για την περίοδο αναφοράς τα ευρήματα συγκρίθηκαν με παλαιότερες μετρήσεις του Φορέα Διαχείρισης της λίμνης (2010-2011), οι οποίες συμφωνούν με τα τηλεπισκοπικά αποτελέσματα. Η χωρική ανάλυση κατέδειξε ότι τα υψηλότερα επίπεδα chl-a συσσωρεύονται στη νότια και νοτιοανατολική ακτή της λίμνης. Ο συστηματικός εντοπισμός ακραίων τιμών σε αυτές τις περιοχές πιθανώς επηρεάζεται από την υδρόβια βλάστηση και τις διακυμάνσεις της στάθμης του νερού.
Οι κύριες πηγές ρύπανσης εντοπίζονται στην κοντινή αστική περιοχή και τις γεωργικές εκτάσεις, όπου οι ανθρωπογενείς δραστηριότητες αυξάνουν τα απόβλητα στο νερό. Παρά τη λειτουργία μονάδας επεξεργασίας λυμάτων, η παράνομη διάθεση αποβλήτων και η εντατική χρήση λιπασμάτων συνεχίζουν να υποβαθμίζουν την ποιότητα του νερού. Τα αποτελέσματα της έρευνας μπορούν να προσφέρουν καθοδήγηση στους διαχειριστές της λίμνης για τον εντοπισμό ευάλωτων περιοχών. Μελλοντικές βελτιώσεις της ανάλυσης θα πρέπει να περιλαμβάνουν την ατμοσφαιρική διόρθωση των δεδομένων, την αξιολόγηση του νεότερου αισθητήρα Sentinel-3 και τη συσχέτιση με επιτόπιες παραμέτρους για την ανάπτυξη ακριβέστερων αλγορίθμων.

'''ΒΙΒΛΙΟΓΡΑΦΙΑ'''

BABAN, SERWAN M. J. 1996. “Trophic Classification and Ecosystem Checking of Lakes Using Remotely Sensed Information.” Hydrological Sciences Journal 41 (6): 939–57. https://doi.org/10.1080/02626669609491560.

Grendaitė, Dalia, Edvinas Stonevičius, Jūratė Karosienė, Ksenija Savadova, and Jūratė Kasperovičienė. 2018. “Chlorophyll-a Concentration Retrieval in Eutrophic Lakes in Lithuania from Sentinel-2 Data.” Geologija. Geografija 4 (1). https://doi.org/10.6001/geol-geogr.v4i1.3720.

Matthews, Mark William, Stewart Bernard, and Lisl Robertson. 2012. “An Algorithm for Detecting Trophic Status (Chlorophyll-a), Cyanobacterial-Dominance, Surface Scums and Floating Vegetation in Inland and Coastal Waters.” Remote Sensing of Environment 124 (September): 637–52. https://doi.org/10.1016/j.rse.2012.05.032.

Mollaee, Somayeh. 2018. Estimation of Phytoplankton Chlorophyll-a Concentration in the Western Basin of Lake Erie Using Sentinel-2 and Sentinel-3 Data. July 4. http://hdl.handle.net/10012/13456.

Soriano-González, Jesús, Eduard Angelats, Margarita Fernández-Tejedor, et al. 2019. “First Results of Phytoplankton Spatial Dynamics in Two NW-Mediterranean Bays from Chlorophyll-a Estimates Using Sentinel 2: Potential Implications for Aquaculture.” Remote Sensing 11 (15). https://doi.org/10.3390/rs11151756.

Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2

2026-02-07T13:21:00Z

Rizoselef:

'''Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, στην Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Eutrophication Monitoring for Lake Pamvotis, Greece, Using Sentinel-2 Data''

'''Συγγραφείς''': ''Maria Peppa, Christos Vasilakos and Dimitris Kavroudakis''

'''Δημοσιεύθηκε''': ''229/02/2020, στο International Journal of Geo-Information, Volume 9, Issue 3 page 143''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.3390/ijgi9030143]

''' 1. Εισαγωγή'''

Το νερό είναι σημαντικό για όλες τις μορφές ζωής, είναι επίσης στενά συνδεδεμένο με ανθρώπινες δραστηριότητες, η εντατικοποίηση τους ωστόσο έχει αρνητικές συνέπειες στην ποιότητα των υδάτων. Ο ευτροφισμός των εσωτερικών υδάτων είναι μία απ’ αυτές, δηλαδή η αύξηση του φυτοπλαγκτόν λόγω εκτενούς συσσώρευση οργανικών αποβλήτων από ανθρώπινες δραστηριότητες, που έχει ως αποτέλεσμα τον σχηματισμού επιφανειακού στρώματος φυτοπλαγκτό το οποίο μειώνει το διαθέσιμο οξυγόνο, δημιουργώντας περιορισμούς στον κύκλο ζωής της πανίδας και της χλωρίδας των οικοσυστήματος.
Η χλωροφύλλη-α (chl-a) είναι ένας αξιόπιστος δείκτης υπολογισμού του ευτροφισμού που αξιοποιεί η τηλεπισκόπηση, λόγω της ικανότητας της να απορροφά κυρίως στο μπλε και το κόκκινο και να ανακλά στο πράσινο. Ως αποτέλεσμα δορυφορικά δεδομένα χωρικής και χρονικής ανάλυσης μπορούν να βοηθήσουν στην παρακολούθηση της κατανομής και της συγκέντρωσης της χλωροφύλλης-α (chl-a) στα εσωτερικά ύδατα κι άρα του ευτροφισμού τους. Η αξιοποίηση της χλωροφύλλης ως δείκτη βασίζεται σε τροποποίηση των δεδομένων μέσω αλγορίθμων ώστε να προσδιοριστεί η συγκέντρωση της.
Οι δορυφορικές εικόνες που αξιοποιούνται στην μελέτη προέρχεται από τους δορυφόρους του Sentinel 2 της Copernicus (2A & 2B). Ο Sentinel-2 έχει χρησιμοποιηθεί εκτενώς για την εκτίμηση της ποιότητας των υδάτων τόσο ωκεάνιων και παραθαλάσσιων όσο και εσωτερικών υδάτων.
Διάφοροι δείκτες έχουν αναπτυχθεί λόγω της φασματικής διαφοράς μεταξύ καθαρών και ευτροφικών υδάτων. Ο MCI (maximum chlorophyll index) είναι ένας απ’ αυτούς, βασίζεται στο ύψος της καμπύλης ανάκλασης στα 709 nm (ή 705 nm για τον Sentinel), σε εύρος μεταξύ 681 nm και 753 nm (665nm και 740nm για Sentinel-2). Άλλος ένας αλγόριθμος είναι ο MPH (maximum peak height) που βασίζεται στο μέγεθος και τη θέση της κορυφής Red/NIR (Matthews et al. 2012). Αναπτυγμένοι αρχικά για κανάλια από medium resolution imaging spectrometer (MERIS) έχουν προσαρμοστεί παραγοντικά στα κανάλια B4, B5, B6 και B8A του Sentinel (Mollaee 2018; Soriano-González et al. 2019).
Η εργασία αξιοποιεί τους αλγόριθμους MCI και MPH με βάση δεδομένα από τον Sentinel-2 για την λίμνη Παμβώτιδα. Σε βάθος τριετίας υπολογίζεται η χωρική κατανομή της συγκέντρωσης chl-a και αναλύονται τα πρότυπα κατανομής της, ενώ υπογραμμίζεται η χρησιμότητα του MPH για φυτοπλαγκτόν και υδρόβια βλάστηση.

'''2. ΥΛΙΚΑ ΜΕΘΟΔΟΙ'''

'''2.1 ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ'''

Η περιοχή μελέτης είναι η λίμνη Παμβώτιδα, η λίμνη βρίσκεται σε υψόμετρο 470 μέτρων, έχει έκταση 24 τ.χλμ. και μέγιστο μήκος 7,5 χλμ. Περιλαμβάνει ένα πλούσιο οικοσύστημα, το οποίο η αστική ανάπτυξη και η αύξηση του πληθυσμού έχουν οδηγήσει σε κατακερματισμό και υποβάθμιση. Στη δυτική όχθη της λίμνης βρίσκεται η πόλη των Ιωαννίνων, ενώ η λίμνη περιβάλλεται κυρίως από αστικές και γεωργικές εκτάσεις. Οργανικά απόβλητα και λιπάσματα από τις καλλιέργειες και τον αστικό ιστό καταλήγουν στη λίμνη, προκαλώντας σοβαρή περιβαλλοντική υποβάθμιση.
Για την εργασία αξιοποιούνται 65 δορυφορικές εικόνες χωρίς συννεφιά (cloud-free) από τους δορυφόρους Sentinel-2A και Sentinel-2B σε μορφή Level-1C, καλύπτοντας την περίοδο 2016–2018 (15 εικόνες το 2016, 21 το 2017 και 29 το 2018). Τα προϊόντα υπό μορφή Level-1C είναι ραδιομετρικά [λαμβάνουν υπόψη TOA (top of the atmosphere) ανάκλαση] και γεωμετρικά [χρησιμοποιώντας ψηφιακό μοντέλο ανύψωσης 90 μέτρων (PlanetDEM 90) από επίγειες τοπογραφικές αποστολές με ρανταρ] διορθωμένα.

'''2.2 ΜΕΘΟΔΟΛΟΓΙΑ'''

Για τον διαχωρισμό της ξηράς από το νερό αξιοποιήθηκε ο δείκτης NDWI (Normalized Difference Water Index) και χρησιμοποιήθηκε για τη δημιουργία της μάσκας ξηράς, σύμφωνα με τον τύπο:

[[Αρχείο:rs_wiki_2_NDWI.png]]

Όπου G είναι το πράσινο και NIR το εγγύς υπέρυθρο. Οι θετικές τιμές του δείκτη αντιστοιχούν σε νερό, ενώ οι αρνητικές σε έδαφος και βλάστηση.
Για την παρακολούθηση του ευτροφισμού εφαρμόστηκαν oi δύο αλγόριθμοι, MCI και MPH. Ο δείκτης MCI (Maximum Chlorophyll Index) μετρά το ύψος της κορυφής ανάκλασης στα 705 nm, χρησιμοποιώντας ως βάση το εύρος μεταξύ 665 nm και 740 nm για τις ζώνες του Sentinel-2. Το πλάτος της κορυφής στα 705nm συσχετίζεται με υψηλά επίπεδα chl-a. Σε αβαθή νερά βενθική βλάστηση (βλάστηση δηλαδή στο βυθό) συγχέεται με επιφανειακή συγκέντρωση φυτοπλαγκτόν κι έτσι δίνει κάποια προβληματικά αποτελέσματα. Ο αλγόριθμος προσαρμοσμένος για ελαφρύ συννεφιά και για τα κανάλια του Sentinel-2 αποτυπώνεται ως εξής:

όπου Β4, Β5 και Β6 αποτυπώνουν την ανάκλαση και τα λβ4, λβ5 και λβ6 αντιστοιχούν στα μήκη κύματος των καναλιών (0,665, 0,705 και 0,740 αντίστοιχα).
Ο δείκτης MPH (maximum peak height) είναι μια τροποποίηση του MCI, προσδιορίζει την τροφική κατάσταση του συστήματος και εφαρμόζεται σε τριών ειδών ύδατα α) μικτά ολιγοτροφικά/μεσοτροφικά με χαμηλή προς μέτρια βιομάζα, β) ευτροφικά/υπερτροφικά με υψηλή βιομάζα και γ) ύδατα με εξαιρετικά υψηλή βιομάζα με επιφανειακά αιωρούμενα φυτοπλαγκτόν ή υδρόβια βλάστηση. Χρησιμοποιεί ως βάση τα μήκη κύματος μεταξύ 665 nm και 865 nm. Το μήκος κύματος στα 705 nm ορίζεται ως το σημείο κορυφής ανάκλασης σε ευτροφικά ύδατα, όπως φαίνεται στο φάσμα του Sentinel-2. Ο τύπος του MPH για κανάλια του Sentinel-2 είναι:

Αξιολογήθηκε η συσχέτιση των δύο αλγορίθμων (MCI και MPH) μέσω του συντελεστή Pearson’s r. Στη συνέχεια, υπολογίστηκε η συγκέντρωση χλωροφύλλης-α (chl-a) με τη χρήση εμπειρικών μοντέλων από τη βιβλιογραφία, τα οποία έχουν αναπτυχθεί για παρόμοιες συνθήκες (Grendaitė et al. 2018). Η εξίσωση που επιλέχθηκε συσχετίζει τον δείκτη MPH με τη συγκέντρωση χλωροφύλλης και είναι η εξής:

Επιπρόσθετα, πραγματοποιήθηκε περιγραφική στατιστική ανάλυση για κάθε εικονοστοιχείο (pixel) της περιοχής μελέτης (υπολογισμός ελάχιστης, μέγιστης, μέσης τιμής και τυπικής απόκλισης). Για τον εντοπισμό, αντιμετώπιση και ερμηνεία των ακραίων τιμών (outliers), χρησιμοποιήθηκε η μέθοδος του ενδοτεταρτημοριακού εύρους (IQR). Τέλος, ομαδοποιήθηκαν τα εικονοστοιχεία (pixel), για την ομαδοποίηση εφαρμόστηκε η τεχνική ISODATA (Iterative Self-Organizing Data Analysis Technique) στα 65 σύνολα δεδομένων συγκέντρωσης chl-a, προκειμένου να εντοπιστούν χωρικά και χρονικά πρότυπα, με τον βέλτιστο αριθμό των ομάδων (clusters) να καθορίζεται μέσω του πακέτου NbClust της R.

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

'''3.1 Συσχέτιση MPH και MCI '''

Η εφαρμογή των αλγορίθμων MPH και MCI στα δεδομένα έδειξε ότι και οι δύο λειτουργούν ικανοποιητικά, καθώς βασίζονται σε κοινά φασματικά χαρακτηριστικά (για μήκη κύματος 665 nm και 705 nm). Ο συντελεστής συσχέτισης Pearson’s έδειξε ισχυρή θετική συσχέτιση μεταξύ των δύο δεικτών. Παρά την ισχυρή συσχέτιση, η περαιτέρω ανάλυση βασίστηκε στον δείκτη MPH, καθώς θεωρείται καταλληλότερος για την εκτίμηση της συγκέντρωσης chl-a σε διαφορετικά τροφικά εύρη και τύπους υδάτων και επειδή ορισμένες περιπτώσεις παρατηρήθηκαν αρνητικές τιμές MCI, γεγονός που πιθανώς οφείλεται σε πολύ πυκνούς επιφανειακούς σχηματισμούς κυανοβακτηρίων.

'''3.2 MPH και Συγκέντρωση Chl-A '''

Η χαρτογράφηση με το δείκτη MPH αποκάλυψε ότι η έντονη παρουσία χλωροφύλλης παρατηρείται κυρίως τους καλοκαιρινούς και φθινοπωρινούς μήνες, με τον Οκτώβριο να αποτελεί μήνα έξαρσης του φαινομένου. Αντίθετα, οι χειμερινοί και εαρινοί μήνες εμφανίζουν χαμηλότερες τιμές MPH. Κατά τις περιόδους έξαρσης, οι υψηλότερες τιμές MPH εντοπίζονται στην ανατολική πλευρά της λίμνης. Τα γεωργικά λιπάσματα και τα ελαφρά βιομηχανικά και αστικά απόβλητα που εισρέουν κυρίως από την νότια πλευρά της λίμνης είναι οι κύριοι υπεύθυνοι για τις υψηλές συγκεντρώσεις chl-a. Στην εικόνα απεικονίζεται το εύρος τιμών MPH σε περιόδους έξαρσης και αδράνειας:

Σύμφωνα με το εμπειρικό μοντέλο, η μέγιστη συγκέντρωση chl-a έφτασε τα 257 μg/L. Στην παρακάτω εικόνα (η οποία συγκεντρώνει τις μοναδικές εικόνες χωρίς σύννεφα για το παρόν φαινόμενο έξαρσης) απεικονίζεται η έξαρση του φαινομένου κατά τον Σεπτέμβριο και Οκτώβριο του 2017:

Μια εαρινή έξαρση (Μάρτιος-Ιούνιος 2017) παρουσίασε χαμηλότερες συγκεντρώσεις. Αρχικά στα 20 μg/L, η συγκέντρωση αυξήθηκε σταδιακά, δημιουργώντας πυρήνες υψηλών τιμών (έως 170 μg/L) στα μέσα Μαΐου, πριν υποχωρήσει ξανά στα τέλη Ιουνίου, όπως φάινεται στην παρακάτω εικόνα:

Τα αποτελέσματα επιβεβαιώνουν ότι η λίμνη βρίσκεται σε υπερτροφική κατάσταση. Παράλληλα, αναδείχθηκε η ικανότητα του αισθητήρα Sentinel-2 να παρακολουθεί τέτοια γεγονότα με υψηλή ανάλυση ακόμα κι αν υπάρχουν λίγες κατάλληλες εικόνες διαθέσιμες. Τα προβλήματα που παρατηρήθηκαν ήταν δύο, πρώτα "θόρυβος λωρίδων" (stripe noise) σε ορισμένες εικόνες και επιδράσεις γειτνίασης (adjacency effect) σε εικονοστοιχεία κοντά στις ακτές.

'''3.3 Στατιστική Ανάλυση της Συγκέντρωσης Chl-A '''

Η χωρική και χρονική στατιστική ανάλυση της κατανομής της chl-a περιλάμβανε τον υπολογισμό της ελάχιστης και μέγιστης τιμής, του μέσου όρου και της τυπικής απόκλισης για κάθε εικονοστοιχείο. Οι μικρότερες τιμές εμφανίστηκαν κυρίως στη βορειοδυτική ακτή κοντά στην αστική περιοχή, ενώ οι μεγαλύτερες στην ανατολική και νοτιοανατολική ακτή με τιμές έως 260 μg/L, επιβεβαιώνοντας την επιβάρυνση από καλλιέργειες και πηγές ρύπανσης. Οι τιμές του μέσου όρου της συγκέντρωσης φτάνουν τα 56 μg/L, οπότε σύμφωνα με το σύστημα τροφικής ταξινόμησης Serwan,1996 η λίμνη ταξινομείται ως υπερτροφική. Τέλος, οι τιμές της τυπικής απόκλισης έδειξαν ότι οι μεγαλύτερες μεταβολές συγκέντρωσης συμβαίνουν στη νοτιοανατολική όχθη.

Η ανάλυση των ακραίων τιμών (outliers) έδειξε ότι η πλειοψηφία της έκτασης της λίμνης δεν παρουσίασε ακραίες τιμές κατά την περίοδο μελέτης, παρότι υψηλές συχνότητες ακραίων τιμών παρατηρήθηκαν κοντά στις νότιες και ανατολικές ακτές αυτές αποδίδονται στην υδρόβια βλάστηση και τις γεωργικές δραστηριότητες.

Τέλος, έγινε ομαδοποίηση για ανάδειξε τυχόν χωρικών ή χρονικών διαφοροποιήσεων σχετικά με την συγκέντρωση chl-a, η οποία ανέδειξε 4 βέλτιστες ομάδες (clusters) που περιγράφουν τις χωρικές και χρονικές τάσεις.

Η Ομάδα 1 περιλαμβάνει περιοχές με χαμηλές συγκεντρώσεις (μέσος όρος <60 μg/L). Η Ομάδα 2 παρουσίασε τις υψηλότερες τιμές chl-a και εντοπίζεται στο ανατολικό τμήμα (φτάνοντας τα 140 μg/L μέση τιμή το 2016). Οι άλλες δύο ομάδες ακολούθησαν παρόμοια πρότυπα κατανομής αλλά με χαμηλότερα επίπεδα συγκέντρωσης, υποδεικνύοντας μια σαφή χωρική κατηγοριοποίηση της λίμνης σε τρεις ζώνες ρύπανσης.

'''4. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Συμπερασματικά, η τριετής μελέτη των τηλεπισκοπικών δεδομένων αποκάλυψε ότι η κατάσταση της λίμνης Παμβώτιδας είναι κυρίως ευτροφική με συγκεκριμένες περιόδους έξαρσης του φαινομένου.
Στην εργασία τέθηκαν επί τάπητος οι ικανότητες και οι περιορισμοί του Sentinel-2 σε μελέτες ευτροφισμού εσωτερικών υδάτων, αξιοποιώντας τους αλγόριθμους MPH και MCI. Επίσης αξιολογήθηκε η συσχέτιση μεταξύ τους, που φάνηκε ισχυρή. Ο MPH συσχετίστηκε περαιτέρω με τη συγκέντρωση chl-a βάσει μοντέλου από τη βιβλιογραφία (Grendaitė et al. 2018). Αν και η μελέτη δεν περιλάμβανε επιτόπιες μετρήσεις για την περίοδο αναφοράς τα ευρήματα συγκρίθηκαν με παλαιότερες μετρήσεις του Φορέα Διαχείρισης της λίμνης (2010-2011), οι οποίες συμφωνούν με τα τηλεπισκοπικά αποτελέσματα. Η χωρική ανάλυση κατέδειξε ότι τα υψηλότερα επίπεδα chl-a συσσωρεύονται στη νότια και νοτιοανατολική ακτή της λίμνης. Ο συστηματικός εντοπισμός ακραίων τιμών σε αυτές τις περιοχές πιθανώς επηρεάζεται από την υδρόβια βλάστηση και τις διακυμάνσεις της στάθμης του νερού.
Οι κύριες πηγές ρύπανσης εντοπίζονται στην κοντινή αστική περιοχή και τις γεωργικές εκτάσεις, όπου οι ανθρωπογενείς δραστηριότητες αυξάνουν τα απόβλητα στο νερό. Παρά τη λειτουργία μονάδας επεξεργασίας λυμάτων, η παράνομη διάθεση αποβλήτων και η εντατική χρήση λιπασμάτων συνεχίζουν να υποβαθμίζουν την ποιότητα του νερού. Τα αποτελέσματα της έρευνας μπορούν να προσφέρουν καθοδήγηση στους διαχειριστές της λίμνης για τον εντοπισμό ευάλωτων περιοχών. Μελλοντικές βελτιώσεις της ανάλυσης θα πρέπει να περιλαμβάνουν την ατμοσφαιρική διόρθωση των δεδομένων, την αξιολόγηση του νεότερου αισθητήρα Sentinel-3 και τη συσχέτιση με επιτόπιες παραμέτρους για την ανάπτυξη ακριβέστερων αλγορίθμων.

'''ΒΙΒΛΙΟΓΡΑΦΙΑ'''

BABAN, SERWAN M. J. 1996. “Trophic Classification and Ecosystem Checking of Lakes Using Remotely Sensed Information.” Hydrological Sciences Journal 41 (6): 939–57. https://doi.org/10.1080/02626669609491560.

Grendaitė, Dalia, Edvinas Stonevičius, Jūratė Karosienė, Ksenija Savadova, and Jūratė Kasperovičienė. 2018. “Chlorophyll-a Concentration Retrieval in Eutrophic Lakes in Lithuania from Sentinel-2 Data.” Geologija. Geografija 4 (1). https://doi.org/10.6001/geol-geogr.v4i1.3720.

Matthews, Mark William, Stewart Bernard, and Lisl Robertson. 2012. “An Algorithm for Detecting Trophic Status (Chlorophyll-a), Cyanobacterial-Dominance, Surface Scums and Floating Vegetation in Inland and Coastal Waters.” Remote Sensing of Environment 124 (September): 637–52. https://doi.org/10.1016/j.rse.2012.05.032.

Mollaee, Somayeh. 2018. Estimation of Phytoplankton Chlorophyll-a Concentration in the Western Basin of Lake Erie Using Sentinel-2 and Sentinel-3 Data. July 4. http://hdl.handle.net/10012/13456.

Soriano-González, Jesús, Eduard Angelats, Margarita Fernández-Tejedor, et al. 2019. “First Results of Phytoplankton Spatial Dynamics in Two NW-Mediterranean Bays from Chlorophyll-a Estimates Using Sentinel 2: Potential Implications for Aquaculture.” Remote Sensing 11 (15). https://doi.org/10.3390/rs11151756.

Αρχείο:Rs wiki 2 chla.png

2026-02-07T13:19:26Z

Rizoselef:

Αρχείο:Rs wiki 2 chla cluster.png

2026-02-07T13:19:17Z

Rizoselef:

Αρχείο:Rs wiki 2 map.png

2026-02-07T13:18:59Z

Rizoselef:

Αρχείο:Rs wiki 2 map2.png

2026-02-07T13:18:46Z

Rizoselef: ανέβασμα νέας έκδοσης του "Αρχείο:Rs wiki 2 map2.png"

Αρχείο:Rs wiki 2 map2.png

2026-02-07T13:18:30Z

Rizoselef:

Αρχείο:Rs wiki 2 map3.png

2026-02-07T13:18:15Z

Rizoselef:

Αρχείο:Rs wiki 2 map4.png

2026-02-07T13:18:02Z

Rizoselef:

Αρχείο:Rs wiki 2 map5.jpg

2026-02-07T13:17:50Z

Rizoselef:

Αρχείο:Rs wiki 2 map6.jpg

2026-02-07T13:17:38Z

Rizoselef:

Αρχείο:Rs wiki 2 mci.png

2026-02-07T13:17:25Z

Rizoselef:

Αρχείο:Rs wiki 2 mph.png

2026-02-07T13:17:14Z

Rizoselef:

Αρχείο:Rs wiki 2 NDWI.png

2026-02-07T13:17:05Z

Rizoselef:

Αρχείο:Rs wiki 2 proccess.png

2026-02-07T13:16:50Z

Rizoselef:

Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων

2026-02-07T12:51:33Z

Rizoselef: Νέα σελίδα με ' category:Υγεία '''Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψ...'

[[category:Υγεία]]

'''Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων (Ανασκόπηση) '''

'''Πρωτότυπος τίτλος:''' ''Application of remote sensing and geospatial technologies in predicting vector-borne disease outbreaks (Review article)''

'''Συγγραφείς''': ''Ebrahim Abbasi''

'''Δημοσιεύθηκε''': ''15/10/2025, στο The Royal Society,''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.1098/rsos.250536]

''' 1. ΕΙΣΑΓΩΓΗ'''

Τα νοσήματα που μεταδίδονται μέσω φορέων (Vector-Borne Diseases - VBDs) αποτελούν μία από τις μεγαλύτερες προκλήσεις για την παγκόσμια υγεία, επηρεάζοντας εκατομμύρια ανθρώπους ετησίως, ιδιαίτερα στις τροπικές και υποτροπικές περιοχές. Τα νοσήματα αυτά μεταδίδονται από φορείς όπως κουνούπια, τσιμπούρια και μύγες, οι οποίοι μεταφέρουν παθογόνους οργανισμούς (ιούς, βακτήρια, πρωτόζωα), προκαλώντας υψηλά ποσοστά νοσηρότητας και θνησιμότητας. Η εμφάνιση και η εξάπλωσή τους επηρεάζονται από ένα σύνθετο πλέγμα περιβαλλοντικών, κλιματικών και κοινωνικοοικονομικών παραγόντων. Η κατανόηση της χωρικής και χρονικής δυναμικής τους είναι κρίσιμη για την εφαρμογή έγκαιρων μέτρων ελέγχου, ειδικά υπό το πρίσμα της ταχείας αστικοποίησης και της κλιματικής αλλαγής.
Τις τελευταίες δεκαετίες, η πρόοδος στις γεωχωρικές τεχνολογίες και την τηλεπισκόπηση έχει φέρει επανάσταση στον τρόπο παρακολούθησης των οικολογικών παραγόντων που συμβάλλουν στη μετάδοση των VBDs. Τα δεδομένα τηλεπισκόπησης, όταν ενσωματώνονται σε Γεωγραφικά Συστήματα Πληροφοριών (GIS), προσφέρουν ισχυρά εργαλεία για την ανάλυση των οικοτόπων των φορέων, τον εντοπισμό ζωνών κινδύνου και την πρόβλεψη εξάρσεων.
Οι τεχνολογίες αυτές επιτρέπουν τη συλλογή δεδομένων υψηλής ανάλυσης για μεταβλητές όπως θερμοκρασία και υγρασία, βοχόπτωση και διαθεσιμότητα υδάτινων πόρων, χρήσεις γης και κάλυψη βλάστησης και τοπογραφία.
Ένα από τα κύρια πλεονεκτήματα της τηλεπισκόπησης είναι η ικανότητα παροχής πραγματικού χρόνου και συνεχούς κάλυψης σε παγκόσμια κλίμακα. Σε αντίθεση με τις παραδοσιακές μεθόδους επίγειας παρατήρησης, οι οποίες είναι χρονοβόρες και γεωγραφικά περιορισμένες, η τηλεπισκόπηση επιτρέπει την παρακολούθηση απομακρυσμένων ή δυσπρόσιτων περιοχών. Η ενσωμάτωση δεδομένων Παρατήρησης της Γης (Earth Observation - EO) με επιδημιολογικά μοντέλα ενισχύει την ακρίβεια των προβλέψεων, οδηγώντας σε βελτιωμένα Συστήματα Έγκαιρης Προειδοποίησης (Early Warning Systems - EWS).
Οι γεοχωρικές τεχνολογίες έχουν συνεισφέρει σημαντικά στον σχεδιασμό προγνωστικών μοντέλων που εκτιμούν τον κίνδυνο εξάρσεων VBDs, ενσωματώνοντας κλιματικές μεταβλητές, την πληθυσμιακή πυκνότητα και ιστορικά επιδημιολογικά δεδομένα. Επιπρόσθετα ο συνδυασμός δεδομένων τηλεπισκόπησης με τεχνητή νοημοσύνη και μηχανική μάθηση ενισχύει την ακρίβεια των προβλέψεων, αποκαλύπτοντας σύνθετα πρότυπα που οι παραδοσιακές στατιστικές μέθοδοι αδυνατούν να εντοπίσουν. Ωστόσο, η εφαρμογή αυτή έρχεται αντιμέτωπη με προκλήσεις, όπως η ανάγκη για δεδομένα υψηλής ανάλυσης και η αντιμετώπιση περιορισμών που προκύπτουν από τη νεφοκάλυψη ή την περιορισμένη χρονική συχνότητα των λήψεων. Η ουσιαστική αξιοποίηση των δεδομένων Παρατήρησης της Γης (EO) προϋποθέτει την ανάπτυξη ισχυρών μοντέλων που μπορούν να ερμηνεύσουν τις πολυεπίπεδες αλληλεπιδράσεις μεταξύ περιβαλλοντικών παραγόντων και συμπεριφοράς των φορέων.
Πέρα από το τεχνικό πλαίσιο, η μελέτη υπογραμμίζει την επιτακτική ανάγκη για διεπιστημονική συνεργασία μεταξύ εντομολόγων, επιδημιολόγων, κλιματολόγων και αναλυτών γεοχωρικών δεδομένων. Η ανταλλαγή δεδομένων, η τυποποίηση των μεθοδολογιών και η δημιουργία εύχρηστων συστημάτων υποστήριξης αποφάσεων είναι καθοριστικής σημασίας για τη μετατροπή της έρευνας σε εφαρμόσιμη πολιτική υγείας. Στόχος της εργασίας είναι να διερευνήσει τις τρέχουσες εφαρμογές και τις μελλοντικές προοπτικές αυτής της τηελεπισκόπισης και των γεοχωρικών δεδομένων για πρόβλεψη και έλεγχο εξάρσεων VBDs, αναδεικνύοντας τον κεντρικό ρόλο των δεδομένων παρατήρησης της Γης στη βελτίωση της επιτήρησης των νόσων και των συστημάτων έγκαιρης προειδοποίησης μέσα σε ένα διαρκώς μεταβαλλόμενο περιβάλλον.

'''2. ΜΕΘΟΔΟΛΟΓΙΑ'''

Η εργασία αποτελεί ανασκόπηση υιοθετώντας μια συστηματική και ολοκληρωμένη προσέγγιση για την αξιολόγηση των τρέχουσων εφαρμογών και του μελλοντικού δυναμικού των τεχνολογιών τηλεπισκόπησης (RS) και γεοχωρικής ανάλυσης στην πρόβλεψη και διαχείριση επιδημιών νοσημάτων που μεταδίδονται μέσω διαβιβαστών (VBDs).
Η μεθοδολογία είναι σχεδιασμένη για την διασφάλιση αυστηρής σύνθεσης του υπάρχοντος σώματος της βιβλιογραφίας, με έμφαση σε διεπιστημονικές μελέτες που γεφυρώνουν τα πεδία της ιατρικής εντομολογίας, της τηλεπισκόπησης και της γεωχωρικής ανάλυσης.
Οι ακόλουθες υποενότητες παρουσιάζουν τα βασικά βήματα και τα κριτήρια που εφαρμόστηκαν στη διαδικασία της ανασκόπησης, διασφαλίζοντας διαφάνεια, αναπαραγωγιμότητα και επιστημονική αυστηρότητα.

'''2.1 Στρατηγική Αναζήτησης Βιβλιογραφίας'''

Πραγματοποιήθηκε συστηματική αναζήτηση σε επιστημονικές βάσεις δεδομένων (PubMed, Web of Science, Scopus, IEEE Xplore). Χρησιμοποιήθηκαν λέξεις - κλειδιά όπως «Vector-borne diseases», «Remote sensing», «GIS», «Earth observation data» και «Machine learning». Η εργασία περιορίστηκε σε άρθρα κριτικά αξιολογημένα (peer reviewed) που δημοσιεύθηκαν μεταξύ 2000 και 2025, προκειμένου να συμπεριληφθούν οι πλέον σύγχρονες τεχνολογικές εξελίξεις.

'''2.2 Κριτήρια Ένταξης και Αποκλεισμού'''

Για τη διασφάλιση της ποιότητας, τα επιλεγμένα άρθρα έπρεπε να:
1. Εστιάζουν στην εφαρμογή RS ή GIS στο πλαίσιο των VBDs.
2. Αναλύουν περιβαλλοντικούς ή κλιματικούς παράγοντες.
3. Παρέχουν ποσοτικά ή ποιοτικά στοιχεία για προγνωστικά μοντέλα ή εκτίμηση κινδύνου.
Αποκλείστηκαν μελέτες που αφορούσαν αποκλειστικά εργαστηριακή έρευνα χωρίς γεoχωρική οπτική, καθώς και άρθρα χωρίς επαρκή μεθοδολογική τεκμηρίωση. Όλοι οι τίτλοι και τα abstracts αξιολογήθηκαν από δύο άτομα – κριτές.

'''2.3 Εξαγωγή και Σύνθεση Δεδομένων'''

Ένα δομημένο πρότυπο χρησιμοποιήθηκε για την καταγραφή κατάλληλων πληροφοριών από τις μελέτες. Τα δεδομένα που εξάχθηκαν περιλαμβάνουν, δεδομένα αναφορικά με τους στόχους της εργασίας, με την γεωγραφική περιοχή, με τις δορυφορικές πλατφόρμες (MODIS, Landsat, Sentinel), με τις αναλυτικές τεχνικές (Machine Learning - ML, χωρική στατιστική) και με τα βασικά ευρήματα για την επιτήρηση των φορέων. Η σύνθεση των εξαχθέντων δεδομένων έγινε με ομαδοποίηση των μελετών ανάλογα με το κύριο αντικείμενο τους.

'''2.4-2.5 Ποιοτική Αξιολόγηση και Θεωρητικό Πλαίσιο'''

Εφαρμόστηκε ένα πλαίσιο αξιολόγησης βάσει της σαφήνειας των στόχων και της ισχύος της στατιστικής ανάλυσης. Η μελέτη ενσωμάτωσε θεωρίες όπως η τοπιακή επιδημιολογία (landscape epidemiology) και η μοντελοποίηση οικολογικού θώκου (ecological niche modelling), για να ερμηνεύσει τις αλληλεπιδράσεις περιβάλλοντος-φορέα-ανθρώπου.

'''2.6 ΠΕΡΙΟΡΙΣΜΟΙ ΚΑΙ ΕΥΡΟΣ ΤΗΣ ΑΝΑΣΚΟΠΗΣ'''

Παρά τη συστηματική της προσέγγιση, η ανασκόπηση παρουσιάζει ορισμένους περιορισμούς. Ο αποκλεισμός μη αγγλόφωνων μελετών και η έμφαση αποκλειστικά σε βιβλιογραφία κρτικά αξιολογημένα (peer reviewed) ενδέχεται να περιόρισαν την ενσωμάτωση τοπικών δεδομένων ή αδημοσίευτων ερευνών Παράλληλα, η μελέτη εστιάζει στις τεχνολογίες τηλεπισκόπησης και GIS, χωρίς να επεκτείνεται σε μοριακές ή γενετικές αναλύσεις των φορέων. Παρά τους περιορισμούς αυτούς, η εργασία θέτει στέρεες βάσεις για μελλοντικές διεπιστημονικές εφαρμογές στην αντιμετώπιση των νοσημάτων που μεταδίδονται από φορείς.

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ '''

Τα ευρήματα της παρούσας εργασίας (ανασκόπησης) κατηγοριοποιούνται σε κεντρικούς θεματικούς τομείς, αναδεικνύοντας τις προόδους και τους περιορισμούς των γεοχωρικών τεχνολογιών στην πρόβλεψη των VBDs. Ένα ευρύ φάσμα πλατφορμών τηλεπισκόπησης χρησιμοποιούνται για την παρακολούθηση περιβαλλοντικών και κλιματικών παραγόντων. Οι δορυφόροι Landsat αξιοποιούνται κυρίως για τη μελέτη αλλαγών στη χρήση και την κάλυψη γης (LULC), οι οποίες είναι καθοριστικές για την κατανόηση της καταλληλότητας των ενδιαιτημάτων για φορείς όπως τα κουνούπια (Aedes aegypti). Αντίστοιχα, ο MODIS εφαρμόζεται εκτενώς για την ανάλυση κλιματικών παραμέτρων, όπως η θερμοκρασία της επιφάνειας εδάφους και οι δείκτες βλάστησης, παρέχοντας δεδομένα για τη μοντελοποίηση της πυκνότητας των φορέων και του κινδύνου μετάδοσης. Ο Sentinel-2 αναδείχθηκε ως η προτιμώμενη πλατφόρμα για τη λεπτομερή χαρτογράφηση αστικών περιβαλλόντων με σημασία στην πρόβλεψη πυκνοκατοικημένων περιοχών, ενώ η ενσωμάτωση δεδομένων από μη επανδρωμένα αεροσκάφη (UAVs) πρόσφερε υψηλή ανάλυση για τοπικές παρεμβάσεις, παρά την περιορισμένη χωρική κάλυψη που παρέχουν.
Παράλληλα, υπογραμμίστηκε ο κομβικός ρόλος των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) στην ενοποίηση περιβαλλοντικών και επιδημιολογικών δεδομένων για τη δημιουργία προγνωστικών μοντέλων. Η χρήση δεικτών όπως ο NDVI σε συνδυασμό με δεδομένα βροχόπτωσης επέτρεψε την πρόβλεψη εποχιακών εξάρσεων της ελονοσίας, ενώ τα μοντέλα μηχανικής μάθησης (Random Forests, SVM) ενίσχυσαν την ακρίβεια των προβλέψεων. Κυρίαρχο θέμα στις εργασίες που ενσωματώθηκαν και αξιοοποιήθηκαν για την ανασκόπηση αποτελεί ο προσδιορισμός των περιβαλλοντικών οδηγών δηλαδή τη θερμοκρασία, τη βροχόπτωση και την αστικοποίηση, οι οποίοι αναδεικνύονται ως οι βασικότεροι παράγοντες που ρυθμίζουν τη δυναμική των πληθυσμών των φορέων. Συγκεκριμένα, διαπιστώθηκαν ισχυρές συσχετίσεις μεταξύ θερμοκρασιακών ανωμαλιών και εξάρσεων δάγκειου πυρετού, ενώ οι αλλαγές στη χρήση γης λόγω αστικοποίησης επηρέασαν σημαντικά την αφθονία των φορέων σε αστικές και περι-αστικές περιοχές.
Η εφαρμογή της τηλεπισκόπησης στην ανάπτυξη Συστημάτων Έγκαιρης Προειδοποίησης (EWS) αποτέλεσε επίσης σημείο αναφοράς, καθώς η συνέργεια δορυφορικών και επίγειων εντομολογικών δεδομένων βελτίωσε αισθητά την ικανότητα έγκαιρης παρέμβασης της δημόσιας υγείας. Ωστόσο, εντοπίστηκαν σημαντικά κενά, όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος και η ελλιπής ενσωμάτωση κοινωνικοοικονομικών μεταβλητών στα υπάρχοντα μοντέλα, όπως η κινητικότητα του πληθυσμού και η πρόσβαση σε υπηρεσίες υγείας. Τέλος, η ανασκόπηση ανέδειξε υποσχόμενες μελλοντικές εξελίξεις, όπως η χρήση υπερφασματικής απεικόνισης, η τεχνητή νοημοσύνη και οι πλατφόρμες βασισμένες στο νέφος (π.χ. Google Earth Engine). Η ανάδυση συστημάτων συμμετοχικής επιτήρησης, που συνδυάζουν δεδομένα συλλεγμένα μέσω συμμετοχής του κοινού με τηλεπισκοπικά αποτελέσματα, προσφέρει νέες προοπτικές για την ενίσχυση της ακρίβειας και αύξηση της κλίμακας στην παγκόσμια παρακολούθηση των ασθενειών.

''' 4. ΣΥΖΗΤΗΣΗ'''

Η ενσωμάτωση της τηλεπισκόπησης και των γεοχωρικών τεχνολογιών φέρει σημαντική μεταρρυθμιστική επίδραση στην ικανότητά μας να κατανοούμε, να προβλέπουμε και να μετριάζουμε τις εξάρσεις των νοσημάτων που μεταδίδονται από φορείς (VBD). Τα ευρήματα επιβεβαιώνουν ότι τα γεοχωρικά εργαλεία μπορούν να καλύψουν κρίσιμα κενά στη διαχείριση των ασθενειών αυτών, ιδιαίτερα μέσα στο πλαίσιο των ραγδαίων περιβαλλοντικών αλλαγών και της αστικοποίησης. Υπογραμμίζεται ο καθοριστικός ρόλος πλατφορμών όπως οι Landsat, MODIS και Sentinel-2, οι οποίες παρέχουν περιβαλλοντικά δεδομένα υψηλής ανάλυσης, επιτρέποντας στους ερευνητές να παρακολουθούν τις αλλαγές στις χρήσεις γης, τους δείκτες βλάστησης και τις κλιματικές μεταβλητές με αρκετή χωρική και χρονική ακρίβεια. Επιπλέον, η χρήση μη επανδρωμένων αεροσκαφών (UAVs) ενισχύει τη συλλογή τοπικών δεδομένων, κάτι που είναι μεγάλης σημασίας για στοχευμένες παρεμβάσεις, αν και παραμένουν προκλήσεις σχετικά με την περιορισμένη εμβέλειά τους και την ανάγκη για εξειδικευμένη εκπαίδευση των επαγγελματιών υγείας.
Τα Γεωγραφικά Συστήματα Πληροφοριών (GIS) έχουν αναδειχθεί σε απαραίτητα εργαλεία για την οπτικοποίηση του κινδύνου και την καθοδήγηση των αποκρίσεων δημόσιας υγείας. Η ενοποίηση τηλεπισκοπικών και επιδημιολογικών δεδομένων, διευκολύνουν τη δημιουργία χαρτών επικινδυνότητας που ενημερώνουν τις στρατηγικές κατανομής πόρων. Η αυξανόμενη ενσωμάτωση αλγορίθμων μηχανικής μάθησης, όπως του Random Forest, ενισχύει περαιτέρω την προγνωστική ακρίβεια αυτών των μοντέλων. Ωστόσο, η ικανότητα γενίκευσης των μοντέλων αυτών περιορίζεται συχνά από την ποιότητα και την ανάλυση των εισαγώμενων δεδομένων, καθώς πολλές μελέτες βασίζονται αποκλειστικά σε κλιματικές μεταβλητές, παραμερίζοντας κοινωνικοοικονομικούς παράγοντες που επηρεάζουν σημαντικά τη μετάδοση. Η μελλοντική έρευνα οφείλει να επικεντρωθεί στην ανάπτυξη ολοκληρωμένων πλαισίων μοντελοποίησης που θα περιλαμβάνουν τόσο περιβαλλοντικούς όσο και κοινωνικούς προσδιοριστές.
Η ανασκόπηση δείχνει επίσης τη σημαντική επιρροή περιβαλλοντικών οδηγών, όπως η θερμοκρασία και η βροχόπτωση στη δυναμική των VBDs. Οι αλλαγές σε αυτές τις μεταβλητές, που συχνά καθοδηγούνται από την ανθρωπογενή δραστηριότητα και την κλιματική αλλαγή δημιουργούν ευνοϊκές συνθήκες για τον πολλαπλασιασμό των φορέων και την επέκταση των ενδιαιτημάτων τους, όπως στην περίπτωση του κουνουπιού Aedes aegypti σε νέες περιοχές. Αυτά τα ευρήματα καθιστούν αναγκαία την υιοθέτηση προσαρμοστικών στρατηγικών διαχείρισης και τη δέσμευση της δημόσιας υγείας στον αστικό σχεδιασμό για την ελαχιστοποίηση των εστιών αναπαραγωγής. Παράλληλα, τα Συστήματα Έγκαιρης Προειδοποίησης (EWS) αντιπροσωπεύουν μια σημαντική πρόοδο στην προληπτική διαχείριση, αν και η λειτουργία τους παραμένει δύσκολη σε περιοχές με περιορισμένους πόρους λόγω έλλειψης υπολογιστικών υποδομών.
Τέλος, εντοπίζονται κρίσιμα κενά όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος που φέρουν το μεγαλύτερο βάρος των ασθενειών. Η επέκταση της έρευνας σε αυτές τις περιοχές είναι επιτακτική για την επίτευξη ισότητας στην πρόληψη. Η ραγδαία εξέλιξη τεχνολογιών όπως η υπερφασματική απεικόνιση και η τεχνητή νοημοσύνη προσφέρουν νέες δυνατότητες, ενώ τα συμμετοχικά συστήματα επιτήρησης ενδυναμώνουν τις κοινότητες να συνεισφέρουν στην παρακολούθηση των νόσων. Εν τέλει, απαιτείται μια ολιστική προσέγγιση που θα ενσωματώνει κοινωνικές μεταβλητές όπως η οικονομική επισφάλεια και διεπιστημονική συνεργασία συνεισφέροντας και στον εκδημοκρατισμό των δεδομένων, γεφυρώνοντας το χάσμα μεταξύ επιστημονικής καινοτομίας και εφαρμόσιμης πολιτικής υγείας.

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παραπάνω συζήτηση αναδεικνύει τις προόδους και τις προκλήσεις στην εφαρμογή των τεχνολογιών τηλεπισκόπησης (RS) και γεωχωρικής ανάλυσης για τη διαχείριση VBDs. Με την αντιμετώπιση των κενών και την αξιοποίηση των αναδυόμενων τάσεων, ερευνητές και φορείς χάραξης πολιτικής μπορούν να ενισχύσουν την αποτελεσματικότητα των στρατηγικών πρόληψης και ελέγχου των νοσημάτων. Τελικά, οι προσπάθειες αυτές ενδέχεται να συμβάλλουν στη δημιουργία ανθεκτικών συστημάτων δημόσιας υγείας, ικανών να προσαρμόζονται στη σύνθετη και δυναμική φύση των VBDs.

Η τηλεπισκόπηση δείχνει τον ρόλο της ποιότητας και της ποσότητας της διαθέσιμης βοσκής στη θερινή χρήση ενδιαιτημάτων από κόκκινα ελάφια

2026-02-07T12:43:28Z

Rizoselef:

[[category:Εφαρμογές άγριας πανίδας]]

'''Η τηλεπισκόπηση δείχνει τον ρόλο της ποιότητας και της ποσότητας της διαθέσιμης βοσκής στη θερινή χρήση ενδιαιτημάτων από κόκκινα ελάφια'''

'''Πρωτότυπος τίτλος:''' ''Remote sensing reveals the role of forage quality and quantity for summer habitat use in red deer''

'''Συγγραφείς''': ''Thomas Rempfler, Christian Rossi, Jan Schweizer, Wibke Peters, Claudio Signer, Flurin Filli, Hannes Jenny, Klaus Hackländer, Sven Buchmann & Pia Anderwald''

'''Δημοσιεύθηκε''': ''18/12/2024 στο Movement Ecology vol. 12, αρθρο 80''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.1186/s40462-024-00521-6]

''' 1. Εισαγωγή'''

Η οικολογία των άγριων ζώων διέπεται από μια συνεχή προσπάθεια εξισορρόπησης μεταξύ των αναγκών τροφοληψίας και της διασφάλισης της ατομικής ασφάλειας. Η ανάγκη αποφυγής θηρευτών, στην οποία περιλαμβάνεται και ο άνθρωπος λόγω της θηρευτικής δραστηριότητας, αναγκάζει πολλά είδη να τροποποιούν τη χρήση του ενδιαιτήματός τους. Αυτό εκδηλώνεται συχνά με την αλλαγή της ημερήσιας δραστηριότητας για την αποφυγή των ανθρώπων κατά τη διάρκεια της ημέρας, καθώς και με τη σαφή προτίμηση προς προστατευόμενες περιοχές όπου απαγορεύεται το κυνήγι. Παράλληλα, οι τροφοληπτικές ανάγκες επιβάλλουν στρατηγικές που εξασφαλίζουν τη μέγιστη δυνατή ενέργεια με το ελάχιστο κόστος, υπό την προϋπόθεση ότι τα ζώα μπορούν να κινηθούν ελεύθερα και διαθέτουν επαρκή πληροφόρηση για το περιβάλλον τους. Σε αυτό το πλαίσιο, ανακύπτει ένα κρίσιμο αντισταθμιστικό όφελος μεταξύ της ποιότητας και της ποσότητας της τροφής, το οποίο επηρεάζει άμεσα τις επιλογές των φυτοφάγων.
Το κόκκινο ελάφι (Cervus elaphus), το οποίο ταξινομείται ως ενδιάμεσος καταναλωτής, καλείται να ικανοποιήσει υψηλές μεταβολικές απαιτήσεις μέσω μιας αυξημένης ημερήσιας πρόσληψης τροφής, η οποία πρέπει να ευθυγραμμίζεται με τη διαθεσιμότητα και την ποιότητα της βλάστησης κατά τη θερινή περίοδο. Παρά τις πολυάριθμες έρευνες, τα αποτελέσματα σχετικά με το αν το είδος προτιμά την ποσότητα έναντι της ποιότητας παραμένουν αντικρουόμενα. Επιπλέον, οι διαφορές εντός του ίδιου πληθυσμού, όπως αυτές που παρατηρούνται μεταξύ μόνιμων και μεταναστευτικών ατόμων, περιπλέκουν περαιτέρω την κατανόηση αυτών των προτύπων επιλογής. Ιδιαίτερα σε ετερογενή αλπικά ενδιαιτήματα με σύντομες βλαστικές περιόδους, παραμένει ασαφές σε ποιο βαθμό τα ελάφια προβαίνουν σε συμβιβασμούς μεταξύ αυτών των δύο παραμέτρων, κυρίως λόγω της δυσκολίας διαχωρισμού και μέτρησης των μεταβλητών ποιότητας και ποσότητας μέσω παραδοσιακών μεθόδων πεδίου.
Οι κλασικές μελέτες που βασίζονται σε δειγματοληψίες βιομάζας και αζώτου στο πεδίο παρέχουν συχνά μόνο μια στιγμιαία εικόνα και περιορισμένη χωρική κάλυψη. Η χρήση της τηλεπισκόπησης προσφέρει μια εναλλακτική λύση, αν και οι μέχρι τώρα έρευνες βασίζονταν υπερβολικά στον δείκτη NDVI. Παρόλο που ο NDVI είναι ένας αξιόπιστος δείκτης για την πράσινη βλάστηση και τη βιομάζα, στερείται της εξειδίκευσης που απαιτείται για τον ακριβή διαχωρισμό μεταξύ της ποιότητας και της ποσότητας της τροφής. Η εξέλιξη των υπερφασματικών αισθητήρων προσφέρει νέες προοπτικές, αλλά η περιορισμένη χρονική διαθεσιμότητα των δεδομένων τους καθιστά δύσκολη την παρακολούθηση των οπληφόρων καθ' όλη τη διάρκεια της αυξητικής περιόδου των φυτών.
Στην παρούσα μελέτη χρησιμοποιούνται τα δεδομένα των δορυφόρων Sentinel-2 του προγράμματος Copernicus, τα οποία συνδυάζουν υψηλή χωρική και χρονική διακριτική ικανότητα. Μέσω αυτών των δεδομένων, η ερευνητική ομάδα εφάρμοσε φυσικά μοντέλα μεταφοράς ακτινοβολίας (RTMs) για την εκτίμηση βιοχημικών και βιοφυσικών χαρακτηριστικών των φυτών, τα οποία σχετίζονται άμεσα με την ποιότητα και την ποσότητα της τροφής. Η προσέγγιση αυτή επιτρέπει την αξιολόγηση της σημασίας της φασματικής ανάκλασης, των δεικτών βλάστησης και των οπτικών χαρακτηριστικών στην πρόβλεψη των τροφοληπτικών παραμέτρων, υπερβαίνοντας τους περιορισμούς των απλών δεικτών όπως ο NDVI.
Η έρευνα εστιάζει στην περιοχή του Ελβετικού Εθνικού Πάρκου (SNP) και των περιχώρων του, χρησιμοποιώντας δεδομένα τηλεμετρίας από κολάρα GPS για την ανάλυση της συμπεριφοράς του κόκκινου ελαφιού. Οι βασικές υποθέσεις εργασίας προβλέπουν ότι τα ελάφια επιλέγουν ενδιαιτήματα με βάση πρωτίστως την ποσότητα της τροφής και δευτερευόντως την ποιότητα, με τα αρσενικά να εμφανίζουν πιο έντονη προτίμηση στην ποιότητα σε σύγκριση με τα θηλυκά. Ταυτόχρονα, συνυπολογίζονται οι επιδράσεις της τοπογραφίας και της ανθρώπινης όχλησης, με την προσμονή ότι τα ζώα θα αποφεύγουν συστηματικά τις περιοχές ανθρώπινης δραστηριότητας και θα προτιμούν την ασφάλεια που παρέχει το προστατευόμενο καθεστώς του Εθνικού Πάρκου. Με αυτόν τον τρόπο, η μελέτη επιχειρεί να αναδείξει πώς οι προηγμένες μέθοδοι τηλεπισκόπησης μπορούν να φωτίσουν τις στρατηγικές επιλογής ενδιαιτήματος σε σύνθετα οικοσυστήματα.

'''2. ΥΛΙΚΑ ΜΕΘΟΔΟΙ'''

''' ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ'''

Η έρευνα επικεντρώνεται στις εσωτερικές αλπικές κοιλάδες της ανατολικής Ελβετίας, καλύπτοντας το Ελβετικό Εθνικό Πάρκο (SNP) και τις παρακείμενες περιοχές του καντονιού Grisons, καθώς και τμήματα της Αυστρίας και της Ιταλίας. Το υψόμετρο κυμαίνεται από 1000 έως 3200 μέτρα, με το όριο των δέντρων να εντοπίζεται περίπου στα 2200 μέτρα. Το κλίμα χαρακτηρίζεται ως ξηρό και ψυχρό με μέση θερινή θερμοκρασία τους 13.2°C και παρατεταμένους χειμώνες που διαρκούν περίπου 154 ημέρες. Η ανθρώπινη παρουσία είναι έντονη στους πυθμένες των κοιλάδων, όπου βρίσκονται τα χωριά, ενώ η γεωργική δραστηριότητα αφορά κυρίως βοσκοτόπια. Το καθεστώς προστασίας διαφοροποιείται σημαντικά στην περιοχή, καθώς στο SNP απαγορεύεται κάθε ανθρώπινη δραστηριότητα, ενώ στις γύρω περιοχές το κυνήγι επιτρέπεται κατά τη διάρκεια της ημέρας, δημιουργώντας ένα σύνθετο τοπίο κινδύνου για τα ζώα.

''' ΔΕΔΟΜΕΝΑ ΚΟΚΚΙΝΟΥ ΕΛΑΦΙΟΥ'''

Για τη μελέτης παρακολουθήθηκαν 70 ενήλικα άτομα, τα οποία αιχμαλωτίστηκαν σε 12 διαφορετικές περιοχές. Τα δεδομένα συλλέχθηκαν μέσω τηλεμετρικών κολάρων GPS που κατέγραφαν στίγματα κάθε τρεις ώρες για διάστημα ενός έως τριών ετών. Μετά από αυστηρό φιλτράρισμα για την αφαίρεση ανακριβών τοποθεσιών και τον αποκλεισμό ατόμων με χαμηλό ρυθμό καταγραφής, κατέληξαν σε 45 θηλυκά και 21 αρσενικά. Η μελέτη περιορίστηκε αποκλειστικά στους θερινούς μήνες και σε ανοιχτά ενδιαιτήματα, όπως λιβάδια και περιοχές με αραιή βλάστηση. Ενώ για τον διαχωρισμό των ημερήσιων και νυχτερινών συμπεριφορών ως ημέρα θεωρήθηκαν οι ώρες από την ανατολή ως τη δύση του ηλίου και νύχτα οι υπόλοιπες.

'''ΕΡΜΗΝΕΥΤΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ'''

''' ΒΙΟΜΑΖΑ ΚΑΙ ΣΧΕΤΙΚΟ ΑΖΩΤΟ'''

Υπολογίστηκαν η απόλυτη βιομάζας φυλλώματα και η σχετική σύσταση αζώτου του πρασίνου μέσω δύο ξεχωριστών μοντέλων παλινδρόμησης Random Forest, εκπαιδευμένων με δεδομένα πεδίου από 322 επιφάνειες. Για τα δεδομένα η βλάστηση κόπηκε, ξηράνθηκε και ζυγίστηκε, ενώ η χημική ανάλυση για το άζωτο έγινε με εργαστηριακές μεθόδους και φασματομετρία υπέρυθρης ανάκλασης. Όλες οι επιφάνειες βλάστησης δειγματοληψίας γεοαναφέρθηκαν (georeferenced) με συστήματα υψηλής ακρίβειας (Global Navigation Satellite System, GNSS), διασφαλίζοντας την αξιοπιστία της συσχέτισης των δεδομένων πεδίου με τις δορυφορικές παρατηρήσεις.

'''ΠΡΟΒΛΕΠΤΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ'''

Χρησιμοποιήθηκαν τρεις τύποι δεδομένων από τον Sentinel-2: φασματικές ανακλάσεις 10 καναλιών, δείκτες βλάστησης (NDVI, MTCI, TGI, CAI) και οπτικά χαρακτηριστικά από το μοντέλο PROSAIL (LAI, CHL, EWT). Ο MTCI αξιολογεί το άζωτο σε λιβάδια, ο TGI τη χλωροφύλλη και ο CAI τη μη φωτοσυνθετική βλάστηση. Οι συγκεκριμένοι δείκτες επιλέχθηκαν επειδή καλύπτουν διαφορετικές περιοχές του ηλεκτρομαγνητικού φάσματος και προσφέρουν συμπληρωματικές πληροφορίες για την περιεκτικότητα σε άζωτο και τη συνολική βιομάζα, υπερβαίνοντας τους περιορισμούς του απλού NDVI.

'''ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΚΑΙ ΣΗΜΑΣΙΑ ΜΕΤΑΒΛΗΤΩΝ'''

Τα μοντέλα Random Forest εκπαιδεύτηκαν με αλγόριθμο RFE και βελτιστοποίηση υπερπαραμέτρων μέσω πενταπλής διασταυρούμενης επικύρωσης. Επιλέχθηκαν τα μοντέλα με τον υψηλότερο συντελεστή R2 και το χαμηλότερο σφάλμα RMSE. Η σημασία των μεταβλητών αξιολογήθηκε με μια στρατηγική μεταθέσεων ομαδοποιώντας τις μεταβλητές είτε βάσει της υψηλής συσχέτισης τους είτε βάσει του τύπου τους, για να υπολογιστεί η επίδραση κάθε ομάδας στην ακρίβεια της πρόβλεψης.

'''ΠΡΟΒΛΕΨΗ ΘΕΣΕΩΝ GPS ΚΑΙ ΑΦΑΙΡΕΣΗ ΑΚΡΑΙΩΝ ΤΙΜΩΝ'''
Κάθε τοποθεσία GPS αντιστοιχίστηκε με τη χρονικά πλησιέστερη δορυφορική εικόνα, με μέση απόκλιση τις 7,7 ημέρες. Για την αποφυγή λανθασμένων προβλέψεων σε περιοχές που διέφεραν από τα δεδομένα εκπαίδευσης, χρησιμοποιήθηκε ο δείκτης ανομοιότητας (DI). Οι θέσεις που παρουσίαζαν υπερβολικά υψηλό βαθμό ανομοιότητας αποκλείστηκαν από την περαιτέρω ανάλυση, διασφαλίζοντας ότι οι εκτιμήσεις για τη βιομάζα και το άζωτο στις θέσεις των ελαφιών ήταν εντός των ορίων εγκυρότητας του μοντέλου.

'''ΛΟΙΠΕΣ ΜΕΤΑΒΛΗΤΕΣ ΕΝΔΙΑΙΤΗΜΑΤΟΣ ΚΑΙ ΜΟΝΤΕΛΟΠΟΙΗΣΗ'''

Εκτός από την τροφή, εξετάστηκαν μεταβλητές που σχετίζονται με την αποφυγή του ανθρώπου, όπως η απόσταση από το δάσος, η απόσταση από μονοπάτια και η κλίση του εδάφους. Η κίνηση των ζώων αξιολογήθηκε μέσω του μήκους βήματος (step length), το οποίο ενσωματώθηκε στις συναρτήσεις επιλογής βήματος (iSSFs). Για κάθε πραγματική θέση του ελαφιού δημιουργήθηκαν 25 τυχαίες θέσεις, και η ανάλυση περιορίστηκε σε βήματα που πραγματοποιήθηκαν σε ανοιχτά ενδιαιτήματα. Τέλος, χρησιμοποιήθηκαν γενικευμένα γραμμικά μικτά μοντέλα (glmmTMB) ξεχωριστά για κάθε φύλο, συμπεριλαμβάνοντας το άτομο ως τυχαία επίδραση για τον έλεγχο της τυχαιότητας της ατομικής συμπεριφοράς.

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

'''Πρότυπα κίνησης και χωρική κατανομή'''

Το 74% των θερινών θέσεων εντοπίστηκε σε λιβάδια και το 24% σε εκτάσεις με βρύα/λειχήνες. Τα δύο φύλα παρουσίασαν παρόμοια χαρακτηριστικά όσον αφορά τις ημερήσιες διανυόμενες αποστάσεις, το μέγεθος της περιοχής εξάπλωσης και το μήκος των βημάτων τους. Ωστόσο, παρατηρήθηκε μια σαφής υψομετρική διαφοροποίηση εντός του SNP, με τα αρσενικά να κινούνται σε σημαντικά υψηλότερα υψόμετρα σε σχέση με τα θηλυκά. Είναι αξιοσημείωτο ότι οι μετακινήσεις μεταξύ του εσωτερικού και του εξωτερικού της προστατευόμενης περιοχής ήταν εξαιρετικά περιορισμένες αντιπροσωπεύοντας μόλις το 2% των συνολικών καταγραφών.

'''Επιδόσεις των μοντέλων βιομάζας και αζώτου'''

Η μοντελοποίηση της βιομάζας (ποσότητα τροφής) μέσω του αλγορίθμου Random Forest πέτυχε υψηλή προγνωστική ακρίβεια με συντελεστή προσδιορισμού R2 = 0.60 και μέσο τετραγωνικό σφάλμα (RMSE) 88.55 g/m². Η ανάλυση της σημασίας των μεταβλητών ανέδειξε τον δείκτη MTCI ως τον καθοριστικότερο παράγοντα, ακολουθούμενο από τον NDVI, τον δείκτη κυτταρίνης (CAI) και τον δείκτη φυλλικής επιφάνειας (LAI). Αντίθετα, η πρόβλεψη του σχετικού αζώτου (ποιότητα τροφής) αποδείχθηκε πιο απαιτητική, με μέτρια ακρίβεια της τάξης του R2 = 0.34, απαιτώντας τη συνδρομή και των 18 διαθέσιμων μεταβλητών για τη βελτιστοποίηση του μοντέλου.
Συνολικά, οι δείκτες βλάστησης (VIs) ήταν οι σημαντικότεροι και στα δύο μοντέλα. Παρόλα αυτά, τα οπτικά χαρακτηριστικά (optical traits) προσέφεραν κρίσιμη συμπληρωματική πληροφορία ιδιαίτερα στα μοντέλα βιομάζας. Ενώ οι φασματικές ανακλάσεις φάνηκαν να συνεισφέρουν στη μοντελοποίηση του αζώτου, η επίδρασή τους ήταν οριακή στην περίπτωση της βιομάζας, όπου οι δείκτες βλάστησης και τα δομικά χαρακτηριστικά των φυτών παρείχαν την απαραίτητη πληροφορία.

'''Επιλογή ενδιαιτήματος και ανάγκες ασφάλειας'''

Τα αποτελέσματα των συναρτήσεων επιλογής βήματος (iSSFs) έδειξαν ότι και τα δύο φύλα επιλέγουν ενδιαιτήματα με υψηλή βιομάζα και υψηλή περιεκτικότητα σε άζωτο. Ωστόσο, η ποσότητα της τροφής (βιομάζα) αναδείχθηκε ως ο επικρατέστερος παράγοντας επιλογής έναντι της ποιότητας. Στη σύγκριση μεταξύ των φύλων, τα θηλυκά εμφάνισαν ισχυρότερη προτίμηση σε περιοχές με υψηλή βιομάζα, ενώ τα αρσενικά έδωσαν ελαφρώς μεγαλύτερη έμφαση στην ποιότητα (άζωτο).
Σχετικά με τις μεταβλητές που αφορούν την ασφάλεια τα θηλυκά προτίμησαν την εγγύτητα στο δάσος και στα μονοπάτια κινούμενα κυρίως σε επίπεδα εδάφη. Τα αρσενικά επέλεξαν επίσης μικρές αποστάσεις από το δάσος αλλά η συμπεριφορά τους δεν επηρεάστηκε σημαντικά από την ύπαρξη μονοπατιών ή την κλίση του εδάφους. Και τα δύο φύλα παρουσίασαν αυξημένο μήκος βήματος δείχνοντας έντονης κινητικότητα, με τα θηλυκά να καλύπτουν μεγαλύτερες αποστάσεις.

'''Η επίδραση του Εθνικού Πάρκου και ο κύκλος ημέρας-νύχτας'''

Τα θηλυκά παρέμεναν στο πάρκο στο 82% των περιπτώσεων, ενώ τα αρσενικά στο 46%. Η παρουσία εντός του πάρκου ήταν αυξημένη την ημέρα (89% θηλυκά, 59% αρσενικά) και μειωνόταν τη νύχτα. Το πάρκο λειτουργεί ως καταφύγιο κατά τις ώρες αιχμής της ανθρώπινης παρουσίας, επιτρέποντας νυχτερινές μετακινήσεις σε εξωτερικές περιοχές.

''' 4. ΣΥΖΗΤΗΣΗ'''

'''Επιλογή ενδιαιτήματος και στρατηγικές επιβίωσης'''

Η χρήση των συναρτήσεων iSSF επέτρεψε τον ταυτόχρονο προσδιορισμό της κίνησης και της επιλογής πόρων, αποκαλύπτοντας πώς το κόκκινο ελάφι διαχειρίζεται το κρίσιμο αντισταθμιστικό όφελος μεταξύ τροφοληψίας και ασφάλειας. Τα αποτελέσματά μας δείχνουν ότι σε αυτό το ετερογενές αλπικό τοπίο, τα ελάφια προτεραιοποιούν την ποσότητα της τροφής (βιομάζα) έναντι της ποιότητας (άζωτο). Αυτή η προτίμηση παραμένει σταθερή καθ' όλη τη διάρκεια του καλοκαιριού και δεν φαίνεται να επηρεάζεται από την εποχιακή υποβάθμιση της βλάστησης. Οι διαφορές μεταξύ των φύλων ήταν υπαρκτές αλλά περιορισμένες με τα θηλυκά να επιλέγουν περιοχές με μεγαλύτερη ποσότητα βιομάζας, ενώ τα αρσενικά έδειξαν μια ελαφρώς μεγαλύτερη τάση προς την ποιότητα πιθανώς εκμεταλλευόμενα τα αλπικά βοσκοτόπια εκτός του Εθνικού Πάρκου (SNP) που προσφέρουν πιο θρεπτική βλάστηση λόγω της κτηνοτροφικής δραστηριότητας.
Η ανάγκη για ασφάλεια αναδείχθηκε ως κυρίαρχος παράγοντας με την εγγύτητα στο δάσος να αποτελεί κοινή προτίμηση και για τα δύο φύλα εξυπηρετώντας τόσο την προστασία όσο και τη θερμορύθμιση. Η έντονη χρήση του SNP από τα θηλυκά, ειδικά κατά τη διάρκεια της ημέρας (89%), υπογραμμίζει την ανάγκη προστασίας των απογόνων τους από την ανθρώπινη όχληση. Αντίθετα, τα αρσενικά εμφανίστηκαν πιο ανεκτικά στις διαταραχές εγκαταλείποντας το Πάρκο κατά τη διάρκεια της νύχτας με διπλάσια συχνότητα από τα θηλυκά. Αυτή η νυχτερινή μετακίνηση εκτός των ορίων του SNP μπορεί να ερμηνευτεί ως μια στρατηγική αποφυγής της υψηλής πυκνότητας του πληθυσμού εντός του Πάρκου, αλλά και ως μια προσπάθεια πρόσβασης σε τροφή υψηλότερης ποιότητας σε περιοχές που θεωρούνται ριψοκίνδυνες κατά τη διάρκεια της ημέρας.
Ένα φαινομενικά παράδοξο εύρημα ήταν η προτίμηση των θηλυκών για περιοχές κοντά σε μονοπάτια και σε επίπεδο ανάγλυφο, σημεία που παραδοσιακά συνδέονται με υψηλή ανθρώπινη δραστηριότητα. Η ερμηνεία μας είναι ότι εντός του πάρκου, όπου η κίνηση των επισκεπτών είναι αυστηρά περιορισμένη και προβλέψιμη, τα ελάφια έχουν εξοικειωθεί με την παρουσία των πεζοπόρων. Αυτή η «προβλεψιμότητα» της όχλησης επιτρέπει στα ζώα να εκμεταλλεύονται τους πλούσιους τροφοληπτικούς πόρους που συχνά εντοπίζονται σε αυτές τις περιοχές, χωρίς να αισθάνονται άμεση απειλή, αναδεικνύοντας την προσαρμοστικότητα του είδους σε ελεγχόμενα περιβάλλοντα.

'''Αξιολόγηση των τηλεπισκοπικών μοντέλων'''

Η μελέτη απέδειξε ότι τα δεδομένα του Sentinel-2 μπορούν να προσφέρουν εκτιμήσεις βιομάζας και αζώτου συγκρίσιμες με εκείνες των ακριβότερων υπερφασματικών αισθητήρων. Η ισχυρή απόδοση του μοντέλου βιομάζας (R2 = 0.60) οφείλεται σε μεγάλο βαθμό στην ενσωμάτωση του δείκτη MTCI και οπτικών χαρακτηριστικών όπως ο LAI. Η χρήση φυσικών μοντέλων μεταφοράς ακτινοβολίας (PROSAIL) με τη μέθοδο του πίνακα αναζήτησης (LUT) αποδείχθηκε ανώτερη από τις τυποποιημένες εφαρμογές, προσφέροντας μεγαλύτερη ακρίβεια και αναπραγωγιμότητα των αποτελεσμάτων.
Ωστόσο, η πρόβλεψη του σχετικού αζώτου παραμένει μια σημαντική πρόκληση στην τηλεπισκόπηση, γεγονός που αντικατοπτρίζεται στη μέτρια ακρίβεια του αντίστοιχου μοντέλου (R2 = 0.34). Η πολυπλοκότητα αυτή προκύπτει από το γεγονός ότι η φασματική ανάκλαση επηρεάζεται περισσότερο από την απόλυτη ποσότητα αζώτου ανά μονάδα επιφάνειας παρά από τη συγκέντρωσή του στους ιστούς. Παρά τους περιορισμούς αυτούς, η χρήση δεδομένων αναφοράς από το πεδίο αποτελεί μια σημαντική βελτίωση σε σχέση με προηγούμενες μελέτες που βασίζονταν αποκλειστικά σε δείκτες-υποκατάστατα (proxies) χωρίς επαλήθευση. Η ενσωμάτωση πρόσθετων δεικτών πέραν του NDVI, όπως ο MTCI που είναι ευαίσθητος στη χλωροφύλλη είναι απαραίτητη για την αποφυγή του φαινομένου κορεσμού σε περιοχές με πυκνή βλάστηση και για την ακριβέστερη αποτύπωση της ποιότητας της τροφής.
Συμπερασματικά, η εργασία αναδεικνύει την αξία των σύγχρονων δορυφορικών αποστολών στην οικολογία κίνησης. Η δυνατότητα παραγωγής εβδομαδιαίων χαρτών ποιότητας και ποσότητας τροφής σε υψηλή ανάλυση επιτρέπει τη βαθύτερη κατανόηση του πώς τα μεγάλα οπληφόρα πλοηγούνται σε δυναμικά τοπία, εξισορροπώντας τις ενεργειακές τους ανάγκες με την επιβίωση. Οι μελλοντικοί υπερφασματικοί αισθητήρες αναμένεται να βελτιώσουν περαιτέρω αυτές τις προβλέψεις προσφέροντας ακόμη πιο λεπτομερή εικόνα των βιοχημικών χαρακτηριστικών της βλάστησης.

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Το κόκκινο ελάφι βάζει σε προτεραιότητα την ποσότητα της τροφής έναντι της ποιότητας στα θερινά αλπικά ενδιαιτήματα, με την επιλογή του να καθορίζεται σημαντικά και από την ανάγκη για ασφάλεια. Τα θηλυκά εμφανίζονται πιο ευαίσθητα στην ανθρώπινη δραστηριότητα έχοντας ισχυρή προτίμηση στην προστασία που παρέχει το πάρκο. Παράλληλα, η τηλεπισκόπηση αναδεικνύεται σε πολύτιμο εργαλείο για τη χαρτογράφηση των τροφοληπτικών πόρων, καθώς ο συνδυασμός δεικτών βλάστησης και οπτικών χαρακτηριστικών βελτιώνει σημαντικά την ακρίβεια των προβλέψεων. Ενώ η βιομάζα χαρτογραφείται με υψηλή αξιοπιστία, η εκτίμηση του αζώτου παραμένει τεχνική πρόκληση, η οποία αναμένεται να αντιμετωπιστεί στο μέλλον μέσω των προηγμένων υπερφασματικών δορυφορικών αισθητήρων.

Η τηλεπισκόπηση δείχνει τον ρόλο της ποιότητας και της ποσότητας της διαθέσιμης βοσκής στη θερινή χρήση ενδιαιτημάτων από κόκκινα ελάφια

2026-02-07T12:43:02Z

Rizoselef: Νέα σελίδα με 'Add Your Content Here category:Εφαρμογές άγριας πανίδας '''Η τηλεπισκόπηση δείχνει τον ρόλο της ποιότητ...'

Add Your Content Here

[[category:Εφαρμογές άγριας πανίδας]]

'''Η τηλεπισκόπηση δείχνει τον ρόλο της ποιότητας και της ποσότητας της διαθέσιμης βοσκής στη θερινή χρήση ενδιαιτημάτων από κόκκινα ελάφια'''

'''Πρωτότυπος τίτλος:''' ''Remote sensing reveals the role of forage quality and quantity for summer habitat use in red deer''

'''Συγγραφείς''': ''Thomas Rempfler, Christian Rossi, Jan Schweizer, Wibke Peters, Claudio Signer, Flurin Filli, Hannes Jenny, Klaus Hackländer, Sven Buchmann & Pia Anderwald''

'''Δημοσιεύθηκε''': ''18/12/2024 στο Movement Ecology vol. 12, αρθρο 80''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.1186/s40462-024-00521-6]

''' 1. Εισαγωγή'''

Η οικολογία των άγριων ζώων διέπεται από μια συνεχή προσπάθεια εξισορρόπησης μεταξύ των αναγκών τροφοληψίας και της διασφάλισης της ατομικής ασφάλειας. Η ανάγκη αποφυγής θηρευτών, στην οποία περιλαμβάνεται και ο άνθρωπος λόγω της θηρευτικής δραστηριότητας, αναγκάζει πολλά είδη να τροποποιούν τη χρήση του ενδιαιτήματός τους. Αυτό εκδηλώνεται συχνά με την αλλαγή της ημερήσιας δραστηριότητας για την αποφυγή των ανθρώπων κατά τη διάρκεια της ημέρας, καθώς και με τη σαφή προτίμηση προς προστατευόμενες περιοχές όπου απαγορεύεται το κυνήγι. Παράλληλα, οι τροφοληπτικές ανάγκες επιβάλλουν στρατηγικές που εξασφαλίζουν τη μέγιστη δυνατή ενέργεια με το ελάχιστο κόστος, υπό την προϋπόθεση ότι τα ζώα μπορούν να κινηθούν ελεύθερα και διαθέτουν επαρκή πληροφόρηση για το περιβάλλον τους. Σε αυτό το πλαίσιο, ανακύπτει ένα κρίσιμο αντισταθμιστικό όφελος μεταξύ της ποιότητας και της ποσότητας της τροφής, το οποίο επηρεάζει άμεσα τις επιλογές των φυτοφάγων.
Το κόκκινο ελάφι (Cervus elaphus), το οποίο ταξινομείται ως ενδιάμεσος καταναλωτής, καλείται να ικανοποιήσει υψηλές μεταβολικές απαιτήσεις μέσω μιας αυξημένης ημερήσιας πρόσληψης τροφής, η οποία πρέπει να ευθυγραμμίζεται με τη διαθεσιμότητα και την ποιότητα της βλάστησης κατά τη θερινή περίοδο. Παρά τις πολυάριθμες έρευνες, τα αποτελέσματα σχετικά με το αν το είδος προτιμά την ποσότητα έναντι της ποιότητας παραμένουν αντικρουόμενα. Επιπλέον, οι διαφορές εντός του ίδιου πληθυσμού, όπως αυτές που παρατηρούνται μεταξύ μόνιμων και μεταναστευτικών ατόμων, περιπλέκουν περαιτέρω την κατανόηση αυτών των προτύπων επιλογής. Ιδιαίτερα σε ετερογενή αλπικά ενδιαιτήματα με σύντομες βλαστικές περιόδους, παραμένει ασαφές σε ποιο βαθμό τα ελάφια προβαίνουν σε συμβιβασμούς μεταξύ αυτών των δύο παραμέτρων, κυρίως λόγω της δυσκολίας διαχωρισμού και μέτρησης των μεταβλητών ποιότητας και ποσότητας μέσω παραδοσιακών μεθόδων πεδίου.
Οι κλασικές μελέτες που βασίζονται σε δειγματοληψίες βιομάζας και αζώτου στο πεδίο παρέχουν συχνά μόνο μια στιγμιαία εικόνα και περιορισμένη χωρική κάλυψη. Η χρήση της τηλεπισκόπησης προσφέρει μια εναλλακτική λύση, αν και οι μέχρι τώρα έρευνες βασίζονταν υπερβολικά στον δείκτη NDVI. Παρόλο που ο NDVI είναι ένας αξιόπιστος δείκτης για την πράσινη βλάστηση και τη βιομάζα, στερείται της εξειδίκευσης που απαιτείται για τον ακριβή διαχωρισμό μεταξύ της ποιότητας και της ποσότητας της τροφής. Η εξέλιξη των υπερφασματικών αισθητήρων προσφέρει νέες προοπτικές, αλλά η περιορισμένη χρονική διαθεσιμότητα των δεδομένων τους καθιστά δύσκολη την παρακολούθηση των οπληφόρων καθ' όλη τη διάρκεια της αυξητικής περιόδου των φυτών.
Στην παρούσα μελέτη χρησιμοποιούνται τα δεδομένα των δορυφόρων Sentinel-2 του προγράμματος Copernicus, τα οποία συνδυάζουν υψηλή χωρική και χρονική διακριτική ικανότητα. Μέσω αυτών των δεδομένων, η ερευνητική ομάδα εφάρμοσε φυσικά μοντέλα μεταφοράς ακτινοβολίας (RTMs) για την εκτίμηση βιοχημικών και βιοφυσικών χαρακτηριστικών των φυτών, τα οποία σχετίζονται άμεσα με την ποιότητα και την ποσότητα της τροφής. Η προσέγγιση αυτή επιτρέπει την αξιολόγηση της σημασίας της φασματικής ανάκλασης, των δεικτών βλάστησης και των οπτικών χαρακτηριστικών στην πρόβλεψη των τροφοληπτικών παραμέτρων, υπερβαίνοντας τους περιορισμούς των απλών δεικτών όπως ο NDVI.
Η έρευνα εστιάζει στην περιοχή του Ελβετικού Εθνικού Πάρκου (SNP) και των περιχώρων του, χρησιμοποιώντας δεδομένα τηλεμετρίας από κολάρα GPS για την ανάλυση της συμπεριφοράς του κόκκινου ελαφιού. Οι βασικές υποθέσεις εργασίας προβλέπουν ότι τα ελάφια επιλέγουν ενδιαιτήματα με βάση πρωτίστως την ποσότητα της τροφής και δευτερευόντως την ποιότητα, με τα αρσενικά να εμφανίζουν πιο έντονη προτίμηση στην ποιότητα σε σύγκριση με τα θηλυκά. Ταυτόχρονα, συνυπολογίζονται οι επιδράσεις της τοπογραφίας και της ανθρώπινης όχλησης, με την προσμονή ότι τα ζώα θα αποφεύγουν συστηματικά τις περιοχές ανθρώπινης δραστηριότητας και θα προτιμούν την ασφάλεια που παρέχει το προστατευόμενο καθεστώς του Εθνικού Πάρκου. Με αυτόν τον τρόπο, η μελέτη επιχειρεί να αναδείξει πώς οι προηγμένες μέθοδοι τηλεπισκόπησης μπορούν να φωτίσουν τις στρατηγικές επιλογής ενδιαιτήματος σε σύνθετα οικοσυστήματα.

'''2. ΥΛΙΚΑ ΜΕΘΟΔΟΙ'''

''' ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ'''

Η έρευνα επικεντρώνεται στις εσωτερικές αλπικές κοιλάδες της ανατολικής Ελβετίας, καλύπτοντας το Ελβετικό Εθνικό Πάρκο (SNP) και τις παρακείμενες περιοχές του καντονιού Grisons, καθώς και τμήματα της Αυστρίας και της Ιταλίας. Το υψόμετρο κυμαίνεται από 1000 έως 3200 μέτρα, με το όριο των δέντρων να εντοπίζεται περίπου στα 2200 μέτρα. Το κλίμα χαρακτηρίζεται ως ξηρό και ψυχρό με μέση θερινή θερμοκρασία τους 13.2°C και παρατεταμένους χειμώνες που διαρκούν περίπου 154 ημέρες. Η ανθρώπινη παρουσία είναι έντονη στους πυθμένες των κοιλάδων, όπου βρίσκονται τα χωριά, ενώ η γεωργική δραστηριότητα αφορά κυρίως βοσκοτόπια. Το καθεστώς προστασίας διαφοροποιείται σημαντικά στην περιοχή, καθώς στο SNP απαγορεύεται κάθε ανθρώπινη δραστηριότητα, ενώ στις γύρω περιοχές το κυνήγι επιτρέπεται κατά τη διάρκεια της ημέρας, δημιουργώντας ένα σύνθετο τοπίο κινδύνου για τα ζώα.

''' ΔΕΔΟΜΕΝΑ ΚΟΚΚΙΝΟΥ ΕΛΑΦΙΟΥ'''

Για τη μελέτης παρακολουθήθηκαν 70 ενήλικα άτομα, τα οποία αιχμαλωτίστηκαν σε 12 διαφορετικές περιοχές. Τα δεδομένα συλλέχθηκαν μέσω τηλεμετρικών κολάρων GPS που κατέγραφαν στίγματα κάθε τρεις ώρες για διάστημα ενός έως τριών ετών. Μετά από αυστηρό φιλτράρισμα για την αφαίρεση ανακριβών τοποθεσιών και τον αποκλεισμό ατόμων με χαμηλό ρυθμό καταγραφής, κατέληξαν σε 45 θηλυκά και 21 αρσενικά. Η μελέτη περιορίστηκε αποκλειστικά στους θερινούς μήνες και σε ανοιχτά ενδιαιτήματα, όπως λιβάδια και περιοχές με αραιή βλάστηση. Ενώ για τον διαχωρισμό των ημερήσιων και νυχτερινών συμπεριφορών ως ημέρα θεωρήθηκαν οι ώρες από την ανατολή ως τη δύση του ηλίου και νύχτα οι υπόλοιπες.

'''ΕΡΜΗΝΕΥΤΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ'''

''' ΒΙΟΜΑΖΑ ΚΑΙ ΣΧΕΤΙΚΟ ΑΖΩΤΟ'''

Υπολογίστηκαν η απόλυτη βιομάζας φυλλώματα και η σχετική σύσταση αζώτου του πρασίνου μέσω δύο ξεχωριστών μοντέλων παλινδρόμησης Random Forest, εκπαιδευμένων με δεδομένα πεδίου από 322 επιφάνειες. Για τα δεδομένα η βλάστηση κόπηκε, ξηράνθηκε και ζυγίστηκε, ενώ η χημική ανάλυση για το άζωτο έγινε με εργαστηριακές μεθόδους και φασματομετρία υπέρυθρης ανάκλασης. Όλες οι επιφάνειες βλάστησης δειγματοληψίας γεοαναφέρθηκαν (georeferenced) με συστήματα υψηλής ακρίβειας (Global Navigation Satellite System, GNSS), διασφαλίζοντας την αξιοπιστία της συσχέτισης των δεδομένων πεδίου με τις δορυφορικές παρατηρήσεις.

'''ΠΡΟΒΛΕΠΤΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ'''

Χρησιμοποιήθηκαν τρεις τύποι δεδομένων από τον Sentinel-2: φασματικές ανακλάσεις 10 καναλιών, δείκτες βλάστησης (NDVI, MTCI, TGI, CAI) και οπτικά χαρακτηριστικά από το μοντέλο PROSAIL (LAI, CHL, EWT). Ο MTCI αξιολογεί το άζωτο σε λιβάδια, ο TGI τη χλωροφύλλη και ο CAI τη μη φωτοσυνθετική βλάστηση. Οι συγκεκριμένοι δείκτες επιλέχθηκαν επειδή καλύπτουν διαφορετικές περιοχές του ηλεκτρομαγνητικού φάσματος και προσφέρουν συμπληρωματικές πληροφορίες για την περιεκτικότητα σε άζωτο και τη συνολική βιομάζα, υπερβαίνοντας τους περιορισμούς του απλού NDVI.

'''ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΚΑΙ ΣΗΜΑΣΙΑ ΜΕΤΑΒΛΗΤΩΝ'''

Τα μοντέλα Random Forest εκπαιδεύτηκαν με αλγόριθμο RFE και βελτιστοποίηση υπερπαραμέτρων μέσω πενταπλής διασταυρούμενης επικύρωσης. Επιλέχθηκαν τα μοντέλα με τον υψηλότερο συντελεστή R2 και το χαμηλότερο σφάλμα RMSE. Η σημασία των μεταβλητών αξιολογήθηκε με μια στρατηγική μεταθέσεων ομαδοποιώντας τις μεταβλητές είτε βάσει της υψηλής συσχέτισης τους είτε βάσει του τύπου τους, για να υπολογιστεί η επίδραση κάθε ομάδας στην ακρίβεια της πρόβλεψης.

'''ΠΡΟΒΛΕΨΗ ΘΕΣΕΩΝ GPS ΚΑΙ ΑΦΑΙΡΕΣΗ ΑΚΡΑΙΩΝ ΤΙΜΩΝ'''
Κάθε τοποθεσία GPS αντιστοιχίστηκε με τη χρονικά πλησιέστερη δορυφορική εικόνα, με μέση απόκλιση τις 7,7 ημέρες. Για την αποφυγή λανθασμένων προβλέψεων σε περιοχές που διέφεραν από τα δεδομένα εκπαίδευσης, χρησιμοποιήθηκε ο δείκτης ανομοιότητας (DI). Οι θέσεις που παρουσίαζαν υπερβολικά υψηλό βαθμό ανομοιότητας αποκλείστηκαν από την περαιτέρω ανάλυση, διασφαλίζοντας ότι οι εκτιμήσεις για τη βιομάζα και το άζωτο στις θέσεις των ελαφιών ήταν εντός των ορίων εγκυρότητας του μοντέλου.

'''ΛΟΙΠΕΣ ΜΕΤΑΒΛΗΤΕΣ ΕΝΔΙΑΙΤΗΜΑΤΟΣ ΚΑΙ ΜΟΝΤΕΛΟΠΟΙΗΣΗ'''

Εκτός από την τροφή, εξετάστηκαν μεταβλητές που σχετίζονται με την αποφυγή του ανθρώπου, όπως η απόσταση από το δάσος, η απόσταση από μονοπάτια και η κλίση του εδάφους. Η κίνηση των ζώων αξιολογήθηκε μέσω του μήκους βήματος (step length), το οποίο ενσωματώθηκε στις συναρτήσεις επιλογής βήματος (iSSFs). Για κάθε πραγματική θέση του ελαφιού δημιουργήθηκαν 25 τυχαίες θέσεις, και η ανάλυση περιορίστηκε σε βήματα που πραγματοποιήθηκαν σε ανοιχτά ενδιαιτήματα. Τέλος, χρησιμοποιήθηκαν γενικευμένα γραμμικά μικτά μοντέλα (glmmTMB) ξεχωριστά για κάθε φύλο, συμπεριλαμβάνοντας το άτομο ως τυχαία επίδραση για τον έλεγχο της τυχαιότητας της ατομικής συμπεριφοράς.

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

'''Πρότυπα κίνησης και χωρική κατανομή'''

Το 74% των θερινών θέσεων εντοπίστηκε σε λιβάδια και το 24% σε εκτάσεις με βρύα/λειχήνες. Τα δύο φύλα παρουσίασαν παρόμοια χαρακτηριστικά όσον αφορά τις ημερήσιες διανυόμενες αποστάσεις, το μέγεθος της περιοχής εξάπλωσης και το μήκος των βημάτων τους. Ωστόσο, παρατηρήθηκε μια σαφής υψομετρική διαφοροποίηση εντός του SNP, με τα αρσενικά να κινούνται σε σημαντικά υψηλότερα υψόμετρα σε σχέση με τα θηλυκά. Είναι αξιοσημείωτο ότι οι μετακινήσεις μεταξύ του εσωτερικού και του εξωτερικού της προστατευόμενης περιοχής ήταν εξαιρετικά περιορισμένες αντιπροσωπεύοντας μόλις το 2% των συνολικών καταγραφών.

'''Επιδόσεις των μοντέλων βιομάζας και αζώτου'''

Η μοντελοποίηση της βιομάζας (ποσότητα τροφής) μέσω του αλγορίθμου Random Forest πέτυχε υψηλή προγνωστική ακρίβεια με συντελεστή προσδιορισμού R2 = 0.60 και μέσο τετραγωνικό σφάλμα (RMSE) 88.55 g/m². Η ανάλυση της σημασίας των μεταβλητών ανέδειξε τον δείκτη MTCI ως τον καθοριστικότερο παράγοντα, ακολουθούμενο από τον NDVI, τον δείκτη κυτταρίνης (CAI) και τον δείκτη φυλλικής επιφάνειας (LAI). Αντίθετα, η πρόβλεψη του σχετικού αζώτου (ποιότητα τροφής) αποδείχθηκε πιο απαιτητική, με μέτρια ακρίβεια της τάξης του R2 = 0.34, απαιτώντας τη συνδρομή και των 18 διαθέσιμων μεταβλητών για τη βελτιστοποίηση του μοντέλου.
Συνολικά, οι δείκτες βλάστησης (VIs) ήταν οι σημαντικότεροι και στα δύο μοντέλα. Παρόλα αυτά, τα οπτικά χαρακτηριστικά (optical traits) προσέφεραν κρίσιμη συμπληρωματική πληροφορία ιδιαίτερα στα μοντέλα βιομάζας. Ενώ οι φασματικές ανακλάσεις φάνηκαν να συνεισφέρουν στη μοντελοποίηση του αζώτου, η επίδρασή τους ήταν οριακή στην περίπτωση της βιομάζας, όπου οι δείκτες βλάστησης και τα δομικά χαρακτηριστικά των φυτών παρείχαν την απαραίτητη πληροφορία.

'''Επιλογή ενδιαιτήματος και ανάγκες ασφάλειας'''

Τα αποτελέσματα των συναρτήσεων επιλογής βήματος (iSSFs) έδειξαν ότι και τα δύο φύλα επιλέγουν ενδιαιτήματα με υψηλή βιομάζα και υψηλή περιεκτικότητα σε άζωτο. Ωστόσο, η ποσότητα της τροφής (βιομάζα) αναδείχθηκε ως ο επικρατέστερος παράγοντας επιλογής έναντι της ποιότητας. Στη σύγκριση μεταξύ των φύλων, τα θηλυκά εμφάνισαν ισχυρότερη προτίμηση σε περιοχές με υψηλή βιομάζα, ενώ τα αρσενικά έδωσαν ελαφρώς μεγαλύτερη έμφαση στην ποιότητα (άζωτο).
Σχετικά με τις μεταβλητές που αφορούν την ασφάλεια τα θηλυκά προτίμησαν την εγγύτητα στο δάσος και στα μονοπάτια κινούμενα κυρίως σε επίπεδα εδάφη. Τα αρσενικά επέλεξαν επίσης μικρές αποστάσεις από το δάσος αλλά η συμπεριφορά τους δεν επηρεάστηκε σημαντικά από την ύπαρξη μονοπατιών ή την κλίση του εδάφους. Και τα δύο φύλα παρουσίασαν αυξημένο μήκος βήματος δείχνοντας έντονης κινητικότητα, με τα θηλυκά να καλύπτουν μεγαλύτερες αποστάσεις.

'''Η επίδραση του Εθνικού Πάρκου και ο κύκλος ημέρας-νύχτας'''

Τα θηλυκά παρέμεναν στο πάρκο στο 82% των περιπτώσεων, ενώ τα αρσενικά στο 46%. Η παρουσία εντός του πάρκου ήταν αυξημένη την ημέρα (89% θηλυκά, 59% αρσενικά) και μειωνόταν τη νύχτα. Το πάρκο λειτουργεί ως καταφύγιο κατά τις ώρες αιχμής της ανθρώπινης παρουσίας, επιτρέποντας νυχτερινές μετακινήσεις σε εξωτερικές περιοχές.

''' 4. ΣΥΖΗΤΗΣΗ'''

'''Επιλογή ενδιαιτήματος και στρατηγικές επιβίωσης'''

Η χρήση των συναρτήσεων iSSF επέτρεψε τον ταυτόχρονο προσδιορισμό της κίνησης και της επιλογής πόρων, αποκαλύπτοντας πώς το κόκκινο ελάφι διαχειρίζεται το κρίσιμο αντισταθμιστικό όφελος μεταξύ τροφοληψίας και ασφάλειας. Τα αποτελέσματά μας δείχνουν ότι σε αυτό το ετερογενές αλπικό τοπίο, τα ελάφια προτεραιοποιούν την ποσότητα της τροφής (βιομάζα) έναντι της ποιότητας (άζωτο). Αυτή η προτίμηση παραμένει σταθερή καθ' όλη τη διάρκεια του καλοκαιριού και δεν φαίνεται να επηρεάζεται από την εποχιακή υποβάθμιση της βλάστησης. Οι διαφορές μεταξύ των φύλων ήταν υπαρκτές αλλά περιορισμένες με τα θηλυκά να επιλέγουν περιοχές με μεγαλύτερη ποσότητα βιομάζας, ενώ τα αρσενικά έδειξαν μια ελαφρώς μεγαλύτερη τάση προς την ποιότητα πιθανώς εκμεταλλευόμενα τα αλπικά βοσκοτόπια εκτός του Εθνικού Πάρκου (SNP) που προσφέρουν πιο θρεπτική βλάστηση λόγω της κτηνοτροφικής δραστηριότητας.
Η ανάγκη για ασφάλεια αναδείχθηκε ως κυρίαρχος παράγοντας με την εγγύτητα στο δάσος να αποτελεί κοινή προτίμηση και για τα δύο φύλα εξυπηρετώντας τόσο την προστασία όσο και τη θερμορύθμιση. Η έντονη χρήση του SNP από τα θηλυκά, ειδικά κατά τη διάρκεια της ημέρας (89%), υπογραμμίζει την ανάγκη προστασίας των απογόνων τους από την ανθρώπινη όχληση. Αντίθετα, τα αρσενικά εμφανίστηκαν πιο ανεκτικά στις διαταραχές εγκαταλείποντας το Πάρκο κατά τη διάρκεια της νύχτας με διπλάσια συχνότητα από τα θηλυκά. Αυτή η νυχτερινή μετακίνηση εκτός των ορίων του SNP μπορεί να ερμηνευτεί ως μια στρατηγική αποφυγής της υψηλής πυκνότητας του πληθυσμού εντός του Πάρκου, αλλά και ως μια προσπάθεια πρόσβασης σε τροφή υψηλότερης ποιότητας σε περιοχές που θεωρούνται ριψοκίνδυνες κατά τη διάρκεια της ημέρας.
Ένα φαινομενικά παράδοξο εύρημα ήταν η προτίμηση των θηλυκών για περιοχές κοντά σε μονοπάτια και σε επίπεδο ανάγλυφο, σημεία που παραδοσιακά συνδέονται με υψηλή ανθρώπινη δραστηριότητα. Η ερμηνεία μας είναι ότι εντός του πάρκου, όπου η κίνηση των επισκεπτών είναι αυστηρά περιορισμένη και προβλέψιμη, τα ελάφια έχουν εξοικειωθεί με την παρουσία των πεζοπόρων. Αυτή η «προβλεψιμότητα» της όχλησης επιτρέπει στα ζώα να εκμεταλλεύονται τους πλούσιους τροφοληπτικούς πόρους που συχνά εντοπίζονται σε αυτές τις περιοχές, χωρίς να αισθάνονται άμεση απειλή, αναδεικνύοντας την προσαρμοστικότητα του είδους σε ελεγχόμενα περιβάλλοντα.

'''Αξιολόγηση των τηλεπισκοπικών μοντέλων'''

Η μελέτη απέδειξε ότι τα δεδομένα του Sentinel-2 μπορούν να προσφέρουν εκτιμήσεις βιομάζας και αζώτου συγκρίσιμες με εκείνες των ακριβότερων υπερφασματικών αισθητήρων. Η ισχυρή απόδοση του μοντέλου βιομάζας (R2 = 0.60) οφείλεται σε μεγάλο βαθμό στην ενσωμάτωση του δείκτη MTCI και οπτικών χαρακτηριστικών όπως ο LAI. Η χρήση φυσικών μοντέλων μεταφοράς ακτινοβολίας (PROSAIL) με τη μέθοδο του πίνακα αναζήτησης (LUT) αποδείχθηκε ανώτερη από τις τυποποιημένες εφαρμογές, προσφέροντας μεγαλύτερη ακρίβεια και αναπραγωγιμότητα των αποτελεσμάτων.
Ωστόσο, η πρόβλεψη του σχετικού αζώτου παραμένει μια σημαντική πρόκληση στην τηλεπισκόπηση, γεγονός που αντικατοπτρίζεται στη μέτρια ακρίβεια του αντίστοιχου μοντέλου (R2 = 0.34). Η πολυπλοκότητα αυτή προκύπτει από το γεγονός ότι η φασματική ανάκλαση επηρεάζεται περισσότερο από την απόλυτη ποσότητα αζώτου ανά μονάδα επιφάνειας παρά από τη συγκέντρωσή του στους ιστούς. Παρά τους περιορισμούς αυτούς, η χρήση δεδομένων αναφοράς από το πεδίο αποτελεί μια σημαντική βελτίωση σε σχέση με προηγούμενες μελέτες που βασίζονταν αποκλειστικά σε δείκτες-υποκατάστατα (proxies) χωρίς επαλήθευση. Η ενσωμάτωση πρόσθετων δεικτών πέραν του NDVI, όπως ο MTCI που είναι ευαίσθητος στη χλωροφύλλη είναι απαραίτητη για την αποφυγή του φαινομένου κορεσμού σε περιοχές με πυκνή βλάστηση και για την ακριβέστερη αποτύπωση της ποιότητας της τροφής.
Συμπερασματικά, η εργασία αναδεικνύει την αξία των σύγχρονων δορυφορικών αποστολών στην οικολογία κίνησης. Η δυνατότητα παραγωγής εβδομαδιαίων χαρτών ποιότητας και ποσότητας τροφής σε υψηλή ανάλυση επιτρέπει τη βαθύτερη κατανόηση του πώς τα μεγάλα οπληφόρα πλοηγούνται σε δυναμικά τοπία, εξισορροπώντας τις ενεργειακές τους ανάγκες με την επιβίωση. Οι μελλοντικοί υπερφασματικοί αισθητήρες αναμένεται να βελτιώσουν περαιτέρω αυτές τις προβλέψεις προσφέροντας ακόμη πιο λεπτομερή εικόνα των βιοχημικών χαρακτηριστικών της βλάστησης.

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Το κόκκινο ελάφι βάζει σε προτεραιότητα την ποσότητα της τροφής έναντι της ποιότητας στα θερινά αλπικά ενδιαιτήματα, με την επιλογή του να καθορίζεται σημαντικά και από την ανάγκη για ασφάλεια. Τα θηλυκά εμφανίζονται πιο ευαίσθητα στην ανθρώπινη δραστηριότητα έχοντας ισχυρή προτίμηση στην προστασία που παρέχει το πάρκο. Παράλληλα, η τηλεπισκόπηση αναδεικνύεται σε πολύτιμο εργαλείο για τη χαρτογράφηση των τροφοληπτικών πόρων, καθώς ο συνδυασμός δεικτών βλάστησης και οπτικών χαρακτηριστικών βελτιώνει σημαντικά την ακρίβεια των προβλέψεων. Ενώ η βιομάζα χαρτογραφείται με υψηλή αξιοπιστία, η εκτίμηση του αζώτου παραμένει τεχνική πρόκληση, η οποία αναμένεται να αντιμετωπιστεί στο μέλλον μέσω των προηγμένων υπερφασματικών δορυφορικών αισθητήρων.

Ρίζος Ελευθέριος

2026-02-07T12:34:07Z

Rizoselef:

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

[[Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2]]

[[Η βαθιά μάθηση επιτρέπει τη δορυφορική παρακολούθηση μεγάλων πληθυσμών χερσαίων θηλαστικών σε ετερογενή τοπία]]

[[Χρήση τεχνικών τηλεπισκόπησης και δεδομένα επιστήμης των πολιτών για αξιολόγηση της αστικής βιοποικιλότητας για βιώσιμα αστικά τοπία]]

[[Η τηλεπισκόπηση δείχνει τον ρόλο της ποιότητας και της ποσότητας της διαθέσιμης βοσκής στη θερινή χρήση ενδιαιτημάτων από κόκκινα ελάφια]]

[[Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων]]

Ρίζος Ελευθέριος

2026-02-07T12:33:26Z

Rizoselef:

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

[[Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2]]

[[Η βαθιά μάθηση επιτρέπει τη δορυφορική παρακολούθηση μεγάλων πληθυσμών χερσαίων θηλαστικών σε ετερογενή τοπία]]

[[Χρήση τεχνικών τηλεπισκόπησης και δεδομένα επιστήμης των πολιτών για αξιολόγηση της αστικής βιοποικιλότητας για βιώσιμα αστικά τοπία]]

[[Η τηλεπισκόπηση δείχνει τον ρόλο της ποιότητας και της ποσότητας της διαθέσιμης βοσκής στη θερινή χρήση ενδιαιτημάτων από το κόκκινο ελάφι]]

[[Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων]]

Ρίζος Ελευθέριος

2026-02-07T12:33:18Z

Rizoselef:

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

[[Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2]]

[[Η βαθιά μάθηση επιτρέπει τη δορυφορική παρακολούθηση μεγάλων πληθυσμών χερσαίων θηλαστικών σε ετερογενή τοπία]]

[[Χρήση τεχνικών τηλεπισκόπησης και δεδομένα επιστήμης των πολιτών για αξιολόγηση της αστικής βιοποικιλότητας για βιώσιμα αστικά τοπία]]

[[Η τηλεπισκόπηση δείχνει τον ρόλο της ποιότητας και της ποσότητας της διαθέσιμης βοσκής στη θερινή χρήση ενδιαιτημάτων από κόκκινο ελάφι]]

[[Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων]]

Ρίζος Ελευθέριος

2026-02-07T12:31:52Z

Rizoselef:

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

[[Παρακολούθηση ευτροφισμού για την λίμνη Παμβώτιδα, Ελλάδα, χρησιμοποιώντας δεδομένα Sentinel-2]]

[[Η βαθιά μάθηση επιτρέπει τη δορυφορική παρακολούθηση μεγάλων πληθυσμών χερσαίων θηλαστικών σε ετερογενή τοπία]]

[[Χρήση τεχνικών τηλεπισκόπησης και δεδομένα επιστήμης των πολιτών για αξιολόγηση της αστικής βιοποικιλότητας για βιώσιμα αστικά τοπία]]

[[Η τηλεπισκόπηση αποκαλύπτει τον ρόλο της ποιότητας και της ποσότητας της διαθέσιμης βοσκής στη θερινή χρήση ενδιαιτημάτων από κόκκινο ελάφι]]

[[Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων]]